XiaoMi-AI文件搜索系统
World File Search System土壤湿度
通过描述性统计和机器学习进行全面的 GPR 信号分析
摘要 —本文全面分析了各种土壤特性如何影响探地雷达 (GPR) 接收信号的特征。这些特性包括介电特性、厚度、层数、雷达配置和表面粗糙度。本文使用 gprMax 进行了详尽的分析，模拟了不同的土壤介质场景，以展示这些参数如何影响 GPR 接收信号。所提出的方法通过描述性统计分析从接收信号中提取关键特征以表征土壤。然后，本文部署了机器学习 (ML) 技术，特别是随机森林 (RF) 模型和基尼均值减少杂质 (MDI) 作为度量，以识别数据集中最有影响力的特征。此过程从时域中提取一组简洁的特征，然后使用频域特征进行扩展。所提出的方法不仅可以有效地捕获高维 GPR 数据中的关键信息，还可以降低其维数，确保保留基本信息。使用这些重要特征而不是复杂的原始 A 扫描数据来训练 ML 和深度学习 (DL) 模型，可以实现更准确的土壤湿度和地下分析。
全球风暴中的较弱的土地 - 大气耦合 -
关于土壤水分 - 预应反馈的迹象的争论仍然开放。一方面，使用全球粗分辨率气候模型的研究发现了强烈的积极反馈。但是，这样的模型不能明确表示对流。另一方面，使用KM规模的区域气候模型和明确对流的研究报告了负反馈。然而，在这种模型中规定了大规模的循环。这项研究使用具有明确对流的全局，耦合的模拟进行了重新审视土壤水分 - 沉淀反馈，并将结果与粗分辨率模拟与参数化对流进行了比较。我们发现，大多数要点的显着差异，反馈较弱且占据显式对流的负面差异。与粗分辨率模型相比，在存在土壤湿度异质性的情况下，在潮湿的方向上更经常在潮湿的状态下，在土壤水分异质性的情况下触发对流的模型。进一步的分析表明，不仅土壤水分和蒸散量之间的反馈，而且蒸散量和降水之间的反馈也较弱，与观察结果更好地一致。我们的发现表明，粗分辨率模型可能不太适合研究土地上气候变化的各个方面，例如干旱和热浪的变化。
玉米的水关系和生理学响应土壤水分水平和温室受精系统1
摘要：农作物的水状态直接受土壤水的供应影响。因此，本研究旨在分析不同土壤水分含量（80、90、100、100、110、110、110、110和120％的现场容量-FC）和受精系统（常规和施肥）的玉米中的水关系（双跨混合AG 1051）。该实验是在2019年8月至2019年10月至10月的巴西雷夫市，在巴西佩尔南布科州雷·佩恩市的农村乡村农村乡村的农业工程系中进行的实验。实验设计是具有5×2阶乘方案的随机块，四个重复和40个实验单元。在土壤湿度水平以下低于田间容量（100％FC）的100％，增加了玉米植物的相对水分含量，叶片，叶水的潜力和渗透调节。与常规施肥相比，施肥会导致较高的蒸腾率和以95％的田间容量（95％FC）灌溉的农作物中的水效率提高。在提交土壤水分水平以下的植物中，受精系统会影响水，渗透和压力潜力，以及渗透调节。
玉米的水关系和生理学响应土壤水分水平和温室受精系统1
摘要：农作物的水状态直接受土壤水的供应影响。因此，本研究旨在分析不同土壤水分含量（80、90、100、100、110、110、110、110和120％的现场容量-FC）和受精系统（常规和施肥）的玉米中的水关系（双跨混合AG 1051）。该实验是在2019年8月至2019年10月至10月的巴西雷夫市，在巴西佩尔南布科州雷·佩恩市的农村乡村农村乡村的农业工程系中进行的实验。实验设计是具有5×2阶乘方案的随机块，四个重复和40个实验单元。在土壤湿度水平以下低于田间容量（100％FC）的100％，增加了玉米植物的相对水分含量，叶片，叶水的潜力和渗透调节。与常规施肥相比，施肥会导致较高的蒸腾率和以95％的田间容量（95％FC）灌溉的农作物中的水效率提高。在提交土壤水分水平以下的植物中，受精系统会影响水，渗透和压力潜力，以及渗透调节。
MIIDAPS-AI - noaa/nesdis/star
