浙江省农业机械化媒体信息网站的开发研究

在分析浙江省农业机械化现状与管理工作的基础上，结合现代网络技术、多媒体技术及数据库技术，运用网络编程语言PHP和MYSQL数据库语言等，设计开发了浙江省农机化多媒体信息网站，并介绍了网站的具体策划制作过程。     

基于粗糙集与神经网络的农机化发展水平评估方法

在分析现有农业机械化发展水平评价方法的基础上 ,提出了粗糙集理论与人工神经网络技术相结合的农业机械化发展水平评价指标简化体系和评价方法。实例表明 ,约简后的指标体系可以获得原有指标体系的分类结果 ,但比原有模型少了 6 0 %的指标 ,大大减少了信息的需求量 ,为农机化水平评价提供了一种新的途径。     

茶叶中游离氨基酸分析方法的研究进展

氨基酸是构成生命体的基本物质之一,也是茶叶的主要化学成分之一,是形成茶叶滋味的重要组成部分,因此对茶叶中游离氨基酸的分析检测是十分必要的。综述了目前用于茶叶中游离氨基酸分析检测的诸多方法,并对这些方法的优缺点进行了分析,同时对未来分析方法的发展提出了展望。     

大豆脂肪酸含量积累动态及亚麻酸代谢候选基因筛选

大豆脂肪酸5种组分中亚麻酸含量是影响大豆品质主要因素之一,与其他4种脂肪酸比例直接影响大豆油脂品质特性及贮运加工,大豆油具有适宜亚油酸与亚麻酸比例。文章通过高效气相色谱法对品种‘合丰25’(高亚麻酸含量品种,5.94%)与加拿大稳定品系‘L-5’(低亚麻酸含量品种,2.75%)及其组配重组自交系群体中选取高/低亚麻酸品系各2份,盆栽试验分析脂肪酸组分及含量。结合KEGG中大豆脂肪酸代谢途径筛选与不饱和脂肪酸代谢相关候选基因,对筛选RIL群体后代品系发育各时期作实时定量PCR,分析其在‘合丰25’和‘L-5’及后代品系中表达模式。结果表明,相同基因在不同品种之间对亚麻酸含量调控机制不同,不同时期基因表达量对亚麻酸积累量具有不同程度影响。研究结果为探索大豆亚麻酸积累规律及其候选基因影响,选育理想脂肪酸组分比例大豆新品种提供参考。     

特色产业开发惠及西藏农牧民

2006年,西藏整合1亿多元资金用于农牧业特色产业的扶持,主要安排实施了无公害蔬菜、白绒山羊、藏猪、藏鸡、肉鸭等农牧业特色产业项目40项,越来越多的农牧民开始从特色产业开发中受益。近年来,西藏立足自身优势,加大农牧业特色产业开发力度,根据市场需求,开发出了牦牛肉、青稞、牦牛酸奶、山羊绒、藏猪肉、藏鸡肉等特色产品。如今,     

减负增收是实现农村社会保障的关键

对于在我国发展农村社会保障问题,理论界目前有两个对立的观点:一是认为我国农民“有土地就有保障”、“土地即保障”,发展农村社会保障在我国不但没有条件,也没有必要。二是认为目前在我国农村,土地的保障功能正在弱化,农民的失业风险加剧,只有大力发展农村社会保障,才能帮助农民抵御来自各方面的风险。那么,究竟应该怎样发展农村社会保障,怎样帮助农民抵御来自各方面的风险?对此,笔者谈几点粗浅的看法。 一、家庭承包经营的土地政策仍是解决当前“三农”问题的关键 如果说农业是国民经济的基础,那么土地就是农业的基础,它是农业最基本的生产要素,也是农民收入的主要来源和基本的生活保证。     

论城市农业

城市农业作为一种崭新的现代农业形态，集经济功能、社会功能、生态功能、示范功能于一身，具有城乡融合性、功能多样性、现代集的性、高度开放性等特征。发展城市农业，是我国大城市实现农业现代化的重点选择。我国的城市农业实践，与国际相比，既有共性的，也有独具中国特色的经验和发展机理。研究中国城市农业发展理论，把握其发展规律，对于城市农业在我国更大范围的推广和健康发展，具有十分重要的理论和实践意义。     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.     

基于多光谱成像技术的大麦赤霉病识别

该文提出了一种根据大麦多光谱图像实时识别大麦赤霉病害的方法。首先利用阈值分割以及形态学的处理算法去除大麦穗图像背景和麦芒干扰信息;其次从预处理后的多光谱图像中提取图像的颜色统计特征;最后将这些颜色统计特征数据经过预处理后应用偏最小二乘法（principal component analysis, PLS）进行模式特征分析,经过交互验证法判别选取最佳的主成分数,输入到最小二乘-支持向量机模型(least square-support vector machine, LS-SVM),建立病害识别模型。经过比较发现多元散射校正处理后,最佳主成分为1的最小二乘支持向量机模型对病害的识别准确率最高,达到93.9%。表明利用多光谱成像信息可对大麦赤霉病进行准确识别,为植物病害监测与防治提供了一条新方法。