基于机器学习的油青菜心水分胁迫研究

目的 以油青菜心Brassica chinensis var. parachinensis为试验对象,基于冠层温度研究其生长过程中的水分胁迫变化规律,并利用机器学习方法,以水分胁迫指数(Crop water stress index, CWSI)和光合有效辐射预测光合作用速率。方法 试验期间,在营养生长阶段(V期)和生殖生长阶段(R期)对油青菜心进行不同田间持水量处理,采集冠层温度、空气温湿度数据,建立无蒸腾作用基线(上限方程)、无水分胁迫基线(下限方程),通过经验公式计算CWSI。利用基于密度的空间聚类方法和空气温度研究油青菜心的冠气温差上限分布情况,选取固定值作为上限;以CWSI经验公式为基础,使用不同温度定值的无蒸腾作用基线计算CWSI,验证聚类效果。为更简便获取光合作用速率,使用4种机器学习方法：最邻近节点算法(k-Nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、极端梯度提升法(Extreme gradient boosting,XGBoost)、随机森林(Random forest,RF)进行预测,并对比预测效果。结果 在不同田间持水量处理下,CWSI能较好地监测油青菜心水分胁迫状况。通过聚类分析,将V期和R期冠气温差上限分类到2个簇中,得到簇心分别为3.4和4.2 ℃,与CWSI经验公式计算值显著相关,表明使用固定值作为油青菜心冠气温差上限值具有可行性。KNN、SVM、XGBoost和RF预测模型均取得较好效果,相关系数分别为0.873、0.877、0.887和0.863。结论 机器学习方法可用于油青菜心光合作用速率的预测,可以避免使用大型笨重仪器,降低对油青菜心叶片的损伤,减少测量时间。     

高丹草种子丸粒化配方的筛选

采用混料试验设计,研究丸粒化制剂中不同物料(吸水树脂、花生壳粉、凹凸棒土)配比(共21种配方)对高丹草丸粒化种子物理性状、萌发特性和幼苗生长的影响,以筛选出最优丸粒化配方进而促进高丹草种子萌发及幼苗生长。结果表明,所有配方中,仅配方4(吸水树脂∶花生壳粉∶凹凸棒土=12∶73∶15)的种子发芽特性均较裸粒(CK)提高,其中发芽率是CK的1.04倍,发芽势是CK的1.45倍,发芽指数是CK的1.53倍;配方2(吸水树脂∶花生壳粉∶凹凸棒土=5∶80∶15)、配方10(吸水树脂﹕花生壳粉﹕凹凸棒土=19∶66∶15)、配方21(吸水树脂∶花生壳粉∶凹凸棒土=26∶52∶22)的种子出苗率分别较CK显著提高了23.8%、40.5%、22.6%;所有丸粒化配方幼苗的株高、最大叶长、叶面积均较CK有所提高;除配方20(吸水树脂﹕花生壳粉﹕凹凸棒土=12∶66∶22)、21外,其余配方幼苗鲜、干质量均较CK有所增加,尤其是配方4,显著高于CK。吸水树脂占比与抗压强度、吸水率、萌发特性相关指标呈极显著正相关,花生壳粉占比与种子萌发特性、幼苗生长情况相关指标均呈正相关,凹凸棒土、吸水树脂占比与种子萌发、幼苗生长相关指标均呈负相关性。综合考虑,配方4(吸水树脂∶花生壳粉∶凹凸棒土=12∶73∶15)为高丹草丸粒化制剂的最佳配方。     

枯草芽孢杆菌同种相食现象及生防应用

枯草芽孢杆菌分泌的抗菌物质在植物病害防治方面具有重要作用。在芽孢形成初期阶段,枯草芽孢杆菌通过“同种相食”（Cannibalism）推迟芽孢形成：准备形成芽孢的细胞产生并释放细菌毒素skf和sdp,杀死未形成芽孢的同类细胞,死亡细胞释放的营养可供准备形成芽孢的细胞利用,导致芽孢形成推迟。细菌毒素skf和sdp具有广谱杀菌性。综述“同种相食”的基因调控机制,该过程中新型毒素的产生及免疫机制,“同种相食”生物意义及毒素skf、sdp在生物防治应用前景。对于枯草芽孢杆菌生物防治制剂开发具有实际意义。     

我国农业色彩景观发展现状

从国内外研究现状出发,对农业色彩景观基本概念做了界定,进而指出了色彩因子对于农业景观的重要性。通过对现有农业色彩景观进行分类,提出了农业色彩景观规划的原则,指出了我国农业色彩景观发展现状与现存的主要问题,并展望了农业色彩景观在我国的发展前景。     

基于卷积神经网络的玉米病害小样本识别研究

农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题，提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先，采用旋转、翻转等方法对样本图像集进行数据增强；其次，通过迁移的MobileNetV2模型在玉米病害图像数据集上训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示，6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%，迁移的MobileNetV2的准确率最高，且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型，迁移的MobileNetV2模型识别正确率提升1.02%，训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳，具备更好的收敛速度与识别能力，同时能够降低模型的运算量并大幅度缩短识别时间。