简介：摘要：自然常数 跟 相比，不太容易被学生接受，因为 都有各自的直观解释： 表示直径为 1的圆周长， 表示边长为 1的单位正方形的对角线的长度，本文旨在通过对 1. 的由来； 2. 的定义和计算；这两个方面的阐述，让学生深入了解这个无限不循环小数，最后通过一个应用，再次强调 的重要性，并加入课程思政的元素，旨在教育学生要感恩祖国，以祖国为荣 .

简介：摘要：本文对光谱测量领域的 CPC分类号进行介绍和分析，光谱测量领域有三个一点组分类号，分别为零部件、光谱产生、光谱测试，分类号从结构、核心分光器件、测试使用的方法进行分类。通过检索实践发现，根据专利申请的技术信息，准确确定 CPC分类号，能够有效避免关键词表达不当或不全导致的漏检或噪音较大的问题，提高检索的效率和准确性。

简介：摘要：“绿水青山就是金山银山”，环境保护已成为当代社会发展的重要议题。环境检测作为评估环境质量、制定环保政策的重要依据，其准确性和效率至关重要。光谱分析技术以其高灵敏度、实时性、无损检测等优势，在环境检测领域展现出广阔的应用前景。本文将从光谱分析技术的发展历程、在环境检测中的应用现状、优势分析以及未来发展趋势等方面进行深入探讨，以期为我国环境检测技术的创新与发展提供新的思路和方法。

简介：摘要 : 植被分类是高光谱影像分类中的特定应用问题，光谱特征和空间特征是植被分类中常用的两类特征，比较这两类特征的性能，对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（ PCA）提取光谱特征时，常选择前几个主成分（ PCs）作为光谱特征，虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率，针对这一问题本研究提出了一种混合特征提取方法，对高光谱影像在 PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的 PCs用于后续分类。利用一景 AVIRIS高光谱植被影像，从分类精度的角度，首先比较了所提出的混合特征提取方法和原始 PCA、独立主成分分析（ ICA）及线性判别分析（ LDA） 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集 1和 2上均获得了最高的总体分类正确率，分别为 82.7%和 86.5%。与原始 PCA相比，本研究提出的混合特征提取方法的总体分类正确率，在数据集 1和 2上分别提高了 1.5%和 2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中，总体上空间特征获得的分类正确率比光谱特征高，特别是 Gabor特征，在两个数据集上均获得了最高的总体分类正确率分别为 95.5%和 96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空 -谱特征方法及其两者有效结合，进一步提高植被分类正确率提供了参考。

简介：摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为 3个等级（每个等级共包含 530幅五通道图像，其中 480幅作为训练集， 50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和 GPS 信息，识别彩色图像模型在验证集的正确率为 84.7%，识别多光谱图像模型在验证集的正确率为 90.5%，模型训练平均时间为 4.5h，五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。