氨唑草酮的水解、挥发及其在水-沉积物系统中的降解特性

为评价氨唑草酮的环境安全性,参照国家标准GB/T 31270-2014的要求,采用室内模拟法研究了氨唑草酮在不同温度和不同pH值缓冲溶液中的水解特性、在不同环境介质中的挥发特性,以及在2种水-沉积物系统中的降解特性。结果表明:氨唑草酮在25 ℃时,在pH值为4或7的缓冲液中水解半衰期均长于365 d,在pH值为9的缓冲液中水解半衰期为90.0 d,属于难水解至中等水解农药。在20~25 ℃、气体流速500 mL·min^-1的条件下,氨唑草酮在空气、水和土壤中的挥发率均小于1%,属于难挥发农药。氨唑草酮在湖泊(杭州西湖)水-沉积物系统和河流(京杭大运河)水-沉积物系统中的降解符合一级动力学方程,好氧降解半衰期分别为408 d和630 d,厌氧降解半衰期分别为248 d和990 d,在水-沉积物系统中属于难降解农药。     

硝铵尿素液肥对玉米生长发育的影响

试验研究了不同硝铵尿素液肥施用量对玉米生长的影响规律,以期为玉米栽培中合理施用硝铵尿素液肥提供理论依据。试验在田间条件下,设置N1(N为0 kg/hm~2,CK),N2(N为100 kg/hm~2),N3(N为150 kg/hm~2),N4(N为200 kg/hm~2)4个处理,小区试验设计,3次重复。结果表明,N3处理的株高分别比N1,N2处理提高44.10%,20.84%,且差异显著;N3处理的叶片长度长于N2处理11.03 cm,差异显著,N2处理长于对照9.56 cm,差异也显著;N3处理的根系、茎鲜质量分别比N2处理提高23.09%,30.14%,且差异显著,N2处理与对照之间也存在显著差异;N4处理株高、叶片长度、根系和茎鲜质量均与N3处理之间无显著差异。综合分析认为,N3处理最优。     

分析吉林省湿润冷凉区不同机械播种对玉米出苗率的影响

通过对五种起垄播种方法的调查分析,明确了该区域出苗率超过86%的有三种。指出新型农村合作社应该采用大型旋耕机旋耕灭茬起垄播种方法,而农户应该采用灭茬机灭茬然后起垄播种方法或小型旋耕起垄机旋耕起垄这两种起垄播种方法。     

气相色谱-质谱联用测定奶牛血清中的β-羟丁酸

为了建立测定奶牛血清中代谢产物β-羟丁酸含量的气相色谱-质谱联用方法,为奶牛酮病的早期诊断提供新途径。将奶牛血清样品用甲醇除蛋白,上清液经氮气吹干,残渣进行硅烷化衍生后,用GC-MS仪全扫描方式进行检测。结果测定血清中β-羟丁酸的线性范围为0.05 mmol/L~8 mmol/L,相关系数R=0.9995,检测限为0.03 mmol/L,定量限为0.05mmol/L,相对标准偏差RSD=5.79%,样品加标回收率为95.10%~99.91%。表明该方法能简便、快速、有效地分离并定量检测血清中的β-羟丁酸,可以作为奶牛酮病的早期诊断依据。     

QuEChERS-超高效液相色谱串联质谱法测定玉米中的17种真菌毒素

为改进我国食品安全监测的方法,采用QuEChERS净化方法结合超高效液相色谱-串联质谱(UPLC-MS/MS)对玉米中的真菌毒素进行检测,建立了玉米中共17种真菌毒素的测定方法。结果表明:17种毒素的线性相关系数(R~2)均不小于0.994,检出限为0.1～20.0μg·kg~(-1),加标回收率为70.76%～115.14%,相对标准偏差为2.21%～11.34%。该方法具有快速、准确、提取效率高、净化效果好、回收率高、准确灵敏等优点,此方法可适用于玉米和食品中17种真菌毒素的快速检测。     

我国牧草种植成本收益变化与比较

本研究以牧草种植户牧草及粮食作物的调研数据为基础,计算出2010-2014年主要牧草和粮食作物的成本收益基本信息,对其变化进行统计分析,并对各作物的成本收益进行比较。分析发现,2014年苜蓿(Medicago sativa)的经济效益有所下降;黑麦草(Lolium perenne)和青贮玉米(Zea mays)的纯收益和收益率有所增长;苜蓿的纯收益和收益率要高于黑麦草和青贮玉米;马铃薯(Solanum tuberosum)和苜蓿的经济效益更具优势,种植小麦(Triticum aestivum)经济效益较差;黑麦草和青贮玉米人工和土地成本更高,苜蓿水电费最高。建议调整农业产业结构,推行"粮+经+饲+草"四元种植结构,全面扶持牧草产业发展,建立健全牧草生产资料补贴制度。     

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。