XiaoMi-AI文件搜索系统
World File Search System轮作
作物轮作和土壤碳平衡的多样化
摘要成功的作物轮作选择是农民生物的盈利能力和可持续性的关键，并且可能同时对土壤有机碳（SOC）含量产生影响。在这项研究中，我们估计了使用地理空间数据和贝叶斯建模在2009年至2018年之间在2009年至2018年之间如何影响芬兰的SOC平衡。在整个研究期间，指定为多年生型和多种谷物旋转的区域增加了。多年生草地旋转对SOC平衡产生积极影响，而由年度农作物主导的旋转对SOC含量的影响没有差异。在国家规模上，芬兰农作物轮换的变化导致估计在矿物质土壤中估计SOC含量损失的年度减少1336 mg C年-1，并使有机土壤的二氧化碳排放量减少了10,475 mg c c年-1。这两种贡献的综合作用为11,811 mg c年-1，概率为80％的间隔为（ - 6600; 30,300）mg c年-1。虽然农作物轮换对SOC的变化的总体影响相对较小，但持续的变化对更多样化和多年生的作物轮作可能具有其他农艺和环境益处，例如关于弹性和生物多样性。
在有机农业系统中应用机器学习方法在作物轮作系统中的应用
摘要。这项研究证明了基于不同大气水分条件下作物生产的生产力和可持续性的评估，因此选择了作物旋转选择。该研究认为8种作物旋转以谷物的产生为导向。使用了在Novosibirsk地区森林Steppe的长期野外实验中获得的数据。由于实施了决策树（CART）和使用集合算法（随机森林），因此执行了以相当高的预测能力为特征的模型的构建。标准化降水指数被选为表征不同植被时期大气湿润的主要预测因子。在选择了不同严重程度的大气干旱的情况下，从作物产量的稳定性角度来看，谷物下滑，带有豆类（vetch-oats）的谷物（vetch-oats）。使用机器学习方法（购物车，随机森林）作为选择农作物旋转的有效工具进行可持续的谷物生产，而无需在西伯利亚的土壤和气候条件下使用化学化，以及评估在作物生产向有机技术过渡到有机技术中可能存在的风险。
人工智能和数据驱动的作物轮作规划
轮作规划是决定农业地区植物种类和时间演替的过程，以提高土壤质量、作物产量和抗虫/抗杂草能力。轮作规划可用的数据来源和模式非常多样化，该领域缺乏纯数据驱动的方法。在本文中，我们使用基于文献和 NDVI 测量的后继作物适用性矩阵和作物特定属性（如贡献边际和氮需求）作为输入，训练基于 DQN 的强化学习代理来生成轮作序列。从业者和轮作专家验证了生成的轮作序列，并得出结论，大多数序列都是现实的，符合现有的轮作规则集，并且可以应用于实践。
第11章建模以评估气候变化下农作物轮作的气候弹性
农作物轮作的抽象多样化被认为是在气候变化下提高欧洲作物产量的弹性的一种选择。尽管已将作物轮作设计和管理被确定为适应气候变化和减轻气候变化的重要措施，但到目前为止，大多数对气候变化影响或适应性的研究都使用了单年模拟和/或单一的作物评估。大多数农作物模型通常考虑到生长季节内各种管理方案的作物反应。但是，如果模拟忽略了生长季节和与农艺管理有关的潜在承担效应之间的过程和大量，则对thelong termsustainability odadaptation andMitigationTrategationTrategiesCannotBeproperly进行了评估。因此，在当前和将来的气候条件下对影响，适应和缓解选择的综合评估需要对作物序列进行连续的长期分析，以考虑到实际条件下的结转效应。本文提供了有关作物旋转方面的信息，应在建模中考虑这些方面的信息，它列出了气候影响评估的建模的现状，解决了建模的不确定性和缺失方面的目前，并吸引了对潜在的未来发展的前景，并特别强调了作物旋转。总而言之，作物模型需要合适的实验数据来参数化其他农作物，到目前为止，这些农作物尚未充分研究以应对农作物旋转的多种机会。