摘要 — 在本文中，我们利用最先进的人工智能 (AI) 技术，通过微波和红外传感器，在全天候、全地表条件下对温度、湿度、表面和云参数进行卫星遥感。多仪器反演和数据同化预处理系统，人工智能版本，简称 MIIDAPS-AI，适用于极地和地球静止微波和红外探测器和成像仪，以及组合红外和微波探测器对。该算法可生成温度和湿度的垂直剖面以及表面温度、表面发射率和云参数。高光谱红外传感器的其他产品包括选定的痕量气体。从微波传感器，可以从初级产品中获得降雨率、第一年/多年海冰浓度和土壤湿度等其他产品。与传统的操作探测算法相比，MIIDAPS-AI 算法效率高，准确度没有明显下降。这种深度学习算法自动生成的雅可比矩阵可以提供可解释性机制，以建立算法的可信度，并量化算法输出的不确定性。计算增益估计为两个数量级，这为以下两种情况打开了大门：1）处理大量卫星数据，或 2）在处理相同数量的数据的情况下，提高及时性并显着节省计算能力（从而节省成本）。在这里，我们概述了 MIIDAPS-AI 的实现，讨论了它对各种传感器的适用性，并为选定数量的传感器和地球物理参数提供了初步性能评估。
在田间测试促进植物生长的微生物
在欧盟和世界各地，植物生长促进微生物 (PGPM) 和其他生物制剂（如土壤改良剂、生物肥料、植物生物刺激剂、生物防治剂或生物农药）的市场正在蓬勃发展。微生物制剂在这一发展中占有重要地位。此类产品的使用通常以促进可持续农业实践为宣传目标，承诺通过提高作物生长和产量，提供替代品或替代品以减少农业对危险农用化学品的依赖。与注册的微生物植物保护产品不同，在欧盟作为土壤改良剂或植物生物刺激剂销售的 PGPM 在田间条件下无需严格证明最低功效水平。制造商只需确保这些产品不会对人类、动物或植物的健康、安全或环境造成不可接受的风险。目前尚无与 EPPO 标准（欧洲和地中海植物保护组织）相当的统一指南来测试田间试验的功效。本文试图填补这一空白。它提出了 PGPM 田间试验设计和实施指南，以及数据收集和评估类型和范围的建议。对从文献中选出的研究论文进行了评估，以分析是否以及在多大程度上已经满足了要求。大多数论文都有明确的实验设计，随后进行了适当的数据评估。常见的缺陷是测试环境和作物种类数量少、场地和农艺管理描述不足以及土壤湿度和温度数据缺失。使用建议的标准被认为可以提高测试微生物产品的表达能力。
普莱森特平原镇公园和娱乐计划
格雷灵土壤 (A1)：这些土壤深厚、沙质且排水过度，分布在近乎平坦至缓坡的冲积平原上。这些土壤具有低至中高的森林生产潜力和低至中等的再造林潜力。在这些土壤上发现的主要树种是杰克、松树和橡树。在这个土壤组中，地下水位波动在离地表 5 英尺以内。灰平-格雷灵土壤 (A2)：这些土壤是排水过度到略微过度的土壤，分布在冲积平原和低冰碛上。它们通常出现在近乎平坦至陡峭的地形上。根据坡度的不同，侵蚀危险从轻微到陡峭不等。这些土壤中的大部分是橡树和山杨树森林。森林生产和再造林潜力从低到中高不等，具体取决于树种和土壤湿度。该土壤区域内有分散的湿点。 Rubicon、Montcalm-Graycalm 土壤 (B-1)：该镇内只有三小片此类土壤。土壤深厚，沙质，排水性略强。土壤位于冲积平原的水平面上。因此，侵蚀风险较小，但随着坡度增加，侵蚀风险会变得严重。森林生产力根据树种不同，从中低到非常高不等。红松和白松具有最高的生产力潜力。目前主要存在的森林类型是山杨和橡树。Crosswell 土壤 (D-2)：这些是排水性中等良好的深沙质土壤。土壤主要位于冲积平原，也在一定程度上位于排水道沿线的低阶地上。土壤位于近水平到缓坡的表面上，侵蚀风险较小。森林生产力各不相同，从低到高不等。白松的再造林率很高。与此类土壤相关的主要树种是低地硬木、山杨、短叶松、橡树和红
农业数字技术
3 Zoltan Madaras 佩CS研究所应用数字技术解决方案的葡萄种植发展 5 Paul Schmit、Ranko Gantner、Anna Neubauer、Anna Garré 通过数字数据记录评估马耕耕技术 6 Mario Kožul、Goran Fruk,热利科Hederić 设计用于精准农业的自主漫游车 8 Ana Šunić, Zdenko Lončarić 克罗地亚耕作作物施肥的众包数据 11 Mario Kožul、Ivan Aleksi、Željko Hederić 果园应用自主机器人平台的能源管理 12 Dušan Dunđerski、Ivana Varga、Dario Iljkić、Dubravka Užar 大麻评估使用 IMAGEJ 软件确定幼苗大小 13 Nenad Bestvina 信息系统支持工厂生产 14 Luka