大鳞鲃的人工繁殖、胚胎发育和耐盐碱测定

2008-2010年进行大鳞鲃的人工繁殖和胚胎发育观察,并测定了胚胎、仔鱼的耐盐碱能力。结果表明,大鳞鲃是产漂流性卵的鱼类,繁殖性周期为1年产卵1次类型。水温19～23℃时,催产药物的效应时间在21～26 h,1.4～2.3 kg的雌性亲鱼产卵量在8×105～1.4×106粒,人工繁殖的催产率、受精率和孵化率平均为63.9%、81.5%、86.6%。大鳞鲃的卵为灰白色,直径约1.5 mm,遇水后卵膜会迅速吸水膨胀,1 h后达到最大为4.5 mm。水温20～23℃时,从卵授精到仔鱼孵出需要的积温为49.82℃.d,到仔鱼平游摄食需要积温125.14℃.d,刚出膜的仔鱼全长(6.07±0.18)mm,当达到(8.30±0.47)mm开始平游摄食。在耐盐碱实验中,测得大鳞鲃的胚胎72 h在盐度3.2以下、碱度14.32 mmol/L以下的水体中对成活率无影响;仔鱼96 h在盐度5.1以下、碱度14.32 mmol/L以下的水体对成活率无影响。     

异齿裂腹鱼人工规模化繁殖技术研究

2010年4～6月,对野生异齿裂腹鱼(Schizothorax o' connori)人工规模化繁殖技术进行研究,并初步进行产后亲鱼恢复培养技术研究.对108尾雌鱼进行干法人工授精,共采卵104万多粒,孵出仔鱼62万多尾.其中45尾雌亲鱼自然成熟,共采卵46.8万多粒,平均受精率和孵化率低于人工催产雌鱼卵.人工催产83...     

Challenges facing arthropod biological control: identifying traits for genetic improvement of predators in protected crops

Biological control is an efficient pest control method but there are still limitations that are hindering its wider adoption. Genetic improvement of biological control agents (BCAs) can help to overcome these constraints, but the choice of key attributes for better performance that need to be selected is still an open question. Several characteristics have been suggested but the harsh reality is that selective breeding of BCAs has received a lot of attention but resulted in very little progress. Identifying the appropriate traits to be prioritized may be the first step to reverse this situation. In our opinion, the best way is to look at the factors limiting the performance of key BCAs, especially generalist predators (pesticide compatibility, prey‐density dependence, non‐suitable crops, and extreme environmental conditions), and according to these challenges, to choose the attributes that would allow BCAs to overcome those limitations. The benefits of selection for higher resistance to toxins, whether artificially applied (pesticides) or plant produced (plant defenses); increased fitness when feeding on non‐prey food (supplemented or plant‐derived); and better adaptation to extreme temperature and humidity are discussed. In conclusion, genetic improvement of BCAs can bring about new opportunities to biocontrol industry and users to enhance biocontrol resilience. © 2020 Society of Chemical Industry     

金耳有效原种的配方和品种筛选

将生产中用到的两个金耳品种作为研究对象,将不同配方培养基中的菌丝、子实体生长状况进行对比,挑选出更适宜大规模生产的金耳品种,并探究麦麸在金耳有效原种制备中的必要性。研究结果显示,金耳1号菌丝较金耳2号更粗壮,长势更好,菌丝满瓶速度更快,子实体形态更好,更适合作为大规模生产的品种进行推广,且添加麦麸的配方更适合金耳1号原种生长。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于广义回归神经网络的灌溉系统首部多用户配水快速PID控制

针对多用户配水状态下灌区流量、压力需求变化范围大,传统流量、压力控制响应速度慢等问题,建立适用于多用户灌区配水的灌溉系统首部控制技术。该研究通过分析供水系统流量、压力调节方式,提出了流量、压力PID(Proportion Integration Differentiation)耦合调节方法,建立以电动阀开度为流量控制量、变频器频率为压力控制量对流量和压力进行调控的灌溉首部控制系统。为了减少系统的调节时间,提高系统的运行效率,采用广义回归神经网络(Generalized Regression Neural Network,GRNN)建立流量、压力和电动阀控制模拟量、变频器控制模拟量间的预测模型,形成神经网络PID控制模型(GRNN_PID),并进行模型精度和控制精度验证。GRNN训练结果显示,变频器控制模拟量的相对误差为0.11%～3.86%,电动阀控制模拟量相对误差为0.09%～5.74%,模型精度较高。使用3个调节过程模拟3个用户的需水行为对模型进行验证,结果表明,GRNN_PID模型3个过程的调节时间分别为11.6、10.7和7.2 s,PID模型3个过程的调节时间分别为31.7、29.6和16.9 s,GRNN_PID模型大幅减少了系统的调节时间,提高了系统的运行效率;分别计算了2种模型的控制精度,GRNN_PID调节方法和传统PID调节方法的稳态流量和压力误差都在1%以内,最大超调量为8%,控制精度较高但相差不大,表明GRNN是从策略上加速系统调节速度,其本身并没有对PID的参数进行调整,因此对系统的控制精度影响不大。研究可为灌溉系统流量压力快速控制提供参考。     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。