Surface soil moisture (SSM) reflects the dry and wet states of soil. Microwave remote sensing technology can accurately obtain regional SSM in real time and effectively improve the level of agricultural drought monitoring, and it is of great significance for agricultural precision irrigation and smart agriculture construction. Based on Sentinel-1, Sentinel-2, and Landsat-8 images, the effect of vegetation was removed by the water cloud model (WCM), and SSM was retrieved and validated by a radial basis function (RBF) neural network model in bare soil and vegetated areas, respectively. The normalized difference vegetation index (NDVI) calculated by Landsat-8 (NDVI_Landsat-8) had a better effect on removing the influence the of vegetation layer than that of NDVI_Sentinel-2. The RBF network model, established in a bare area (R = 0.796; RMSE = 0.029 cm3/cm3), and the RBF neural network model, established in vegetated areas (R = 0.855; RMSE = 0.024 cm3/cm3), have better simulation effects on SSM than a linear SSM inversion model with single polarization. The introduction of surface parameters to the RBF neural network model can improve the accuracy of the model and realize the high-accuracy inversion of SSM in the study area.

Reasonable dense planting is an important measure to increase crop yield per unit area and save resources. However, there is no unified view of the competition for photosynthetic radiation in different stratification structures of maize plants due to different planting densities, as well as the internal mechanism of yield increase. In order to investigate these issues, field experiments were conducted from 2021 to 2022 in Daxing, Beijing, China (39°37′ N, 116°25′ E, altitude 31.3 m a.s.l.). Field plots were arranged in a randomized block design, with the main plot factor representing plant density. In each replicate, four densities were set, i.e., 33,000 (D1), 42,000 (D2), 55,000 (D3), and 83,000 (D4) plants·ha−1. Canopy stratification structure characteristics, including leaf area index, biomass, and photosynthetically active radiation (PAR), were measured in each stratification structure, and transmitted PAR, radiation use efficiency (RUE), and light extinction coefficient (K) were calculated. We found that increasing plant density significantly increased biomass, leaf area index (LAI), and precipitation use efficiency (PUE), but the light extinction coefficient (K) and harvest index (HI) showed opposite trends. Compared to the D1 treatment, the grain yield, precipitation use efficiency (PUE), radiation use efficiency (RUE), and LAI increased by 22.6–88.2%, 9.2–50.5%, 26.7–116.9%, and 27.7 to 150.6% in the D2, D3, and D4 treatments, and K and HI decreased by 19.7–50.3% and 4.2–11.5%, respectively. These showed that a density of 83,000 plants·ha−1 was effective in promoting maize growth in the Daxing area of Beijing, China.

Hyperventilation will cause vertigo, spasm, loss of consciousness etc., which seriously affects flight safety. For pilots, it is not easy to distinguish between hyperventilation and hypoxia. In this paper, a real-time hyperventilation trend monitoring algorithm in-flight is proposed to help pilot judge and prevent hyperventilation. Firstly, we propose RP pressure to instead of mask pressure to de-noise, and respiratory rate validity to eliminate breathing state with very low signal-to-noise ratio. Then, based on RP pressure and respiratory rate validity, we propose optimized respiratory rate detection method. The accuracy of optimized respiratory rate detection method was verified on flight data. Finally, based on accurate respiratory rate, a real-time hyperventilation trend monitoring algorithm is proposed, which was applied to 200 hours of flight data and ground system testing data including multiple flight conditions. The results are consistent with actual data and feedback of pilots.