基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。     

枣实蝇对枣果挥发物的选择行为

[目的]探究对枣实蝇有引诱作用的挥发性物质,研发基于行为调节的防治技术。[方法]采用Y型嗅觉仪测定了枣实蝇成虫对6种枣果挥发物的选择行为反应,并在室内试验的基础上进行田间引诱试验。[结果]室内试验结果显示,枣实蝇成虫对6种枣果挥发物具有显著正趋性。枣实蝇雌虫对棕榈酸乙酯、月桂酸乙酯、肉豆蔻酸的选择率较强,选择率均为30%以上;雄虫对亚油酸乙酯、油酸乙酯的选择率较强,选择率均为25%以上,从不同浓度梯度(原液、10%溶液、1%溶液)的选择率和选择系数来看,随浓度的递减,其选择率和选择系数也在递减,原液的选择率分别为10%溶液及1%溶液的2.5倍及5倍以上。田间试验发现:肉豆蔻酸对枣实蝇雌虫的诱集效果较强,2 d最多诱捕数量为15头·只^-1,平均诱捕数量为11.4头·只^-1,十四酸乙酯次之。在6种不同挥发物中油酸乙酯和亚油酸乙酯对枣实蝇雄虫的引诱效果较强。经单因素方差分析发现,在6种挥发性物质及混合物中,月桂酸乙酯及十四酸乙酯对枣实蝇雌雄虫的引诱效果之间存在显著性差异。其他挥发物之间无显著差异。[结论]枣果挥发物中棕榈酸乙酯、月桂酸乙酯、肉豆蔻酸与枣实蝇偏爱选择密切相关。在田间试验中:枣实蝇成虫对肉豆蔻酸的选择率较强,为研发枣实蝇引诱剂提供了理论依据。     

河北省食用菌产量预测分析——基于灰色GM(1,1)模型

随着人们消费观念和膳食结构的改变,食用菌需要量大大增加,未来食用菌产量走向关乎着企业的资金投入以及政府政策制定。以河北省食用菌产量为预测研究数据,设计了灰色GM(1,1)模型,对模型预测精度进行残差、后残差检验,借助matlab平台验证模型具有较高的预测精度。运算结果表明,设计的模型精度能控制在2.82%以内,并且具有收敛速度快的特点,具有较高精度,运用此方法对未来5年河北省食用菌产量进行预测,通过分析预测结果,给出了确保河北省食用菌产量稳固增长、产业稳定发展的对策建议。     

全基因组关联分析阈值的快速算法

逐个SNP的全基因组关联分析中的统计量不仅依赖于遗传效应,而且依赖于SNP,因此统计量不能直接应用于推断无遗传效应的零假设中。检测不同样本的QTN,常用的统计量除了卡方统计量,还有t统计量、F统计量和标准正态统计量。首先给出了各个统计量之间的关系,接下来针对冗余参数背景下的全基因组关联分析,提出了检验统计量阈值的快速计算方法。再次利用获得的高通量SNP的统计概率构建卡方统计量,进而估计临界值。最后模拟不同样本的阈值并与文献上提出的阈值算法比较。大量模拟实验证明,提出的方法快速而且有效。     

2019-2020年度固始县优质小麦播种量优化试验总结

一、试验目的根据固始县农业环境条件,结合小麦品种特征特性进行播量优化试验和示范,以期获取优质小麦适期播种的最佳播种量数据,为构建优质小麦协调合理的群体结构,为小麦优质、高效生产奠定基础。二、试验方法(一)试验地点稻茬麦区试验基点安排在郭陆滩镇太平村太平农业种植合作社。试验地较为平坦,排灌方便。土壤为轻壤型水稻土,肥力较高。前茬作物为水稻,每667 m²产量550 kg。     

植物根系表型信息获取技术研究进展

人口数量增长和全球气候变化加剧了粮食安全供给压力,育种学家亟需培育高产、高效作物品种以满足日益增长的粮食消费需求.基于根性状的品种培育改良可有效提高作物水分、养分利用率,但根系表型观测的困难性极大地限制了育种进程.随着自动化控制、成像和传感器以及图像解译技术的发展,高通量根表型信息系统性收集已成为可能.本文综述了一系列适用于室内或田间的非破坏性或破坏性根系二维或三维结构测定技术;系统阐述了主流的根表型参数提取图像分析技术和软件;探讨了基于根表型平台的根性状筛选应用于新品种培育的成功案例,并对高通量根表型平台的进一步研发进行了展望.     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

《作物学报》简介

《作物学报》是中国科协主管,中国作物学会、中国农业科学院作物科学研究所和中国科技出版传媒股份有限公司共同主办的学术期刊。前身可追溯到1919年1月创办的《中华农学会丛刊》,1962年改为现名《作物学报》。主要刊登农作物遗传育种、耕作栽培、生理生化、生态、种质资源、谷物化学、贮藏加工以及与农作物有关的生物技术、生物数学、生物物理、农业气象等领域以第一手资料撰写的学术论文、研究报告、简报以及专题综述、评述等。读者对象是从事农作物科学研究的科技工作者、大专院校师生和具有同等水平的专业人士。《作物学报》从2001年起连续18年被中国科技信息研究所授予“百种中国杰出学术期刊”称号。