退耕草地土壤有机碳密度的空间分布及动态变化

研究退耕草地土壤有机碳(soil organic carbon,SOC)密度的空间分布与动态变化,为退耕地“碳汇”功能评估提供依据。2008年在兰陵溪流域退耕草地设计对照区(A₁)、莎草无凋落物区(B₀)和莎草双倍凋落物区(B₂),于2008-2015年每年3月底分层采集实验区0~30 cm土样,测定SOC密度值。结果表明,1) 农地退耕后,SOC的累积与分解平衡被打破,农地-草地演替过程中发生了“碳汇”作用,SOC达到新的平衡需12年,年碳汇速率为263.5 g/m²;2) 2008年SOC密度为B₂(5504±245 g/m²)>B₀(5476±267 g/m²)>A₁(5392±306 g/m²),2015年变化为A₁(6022±298 g/m²)>B₀(5963±315 g/m²)>B₂(5807±274 g/m²),植物种类和凋落物数量影响显著(P<0.05);3) 2008-2015年间,A₁和B₀区SOC密度持续增加,B₂发生了波动性变化,下降之后又持续增加,A₁更有利于SOC的积累;4)植物种类和凋落物数量主要影响0~20 cm层SOC密度的变化,20 cm以下影响不显著。农地、草地不同深度层SOC密度差异显著(P<0.05),农地-草地演替过程中,SOC年累积量差异显著,空间分布格局也由农地模式转变为草地模式。     

泡沫法分离苜蓿叶蛋白工艺优化

为了研究泡沫分离苜蓿分离的条件,试验在单因素的基础上,采用响应面法对pH值、装液量、料液比、气体流速4个因素进行优化,以富集比和回收率为指标,最佳工艺条件：pH值为7.0、料液比为87.5 mg/L、装液量为600 mL、气体流速为600 mL/min。在此条件下叶蛋白的回收率为90.2%;富集比为7.64。泡沫分离法分离苜蓿蛋白是一种简单、有效的方法,该研究可为苜蓿叶蛋白的深加工提供参考。     

玉米和大豆根系吸收土壤磷的模型验证研究

为了验证养分吸收机制模型对作物根系磷吸收模拟的适用性和有效性,以玉米和大豆为研究对象,通过盆栽试验获取15个与土壤、根形态、根生理和水分相关的模型参数,采用NST 3.0软件对玉米和大豆地上磷吸收进行模型模拟和验证。结果表明,随着培养时间的延长,玉米和大豆磷吸收模拟值呈现指数曲线增长的趋势。在45 d的培养期间,玉米具有比大豆更高的磷吸收。对模拟值和实测值进行比较发现,NST模型能够较好地模拟玉米对土壤磷的吸收,但对大豆磷吸收的模拟值偏低。回归分析结果表明,磷吸收模拟值和实测值存在显著的回归关系(P0.05),模拟磷吸收解释了实测磷吸收70.22%的信息,说明模拟的磷吸收在很大程度上能够代表2个种类的磷吸收。总体来说,NST模型能够很好地模拟玉米和大豆的磷吸收。     

三种饲养模式下“农大3号”蛋鸡产蛋高峰期生产性能比较

试验将6100只"农大3号"节粮小型蛋鸡按不同的饲养模式分为3组进行饲养,3种饲养方式分别为:林下小群放养、厚垫料地面平养以及"两低一高"混合地面平养。林下低密度放养在20栋6m2鸡舍中共饲养600只母鸡;厚垫料地面平养在1栋100m2鸡舍中饲养500只母鸡;混合地面平养在1栋1000m2鸡舍中饲养5000只母鸡。结果表明,在产蛋高峰期(试验测定了25~31周龄的生产性能数据),厚垫料地面平养条件下蛋鸡产蛋率为90.35%,显著高于林下放养(89.15%)和混合地面平养(87.79%);混合地面平养和垫料地面平养条件下日耗料、平均蛋重差异均不显著(P>0.05),林下放养日耗料偏高、平均蛋重偏低,料蛋比偏高,达到显著水平(P<0.05);垫料地面平养下蛋鸡死淘率为2.09%,显著高于混合地面平养(0.47%)和林下放养(0.59%);鸡蛋合格率,林下放养(98.87%)高于混合地面平养(97.10%),垫料地面平养(90.70%)最低,各组差异均显著(P<0.05)。     

种还分离玉米秸秆还田对土壤微生物量碳及酶活性的影响

在种还分离模式下采用尼龙网袋法对玉米秸秆还田进行田间原位模拟,比较不同秸秆还田量在不同还田深度下对土壤总有机碳、微生物量碳、纤维素酶活性和过氧化氢酶活性的影响。试验设置秸秆还田量0(R0),0.44%(R1),0.88%(R2)和1.32%(R3)4个水平和3个还田深度0—15,15—30,30—45cm交叉处理。结果表明:还田1年时,在0—15cm土层,土壤总有机碳、微生物量碳、纤维素酶活性和过氧化氢酶活性均随秸秆还田量增加而提高,且R3处理提升效果最显著,分别达到30.98%,101.16%,172.72%,5.40%;在15—30cm土层,秸秆还田处理的土壤总有机碳、微生物量碳含量和过氧化氢酶活性高于R0处理,但R1、R2、R3之间无显著性差异,纤维素酶活性随秸秆还田量增加而变大;在30—45cm土层,R2、R3处理的土壤总有机碳、微生物量碳含量和纤维素酶活性显著高于其他处理,各处理的过氧化氢酶活性并无显著差异。还田2年与还田1年相比,各处理的土壤总有机碳、微生物量碳、纤维素酶活性均降低,降低幅度分别为8.59%~35.36%,6.74%~29.16%,6.18%~31.72%,但过氧化氢酶活性呈增加趋势,以R3增幅最大,随土层加深,提升幅度为14.14%,10.14%,12.11%。说明在种还分离模式下可以高量秸秆还田,并可有效改善土壤肥力。     

