土壤调查与制图课程是农业资源与环境专业的核心课程,分析了该课程的教学现状,并针对存在的主要问题,结合沈阳农业大学土壤调查与制图课程的教学实践改革,提出推动教学质量提升的相关对策。

本文阐述了案例教学法的内涵,分析了案例教学在实践运用中存在的问题,并结合多年的教学实践经验探讨了改进案例教学的对策。

水利工程制图课程主要培训学生绘制工程图和识读工程图的能力,传统理论加实践的授课方法难以适应当前高职学生需求。采用行动导向教学法,将水利工程制图课程分解成理论与实践相融合的若干项目,再把项目分解成若干任务,让教学过程建立在任务驱动的基础上,按照行动导向"资讯、计划、决策、实施、检查、评估"的6个步骤,发挥学生的主体作用,调动学生的学习积极性,提升了教学效果。

将"机械制图"与"Auto CAD"两门课程内容整合,根据企业调研和学生实际,设计了8个教学项目,以"传动轴零件图的绘制"这一项目为例,分析项目教学法的具体应用。

目前,财经类高校在实践教学方面存在很多问题:过于强调实践教学形式,而对实践教学的实质内容关注有限;对实践教学效果缺乏有效的监控措施和指标体系;实践教学的随意性和无计划性普遍。应通过制定合理的实践教学计划、设计科学的实践教学指标体系和监管体系、设置专职实践课教师和实践教学场所等对其进行改进。

《机械制图及测绘》是高职院校机电一体化技术专业必修的一门重要专业基础课,课程对培养学生有关专业的职业能力和素养具有重要作用。但当前该课程教学还存在效率不高、实效性不强等问题。结合教学实践,提出了以能力为本位进行立体化、多维度的教学改革是提高《机械制图及测绘》课程教学效率和质量的有效途径。

本文在简要分析目前高职＂机械制图与ＣＡＤ＂课程教学现状的基础上，提出了引进ＣＥＣ－ＣＤＩＯ人才培养模式，构建了基于ＣＥＣ－ＣＤＩＯ理念的课程改革内容，并探讨了ＣＥＣ－ＣＤＩＯ模式在本课程教学实践中的应用。

在《机械制图与计算机绘图》课程中实施项目化教学，根据实际工作岗位的需求，设定一级圆柱齿轮减速器从读画零件到装配的五个项目任务，让学生“在做中学，在学中做”，通过认识零件实物，使用测量工具，将学生带入实际工作环境，帮助他们适应工作、强化技能。企业反馈信息表明，学生顶岗实习时已基本具备了用人单位对机械制图方面要求的能力，可以胜任工作岗位。

我国多数地区经过两次土壤普查以及科研工作者的野外调查,积累了一定数量的土壤样点"(已有样点")。本文在充分整合已有样点的基础上,提出了逐次、高效地设计补充样点的方案,它包括3个步骤:首先,确定已有样点集的空间代表范围"(可推测范围");然后,将已有样点集不能代表范围内的每一个栅格都看作一个候选样点,计算每一个候选样点的可扩推范围,选择可扩推范围最大的点作为第一个补充样点;最后,基于已有样点和补充样点更新样点集的空间代表范围图。重复以上过程,直至新样点集的空间代表范围能够覆盖整个研究区。该方法在充分利用已有样点资源的基础上,不仅能够确定补充样点的数量、位置,而且能够给定补充样点的重要性次序,在采样资源有限的情况下,为采样者合理地选择样点提供了重要依据。

