农产品与环境样品中氯虫苯甲酰胺的残留动态分析

氯虫苯甲酰胺是以昆虫鱼尼丁受体为靶标的新型杀虫剂,具有超高的杀虫性能,尤其对鳞翅目害虫具有优异的防效,在水稻、蔬菜、瓜果等农产品生产上大量应用。随着氯虫苯甲酰多年大面积连续使用,其对农产品及环境的安全性日益受到关注。为了解氯虫苯甲酰胺的残留动态规律,笔者总结相关文献,简要概述了氯虫苯甲酰胺在不同样本中的残留分析方法,包括主要的样品提取、净化和检测技术及其优缺点,综述了近年来氯虫苯甲酰胺在蔬菜、水果、粮食作物、土壤等农产品与环境样品中的残留动态,以期为氯虫苯甲酰胺在农业生产上的科学安全使用和残留量的控制提供参考。     

基于遥感和PPS分层抽样的区域棉花面积估算

针对传统抽样调查工作面临着野外调查工作量大、资料时效性较低且难以满足人们对数据现势性的高要求等一系列缺点,以新疆棉花种植主棉区沙湾县、玛纳斯县、呼图壁县为研究区,结合遥感技术提出了一种基于PPS分层抽样的空间抽样设计方案,并将该方案用于研究区棉花种植面积的估算。结果显示,PPS抽样与分层抽样结合后极大地提高了PPS抽样反推总体的方法优势。分配样本时分别采用按每层辅助变量之和的期望的算术平方根与该层待抽样单位总数之积、每层辅助变量之和进行比例分配的2种分配方法,其对应的反推总体的估计量变异系数分别为0.008、0.009,相对误差分别为0.016、0.017,分层后的样本变异程度极低,为反推结果的高精度打下了基础。2种样本分配方式的棉花种植面积提取精度均高于94%。该方法不仅精度高,而且在实际操作中简单方便。     

Specificity and selectivity of arbuscular mycorrhizal fungal polymerase chain reaction primers in soil samples by clone library analyses

An open question with regard to the community ecology of arbuscular mycorrhizal fungi (AMF) concerns how to best amplify AMF in the soil, which contains a large proportion of DNA from AM extra-radical mycelium and spores. However, to date, a direct comparison of AMF primers for soil samples, which would systematically assess their amplification efficiency, is still missing. In our present study, we compared and characterized four widely used primer sets targeting AMF 18S rDNA or SSU-ITS-LSU rDNA from three soil samples as follows: (1) SSUmAf/LSUmAr?+?SSUmCf/LSUmBr, (2) GeoA2/Geo11?+?NS31/AM1, (3) AML1/AML2?+?NS31/AM1 and (4) AMV4.5NF/AMDGR. These primer sets were compared in terms of the proportion of Glomeromycota detected, AMF diversity and community composition. Our data revealed that the newly combined primer set 3 was the most suitable one for amplifying AMF from soil samples. It yielded the highest AMF alpha diversity, and was very specific to Glomeromycota. Primer set 2 was unable to amplify Claroideoglomus from soil 1, which was the dominant AMF clade as proved by other three primer sets. Primer set 4 demonstrated its instability among different soil samples, since the proportion of AMF in total sequences varied from 5% to 83%. Although primer set 1 showed the highest proportion of AMF (95–100%) in the soil samples, it captured the lowest AMF diversity, and the operational taxonomic units obtained by this primer set were only 36.4% of that by primer set 4. Taken together, our data suggested that AMF diversity in soil samples could be underestimated by primer set 1, 2 and 4. Our result confirmed the important role of the choice of AMF primers for analyzing AMF communities in soil and explored the most suitable one for amplifying AMF from soil samples.     

