The water quality prediction performance of machine learning models may be not only dependent on the models, but also dependent on the parameters in data set chosen for training the learning models. Moreover, the key water parameters should also be identified by the learning models, in order to further reduce prediction costs and improve prediction efficiency. Here we endeavored for the first time to compare the water quality prediction performance of 10 learning models (7 traditional and 3 ensemble models) using big data (33,612 observations) from the major rivers and lakes in China from 2012 to 2018, based on the precision, recall, F1-score, weighted F1-score, and explore the potential key water parameters for future model prediction. Our results showed that the bigger data could improve the performance of learning models in prediction of water quality. Compared to other 7 models, decision tree (DT), random forest (RF) and deep cascade forest (DCF) trained by data sets of pH, DO, CODMn, and NH3-N had significantly better performance in prediction of all 6 Levels of water quality recommended by Chinese government. Moreover, two key water parameter sets (DO, CODMn, and NH3-N; CODMn, and NH3-N) were identified and validated by DT, RF and DCF to be high specificities for perdition water quality. Therefore, DT, RF and DCF with selected key water parameters could be prioritized for future water quality monitoring and providing timely water quality warning.

Intelligence has been considered as the major challenge in promoting economic potential and production efficiency of precision agriculture. In order to apply advanced deep-learning technology to complete various agricultural tasks in online and offline ways, a large number of crop vision datasets with domain-specific annotation are urgently needed. To encourage further progress in challenging realistic agricultural conditions, we present the CropDeep species classification and detection dataset, consisting of 31,147 images with over 49,000 annotated instances from 31 different classes. In contrast to existing vision datasets, images were collected with different cameras and equipment in greenhouses, captured in a wide variety of situations. It features visually similar species and periodic changes with more representative annotations, which have supported a stronger benchmark for deep-learning-based classification and detection. To further verify the application prospect, we provide extensive baseline experiments using state-of-the-art deep-learning classification and detection models. Results show that current deep-learning-based methods achieve well performance in classification accuracy over 99%. While current deep-learning methods achieve only 92% detection accuracy, illustrating the difficulty of the dataset and improvement room of state-of-the-art deep-learning models when applied to crops production and management. Specifically, we suggest that the YOLOv3 network has good potential application in agricultural detection tasks.

Review Active Disturbance Rejection Control Using a Phase Optimized Extended State Observer for a Nanopositioner Wei Wei 1, * , Pengfei Xia 2, and Min Zuo 3 1 School of Intelligent Engineering and Automation, Beijing University of Posts and Telecommunications, Beijing 100876, China 2 School of Automation, Beihang University, Beijing 100191, China 3 School of Computer and Information Engineering, Beijing Technology and Business University, Beijing 100048, China * Correspondence: weiweizdh@126.com Received: 5 April 2024; Revised: 9 June 2024; Accepted: 12 June 2024; Published: 28 June 2024 Abstract: A piezoelectric actuator is commonly utilized in nanopositioning for its stiffness, fast response, and ultrahigh precision. However, hysteresis in piezoelectric materials dramatically degrades system performance. By introducing a straightforward and effective modification to a classical extended state observer, a phase-optimized extended state observer is proposed to provide a phase-leading estimation of the generalized disturbance. Accordingly, a phase-optimized active disturbance rejection control is designed, and much more satisfied performance can be guaranteed. Convergence of the phase-optimized extended state observer and closed-loop stability of the phase-optimized active disturbance rejection control have been analyzed. Moreover, steady-state estimation error and phase-leading property have been proved. Advantages of the phase optimized active disturbance rejection control over the PI and the active disturbance rejection control are confirmed. Experimental results show that the phase-optimized active disturbance rejection control can achieve more desired disturbance rejection and motion tracking.