自制秸秆牛粪生物有机肥对桉树林下牧草种植效果及土壤肥力的影响

为了探讨自制秸秆牛粪生物有机肥对桉树林下牧草产量、品质及林下土壤肥力的影响,试验在桉树林下套种桂牧1号杂交象草,在牧草每次刈割后施用不同的追肥处理,结果显示:100%尿素组牧草产量最高,50%尿素+50%自制秸秆牛粪生物有机肥组、100%自制秸秆牛粪生物有机肥组牧草产量次之,不施肥组产量最低(P0.05)。3组的牧草粗蛋白含量差异不显著(P0.05),但均比不施肥组含量高(P0.05),100%自制秸秆牛粪生物有机肥组牧草磷含量最高,不施肥组牧草磷含量最低(P0.05)。在林下土壤肥力方面,100%自制秸秆牛粪生物有机肥组土壤的有机质、速效磷含量、pH值最高(P0.05),尿素组土壤速效氮含量最高(P0.05)。由此可知,自制秸秆牛粪生物有机肥能够一定程度提高桉树林下牧草的产量和品质,改善桉树林下土壤肥力,对其营养元素及生产工艺进一步调整后用于桉树林下农业种植,改善林下土壤肥力生产潜力巨大。     

二十世纪在中国灭绝的野生动物

~~二十世纪在中国灭绝的野生动物@郭耕 @李志伟 @曹志娟 @陈乐孺 @高荣     

基于轻量化高效层聚合网络的黄花成熟度检测方法

针对黄花传统人工识别效率低,辨识标准不统一的问题,提出基于轻量化和高效层聚合过渡网络的黄花成熟度识别方法LSEB YOLO v7。首先,引入轻量化卷积对高效层聚合网络和过渡模块进行轻量化处理,减少模型计算量。其次,在特征提取与特征融合网络之间增加通道注意力机制,提升模型检测性能。最后,在特征融合网络中,优化通道信息融合方式,使用双向特征金字塔网络替换Concatenate,增加信息融合通道,持续提升模型性能。实验结果表明：与原始模型相比,在黄花成熟度检测中,改进后的LSEB YOLO v7模型参数量和浮点运算量分别减少约2.0×10⁶和7.7×10⁹。训练时长由8.025 h降低至7.746 h,模型体积压缩约4 MB。同时,训练精确率和召回率分别提升约0.64个百分点和0.14个百分点,mAP@0.5和mAP@0.5:0.95分别提升约1.84个百分点和1.02个百分点。此外,调和均值性能保持不变,均为84.00%。LSEB YOLO v7算法可均衡模型复杂性与性能,为黄花成熟度检测和智能化采摘设备提供技术支持。     

2014/2015年油菜生育期气象条件评价

本文以温江常年气候资料和温江国家基准站实时观测资料为依据,分析油菜生长季内的农业气象条件.结果表明,2014/2015年油菜主要生长季内,热量充足,降水充沛,日照接近常年同期,气象条件总体利于油菜生长发育和产量形成.     

保险理赔效率研究

本文从保险理赔效率的概念界定入手,列举了我国保险理赔效率低下的现象,从投保人和保险公司两方面分析了出现这种现象的原因,从而提出了提高我国保险理赔效率的途径。     

烟草根系分泌物及其化感作用研究进展

根系分泌物是烟草化感作用的重要来源,与烟草连作障碍的发生有密切联系。根据已有研究,对烟草根系分泌物的组成成分、释放途径、化感作用以及研究方法进行了综述,并对根系化感物质分离提纯、根系分泌物与土壤根际环境的交互作用、根系分泌物对土壤微生物的影响等研究方向进行了展望。     

基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测

柱塞泵关键摩擦副磨损造成的泄漏增大是其性能退化的主要原因,预测泄漏量的变化趋势有助于定量分析柱塞泵性能退化过程。该研究使用HP（Hodrick-Proscott）滤波对柱塞泵泄漏量进行分解,结合滤波后得到的趋势数据具有非线性及方差异性的特征,基于时间序列方法建立HP-ARIMA-GARCH（HP-Auto Regressive Integrated Moving Average- Generalized Autoregressive Conditionally Heteroscedastic）模型预测柱塞泵泄漏量变化。通过不同时段泄漏量预测结果比较可知,根据HP滤波分解后得到的趋势数据序列建立的HP-ARIMA-GARCH模型较传统时间序列模型预测结果的平均相对误差最高可减小5.42个百分点,能够实现对泄漏量的有效预测。研究结论可为柱塞泵性能退化的定量预测提供理论参考。     

基于YOLOv8-ABW的黄花成熟度检测方法

为实现黄花成熟度的快速、高精度识别,针对其相似特征识别精确度低以及相互遮挡检测困难的问题,提出一种基于YOLOv8-ABW的黄花成熟度检测方法。该研究在特征提取网络中加入结合注意力机制的尺度特征交互机制(attention based intra-scale feature interaction, AIFI),更好地提取黄花特征信息,提高检测的精确度。在特征融合网络中,进一步采用加权的双向特征金字塔特征融合网络(bidirectional feature pyramid network, Bi FPN),实现更高层次的跨通道特征融合,有效减少通道中的特征冗余。此外使用WIoUv3作为损失函数,聚焦普通质量的锚框,提高模型的定位性能。试验结果表明：YOLOv8-ABW模型检测精确度为82.32%,召回率为83.71%,平均精度均值mAP@0.5和mAP@0.5:0.95分别为88.44%和74.84%,调和均值提升至0.86,实时检测速度为214.5帧/s。与YOLOv8相比,YOLOv8-ABW的精确度提高1.41个百分点,召回率提高0.75个百分点,mAP@0.5和mAP@0.5:0.95分别提升1.54个百分点和1.42个百分点。对比RT-DETR、YOLOv3、YOLOv5、YOLOv7模型,YOLOv8-ABW参数量最少,仅为3.65×10⁶,且模型浮点运算量比YOLOv7少96.3 G。体现出YOLOv8-ABW 模型能够在黄花成熟度检测中平衡检测精确度和检测速度,综合性能最佳,为黄花智能化实时采摘研究提供技术支持。     

药用及茶用菊花种质资源农艺性状的遗传多样性分析

为揭示药用及茶用菊花种质资源的遗传多样性,本研究通过收集湖北麻城及相关省份的29份药用及茶用菊花种质资源,观测和统计不同种质资源植株、叶部及花部形态共51个农艺性状特征,利用变异分析、相关性分析、主成分分析和聚类分析进行综合评价。结果表明不同药用及茶用菊花种质资源51个农艺性状的遗传多样性指数范围为0.401 2～2.061,40个数量性状的变异系数范围为5.07%～74.87%,变异系数大于20%的性状有28个,其中大于40%的6个,大于70%的2个(三级分枝数和舌状花数量),表现出丰富的遗传变异。主成分分析将51个性状简化为11个主成分,其累积贡献率为89.535%,进而优选出叶缘锯齿形态、叶片绿色程度、叶缘锯齿数量、叶裂片数量、叶片长度、右下侧裂片宽、现蕾期、花序直径、舌状花轮数、管状花数量、舌状花数量等11个性状为药用及茶用菊花种质资源农艺性状评价的关键指标。聚类分析在遗传距离为115.5时可将29份菊花种质分为3个类群,第Ⅰ类群为长叶多裂舌状花型,第Ⅱ类群为短叶深裂小花型,第Ⅲ类群为多齿宽裂管状花型。研究结果为菊花种质资源的遗传改良、品种选育及DUS测试等提供可靠依据。