贵州黑麦草人工草地害虫种类调查

为有效控制黑麦草人工草地种植和维护过程中的害虫种群,采用网捕、陷阱法和目测法对黑麦草人工草地的昆虫种类组成进行调查。结果表明:初步鉴定害虫种类7目38科69种,优势种有半翅目的棉奥小叶蝉(Austroasca vittata)、烟草嘎叶蝉(Alobaldia tobae)、牧草盲蝽(Lygus pratensis)和小长蝽(Nysius cfericae),鞘翅目的古铜凹胫跳甲(Chaetocnema concinnicollis),鳞翅目的粘虫(Mythimna separata)和斜纹夜蛾(Spodoptera litura)。     

贵州人工草地中黑盲蝽及其天敌蜘蛛的种群发生动态

为提高人工草地中黑盲蝽的综合防控水平,采用网捕法调查了重要害虫中黑盲蝽及其天敌蜘蛛在黑麦草草地及豆禾混播草地的种群动态。结果表明:中黑盲蝽发生动态基本呈单峰型,6-7月虫口达峰值。黑麦草草地中黑盲蝽的种群数量与天敌蜘蛛的发生存在显著相关性,受蜘蛛种群制约作用强,发生量较小;豆禾混播草地中黑盲蝽的种群数量与蜘蛛发生数量间无明显相关性,发生量大。     

石羊河上游一年生豆禾混播草地生产力研究

石羊河上游一年生豆禾混播草地生产力的研究结果表明,混播群落中燕麦与毛苕子对光能,养分、水分等资源利用的相互协同作用,提高了资源利用效率,促进了整个群落草层高度的增长和单位面积干物质产量的增加。同时提高和维护了石羊河上游水源涵养草地的功能和作用,并缓解和解决了石羊河上游植被“三化”等生态问题。     

贵州竹子叶蝉种类及危害情况调查

为了给竹子上刺吸类害虫的综合防控提供基础资料和理论依据,采用普查、定点定期调查相结合的方式,对贵州竹子叶蝉种类及危害情况进行了调查.结果表明,贵州竹子叶蝉共有33属55种,隶属于9亚科,其中24种系取食危害竹子的首次报道.提供了竹子叶蝉名录、寄主植物和分布.在55种贵州竹子叶蝉中,以缅甸安小叶蝉(Anaka burme...     

贵州人工混播草地昆虫群落组成与季节动态变化

为人工混播草地害虫的科学防治提供参考依据,采用网捕和陷阱法研究贵州独山县豆禾混播草地昆虫群落的结构组成及其季节性动态变化规律。结果表明:害虫类亚群落占混播草地昆虫群落的主导地位,4月各类昆虫发生量均较小,7月和8月为害虫和天敌发生高峰期,10月和11月捕食性天敌和寄生性天敌亚群落个体数量趋于0,而害虫类亚群落仍保持较高的个体数量。因此,7月和8月为混播草地害虫防治的重点时期,10月和11月仍需关注害虫发生与危害。     

地膜覆盖下豆禾混播草地根系的动态研究

使用差额法连续分层次地对燕麦＋豌豆人工草地的根系在地膜覆盖条件下的生长发育动态进行了研究，结果表明：燕麦根系的58％分布浅，豌豆的77％根系分布在10～20cm深，两者混播后，其根系可有效地互补，且在地膜覆盖条件下互补性增强。同时地膜覆盖后，使根系的分布更浅，根量减少。     

多年生禾本科混播人工草地的群落演替研究

以青藏高原高寒区甘肃农业大学高山草原试验站6个多年生禾本科人工草地组合样地为试验对象,并与人工草地建植初期、围栏外天然草地进行对比分析,研究了多年生禾本科混播人工草地的群落演替情况。结果表明,多年生禾本科混播人工草地群落,在演替过程中主要种的优势地位发生替代变化程度强,外来杂草的入侵以及空间、养分的竞争明显,物种多样性和均匀性随着自然演替而增大,主要混播多年生禾草的优势度减小,优势地位发生明显替代变化。随着时间延长,逐渐向天然草地方向演替,且演替度不断增大。     

普那菊苣人工草地节肢动物种类调查及群落分析

通过对贵州南部菊苣人工草地节肢动物的系统调查,经鉴定有13目66科111种,其中植食类7目32科47种,捕食性昆虫6目11科32种,捕食性蜘蛛1目10科18种,寄生类2目5科5种,中性类2目8科9种;软体动物1目2科2种。捕食性天敌昆虫是草地生态系统中的主要捕食性天敌类群。     

贵州高原人工草地绵羊畜群结构的研究

对试验和调查所取得的有关数据，应用系统分析方法，建立了一个绵羊种群动态模型，以描述绵羊的实际生产过程，并且采用线性规划模型，对贵州高原人工草地的放牧绵羊的种群结构进行了研究。结果表明，最佳畜期结构为母羔１３．８８％、育成母羊１７．０９％、成年母羊６１．７９％、公羔０．９８％、育成公羊１．１６％、成年公羊５．１０％。同时，最佳畜群结构的产值将比现行结构提高８．４％。     

�����˹��첥�ݵ������Ⱥ��������������

为有效地控制人工混播草地的害虫种群,采用网捕、陷阱及目测法对豆禾混播人工草地的昆虫种类组成及其群落结构进行研究.结果表明:共鉴定昆虫种类10目54科102种,其中,害虫种类64种,天敌27种,中性昆虫11种;豆禾混播人工草地害虫的优势种类为刺吸危害的烟草嘎叶蝉、中黑盲蝽和条赤须盲蝽,咀食危害的粘虫、斜纹夜蛾和蟋蟀;6-7月是草地虫害防控工作的关键时期.     

