NOW.Lab数码显微无线互动系统应用于“森林有害生物控制(病理)”课程实验教学的探讨

阐述了“森林有害生物控制(病理)”课程中传统显微教学存在的问题，以及NOW.Lab数码显微无线互动系统的优势。实践表明，NOW.Lab数码显微无线互动系统是传统显微镜与现代信息技术相结合的产物，将其应用于“森林有害生物控制(病理)”课程实验教学，提升了学生的观察效果和教师的课堂指导效率，方便了教师和学生之间的互动交流，也完善了实验课的考核模式，整体上提高了实验课的教学效果。同时在教学实践中，NOW.Lab数码显微无线互动系统也出现一些管理和使用的问题，需要加强实验室管理、优化课程结构，才能使其发挥出更大的作用。     

基于Maxent模型的长林小蠹的全球及中国适生区预测

  目的  长林小蠹是一种重要的林木检疫性害虫，对智利、新西兰等多国松树造成严重危害，并随林木进口入侵我国山东，对我国林业安全造成威胁。根据长林小蠹的已知分布，对其全球和中国范围内的适生区范围进行准确预测，明确该虫在我国潜在的分布区范围，为相关部门提供理论参考，有助于采取科学高效的监测和防治措施，降低潜在的生态和经济损失。  方法  利用Maxent物种分布模型，通过筛选生物气候变量和优化模型参数构建拟合优度和复杂度综合表现最佳的模型，进而应用于长林小蠹在全球和中国范围内的适生区的预测。利用ArcGIS软件对预测结果进行可视化处理和面积统计，并利用模型的结果对影响长林小蠹定殖的主要环境因素进行分析。  结果  相较默认参数下的模型，参数优化后的模型精度明显提高，平均AUC值达到0.964 6。同时，模型预测结果显示:长林小蠹在全球的适生区主要位于欧洲、北美洲东部和西部沿海、亚洲东部、南美洲东南部、非洲最南端以及大洋洲的东南沿海。其中高度适生区、中度适生区和低度适生区的面积分别占比1.21%、1.92%和3.95%。中国范围内该虫的适生区主要位于中部和南部，其南界至中国台湾，北界至辽宁大连。其中高度适生区、中度适生区和低度适生区的面积分别占比0.28%、5.00%和13.43%。在所有生物环境变量中，贡献率最为显著的为最干季降水量、最冷月份的最低温度、温度季节性、最热月份的最高温度、年降水量。贡献率分别为37.9%、25.4%、12.7%、7.0%和6.6%。  结论  已有长林小蠹发生的区域外，美国东南部和西北部、阿根廷东部、巴西的南部和中国大部的适生区尚未有长林小蠹的捕获记录，被入侵风险较高。长林小蠹在中国的适生区主要以中度和低度适生区为主，几乎囊括了中国中部和南部所有的省份，其中，山东省和江苏省的沿海地带及其周边地带、中国西部局地和中国中南部局地的适生性相对较高。由此我们建议在国内开展长林小蠹的普查及防控工作，严防其扩散蔓延；同时加强入境口岸的各项检疫措施。      

基于半监督学习的松林变色疫木检测方法

针对模型训练中数据标注成本过高的问题，提出一种基于无人机图像分析的半监督变色疫木目标检测方法。该方法提出级联抗噪声半监督目标检测模型（Cascade Noise-Resistant Semi-supervised object detection，CNRS），使用抗噪声学习提升模型对伪标签的学习质量；通过级联网络解决训练中正负样本的分布问题；使用ResNet50和特征金字塔网络结构增强模型对多尺寸和小目标疫木的识别能力；在监督学习阶段使用FocalLoss，提升网络对边缘目标和早期疫木等困难样本的学习，使用SmoothL1Loss保证梯度相对稳定；在RCNN阶段使用软化非极大抑制软化检测框剔除过程。该文提出的半监督目标检测模型CNRS使用训练集中半数标注的数据进行训练，试验结果表明，最优模型在测试集上的平均精度（Average Precision，AP）可达87.7%，与Faster RCNN使用完全标注数据相比，标注量减少了50%，且AP提升了2.3个百分点，与同时期最先进的半监督模型Combating Noise相比，AP提升了1.6个百分点。该方法在准确检出多种不同形态疫木的基础上，大幅度降低了数据标注成本，为农林病虫害防治提供了可靠的数据支持。