偏振-高光谱多维光信息的番茄叶片营养诊断

以Venlo型温室中无土栽培模式下自行培育的25%,50%,75%,100%,150%五个梯度水平的氮、磷、钾营养胁迫样本为研究对象,利用高光谱成像系统以及课题组自行研发的偏振反射光谱测量分析系统分别采集不同氮磷钾营养水平番茄叶片的偏振光谱和高光谱数据。通过扫描电镜分析阐明营养胁迫叶片非光滑表面的凹凸和质地发生的一系列变化与偏振反射辐射之间具有一定的联系。由斯托克斯公式将偏振光谱换算成偏振度后,提取偏振度与氮磷钾实测值之间的各4个偏振度特征;同时将高光谱数据经过主成分分析降维并确定氮磷钾各4个特征波长,再通过相关分析法提取这4个特征波长下的各8个高光谱图像纹理特征。偏振度特征与高光谱纹理特征相加累计氮磷钾各12个特征作为支持向量回归(SVR)的输入变量。对这12个特征变量进行最大—最小值归一化后,采用SVR建立番茄氮磷钾营养水平的定量诊断模型,求得氮的相关系数r=0.961 8,均方根误差RMSE=0.451;磷的相关系数r=0.916 3,均方根误差RMSE=0.620;钾的相关系数r=0.940 6,均方根误差RMSE=0.494。研究结果表明采用偏振反射光谱结合高光谱的多维光信息融合技术能够建立精度较高的番茄营养水平预测模型,具有较好的诊断作用,对于提高模型的精度和专用仪器的开发具有一定的指导意义,为番茄养分含量的快速检测提供了新的思路。     

气动、结构、载荷相协调的大型风电叶片自主研发进展

从叶片设计的3个关键环节（气动设计、结构设计和载荷评估）出发,对叶片自主研发进展进行了总结分析．在气动设计方面,概述了计算流体动力学（computational fluid dynamics, CFD）方法、涡方法和叶素动量（blade element momentum, BEM）方法,并依据工程中广泛应用的BEM方法,指出了低风速区风电叶片的解决思路;在结构设计方面,简要概述了基于梁模型的传统设计分析方法,分析了其在大型复合材料叶片薄壳结构上的不足,并对有限元方法（finite element method, FEM）在叶片结构分析中的应用进展进行了介绍;在载荷评估方面,介绍了其对叶片和整机其它部件的影响,阐述了载荷预估方面的工作进展．然后,通过分析3个关键环节之间的相互关系,得到如下结论:建立气动、结构和载荷相协调的叶片优化设计体系,才能真正满足高效低成本的需要．最后,指明了需要进一步研究的主要方向,即高效低载翼型研究,结构非线性有限元分析,气动-结构耦合研究,设计标准制定．最终目标是建立适合中国风资源特点的叶片研发体系,推动我国风电产业发展.     

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。     

风力机叶片非线性摆振响应及稳定性分析

本文对风力机叶片摆振运动的动态响应以及稳定性进行了分析.基于叶片大挠度摆振运动控制偏微分方程,进行Galerkin截断离散,得到模态方程.通过将摆振位移分解为静态位移和动态位移,得到了静态位移和动态位移方程.使用摄动法对主共振情况下的动态响应进行求解,分析了入流速度比对稳态解和振幅的影响,以及平衡点的稳定性.得到以下结论:当入流速度比处于在某范围内时,叶片摆振运动表现为主共振,在该主共振的区域内,叶片非线性摆振为稳定的周期运动.     

