大白菜一代杂种及双亲幼苗的等电聚焦电泳过氧化物同工酶分析

等电聚焦电泳是近些年发展起来的分离蛋白质的有效生化技术．操作简便，分辨率高，电泳条带多而且细，信息量大，利于进行深入细致的研究。该文利用等电聚焦丙烯酰胺电泳方法分析了6个大白菜一代杂种及双亲幼苗的过氧化物同工酶电泳图谱，共分离出十几条酶带，F1杂种与亲本间同工酶图谱均表现出明现差异，特别是A鉴别区内的酶带差异最明显，大多为互补型，是主要鉴别区。进一步研究结果表明，6个大白菜品种均可利用过氧化物同工酶鉴别由自交引起的假杂种。利用这项技术大量开展了这6个品种的商品种子纯度检测工作，同时在田间进行了验证性测定，二者结果基本相符。     

评价全球气候变化对我国玉米生产的可能影响

利用我国玉米带１２个有代表性地点的作物、土壤和天气资料，验证了ＣＥＲＥＳ－Ｍａｉｚｅ在我国的适用性，确定了各地有代表性品种在模型中的遗传参数，还对模型进行了敏感性分析，之后，将ＣＥＲＥＳ－Ｍａｉｚｅ在各地当前气候以及在３中由平衡ＧＣＭｓ生成的气候变化情景下分别运行，通过分析与比较模拟结果，评价了当ＣＯ２倍增时，气候变化国各地玉米产量和灌溉需要量的可能影响，对Ｃ煌直接影响也做了考虑。还应用若干农业气     

玉米S组CMS育性恢复基因的分子标记定位

以[Mo17(rf_3rf_3)CMS-唐徐×HZ_1(Rf_3Rf_3)N]×Mo17(rf_3rf_3)N回交群体作为基因定位群体。采用RFLP和RAPD分子标记技术,定位了Rf_3/rf_3基因。RFLP分析表明,Rf_3/rf_3基因位于第二染色体长臂上的UMC36A和UMC49分子标记之间,其遗传距离分别为12.7cM和4.8cM。采用BSA法,筛选了340个10mer随机引物,找到与Rf_3基因紧密连锁的分子标记RAPD Eo8-1.2,将Rf_3/rf_3基因的标记距离缩小到2.7cM,为Rf_3/rf_3基因辅助选择提供了有价值的分子标记。     

“云南小麦”(Triticum aestivum ssp.yun-nanense King)的考察与研究

1979年和1980年我们对金善宝教授命名的“云南小麦”亚种进行了考察和研究。查明“云南小麦”分布在云南省澜沧江和怒江下游十二个县,约在北纬22°54′—25°03′和东经95°36°—100°85′左右。“云南小麦”生长在海拔1500米至2500米之间的高山区,而以1900米至2300米地带种植较多。原产地年均温15℃、年雨量1480mm 左右。小     

棉花膜下滴灌灌溉制度试验研究

以田间试验为基础对棉花膜下滴灌的灌溉制度及其各因素的特点进行了分析研究。膜下滴灌技术采用局部灌水，男间地面蒸发量很小，另外，该技术为浅灌且可控性强，使灌水深度与棉花根系吸水深度相一致，避免深层渗漏，极大地提高了田间水分利用率。     

液压技术在农林机械方面的应用与展望

液压技术是一门新兴技术，具有许多独特的优点，近些年来在农林机械上得到了广泛应用与推广。为此总结了液压技术在农林机械上的应用，并展望了在该领域的发展前景。     

加入WTO后我国数字农业的发展

基于我国数字农业现状的基础上，分析了数字农业对我国农业发展的影响，提出了我国数字农业发展的研究策略。     

喷嘴雾化特性的PDPA实验研究进展

喷嘴雾化在能源动力、化工、农业和环境工程中有非常广泛的应用，研究喷嘴雾化的流动特性是两相流研究中一个重要课题。对粒度分布等雾化特性的研究，有助于对喷嘴雾化机理的了解以及雾化结构的优化。本文简要介绍了PDPA基本原理和研究状况，综述了应用PDPA测量喷嘴雾化特性的实验研究进展，并提出了对此研究的展望。     

基于模糊Stanley模型的农机全田块路径跟踪算法研究

为实现农业机械全田块高效自主作业,提出一种增益系数自适应的Stanley模型路径跟踪算法。以横向偏差和航向偏差为输入变量构建隶属度函数,设计模糊推理和解模糊化过程实时确定控制模型增益系数,提高Stanley模型对不同曲率路径的自适应能力。为验证所提算法有效性,以移动小车为平台开展联合收获机回字形全田块自主作业路径跟踪试验,结果表明所提算法显著改善Stanley模型路径跟踪精度,直线作业速度2.5m/s、转弯速度1m/s时,直线段和曲线段最大跟踪误差均小于3cm。大初始横向偏差路径跟踪试验表明,模糊Stanley模型较Stanley模型大幅度减小路径跟踪上线距离,满足农业机械全田块高效自动导航作业要求。     

基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...