基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36. 83%,春季反射率比秋季平均高23. 78%。利用模型中最优变量-特征光谱指数对多光谱模型与高光谱模型进行融合,高-多光谱融合反演模型训练集和验证集R2平均值分别为0. 651和0. 635,RMSE平均值分别为2. 44 g/kg和2. 49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36. 19%和35. 64%,RMSE平均值分别降低了34. 28%和41. 72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6. 03%、6. 05%和4. 40%,验证集R2平均值分别提高了19. 07%、12. 21%和1. 75%。构建的高-多光谱融合模型反演灌域春秋两季平均盐分含量分别为6. 05、5. 97 g/kg,平均相对误差分别为9. 65%和10. 68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。     

Prediction of pine mistletoe infection using remote sensing imaging: A comparison of the artificial neural network model and logistic regression model

In this study, the prediction of pine mistletoe distribution in Scots pine ecosystems was explored using remote sensing variables to compare the multilayer perceptron (MLP) artificial neural network (ANN) and logistic regression (LR) model performances. For this purpose, 109 sample plots were distinguished in pure Scots pine forests (natural) in the Eastern Black Sea Region of Turkey. Distinguishing mistletoe-infected stands (69) and uninfected stands (40) was performed with field observations. The variables acquired from Landsat 8 (Level 1) images were used as independent variables for independent-sample t-test, MLP ANN and LR models. Remote sensing variables indicated that mistletoe-infected stands were in drier areas with a lower vegetation-leaf area index. Based on the performance results of both models, the sensitivity (SEN), specificity (SPE), positive predictive value (PPV), negative predictive value (NPV) and accuracy of the MLP ANN model were superior to those of the LR model. The prediction percentages (SEN, SPE, PPV and NPV) of mistletoe-infected stands were better than the prediction percentages of uninfected stands. The prediction accuracies of LR and MLP ANN models were 74.3% and 89.6%, respectively. However, all remote sensing variables were included in the prediction equation of the MLP ANN model, while the thermal infrared 1 (TIRS1) variable was included in the LR model. In the MLP ANN model, the TIRS1 variable also had the highest normalized importance (100%). The area under the curve (AUC) value for identifying the mistletoe-infected stands of Scots pine forests used by the MLP ANN model (0.892 ± 0.034) was higher than in the LR model (0.838 ± 0.039), explaining the more accurate predictions obtained from the MLP ANN model. The MLP ANN model showed much better performance than the LR model. The results of this study are expected to make important contributions to the identification of potential mistletoe-infected areas.     

基于改进YOLOv8n的茶叶嫩稍检测方法

针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积（dynamic snake convolution,DSConv）,增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络（path aggregation network,PANet）替换为加权双向特征金字塔网络（bi-directional feature pyramid network,BiFPN）,强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块（simple attention module,SimAM）,提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率（precision,P）、召回率（recall,R）、平均精确率均值（mean average precision,mAP）、F1得分（F1 score,F1）分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42 帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。     

小麦TaPYL8基因的克隆与抗旱功能分析

脱落酸(ABA)信号通路在植物对干旱胁迫的响应中扮演着至关重要的角色;作为ABA受体,PYL家族蛋白在ABA信号转导中发挥核心作用。小麦TaPYL8是PYL家族的成员。为了明确TaPYL8是否参与小麦干旱胁迫响应,本研究分析了TaPYL8的表达模式,创建过表达TaPYL8拟南芥,并探讨了干旱对拟南芥生理生化及胁迫相关基因表达的影响。结果表明,TaPYL8表达量在干旱胁迫、外源ABA及PEG6000处理后上调。干旱胁迫下,过表达TaPYL8增强了拟南芥的存活率,降低了叶片失水率和MDA含量,提高了SOD、POD和CAT等抗氧化酶活性及AtSOD、AtP5CS1、AtABF3等胁迫相关基因的表达量。推测TaPYL8通过促进胁迫相关基因表达增强植物抗旱能力。     