叶型中弧线的最大弯度位置对跨音速压气机叶片性能影响的研究

本文研究与分析了叶型中弧线的最大弯度位置对跨音速压气机叶片气动性能的影响。采取了注重流动机理的优化方法,对本文算例的风扇叶片进行了优化,改进后所得的叶片的效率比原设计有了较大的提高。     

周向弯曲低压轴流风机叶顶泄漏流动数值研究

本文采用数值模拟的方法,对三种带有周向弯曲叶片的低压轴流通风机(原型叶轮、周向前弯及后弯叶轮)的叶顶泄漏流动进行了研究。在数值计算与试验测量结果较为吻合的条件下,从流场和压力场等不同角度分析探讨了叶片周向弯曲后,叶顶泄漏流动和泄漏涡的形成和发展规律。数值计算结果表明,叶顶周向前弯加剧了泄漏涡与主流的掺混;周向后弯叶轮比前弯叶轮有助于减弱叶顶泄漏流动;强度大、衰减慢的泄漏涡,降低了叶顶的通流能力,同时与主流的掺混加剧也增大了叶轮的端部损失;此外,顶部间隙高度的增加,泄漏流动加强,旋涡的起始点更靠近叶片后缘。     

植被叶片叶绿素含量反演的光谱尺度效应研究

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中,考虑到不同传感器的光谱响应存在差异,研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据,并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据,再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后,利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明,通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高,反演值与真实值拟合程度最好;归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次,虽然其决定系数R2高达0.89以上,但反演的叶绿素含量值小于真实值;其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性,受光谱尺度效应影响较小,具有较好的反演能力,这一结论恰好验证了其“独立于传感器”的特性,同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。     

基于数字图像相关技术的风电叶片静态特性试验研究

进行了风电叶片双轴静载试验,全程采用数字图像相关技术监测其全场三维变形。结果表明,在各工况荷载作用下,风电叶片的三维位移分布具有良好规律,而应变分布则无明显规律。3个方向位移中,平面外位移远大于平面内位移。双轴荷载作用下,风电叶片挥舞方向位移与摆振方向位移均随加载等级增大而增大。在风电叶片全场范围内,挥舞方向位移沿叶片展向逐渐增大,直至叶尖达到最大值。叶片各点的摆振方向位移均为负位移,负位移最大值出现在叶片中部。在叶根至41%叶长(55 cm)区域内,叶片各工况下的展向位移几乎接近于0;而在41%叶长至叶尖区域,当荷载较小时,叶片迎风面纤维的受拉伸长量大于平面外弯曲的展向位移分量而产生正位移;随着荷载增大,叶片平面外弯曲变形的展向位移分量大于迎风面纤维的受拉伸长量而产生负位移。     

基于叶片光学属性的作物叶片水分含量反演模型研究

叶片含水量是反映作物生理特性的一个重要参数,对生态环境的研究具有重要意义。采用小波分析方法,分析叶片含水量对反射率的影响特征,建立综合利用多波段信息的作物叶片水分含量反演模型。基于PROSPECT模型的辐射传输理论,推导出由叶片反射率光谱的小波系数反演叶片水分含量C_W的理论模型。利用六种常用的小波函数,对叶片组分水、干物质和白化基本层的吸收光谱进行小波分解。选取对水分变化最敏感,同时对其他组分不敏感的分解尺度和波段位置,找到能稳定突出水的光谱特征的小波系数。结果表明：bior1.5小波函数在尺度为200 nm,波段位置为1 405和1 488 nm的小波系数具有上述特征。建立由叶片反射率光谱的bior1.5小波系数反演叶片水分含量C_W的反演模型,模型有两个转换系数a和Δ都受叶片结构参数N的影响。利用PROSPECT模型生成模拟光谱数据集,校正建立的叶片水分含量反演模型中的两个转换系数a和Δ,并与LOPEX93实验光谱数据集结合验证反演模型。结果表明：反演模型不仅比传统基于植被指数的统计模型在精度上有提高(反演值与实测值的R2最高达到0.987),而且更加稳定,普适性更高。研究表明,小波分析方法在利用高光谱数据反演作物叶片水分含量方面具有独特的优势。     

非定常尾迹耗散过程无粘有粘数值模拟的比较

1前言目前关于透平机械的设计方法大多数都是基于定常流动的。然而透平机械内的流动本质上是非定常的。如果能够定量地考虑非定常流动的影响来进行设计,将会使透平机械的性能进一步提高。在多级轴流压气机中,与叶片相对运动有关的两种主要来源是叶片排间的势流相互干扰?..