Šumanovac、Petra Pejić 用于苹果识别和机器人操作的图像处理方法 15 Lech Gałęzewski、Edward Wilczewski、Marek Kościński、Iwona Jaskulska、Jacek Majcher、Andrzej Wilczek 土壤湿度测量的可靠性作为决定因素了解精准农业的有效性 16 Karolina Kajan、Vlatko Galić ANDROID组织植物育种计划的申请 17 Davor Bilić, Zdenko Lončarić 无人机获得的数据对作物可变追肥的适用性和充分性 18 Domagoj Grgić, Marija Ravlić 使用无人机和机器人控制杂草 21 Ana Marija Antolković, Martina Skend罗维奇·巴博耶利奇、雷亚·弗托杜西奇、米哈埃拉萨特瓦尔·弗尔班西奇、马尔科·佩特克、安东尼奥·维杜卡、托米斯拉夫Karažija，Goran Fruk 用于目标检测的苹果园数据集
快速育种：加速植物育种
人口激增、生活方式不断改变以及气候变化加剧，使得人们必须改良现有的作物品种，以确保全球粮食和营养安全并实现其他市场驱动特性。尽管人们已经做了很多工作来培育高产、营养丰富的各种粮食和纤维作物，但培育优良品种的速度仍赶不上需求。传统方法中，种子到种子的周期为 10-12 年，这是现代植物育种事业发展的关键瓶颈之一。快速育种的概念在这里起到了救星的作用，它大大缩短了品种开发、发布和商业化所需的时间，缩短了近一半。这是一套技术，涉及操纵作物生长的环境条件，旨在加速开花和结籽，并尽快进入下一代育种。它包括操纵昼夜温度、可用光谱和强度、光周期持续时间、土壤湿度、植物生长调节剂的使用、调节空气中的二氧化碳和氧气水平以及高密度种植，以缩短花芽分化时间、加速胚胎发育和种子成熟。最近的研究表明，将新兴技术（例如使用 CRISPR/Cas9 进行基因编辑、高通量表型和基因分型、基因组选择和 MAS）与 SB 相结合可以提高遗传增益。发展中国家部署快速育种技术的关键挑战很少，包括基础设施成本高、所需的专业知识和技能以及持续的研发资金支持，以维持可持续运营。然而，现有的制约因素可以通过进一步优化关键粮食作物的 SB 协议及其在植物育种管道中的有效整合来解决。需要开展涉及多学科团队的国际合作研究，以鼓励将 SB 系统整合到基础和应用研究中。尽管如此，快速育种技术将成为本世纪的下一个突破，并成为现代育种技术的重要组成部分。
制定 AQPI 行动概念的工作计划
（CONOPS）计划第 1 部分：AQPI 概述和状态 1.1 先进定量降水信息系统 (AQPI) 概述 AQPI 是一种降水监测、警报和水文信息系统，供水资源机构和应急管理人员以及旧金山湾区的其他社区利益相关者使用，用于管理水源，并通过改进的降水估计和增强的气象观测，预警山洪、泥石流或合流污水溢流事件等水文灾害。AQPI 系统有几个组件。安装五个气象雷达将填补雷达覆盖空白，并改善降水估计和短期临近预报（<1 小时）。为了支持预测需求，融合了高分辨率快速刷新 (HRRR) 和全球预报系统 (GFS) 预报模型的数据馈送涵盖了 AQPI 基于网页的显示中的 0-10 天，并直接在数据流中发送给 AQPI 成员机构。 AQPI 用户门户上提供可视化效果，并开发了定制数据源，供当地合作机构委员会 (LPAC) 成员在其运营活动中使用。该系统还包括安装新的降水、径流和土壤湿度表面测量数据，并将现有的测量数据汇总到决策支持系统中。沿海风暴建模系统 (CoSMoS) 提供沿海海平面预报，为沿海洪水灾害提供预警和决策支持。AQPI 系统还将结合国家水模型 (NWM) 提供径流预报。1.2 AQPI CONOPS 计划概述 AQPI CONOPS 计划的总体目标是提供全面的指南，以确保在完成加州水资源部 (CA DWR) 系统开发奖后，AQPI 系统在交付后的前五年内继续运行和开发。CONOPS 计划将在斯克里普斯海洋研究所西部天气和水极端事件中心 (CW3E) 的领导下，在大约两年的时间内制定完成。 CONOPS 计划目标、内容和制定过程的详细信息在第 2、3 和 4 节中介绍。1.3 AQPI 系统组件的当前状态（截至 2022 年 1 月 31 日）雷达