基于LoRa通信的棉花智能水肥管理系统设计与应用

由LoRa（超远距离广域网，Long range）与4G蜂窝移动通信组网、具有边缘计算能力智能网关、物联网终端、远程自动化控制设备、水肥管理软件集成的智能水肥一体化管理系统，在灌溉水质较差、通信基础设施薄弱的新疆，使灌水施肥更精准、高效，示范农场节本增效明显。以LoRa通信为基础的棉花智能水肥管理系统是数字农场的重要执行工具，可加快棉花种植向规模化、标准化、现代化发展。     

基于文献计量的农业节水领域研究现状及热点分析

农业节水是农业可持续发展的研究热点.为了能够在总体上把握国际有关农业节水技术领域的研究现状、热点和发展趋势,以Web of Science核心合集数据库为数据源,对1992-2019年发表的农业节水技术相关的文献进行计量分析,结果表明:①农业节水技术研究发展迅速,国际尤其是中国在该领域发文量均呈现快速增加趋势.②农业节水技术研究是一个多学科交叉领域,但其载文期刊分布相对集中.③西班牙在农业节水技术研究领域居世界领先地位,论文数量和质量均较高.中国和美国发文量分居第一和第二位,但论文篇均被引频次较低.西班牙高等科研理事会(CSIC)在该领域表现突出,论文数量和质量均最高.中国4所机构发文量进入世界前10位,分别是中国农业大学、中国科学院、西北农林科技大学和河海大学,但4所机构发文质量均有待进一步提升.④灌溉方式是近年来的研究热点,主要包括滴灌、喷灌、分根交替灌溉和加肥灌溉等.关于农业节水技术增产、增效机制方面的研究也是研究的热点,包括对碳氮代谢、水氮互作、植物激素等方面的研究.环境温度、温室气体排放等也是研究的热点.由此可以看出,有关农业节水的研究在国内外都属于研究热点方向,中国在该领域的整体表现突出,但是需进一步加强国际合作,提高在该领域的影响力.     

基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。     

青冈栎林分空间结构对林下更新的影响

林分空间结构会显著影响其林下幼树更新。为明确其影响林下幼树更新的关键因子,以湖南省青羊湖国有林场青冈栎林天然次生林为研究对象,测量幼树株数密度、树高、地径和冠幅,计算混交度、大小比数、开敞度指数以及聚集指数代表林分空间结构,评价林下幼树更新情况,并用灰色关联度分析方法探究两者间的相关关系。结果表明,青羊湖国有林场13块青冈栎林样地林下更新幼树有6种,分属于4科5属,分别是青冈栎、苦槠、多脉青冈、南酸枣、黄檀、马尾松,青冈栎在更新幼树中占明显优势,是优势树种,幼树重要值为63.09%。青冈栎林各林分空间结构指数与林下更新指数均大于0.5,关联度较高,综合所有林分空间结构指数对林下更新指数关联度的均值来看,对林下更新的影响由大到小为大小比数>开敞度>聚集指数>混交度,大小比数对青冈栎林下更新影响最为显著。在促进青冈栎天然次生林林下更新时,应以调整林木大小分化程度为主,综合考虑林木空间分布格局的调整方案。     

