沙芥茎尖培养及腋芽萌发和增殖的影响因素

以沙芥无菌实生茎尖为外植体,探索了光照强度对茎尖培养的影响,研究了植物生长调节剂6-BA与IBA的不同浓度组合对沙芥幼苗短缩茎腋芽诱导和腋芽增殖的影响,同时研究了消毒方法对田间沙芥萌动腋芽增殖的影响。结果表明:最适宜茎尖分生组织生长的光照强度为3 600lx;最佳诱导腋芽萌发并进行伸长生长的植物生长调节剂组合为6-BA 5.0mg/L,IBA0.5~1.0mg/L,腋芽诱导率达93.3%~96.7%,平均诱导芽数为4.2~4.3;最适宜腋芽增殖的植物生长调节剂浓度组合为6-BA 5.0mg/L+IBA 1.0mg/L,丛生芽诱导率达93.1%,增殖系数达3.44;田间的萌动腋芽经70%酒精浸泡3~5s与0.1%升汞震荡10~12min,二者交叉消毒效果最理想,污染率为10%,成活率达到85%,褐化率只有20%,但外植体生长缓慢,生长周期长,增殖率极低,不适宜进行增殖培养。     

机器学习在土壤无机碳高光谱反演模型中的应用进展

土壤无机碳库作为陆地生态系统中第二大碳库,在吸收大气中CO2以维持陆地生态系统碳循环稳定方面发挥着重要作用.高光谱数据具有维度大、强冗余性等特点,不利于土壤无机碳快速反演建模,而使用机器学习方法可实现对土壤无机碳的快速、高效测定.该文综述了利用机器学习方法对土壤无机碳高光谱反演建模的研究现状,以期为土壤无机碳在全球碳循环中的研究提供参考.     

机器学习在农作物病虫害识别上的应用综述

农作物病虫害是发展农业领域所亟待解决的重要问题之一,机器学习的进步加速了识别农作物病虫害的发展趋势。目前,在农作物病虫害识别中存在农作物病虫害种类繁多、农村地区发展落后农业技术人员稀缺、过度依赖杀虫剂等问题,发挥机器学习的优势,对病害图片实现计算机识别,通过不断地学习智能分类,用来判断作物生病与否,从而实现农作物高质高量的目标。首先,介绍了传统病虫害检测缺陷;其次,介绍了目前机器学习在农作物病虫害识别的成果;再次,对机器学习的发展进行了探讨,有望将机器学习和无人机技术也运用到农作物病虫害识别上,更有利于农业进步和经济发展。     

不同因素对沙芥腋芽增殖的影响

采用无菌茎尖苗诱导腋芽作为外植体,研究培养基类型、细胞分裂素种类和浓度、生长素种类和质量浓度、6-BA(6-苄基嘌呤)和IBA(吲哚丁酸)不同质量浓度组合、AgNO3(硝酸银)质量浓度5个因素对沙芥腋芽增殖的影响。结果表明,MS(Murashige and Skoog)培养基中腋芽的增殖倍数最高达到5.27,最适宜沙芥腋芽增殖培养;3.0~5.0mg/L的细胞分裂素6-BA是最适合沙芥腋芽增殖的细胞分裂素种类及质量浓度;0.1mg/L IBA是最适宜腋芽增殖的生长素种类及质量浓度;在3.0mg/L 6-BA和0.1mg/L IBA质量浓度组合的MS培养基中,沙芥腋芽的增殖倍数高达7.43;AgNO3显著降低腋芽增殖倍数和丛生芽诱导率。