基于线粒体控制区的中国近海棘头梅童鱼群体遗传结构研究

为研究我国沿海棘头梅童鱼(Collichthys lucidus)的种群遗传结构,运用线粒体D-loop区全序列比较分析了中国连云港(LYG)、大丰(DF)、崇明(CM)、舟山(ZS)、温州(WZ)、宁德(ND)、厦门(XM)棘头梅童鱼7个野生群体的遗传结构特征。7个群体共208个样本的D-loop序列中,共检测到83种单倍型,66个变异位点,碱基组成符合AT碱基偏好性特点。7个群体的单倍型多样性为(0.55400±0.00998)～(0.95400±0.00067),核苷酸多样性为0.00183～0.00708,说明我国沿海棘头梅童鱼遗传多样性较高;根据海洋鱼类遗传多样性划分的分布模式,符合高h低π特点,说明其经历了快速扩张期。群体总的遗传分化系数Fst=0.86647 (P=0),两两群体间的遗传距离在0.004～0.039范围内,且明显的分为北方群体(LYG、DF、CM和ZS)和南方群体(WZ、ND和XM),DF和LYG、WZ和ND两两群体间存在显著的基因交流。AMOVA分析显示组间变异百分比为85.97%,符合南北分化特点。基于单倍型构建的单倍型邻接关系树和单倍型简约网络图等结果均表明,棘头梅童鱼以舟山为界,具有明显的南北地理遗传结构。中性检验(Tajima’s D、Fu’s Fs)和错配分析结果显示,棘头梅童鱼在3.87～12.9万年前(更新世冰期)经历了种群的规模性扩张或定向选择。本研究结果可为棘头梅童鱼资源的保护与利用提供基础数据。     

基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

喷施氨基酸硒叶面肥或SOD制剂对凌枣品质的影响

以12年生凌枣为试材,进行喷施氨基酸硒叶面肥或SOD制剂试验。结果表明,凌枣果实发育期喷施4次氨基酸硒叶面肥600倍液能显著提高凌枣果实硒含量,喷施SOD制剂1 000倍液对凌枣果实硒含量影响不大;喷施氨基酸硒叶面肥600倍液或SOD制剂1 000倍液均能显著提高凌枣果实SOD活性,对改善凌枣果实品质也有显著效果。