水稻幼穗分化期间减源对源库关系的影响

为探讨水稻幼穗分化期间源的大小对库的分化发育和光合生产及运输的影响,对供试的４个水稻品种在幼穗分化不同时期进行剪叶处理,通过测定光合速率（Ｐｎ）、净同化率（ＮＡＲ）、源器官非结构碳水化合物含量及其在可运转态和不可运转态间的分配,以及有关源、库、流活性的部分生理生化指标,并采用同位素示踪技术等,考察了源库互作关系,干物质生产和体内物质分配的变化,源、库、流活性变化动态和产量性状。结果表明,改变库源比     

水稻植株含氮量与穗粒重的关系

采用田间和水培试验的方法,对水稻生育中后期不同器官的含氮量变化进行了研究。结果表明:水稻植株根、茎鞘、叶各器官的含氮量与后期穗粒重之间存在密切关系。抽穗前10 d 顶四鞘及抽穗期各叶位叶片含氮量与每穗实粒数、结实率之间, 穗后19 d 顶二、顶三鞘的含氮量与千粒重、单株产量之间均呈显著或极显著正相关。顶二鞘的含氮量可作为后期结实率、千粒重和单株产量的诊断指标。     

Exploring below ground complementarity in agroforestry using sap flow and root fractal techniques

Indices of shallow rootedness and fractal methods of root system study were combined with sapflow monitoring to determine whether these ‘short-cut’ methods could be used to predict tree competition with crops and complementarity of below ground resource use in an agroforestry trial in semi-arid Kenya. These methods were applied to Grevillea robusta Cunn., Gliricidia sepium (Jacq.) Walp., Melia volkensii Gürke and Senna spectabilis syn. Cassia spectabilis aged two and four years which were grown in simultaneous linear agroforestry plots with maize as the crop species. Indices of competition (shallow rootedness) differed substantially according to tree age and did not accurately predict tree:crop competition in plots containing trees aged four years. Predicted competition by trees on crops was improved by multiplying the sum of proximal diameters squared for shallow roots by diameter at breast height², thus taking tree size into account. Fractal methods for the quantification of total length of tree root systems worked well with the permanent structural root system of trees but seriously underestimated the length of fine roots (less than 2 mm diameter). Sap flow measurements of individual roots showed that as expected, deep tap roots provided most of the water used by the trees during the dry season. Following rainfall, substantial water uptake by shallow lateral roots occurred more or less immediately, suggesting that existing roots were functioning in the recently wetted soil and that there was no need for new fine roots to be produced to enable water uptake following rainfall. This revised version was published online in June 2006 with corrections to the Cover Date.     

玉米深加工工艺及大型工厂建筑设计

该项目为大型玉米深加工综合利用工程,一期工程生产淀粉,二期工程制药。淀粉生产工艺采用先进技术路线,引进关键设备,使淀粉得率达到９８％。厂区规划布局紧凑,功能合理。主体车间建筑采用大柱距,大跨度,重荷设备上楼,多层钢筋混凝土框架结构,安全适用。整个项目技术经济指标较先进,企业的经济效益和社会效益明显。     

浅谈建筑施工中的几项实用技术

笔者依据多年的实践经验,介绍了五项建筑工程实用施工技术,包括地下工程渗漏的修补方法、高精度地脚螺栓直接预埋法、水泥素浆加固开裂砖石结构、混凝土施工逢的处理方法等。内容详细、实用,具有可操作性。     

现代建筑物加固技术概述

本文对现代建筑物加固技术进行了深入的阐释,并对建筑物加固方法、实施过程做了较全面的论述,对现代建筑物加固技术的发展将起到借鉴作用。     

基于示范样地实际倒伏样本的小麦抗倒机制解析

为解析影响小麦倒伏发生的关键因子与内在机制,基于示范样地,选择不同养分管理下实际倒伏三块样本(1个高倒伏田块和2个低倒伏田块,养分管理方式分别为普通化肥深施、普通化肥撒施和缓控释肥深施),对小麦株型、倒伏节间的形态、组分及维管束数量、根系构型、土壤养分供应等进行比较分析。结果表明,在同等氮肥施用量与相同播种密度下,化肥深施田块（D-CF）的倒伏率高于化肥撒施（M-CF）和缓控释肥深施田块（D-RCU）。茎基部节间是小麦倒伏发生的主要部位,节间越长,倒伏高度越高。高倒伏样本田块（D-CF）的株高显著高于M-CF和D-RCU田块,分别增加15.7%和15.1%,且D-CF田块的穗重与茎鞘叶重比最高。不同田块倒伏节间（茎基部节间）的外径、壁厚均无显著差异,但高倒伏田块D-CF的茎基部节间维管束面积和数量均低于低倒伏田块,较M-CF减少8.7%和9.0%,较D-RCU降低了11.8%和5.9%,且纤维素、半纤维素与木质素的含量显著低于D-RCU田块。D-CF田块的根尖数显著高于两低倒伏田块,且根系总长与表面积显著高于D-RCU田块。D-CF田块的5~10、10~15和15~20 cm土层的速效氮含量均最高。经相关性分析,倒伏率与株高呈显著正相关,与倒伏节间维管束数量及半纤维素、纤维素与木质素的总含量均呈显著负相关。株高分别与根系总根长、根尖数及5~20 cm土壤速效氮含量呈极显著或显著正相关,而维管束数量与5~10 cm土壤速效氮含量呈显著负相关,纤维素及木质素含量均与5~20 cm土壤速效氮含量呈显著负相关,半纤维素含量则与10~15 cm土壤速效氮含量呈显著负相关。受田间小麦根系构型及中下层土壤速效氮含量影响,株高和茎基部节间维管束数量及三素（半纤维素、纤维素、木质素）含量是小麦倒伏风险的主要影响因子。     

玉米氮状况相关生物标记物的筛选和应用

[背景]RNA表达丰度作为一种生物标记物已广泛应用于临床诊断阶段,但在农业栽培中诊断作物营养状况的应用较少.[目的]挖掘和验证转录水平上可以作为生物标记物精确指示玉米氮营养状况的基因,指导精准施用氮肥.[方法]基于不同氮素处理的基因芯片和RNA-Seq数据,通过生物信息学和统计学方法初步筛选出基因表达丰度高度响应氮素处...     

基于B/S结构的上机考试系统

基于B／S结构的上机考试系统,具有发布简单,运行简单等特点。本文择要介绍了上机考试系统的设计思想、系统构成、实现方法等内容。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差（MAPE）和相对误差绝对值的标准差（SAPE）挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。