摘要：高光谱遥感已经成为快速诊断作物水氮状态的一种有效手段。然而,传统的回归方法和机器学习往往难以挖掘高光谱的全部信息,深度神经网络又通常需要大量的训练数据,因此本研究试图探索在少量数据条件下构建深度学习模型并实现叶片氮含量的精准估计。通过在湖北省监利县开展了连续2年不同氮素胁迫水平的水稻试验,测量了作物全生育期内的216组冠层光谱和叶片氮含量。基于一阶导数光谱,本文构建了一种新的深度学习模型(深度森林DF)来进行叶片氮含量的反演,并与2种经典机器学习模型(随机森林RF和支持向量机SVM)和一种深度神经网络模型(多层感知器MLP)进行比较。结果表明,在基于少量高光谱数据的情况下,DF对水稻叶片氮含量的估算精度要高于MLP,其中预测精度最高的模型为全波段光谱反演的DF模型(R^(2)=0.919,RMSE=0.327)。在2种经典机器学习模型中,RF的估计效果优于SVM,但2种模型结果都不够稳定。研究表明,深度森林可以提升高光谱反演叶片氮含量的精度和稳定性,并且可以通过多粒度扫描相对减轻过拟合程度。该研究结果可为少量数据条件下快速监测作物叶片氮含量提供参考。

摘要：乳酸菌冻干保护剂的优化对乳酸菌冻干后的存活率起着非常重要的作用。在寻求乳酸菌冻干保护剂最优配方的过程中,试验设计和统计优化发挥着重要作用。文章对近年来常用的试验设计及其优化方法(Plackett-Burman设计、响应面设计和最速上升法等)进行了综述。

摘要：通过采用9因素2水平Plackett-Burman设计法,对可溶性淀粉、蔗糖、甘油、大豆粉、海藻糖、甘露醇、明胶、甘氨酸和谷氨酸钠9种材料对乳酸链球菌的保护效果进行评价。结果表明:乳酸链球菌的有效冻干保护剂是大豆粉、蔗糖、甘油和甘露醇。通过正交试验设计确定最优冻干保护剂的配方组合和用量,即大豆粉10%、蔗糖10%、甘油3%和甘露醇0.8%(均为质量分数),经过多次实验证明最优保护剂配方组合能使乳酸链球菌的冻干存活率达到77.85%。