昆明海口林场滇藏钝果寄生的调查及寄生特性分析

桑寄生科(Loranthaceae)植物是常见的半寄生灌木,其过度繁殖会影响天然林和人工林生态、经济和社会效应的发挥.前期调查发现,昆明海口林场部分地区具有桑寄生危害,其主要种类为滇藏钝果寄生.为监控滇藏钝果寄生在林场的传播扩散,了解其寄生初期的选择偏好,本研究以昆明市海口林场滇藏钝果寄生危害最严重地区为中心,对其周边4个区域的传播情况进行样方调查,统计滇藏钝果寄生的寄主选择模式、构建寄生强度与寄主生长特征的归回关系.结果 表明,滇藏钝果寄生于郁闭度最低(30％)、坡度最大(27°)的样方2 (M2,中心样方)中危害严重,其余4个样方(M1,M3,M4,M5;周边样方)的感染程度较低,尚处于扩散初期.滇藏钝果寄生在所调查样地中具有明显的寄主选择性,几乎仅存在于槲栎中,但其扩散与槲栎在群落中的百分率无明显相关性.采用逐步回归法构建槲栎生长特征与寄生强度的线性关系,其冠幅和胸径可依次引入回归模型中,修正后的拟合度R2为0.526,方程式为y=-0.467+0.152x1+0.110x2.滇藏钝果寄生于样方M2和M1中的寄生高度百分率集中分布于40％～80％之间,而于M3、M4和M5中变幅较大,无明显集中区.该研究结果可为滇藏钝果寄生的生态防治提供科学基础.     

斜纹夜蛾Toll受体基因的全基因组分析及其在杀虫剂抗性中的作用

利用公布的斜纹夜蛾基因组对TLRs基因进行全基因组分析,应用生物信息学工具分析斜纹夜蛾TLRs家族基因成员在鳞翅目害虫TLRs基因家族中的进化关系、组织表达特异性,结合转录组数据对农药反应敏感的TLRs进行基因表达及其调控网络进行分析,分析斜纹夜蛾Toll受体基因在杀虫剂抗性中的作用.结果表明:共分析出了7个TLRs基因,斜纹夜的TLRs家族基因与棉铃虫TLRs家族基因同源性较高.7个基因中的1个基因SLTLR3在肠道中高度表达,有5个TLRs基因对农药处理反应敏感.对农药反应敏感的TLRs进行基因表达和其网络进行分析,只发现了1个TLRs(SLTLR7)和其他30个基因之间的存在共表达关系,这些基因主要涉细胞表面受体信号途径、细胞定位、信号传导、细胞调控过程、生物调控过程.     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

安徽沿江地区油麦后直播棉的品种选用策略

在目前安徽沿江地区不能实现棉花机采的情况下,提出了“植株高度既适于机采也适于人工采收,含絮力适中(不易落花便于集中采收),生育期适中(播种到采收为180天左右),纤维品质及产量性状较优(纤维长度30.0 mm以上,断裂比强度30.0 cN/tex以上,马克隆值5.0以下,籽棉产量3750 kg/hm 2以上,衣分在40%左右)”的油(或麦)后直播棉模式的人工采收品种选用策略。旨在促进安徽沿江地区棉花生产稳定发展。     

吕梁山地区植被物候变化及对气候的响应

吕梁山地区地形垂直差异明显,植被对气候变化反应敏感,研究吕梁山地区植被物候变化,探索植被物候变化与气候的响应关系,旨在为高海拔山区植被物候研究和生态治理提供借鉴。基于2000—2015年MODIS NDVI时间序列数据,通过动态阈值法提取吕梁山地区的植被物候,对气温、降水进行空间插值,并对植被2个关键物候期与气候因素进行偏相关分析。结果表明：（1）植被生长季开始日期(the start of the growing season,SOS)提前的区域约占85.7%,其中16.2%显著提前;植被生长季结束日期(the end of the growing season,EOS)推迟的区域约占90.6%,其中33.3%显著推迟。（2）区内74.8%、87.7%植被SOS分别与气温、降水呈负相关,气温升高或降水增加,植被SOS提前。植被SOS在高海拔山区受4月气温影响显著,而低海拔地区受4月降水影响显著。（3）区内72.6%、65.1%植被EOS分别与气温、降水呈正相关,气温升高或降水增加,植被EOS推迟。植被EOS在北部和西部地区受11月气温影响显著,而高海拔地区受9月降水影响显著。2000—2015年吕梁山地区植被物候发生显著变化,各地区对气温、降水的响应不同,研究结果可为区域物候、气候变化研究和陆地生态治理提供科学依据。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。