科学论坛 ●ｌ 机械深松的效果与原理 李勇王琦王喜 （友谊农场 黑龙江 友谊 １５５８Ｏ０） ［摘要］机械深松技术是采用深松机对土壤进行深松作业，减少动土，疏松土壤，打破犁底层，加深耕屋，增强土壤入渗速度，从而 提高土壤的蓄水、葆墒、抗旱能力，提高地温的一项保护性耕作技术。 ［关键词］作用 效果 时间 中图分类号：ｓ７ 文献标识码：Ａ 文章编号：１ ００９—９１ ４ｘ（２Ｏ１０）２５－Ｏ０１１—０１ 一 作用与效果 １、旋耕深松 使用旋耕深松机进行作业。机具有杆齿式深松 １、打破犁底层，有利于作物吸取深层土壤的养分和水分。长 机、悬挂式深松机、浅翻式深松机。作业标准：旋耕深度：１ ２～ 期以来，由于小型机械的浅作业及车轮对土壤的碾压、人畜对土壤的 ｌ ６ Ｃｍ，深松深度：２ ０～３０ Ｃｍ，深松宽度：１ ０～１ ２ Ｃｍ。 踩踏，使耕作层底部形成了紧硬的犁底层，严重地阻碍作物根系下扎 ２、垄间深松使用专用垄间深松机进行作业。机具为齿式和铲 和对深层土壤水分养分的吸收，影响了作物的生长，从而影响作物的 式深松机。作业标准：深松深度：３ ０～４０ Ｃｍ，深松宽度８～１ ０ Ｃ ｎｌ。 产量。椐调查，畜力犁耕作的犁底层一般在ｌ０～１５ｃｍ土壤深处；中小 ３、全方位深松使用全方位深松机进行深松作业。作业标准： 型拖拉机耕作的犁底层在１５￣２２ｃｍ土壤深处；大中型拖拉机耕作的犁 深松深度为４０￣５０ｃｍ，深松宽度，上部５０￣６０ｃｍ，下部１５￣２０ｃｍ。 底层在２０～３０ｃｍ土壤深处 犁底层的厚度约为５～１Ｏｃｍ。 无论哪种深松方式作业，深松深度都要以打破犁底层为标准，并 机械深松作来深度可达３０￣４０ｃｍ，彻底打破犁底层，使作物根系 且不得有大于ｌ ０平方厘米的土块，地表要平整。 可向深层土壤伸展，充分吸收土壤中的水分和养分，增强抗病、抗灾 三 作业时间 害的能力，实现作物的稳产、高产。 １、秋季作物收获后进行应选择旋耕深松和全方位深松作业，以 ２、改善土壤理化性能，提高蓄水、葆墒能力，为作物创造 接纳秋、冬两季的雨水和雪水，有效抵御春旱 ２、夏季６月下旬至７ 良好的生长环境。机械深松在打破犁底层的同时就加深了耕屋，能使 月上旬进行，应选择垄间深松和全方位深松作业。在夏季６、７月份， 耕层达到３０￣４５ｃｍ，改善土壤结构，使土壤疏松，增强土壤通透性，降 雨季到来之前，作物植株５０￣７０ｃｍ高时结合追肥同时进行，可充分接 低土壤容重，提高地温。并且能够形成上实、下虚的土壤结构，在耕层 纳雨水，防止土壤表面径流，达到抗旱或排涝效果。 最低处形成“鼠道”，增强土壤蓄水葆墒能力，当降雨时，由于深松后的 四、注意事项 土壤疏松并且耕层深，水很快渗入耕层中并储存起来，不会产生径流而 ｌ、春季干时不宜选择全方位深松。因为这时作物小，根系短， 损失水分。如果降雨过多时，水分还可以通过全方位深松在耕层底部形 无法吸收深层土壤中的水分和养分，不利于作物生长。２、作物大、根 成的“鼠道”储存或排走，可有效防止涝灾，并且储存的水分可有效发 系发达而长时不宜采取深松。因为这时会破坏根系，影响作物生长。 挥，具有一定的抗旱作用。同时，改善土壤水、肥、气、热状况，促进 五．应用前景 微生物活动，加快土壤养分的转化过程，为作物的生长创造有利条件。 深松作业能够打破犁底层，加深耕层，给作物创造了良好的生 ３、不打乱土层，作业效果好。深松作业能够改善土壤结构， 长条件，是今后耕作方式的发展方向。我场自２００４年以来推广了玉米 但不打乱土层。