广州市装配式立体绿化景观综合评价分析*

基于对广州市越秀、天河、荔湾和海珠4个老城区立体绿化景观现状与生长情况调研,从生态效益、景观美学、抗逆能力、景观成本4个方面构建广州市立体绿化景观综合评价体系,运用层次分析法(AHP)对22个装配式立体绿化景观样点进行评价.结果表明,4个准则层要素中生态效益权重值最大(0.2991),抗逆能力权重值最小(0.2116)...     

基于模糊数学的柑橘种植土地适宜性评价

将模糊数学理论引入柑橘种植的土地适宜性评价中,以湖北省通山县为例,在当地的农用地中采集207个土壤样本点,将气候、土壤和地形数据转换为模糊隶属度数据,然后在ArcGIS软件环境中结合层次分析法和模糊数学方法,建立包含15项指标的柑橘种植土地适宜性评估模型。结果表明,该区域有26.94%(652.37 km²)、32.85%(795.51 km²)、23.14%(560.42 km²)和17.07%(413.40 km²)的土地分别非常适合、适中、勉强适合和不适合柑橘生产。研究结果与当地生产实际相吻合,说明建立的研究方法可行,可为提高土地利用效率,以及更好地指导柑橘生产提供参考。     

利用分子标记定位玉米小粒突变体mn7基因的研究

利用甲基磺酸乙酯(EMS)对玉米自交系郑 58进行诱变,获得 1个可以稳定遗传的小粒突变体mn7(miniature 7)。mn7成熟子粒表现为体积变小、子粒偏白、胚乳发育缓慢,百粒重降低 60.2%,粒长、粒宽、粒厚均极显著降低。mn7突变体的子粒在授粉后 15 d即可观察到明显小于野生型的子粒。对其自交后代和回交后代的遗传分析表明,该性状受隐性单基因控制。用mn7纯合体与自选玉米自交系 19HL3012杂交构建的包含 348个个体的 F₂分离群体,将该基因定位于玉米第 7染色体上 bin7.02区域内分子标记 umc2327和 SYM232之间 5.8 cM的范围内,距umc2327为 4.4 cM,距 SYM232为 1.4 cM。初步的生物信息学分析表明, mn7可能是 1个新基因或新等位基因。     

三色堇对NaCl胁迫的生理响应

为了探讨三色堇对NaCl胁迫的生理响应机制及生长特性,探索三色堇对NaCl的最高耐受浓度,以三色堇为研究材料,采用0、25、50、100、150、200 mmol·L^-1的NaCl对三色堇进行处理。结果表明,NaCl处理对三色堇渗透调节系统、抗氧化酶系统、光合色素、丙二醛（MDA）含量以及株高生长量有明显的影响。在处理后14 d,随处理浓度升高,可溶性糖（SS）、可溶性蛋白（SP）、游离脯氨酸（Pro）、过氧化氢酶（CAT）、过氧化物酶（POD）、超氧化物歧化酶（SOD）、总叶绿素（Chl）表现出先升高后降低的趋势,MDA呈升高趋势,株高生长量呈降低趋势。隶属函数分析表明,当土壤中NaCl浓度≤150 mmol·L^-1时对三色堇的生长无明显抑制作用,当浓度>150 mmol·L^-1时,对生长抑制作用明显。因此,三色堇耐NaCl的最高浓度为150 mmol·L^-1,超过此浓度,代谢调节系统和抗氧化酶系统会受到严重影响,Chl降解加剧,光合系统遭到严重破坏,三色堇的生长受到严重的影响。     

低磷胁迫下3种不同种源葛藤的生长生理响应

为揭示葛藤（Pueraria lobate）幼苗对低磷胁迫的适应机制,选取来自澳大利亚和我国湖南和江苏的3个不同种源的葛藤为试验材料,设置0.5（常磷）、0.05（低磷）和0.005 （极低磷） mmol·L^-1 3种不同KH₂PO₄浓度处理,测定不同磷处理下3个不同种源葛藤幼苗的生长及生理响应。结果表明,0.05 mmol·L^-1磷处理下,3个不同种源葛藤的根长、根表面积、根直径等根系指标和叶面积、叶周长等叶片指标均呈显著上升趋势（P<0.05）,表明葛藤具有一定的耐低磷性;在0.005 mmol·L^-1磷处理下,湖南和江苏葛藤的根系指标较澳大利亚葛藤受到了明显抑制,但湖南葛藤的叶片形态指标呈增长趋势。3个不同种源葛藤在低磷胁迫下的根和叶中脯氨酸、可溶性糖、丙二醛含量及抗氧化酶活性均显著增加（P<0.05）,但可溶性蛋白含量下降。综上所述,澳大利亚葛藤的耐低磷能力强,具有较高的种植推广价值。     

改进YOLOv5识别复杂环境下棉花顶芽

为提高复杂环境下棉花顶芽识别的精确率,提出了一种基于YOLOv5s的改进顶芽识别模型。建立了田间复杂环境下棉花顶芽数据集,在原有模型结构上增加目标检测层,提高了浅层与深层的特征融合率,避免信息丢失。同时加入CPP-CBAM注意力机制与SIOU边界框回归损失函数,进一步加快模型预测框回归,提升棉花顶芽检测准确率。将改进后的目标检测模型部署在Jetson nano开发板上,并使用TensorRT对检测模型加速,测试结果显示,改进后的模型对棉花顶芽识别平均准确率达到了92.8%。与Fast R-CNN、YOLOv3、YOLOv5s、YOLOv6等算法相比,平均准确率分别提升了2.1、3.3、2、2.4个百分点,该检测模型适用于复杂环境下棉花顶芽的精准识别,为后续棉花机械化精准打顶作业提供技术理论支持。