基于超声波的母猪产前行为监测系统设计

针对目前养殖业对母猪分娩时间的判断主要通过人工观察,不仅工作繁杂,而且易受饲养员主观经验影响等问题,设计一种基于超声波传感器和无线传感网络的母猪产前行为监测系统。该系统通过节点采集母猪产前头部、背部、尾部活动量的距离信息,将采集到的距离数据实时发送到网关节点,网关节点将距离信息转发到服务器。服务器端采用K-means聚类算法进行行为识别与分类。试验结果表明:系统能够快速采集母猪身体活动量的距离信息并对母猪行为进行分类,能够检测出母猪筑窝、站立、躺卧等行为,正确率为90.47%,系统工作稳定。提出了一种非接触式监测母猪产前行为的方法,为母猪分娩时间的预测提供基础。     

亚致死质量浓度吡虫啉对苹果蠹蛾解毒酶的影响

【目的】探讨吡虫啉亚致死浓度对苹果蠹蛾体内解毒酶的影响,为深入研究苹果蠹蛾的抗药性机制及吡虫啉的合理使用提供理论依据。【方法】采用胃毒法测定吡虫啉对苹果蠹蛾敏感种群3龄幼虫的毒力,通过毒力回归方程计算苹果蠹蛾死亡率为10%和20%时吡虫啉的亚致死质量浓度LC_(10)和LC_(20)。用LC_(10)和LC_(20)质量浓度吡虫啉处理苹果蠹蛾,以丙酮水作对照,分析其体内多功能氧化酶(MFOs)、谷胱甘肽S-转移酶(GSTs)和羧酸酯酶(CarEs)的比活力及其米氏常数(Km)和最大反应速率(Vmax)的变化。【结果】与对照相比,LC_(10)和LC_(20)质量浓度吡虫啉处理后苹果蠹蛾CarEs比活力在48h以前均高于对照,48h时LC_(10)处理低于对照,LC_(10)和LC_(20)处理CarEs比活力分别在12和36h达到最大值。GSTs比活力LC_(20)处理6~60h均高于对照,36h时达到最大;LC_(10)处理除在6,12和60h低于对照外,其他时间点均高于对照,48h时达到最大。MFOs比活力LC_(10)和LC_(20)处理在12,24和36h高于对照,而48h时LC_(20)处理低于对照,LC_(10)处理与对照基本相同。CarEs和MFOs的Km值在各时间点均高于对照,Vmax均低于对照;GSTs的Km均低于对照,Vmax均高与对照。【结论】CarEs、MFOs和GSTs在苹果蠹蛾对吡虫啉的解毒代谢中均起作用,其中GSTs起主导作用。     

基于ECS和WSN的猪舍环境监控平台设计与实现

【目的】在"互联网+农业"的大背景下,实现对猪舍中的环境因子、图片信息采集等实时有效的监测和控制,提高系统计算能力、数据存储能力,提升系统可维护性、安全性,降低运维成本。【方法】采用MSP430F149单片机和CC1101无线传输模块采集环境信息,实现Socket、Http等网络通信,使底层设备具有网络通信功能。综合利用阿里云(Elastic compute service,ECS)技术,将系统部署在云端,通过可编程逻辑控制器(Programmable logic controller,PLC)等电气装置监控猪舍。【结果】在Web端和手机终端上能够实时监测环境信息、监控猪舍画面,可从上位机发指令远程调节猪舍内小环境。【结论】该系统稳定可靠,服务器部署在云端可降低生产管理成本,保证数据不丢失,从而提高生产养殖的综合效益。     

基于NB-IoT的温室温度智能调控系统设计与实现

【目的】以NB-IoT低速率窄带宽物联网技术为核心,研制一套以5G低功耗海量连接场景前期技术为基础的智能温室环境自动调控系统。【方法】应用MSP430F149超低功耗芯片采集环境信息,依托NB-IoT蜂窝物联网平台,云端智能调控系统,结合多传感器融合与模糊PID–分级控制技术,根据用户需求调节温室环境。【结果】该系统在温室大棚内实地应用的结果表明:温室环境信息采集相对误差不超1%,平均控制精度在3.57%(±1.0℃),无传输距离限制,实现作物生长温度的自动调节。【结论】该系统稳定可靠,为作物的生长提供良好环境,对作物的研究提供有力的技术支撑。     

基于深层卷积神经网络的初生仔猪目标实时检测方法

针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题,提出一种基于深层卷积神经网络的初生仔猪目标识别方法。将分类和定位合并为一个任务,以整幅图像为兴趣域,利用特征金字塔网络(Feature pyramid network,FPN)算法定位识别仔猪目标;对比了不同通道数数据集以及不同迭代次数对模型效果的影响;该方法支持图像批量处理、视频与监控录像的实时检测和检测结果多样化储存。实验结果表明:在数据集总量相同时,同时包含夜间单通道和白天3通道的数据集,在迭代20 000次时接近模型最优值。模型在验证集和测试集上的精确率分别为95. 76%和93. 84%,召回率分别为95. 47%和94. 88%,对分辨率为500像素×375像素的图像检测速度为53. 19 f/s,对清晰度为720 P的视频检测速度为22 f/s,可满足实时检测的要求,对全天候多干扰场景表现出良好的泛化能力。