栽培大豆×半野生大豆主要农艺性状的遗传变异及回交改良

对６个栽培大豆与半野生大豆杂交组合及９个回交组合进行了分析。结果表明：大豆品种间杂种优势是普遍存在的,而且主要表现在产量性状上,百粒重的杂种优势及超亲优势为负值,超亲优势的表现与杂种优势的表现基本相同。杂种后代植株高、分枝多、籽粒小是半野生大豆在育种工作中利用的障碍。以有限性品种做回交亲本对种间杂种后代降低株高效果最佳,亚有限品种次之,无限品种效果最差。为克服杂种后代的小粒性,必须用大粒亲本进行回交并进行定向选择。在蛋白质含量上用高蛋白品种进行连续回交,可逐年提高杂种后代蛋白质含量     

不同施肥处理对大豆根际土壤微生物和酶活性的影响

研究不同施肥处理下,大豆不同生育时期土壤微生物生物量C、N,可培养微生物数量及土壤酶活性的动态变化.结果表明:与对照相比,各施肥处理均显著增加大豆不同生育期土壤微生物生物量C、N含量、细菌数量、土壤脲酶和转化酶活性,处理间以有机无机肥配施处理最高,对土壤真菌和放线菌的影响因肥料和生育时期而异;土壤脲酶活性均为有机肥+NPK>NPK>有机肥>CK;转化酶活性表现为有机肥+NPK>有机肥>NPK>CK.     

大豆主要农艺性状杂种优势与配合力的研究

本文以6个大豆品种及其15个正交组合的杂种F_1代为材料,研究了大豆10个主要农艺性状的杂种优势,并进行了配合力分析。结果表明:大豆杂种优势普遍存在,并主要表现在产量上。各性状随机区组和配合力方差分析都达到显著水平。一般配合力效应分析以开育8号、吉林21号、吉林18号一般配合力较好。亲本自身表现与一般配合力紧密相关。杂种优势与配合力存在内在的联系。文中探讨了利用F_1遗传信息,对指导亲本选配及其它育种原则的作用和意义。     

大豆新品种吉农19号

1994年吉林农业大学以公交90208-114作母本、公交89183-8作父本,经品种间有性杂交,多年系统选育而成,原品系编号吉农9426-19。该品种2007年通过吉林省农作物品种审定委员会审定,命名为吉农19号。品种审定编号：吉审豆2006011。     

大豆品种"吉农8号"选育报告

大豆新品种“吉农 8号”是以吉林 2 0号×长农 4号为母本 ,以公交 84- 5 181为父本 ,通过品种间有性杂交 ,多年系选而成。 3年区域试验结果比对照增产 7 6 % ,2年生产试验结果比对照增产 10 7%。 2 0 0 0年4月通过吉林省农作物品种审定委员会审定。其主要特点是单产水平高 ,抗倒伏 ,抗病性强     

苏联饲料地的管理及其效率——5.波罗的海沿岸各国饲料地的利用及经济效率

<正> 立陶宛立陶宛划分了44个农业行政管理地区。奶、肉生产为发展方向。100公顷农业用地获得783.2公担奶和188.5公担肉。在肉类产品中,牛肉占58%、猪肉占35%、禽肉占7%。养畜业在畜牧业总收入中占69%,主要饲养黑花和红花立陶宛品种奶牛。培育的割草地干草产量20—44公担/公顷,培育的放牧地青饲料产量为100—190公担/公顷。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向，其准确检测模型的建立依赖大规模的样本数据，然而采集和预处理样本耗时巨大，对准确性的提升造成限制。为解决上述不足，便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性，该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network，DCGAN）数据增强的大米品种检测方法。首先，在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理，使用去趋势校正（detrend correction，DC）和无信息变量消除算法（uninformative variable elimination，UVE）消除无用光谱特征点。然后，建立改进型DCGAN模型对预处理后的光谱数据进行数据增强，对比试验结果表明，改进型DCGAN相比与传统数据增强方法，改进型DCGAN生成数据的结构相似度指标更优。最后，研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能，对比试验结果表明，改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）分类算法所建模型面向测试集的准确率最高，为98.21%，为简便准确的大米品种检测方案提供了新思路。