【目的】土壤属性的空间分布是影响农业生产力、土地管理和生态安全的重要因素。通过土壤环境耦合关系,在机器学习算法框架下,定量预测出干旱区土壤酸碱度(pH)、土壤盐分含量(Soil Salt Content,SSC)与土壤有机质(Soil Organic Matter, SOM)3种土壤属性的空间分布,为干旱区农业生产和生态安全提供科学依据。【方法】在渭干河—库车河绿洲干旱区于2017年7月设计采集典型表层(0—20 cm)土壤样品82个,依据土壤-环境之间的关系,集成DEM数据和Landsat 8数据提取出32种环境协变量,利用栅格重采样将提取出的32种变量重采样为90 m空间分辨率并转换为Grid格式参与建模。借助梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型依次对3类土壤属性的32种环境协变量进行重要性排序,并通过均方根误差(Root Mean SquareError,RMSE)界定出协变量重要性阈值点,从而筛选出参与3类土壤属性制图的环境协变量。进而运用随机森林(Random Forest, RF)、Bagging和Cubist 3种非线性模型建模,并引入多元线性回归模型(Multiple Linear Regression,MLR)进行对比分析,选出最优模型并绘制出90 m分辨率新疆渭干河-库车河绿洲干旱区pH、SSC与SOM 3种土壤属性图。【结果】梯度提升决策树能有效筛选出重要协变量,高程(Elevation)、剖面曲率(Profile Curvature)、差值植被指数(Difference Vegetation Index)、扩展增强型植被指数(Extended Normalized Difference Vegetation Index)、调整土壤亮度植被指数(Modified Soil Adjusted Vegetation Index)、盐分指数S1(Salinity Index S1)以及盐分指数S6 (Salinity Index S6) 7类环境变量均参与3类土壤属性建模,其中SSC遴选出参与建模协变量15种,pH和SOM则均为17种,且遥感指标在预测土壤属性图中起到强大的作用。机器学习3种算法的结果均优于MLR。通过3种非线性模型对比发现,随机森林在3种土壤属性中均表现最佳。在随机森林预测的3种土壤属性中,土壤pH验证集效果R~2=0.6779,RMSE=0.2182,ρ_c=0.6084;在SSC预测中,验证集R~2=0.7945,RMSE=3.1803,ρ_c=0.8377;在SOM预测中,验证集R~2=0.7472,RMSE=3.5456,ρ_c=0.7009。【结论】GBDT所筛选出的重要性因子借助机器学习算法可以用于干旱区土壤属性制图,且随机森林模型均对3类土壤属性表现出最佳预测能力。依据所绘制的土壤属性图并结合土壤分类图厘清了3种制图属性的空间分布。

针对高等农林院校土壤学课程教学现状,将思维导图可视化思维线路引入土壤学课程教学中,将其与课前预习、课堂教学、课后复习和考前归纳等诸多环节深入融合,以提高大学生的学习兴趣和学习效率。通过在土壤学课程教学中运用绘图软件或手动绘制,包括土壤矿物质、土壤有机质、土壤水和土壤空气等各章节内容的思维导图和整体课程内容的思维导图,探索思维导图的内涵及其在土壤学课程中的具体应用。选取课程内容的土壤组成部分为例,进行思维导图的制作示范,利用思维导图工具在教学中丰富和拓展教学内容,改进课堂教学模式,同时调动大学生的学习积极性

高职实践教学是高职院校培养技能型人才的基本途径,也是高职教育区别于其它普通高等教育的本质特征。分析了机电类专业实践教学中存在的问题,提出了加强高职高专实践教学的对策。

工程实践创新项目教学模式正在被越来越多的职业院校采用。工程实践创新项目教学模式符合学生的认知规律和工程技术人才的培养规律,能够很好地让学生树立工程意识、工程思维,同时可以让学生在"学中做"的过程中提升自己的工程能力和实践能力。针对目前工程实践创新项目教学模式实施中存在的诸如企业参与不够、项目开发标准不明确、评价标准不客观、项目范围过窄、项目间缺乏层次性等问题,在项目开发、项目教学、项目训练等环节提出相应策略。

实践教学正在逐渐受到许多高校的广泛重视。然而，受传统教育模式的影响，许多高校在开展实践教学的过程中，还存在着一些问题。本文就是要把这些问题阐述出来，并有针对性地提出解决办法。

本文根据高职机械制图课程的教学规律,针对如何培养高职学生制图能力的问题提出了一些在教学实践中较为实用的做法。