可减少对地面植被的破坏，防止土壤的风蚀。作业后土 宽窄行倒茬作技术，现实施面积３０００公倾，深松作业是这项技术的重 壤肥力增，效果好，一次深松三年受益，是一项理想的保护性耕作措施。 要生产环节，并且它是保护性耕作的一项有效措施，能够实现农业生 二．作业方式．使用机具及质量标准 产的可持续发展，因此具有广泛的应用前景。 式（９）估计得出。 际工程中往往存在未知类属的问题，建立位置类属问题的分类器还需 ３ Ｐａｒｚｅｎ分类器设计 要进一步的研究。 根据Ｐ Ｅｒｒｚ ｅ１３多元密度估计后验概率进行分类器设计的算法流程 参考文献： 如下：输入标记类别的训练集，一和无标记类别的测试集，。 ［１］Ｆｅｒｄｉ ｖａｎ ｄｅｒ Ｈｅｉ Ｊｄｅｎ，Ｒｏｂｅｒｔ Ｐ．Ｗ．Ｄｕｉｎ，Ｄｉｃｋ ｄｅ （１）参数ｃｒ＾的确定：通过留一法Ｅｌ－。 估计改变 的值，使在训练 Ｒｉｄｄｅｒ ａｎｄ Ｄａｙｉｄ Ｍ．Ｊ．Ｔａｘ，Ｃ１ａｓＳｉｆｉｃａｔｉ０１１．ｐａｒａｍｅｔｅｒ 集上的对数似然值为晟大 换言之，选择ｏ－ ，使得： ｅＳｔｉｍａｔｉｏｎ ａｎｄ Ｓｔａｔｅ ｅｓｔｉｍａｔｉｏｎ—ａｎ ｅｎｇｉｎｅｅｒｉｎｇ ａｐ— －．， ． 、、 Ｐｒｏａｃｈ ｕｓｉ１３ｇ Ｍａｔ１ａｂ，Ｊｏｈｎ Ｗｉ１ｅＹ＆Ｓｏｎｓ，２Ｏ０４． 。每。 （ 【。㈠Ｉ Ｊ’（１５）为最大。这里，ｚ¨是来自第七类 ［２ｊＡｎｄｒｅｗ Ｒ．Ｗｅｂｂ，Ｓｔａｒｉｓｅａｌ ＰａｔＬｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，Ｊｏｈｎ 的第 个样本，在估计声（ ¨Ｉ∞ｔ）时被留出。 Ｗｉ１ｅｙ＆ＳｏｎＳ．２Ｏ０２． （２）密度估计：计算测试数据集中每类样本ｚ的密度，计算公式 ［３］王爱玲叶明生邓秋香编著《ＭＡＴＬＡＢＲ２ｏ０７图像处理技术与 如下： ． ． 、 １ ｌ ｆｆ：一＝，ｆｌ 应用》［Ｍ］电子工业出版社．北京：２００８． 卜 皇。 “ｐＩ一 ’（１６） （３）分类：分配样本，到最大后验概率的类别中，即： ｏ３＝ 々ｋ＝ａｒｇ １１１ ａＸ｛ （ｚ ｌ ，）Ｐ（ ）｝ …１ 输出测试集上，的标记类别为西。 ４．机械零件分类实例 作为一个例子，图１（ａ）表示垫圈、螺栓、螺母和废料四种机 ６咂鞋转州 测 械零件的图像。这四种图像通过两种类型的形状测量数值进行分类。 图１机械零件图像和２Ｄ测量空间散点图 第一类测量值是６重旋转对称值 １， ，表达了对象之间的相似程度。 第二类测量值是对象的偏心率［１ ＿。这两个数值可以通过图像处理技 术计算获得。图１（ｂ）显示了２Ｄ测量空间的散点图。由于这些零件事 先已经进行了人工分类，则很容易在图上标出每个对象的类别符号。 根据公式（１ ５），采用留一法计算得出最佳的高斯核带宽参数为 ＝０．０４ ８。利用上述的方法对９４个小零件的图像进行了特征提取 和分类识别实验训练集上概率的学习结果，图２（ａ）整个测量空间上 ‘●，睁 ■■■一 Ｐａｒｚｅｎ估计的概率密度的３Ｄ图和２Ｄ等高线图。图２（ｂ）表示训练后 图２估计的条件概率密度（ａ）和分类决策边界（ｂ） 的分类结果的类属决策边界（细实线表示）。 表ｌ给出了９４个测试零件的分类结果。 ５．结论 上述实验条件是所有的测量样本都不含未知的类别，也就是说 对于任－－Ｎ试样本，总可以分类为四个类别中的某一类。在这个前提 条件下，利用Ｐａｒｚｅｎ估计分类器可以获得不错的分类性能。然而，实 表１分类测试结果 科技博茏Ｉ １１
