水分与氮素及其互作对水稻产量和水肥利用效率的影响研究进展

了解水分、氮素及其互作对水稻产量与水、氮利用效率的影响,对协同提高水稻产量与水氮利用效率有重要意义。本文概述了水稻节水灌溉技术、氮肥利用效率与氮肥施用技术、水分与氮素对水稻产量及水氮利用效率的耦合效应、作物-土壤关系及水氮调控机制等方面取得的进展;讨论了存在的问题,这些问题包括:高产水稻作物与土壤的水氮互作效应尚不明确;高产水稻水氮耦合与高效利用的分子机理不清楚;协同提高水稻产量与水氮利用效率的调控途径尚未掌握。针对这些问题,建议今后重点研究:高产水稻作物与土壤的水氮互作效应及其机制;水氮互作调控水稻吸收利用水分和氮素的生理与分子机理;协同提高水稻产量和水氮利用效率的调控途径与关键技术。     

控释肥对花生氮代谢相关酶活性的影响

大田条件下,以花育22号和花育20号为试验材料,设控释肥(T1)、控释肥减施(T2)、普通肥料(T3)和不施肥(T4)处理,研究了控释肥对花生氮代谢相关酶活性的影响。结果表明,与不施肥处理相比,施肥处理花生结荚期和成熟期根系和叶片的可溶性蛋白含量、NRase、GDH、GS、GPT等活性显著增加。各施肥处理间比较,与普通肥料相比,控释肥可有效提高花生结荚期和成熟期根、叶可溶性蛋白质含量,增加氮代谢相关酶NRase、GDH、GS、GPT等活性;控释肥减施处理花生根叶可溶性蛋白含量和相关酶活性花生生育前期低于控释肥处理和普通肥料处理,但成熟期和普通肥料处理差异不显著。总之,控释肥比普通无机肥更有利于花生生育后期氮素同化和蛋白质的合成,延缓根系和叶片衰老。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

氮磷钾用量对小麦冠层不同层次光截获和干物质分配的影响

为明确不同氮、磷、钾用量对小麦冠层不同层次光截获和干物质分配的影响，以济麦22为供试材料，设置F0（不施肥）、F1（N 180 kg·hm^-2，P₂O₅ 75 kg·hm^-2，K₂O 60 kg·hm^-2）、F2（N 225 kg·hm^-2，P₂O₅ 120 kg·hm^-2，K₂O 105 kg·hm^-2）和F3（N 270 kg·hm^-2，P₂O₅ 165 kg·hm^-2，K₂O 105 kg·hm^-2）4个施肥量处理，比较分析开花后不同氮、磷、钾用量对小麦叶面积指数、冠层不同层次光截获特性和成熟期干物质分配的影响。结果表明，F1处理下叶面积指数显著高于F0处理，而与F2和F3处理间无显著差异；开花后15 d，F1处理下小麦冠层不同层次及总PAR截获率和截获量均显著高于F0处理，而与F2和F3处理间无显著差异。F1处理下成熟期干物质在小麦冠层不同层次营养器官中的分配量、籽粒中的分配量及总干物质积累量显著高于F0处理，而与F2和F3处理间无显著差异。成熟期干物质在小麦冠层不同层次营养器官和籽粒中的分配量以及总干物质积累量与冠层上层（顶部至株高2/3）、中层（株高2/3至株高1/3）和总PAR截获率均呈显著正相关。F1处理（N 180 kg·hm^-2，P₂O₅ 75 kg·hm^-2，K₂O 60 kg·hm^-2）为本试验条件下的最优处理。     

氮肥与甲哌耦合对主干形核桃品质及土壤氮素的影响

为探讨主干形核桃高产优质栽培的理论基础,选择8年生主干形新温185核桃为试材,设置不同梯度氮肥与甲哌■耦合模式,研究其对核桃品质和土壤氮素利用的影响。整个生育期内核桃结果枝节间增长长度在同等氮肥条件下呈"下降—上升"的变化趋势,在成熟期A2B3处理下核桃节间增长长度出现最低,为0.43 cm。在核桃的4个生育期内均出现随土层的深度增加而土壤含氮量降低的变化趋势,在油脂转化期20～40 cm土层土壤含氮量均低于同期对照,在16.31～34.03 mg/kg范围内变化。A2B3耦合处理下核桃果实三径、单果质量、总糖含量、蛋白质含量、总酚含量均高于对照,而单宁含量却最低,为1.19%。甲哌■的喷施浓度为800 mg/L、氮肥施入水平为3 271.73 kg/hm~2时,可显著提高核桃对土壤氮素的吸收和利用以及核桃产量。     

氮磷肥减施对露地蔬菜农田氮磷淋溶及蔬菜产量的影响

过量氮磷肥施用导致菜田氮磷淋溶严重,对水环境及人体健康产生较大威胁。本研究在河南蔬菜种植区选取典型露地菜田,采用田间渗漏池法,研究洋葱、甘蓝菜田氮磷肥减施后氮磷淋溶及蔬菜产量变化。试验设置常规施肥(NP),常规氮磷肥减量20%(JNP1),常规氮磷肥减量40%(JNP2)。结果表明:通过氮磷肥减施,JNP1和JNP2处理淋溶液总氮、可溶性总氮、硝态氮浓度比常规平均降低12.9%、18.2%和20.5%。JNP1处理总氮、可溶性总氮和硝态氮淋溶量分别比常规处理降低5.3%、11.9%和10.3%。JNP2处理总氮、可溶性总氮和硝态氮淋溶量比常规处理分别显著降低33.6%、36.2%和32.6%(P <0.05)。所有处理硝态氮平均淋溶量占总氮淋溶量60.1%,占可溶性总氮淋溶量的79.0%。两个蔬菜季氮积累量236.0～256.1 kg hm-2,磷积累量25.3～29.9 kg hm-2。氮磷肥减施后,蔬菜的产量略有降低,不同处理差异并不显著。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。     

厚叶南五味子仿生态栽培关键技术研究

选取厚叶南五味子应用试验方法,进一步筛选优良扦插技术、壮苗培育技术方案和立体种植关键技术措施,结果表明:厚叶南五味子扦插技术在70％透光率的塑料大棚内扦插50 d,可获得优良的扦插苗,取得最佳的生长效果;壮苗培育技术最优基质配比为碎石:腐烂树皮:碎木屑(1:2:1)+1.5 kg/m3缓释肥+4.0 kg/m3腐熟饼肥;立体附植应以240 d的壮苗在3月份进行.