基于改进YOLOv8n的复杂环境下柑橘识别

针对复杂环境下柑橘果实大量重叠、枝叶遮挡且现有模型参数量大、计算复杂度高等问题,提出了一种基于改进YOLOv8n的柑橘识别模型YOLOv8-MEIN。首先,该研究设计了ME卷积模块并使用它改进YOLOv8n的C2f模块。其次,为了弥补CIoU损失函数在检测任务中泛化性弱和收敛速度慢的问题,使用Inner-CIoU损失函数加速边界框回归,提高模型检测性能。最后,在自建数据集上进行模型试验对比,试验结果表明,YOLOv8-MEIN模型交并比阈值为0.5的平均精度均值mAP_0.5值为96.9%,召回率为91.7%,交并比阈值为0.5~0.95的平均精度均值mAP_0.5～0.95值为85.8%,模型大小为5.8MB,参数量为2.87M。与原模型YOLOv8n相比,mAP_0.5值、召回率、mAP_0.5～0.95值分别提高了0.4、1.0、0.6个百分点,模型大小和参数量相比于原模型分别降低了3.3%和4.3%,为柑橘的自动化采摘提供技术参考。     

猪CD8B表达谱、基因多态性及其与血液免疫性状的关联分析

白细胞分化抗原8(cluster of differentiation 8,CD8)是主要表达在CD8+T细胞表面的共受体和信号转导分子.CD8B基因编码CD8蛋白的β链,在免疫应答中起着潜在的调节作用.为分析CD8B基因在猪(Sus scrofa)不同组织中的表达特征,并探究CD8B基因多态性对血液免疫性状的遗传效应,本研究利用qRT-PCR测定CD8B基因在大白猪7个组织中的表达量,并用PCR产物测序与限制性片段长度多态性(restriction fragment length polymorphism,RFLP)方法对382头大白猪、84头长白猪和90头松辽黑猪CD8B基因编码区进行SNPs检测,以及分析CD8B基因突变对大白猪外周血T淋巴细胞亚群和血常规指标的影响.结果表明,CD8B基因在脾脏中的mRNA表达量最高,然后依次是肺脏、胃、肝脏、肾脏、心脏和肌肉.CD8B基因外显子5处检测到1个错义突变(c.602G＞A),在大白猪、长白猪和松辽黑猪群中均存在3种基因型(AA、AG和GG型),且3个猪种都是GG为优势基因型.统计分析显示,CD8B基因多态性与大白猪血液中的CD4+CD8-、CD4 CD8+、CD4 +/CD8+、血红蛋白含量(hemoglobin,HGB)和红细胞压积(hematocrit,HCT)指标显著相关(P＜0.05).最小二乘分析表明,3种CD8B基因型个体具有不同的血液参数,其中GG型的CD4+CD8-指标显著高于AG型,AG型的CD4-CD8+指标显著高于GG和AA型,GG和AA型的CD4+/CD8+、HGB和HCT指标显著高于AG型(P＜0.05).因此,CD8B基因可能参与血液生理指标的调控,可作为影响猪免疫性状的重要功能候选基因.本研究为进一步揭示CD8B基因的生物学功能提供依据,也为猪的标记辅助抗病育种提供了基础资料.     

Atfad8叶绿体转基因烟草对冷胁迫的生理响应

摘 要：采用5℃低温处理,研究Atfad8叶绿体转基因烟草对冷胁迫的生理响应。结果表明:随着低温胁迫时间的延长,烟草幼苗的丙二醛(MDA)含量和过氧化物酶(POD)活性呈增加趋势,超氧化物歧化酶(SOD)和过氧化氢酶(CAT)活性先上升后下降。 Atfad8叶绿体转基因烟草的MDA含量明显低于对照植株,而抗氧化酶活性明显高于对照植株。Atfad8基因的导入提高了烟草幼苗的耐冷害能力。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

基于改进YOLO v4的群体棉种双面破损检测方法

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到.利用改进YOLO v4的目标检...     

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling, SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4-MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。