以林草之笔奋力描绘美丽中国建设新画卷——访全国人大代表、国家林草局党组书记、局长关志鸥

春暖中国。随着阳春三月的到来,北京也将正式进入全国两会时间。2021年是中国共产党成立100周年,也是"十四五"规划的开局之年。站在历史交会的时间节点上,林草系统在过去五年中取得了怎样的成绩,在未来的时间又以怎样的姿态在"绿水青山就是金山银山"理念指引下一起描绘生态美、百姓富的美丽中国新画卷?在全国两会召开前夕,绿色中国融媒体记者专访了全国人大代表、国家林草局党组书记、局长关志鸥。     

延迟收获对长江中游春玉米农艺性状及机收质量的影响

为探明长江中游玉米籽粒机械直收适宜品种与配套农艺措施，2018—2019年选用不同玉米品种，测定不同机收时间下玉米关键农艺性状、产量及机收质量指标。结果表明，收获时间对春玉米机收产量与机收质量均有显著影响。延迟1周收获后籽粒容重显著增加，机收产量显著提高，2年平均提高9.72%；而延迟2周收获则有降低机收产量的趋势。2年收获时杂质率总体≤3%，而机收籽粒破碎率与损失率均>5%，是该区域春玉米籽粒机收面临的主要问题。籽粒厚度、籽粒含水率和百粒重是影响机收籽粒破碎率的关键性状，三者与机收籽粒破碎率均呈显著的倒二次曲线关系；玉米的倒伏率、穗位高和重心高度是影响机收损失率的关键性状，倒伏率与机收损失率呈显著正相关，而穗位高和重心高度与机收损失率均呈显著的二次曲线关系。延迟收获能显著降低籽粒含水量，从而降低籽粒破碎率，但继续延迟收获有增加倒伏的风险。综上，长江中游春玉米成熟后适时延迟7~10 d收获，可有效降低籽粒含水量与机收籽粒破碎率，提高玉米籽粒机收产量。     

2014年河套地区入秋首次强降水天气过程分析与诊断

运用常规气象资料和自动站实测资料,从高空槽演变规律及物理机制方面对2014年8月31日至9月2日内蒙古巴彦淖尔市强降水天气过程进行诊断分析。结果表明,此次降水天气过程是由高空槽东移南压,并配合低层低涡环流产生。9月1日凌晨分布不均匀阵性降水,由南支槽前不断生成和消亡的对流云团活动所致。9月1日午后,北支高空槽逐步南下,南压冷空气与西南暖湿气流在巴彦淖尔市上空交汇,稳定西南暖湿水汽输送,为强降水提供了充足的水汽条件。高空强烈辐散通过抽吸作用引起低层强烈辐合,激发气流垂直上升运动并提供抬升动力条件。500 h Pa以上大气处于对流稳定状态,阻挡暖湿气流向上扩散,使不稳定能量在低层积累,提供能量条件。西南暖湿气流受阴山山脉阻挡和抬升,山前降水量增加。     

气象因子变化及其对小麦生产的影响

全球气候变化趋势明显,小麦的生长发育和产量在一定程度上受到影响。综述光照、温度、水分3个主要气象因子变化特征的研究现状,及其对小麦物候期变化、产量和品质的影响。     

华北平原小麦生长季氮肥减施依据与基准简析

采用权威统计资料和农户调查文献资料相结合的方法,对华北平原区小麦季农田氮肥的施用量进行研究。结果显示,华北平原区小麦生长季氮肥减量施用基准参考值为(300±30)kg/hm2。在此基础上进行氮肥的减量、替代技术研究,具有较强的实用价值。     

激光粒度仪法与湿筛-沉降法测定火山碎屑物发育土壤颗粒组成的比较

为了比较湿筛-沉降法和激光粒度仪法测定玄武质火山碎屑物发育土壤的颗粒组成的结果,对供试土壤进行了比重值测定,并采用实测比重值和常用比重值(2.65)分别进行了湿筛-沉降法的土壤颗粒组成测定,同时又对样品进行了激光粒度仪法测定。结果表明:玄武质火山碎屑物发育土壤的比重值较土壤的常用比重值有一定的差异,进而导致了两种比重值条件下湿筛-沉降法测定的土壤颗粒组成的差异,但相差不大。激光粒度仪法测定的土壤颗粒组成与湿筛-沉降法比较,黏粒含量偏低,粉粒含量偏高,绝大多数砂粒含量偏高。导致这种差异的原因之一是两种方法的测定原理不同,分别测定的是同一颗粒的不同特征;其次是测定的粒径范围不同,湿筛-沉降法测定<2 mm的全部土粒,但激光粒度仪法对小于某粒径(MS3000激光粒度仪的测量范围是0.01～3500μm)的土粒不做测量;此外,还受黏土矿物的层状构造及土壤分散方法的影响。由于不同生产厂家、不同型号的激光粒度仪,其测量范围不同,对土壤颗粒组成的测定结果会产生一定的影响。所以,建议在应用激光粒度仪测定土壤颗粒组成时,标示仪器的生产厂家和型号。     

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。