苜蓿草地地表蜘蛛混合种群动态的模糊聚类分析

为苜蓿草地蜘蛛的保护利用提供依据,采用陷阱法对贵州南部苜蓿草地地表蜘蛛混合种群进行了系统调查,利用平均密度(M)、聚块性指标(M*/M)及有虫陷阱率(F)等参数作为指标对蜘蛛混合种群动态进行模糊聚类分析.结果表明:苜蓿草地蜘蛛混合种群划分为高密度高聚集期、低密度中等聚集期、高密度中等聚集扩散期、种群消退期等4种动态类型.     

贵州岩溶山区混播草地昆虫群落的多样性

为提高人工混播草地害虫综合治理水平,采用网捕法和陷阱法对贵州独山县豆禾混播草地昆虫群落多样性的季节性动态变化进行研究。结果表明:混播草地昆虫群落具有较高的多样性和稳定性,其多样性在4—10月均能保持较高水平,11月多样性水平显著降低,需加强对优势害虫种群的防控工作。昆虫群落多样性指数与均匀度指数呈显著正相关,而与优势度指数呈显著负相关;昆虫群落多样性、均匀度和丰富度与温度的变化关系紧密,受降水量影响较小。     

苇状羊茅人工草地节肢动物群落结构的时序动态

通过对苇状羊茅人工草地节肢动物群落的系统调查,分析了苇状羊茅人工草地节肢动物群落及各亚群落结构的时序动态.结果表明,非天敌亚群落的物种数、个体数量、优势集中性、多样性H、均匀性、优势度和物种丰富度随时间的变化趋势与总群落一致.天敌亚群落均匀性除9月外,多表现为均匀性高于总群落及非天敌亚群落;天敌亚群落优势度在4月中旬至6月上旬均低于总群落及非天敌亚群落,而在9月居高.物种数丰富度天敌亚群落波动不大,总群落和非天敌亚群落出现低→高→低趋势,非天敌亚群落物种丰富度和天敌亚群落表现为交替变化.     

贵州窄冠速生刺槐的害虫种类及危害调查

为给贵州窄冠速生刺槐害虫的防治工作提供参考,于2007-2008年对其害虫种类和发生危害情况进行了调查,共鉴定出害虫5目19科30种,初步明确了主要害虫、次要害虫和害虫天敌,并介绍了5种重要害虫的危害特点及生物学特征及其相应的防治方法.     

贵州山区台湾泥鳅人工繁殖技术

为贵州山区规模化生产台湾泥鳅种苗提供科学依据,2015—2016年采用人工催产技术对规格为17~19尾/kg和12~14尾/kg的雌亲鳅505.5kg进行了人工繁殖研究。结果表明:2015年繁育台湾泥鳅种苗4批共840万尾,平均受精率70.25%,孵化率73%,种苗成活57%;2016年繁育种苗5批共1 640万尾,平均受精率93.40%,孵化率96.8%,种苗成活70%;2年共繁育泥鳅种苗2 480万尾,实现种苗销售产值224万元,利润89.6万元。在一定的亲鳅标准(8~10尾/kg)、科学合理的孵化设施(一槽一系统)以及育苗池(单池面积1 200~1 300m~2,池深1.4~1.5m,水位保持1.2~1.3m)条件下,贵州山区能较好地对台湾泥鳅种苗进行规模化人工繁殖,并取得良好的经济效益。     

Artificial Neural Network to Predict Leaf Population Chlorophyll Content from Cotton Plant Images

Leaf population chlorophyll content in a population of crops, if obtained in a timely manner, served as a key indicator for growth management and diseases diagnosis. In this paper, a three-layer multilayer perceptron （MLP） artificial neural network （ANN） based prediction system was presented for predicting the leaf population chlorophyll content from the cotton plant images. As the training of this prediction system relied heavily on how well those leaf green pixels were separated from background noises in cotton plant images, a global thresholding algorithm and an omnidirectional scan noise filtering coupled with the hue histogram statistic method were designed for leaf green pixel extraction. With the obtained leaf green pixels, the system training was carried out by applying a back propagation algorithm. The proposed system was tested to predict the chlorophyll content from the cotton plant images. The results using the proposed system were in sound agreement with those obtained by the destructive method. The average prediction relative error for the chlorophyll density （μg cm^-2） in the 17 testing images was 8.41%.