基于历史增强型植被指数时序的农作物类型早期识别

快速准确地获取农作物分布数据对作物估产、灾害预警具有重要意义。该文针对目前农情遥感监测业务中普遍存在的缺乏地面数据和分类时效性较低的问题,以美国堪萨斯州为研究区,提出了基于参考时间序列获得训练样本的方法。首先,基于2006到2013年的MODIS EVI时间序列数据和cropland data layer(CDL)数据,使用免疫系统网络方法建立苜蓿、玉米、高粱和冬小麦的参考EVI时间序列;根据2006年到2013年作物分布情况,将作物超过总记录年数一半的象元作为2014年"潜在"训练样本;通过计算参考EVI时间序列和"潜在"样本的MODIS EVI时间序列的欧氏距离确认2014年训练样本;最后使用这些样本和2014年Landsat NDVI月合成数据进行30 m作物识别,并且评价时间序列长度对作物识别结果的影响。试验结果表明,时间序列长度为4-8月时,获得2014年样本10 183个,样本正确率为96.32%,总体分类精度为94.02%,接近使用完整时间序列数据的结果(总体分类精度94.89%);提取的苜蓿、玉米、高粱和冬小麦的面积分别为549.5、1 999.5、2 851.5和6 415.3 km~2,与CDL数据相比误差低于20%,说明基于参考时间序列方法获得的训练样本具有较高的正确率,具备进行30 m作物早期制图的潜力。该研究可为提高农作物遥感制图工作效率提供参考。     

AA3型连续流动分析仪（CFA）同时测定橡胶叶全氮、全磷、全钾的方法研究

通过对AA3型连续流动分析仪所附试剂配制等方法的改进,研究AA3同时测定橡胶叶片氮、磷、钾的方法。结果表明,氮、磷、钾混合标准曲线相关系数均达0.999 9以上;氮、磷变异系数均小于0.5%(n=10),当钾浓度相当于标准曲线中间浓度范围时(即6～10 mg/L),变异系数为0.97%～1.13%,重现性良好;氮、磷、钾加标回收率分别为99.7%～101.1%、99.3%～100.7%、98.4%～102.8%,待测液中氮、磷、钾检出限分别为0.019、0.004、0.072 mg/L。橡胶叶片氮、磷、钾测定结果与常规法相比无显著差异。该方法用于橡胶叶片H2SO4-H2O2消煮后氮、磷、钾同时测定,快速高效,一天半可测300个样品待测液,提高工效10多倍。     

环氧化天然橡胶对天然橡胶/白炭黑湿法母炼胶性能的影响

将乳胶状的环氧化天然橡胶(ENR)作为界面改性剂应用于NR/白炭黑的湿法混炼,通过对比ENR改性处理的湿法母炼胶(NES)和未经改性处理的湿法母炼胶(NS),研究ENR对湿法母炼胶性能的影响。结果表明:胶料中的填料-填料网络主要是在硫化初期填料絮凝而形成,通过热处理能够降低NES的填料絮凝速率。与NS相比,不管有没有偶联剂存在,NES均具有更低的絮凝速率常数和由此导致的更弱的填料-填料网络;随着偶联剂用量的增加,胶料的300%定伸应力和耐磨性提高,且NES的提高幅度更大。分析认为,ENR一方面在白炭黑表面形成聚合物层,防止填料的絮凝;另一方面能够与硅烷偶联剂起协同作用改善填料-橡胶界面结合。     

"3S"技术在森林资源连续清查中的应用

利用“3S”技术,构建黑龙江省市县林区森林资源现代化管理平台,实现森林资源连续清查分布信息的数字化、图像化、远程化和动态化管理。     

基于数据增强的高原鼠兔目标检测

针对基于卷积神经网络的高原鼠兔目标检测模型在实际应用中缺乏训练数据的问题,提出一种前景与背景融合的数据增强方法：首先对训练集数据进行前景和背景的分离,对分离的前景作图像随机变换,对分离的背景用背景像素随机覆盖,得到前景集合和背景集合;从前景集合和背景集合中随机选取前景和背景,进行像素加融合;再从训练集中随机选取样本,将标注边界框区域采用剪切粘贴方法融合到训练图像的随机位置,得到增强数据集。采用两阶段的弱监督迁移学习训练模型,第一阶段在增强数据集上对模型预训练;第二阶段在原始训练集上微调预训练模型,得到检测模型。对自然场景下高原鼠兔目标检测的结果表明：在相同的试验条件下,基于前景与背景融合数据增强的目标检测模型的平均精度优于未数据增强、Mosaic和Cut Out数据增强的目标检测模型;基于前景、背景融合数据增强的目标检测模型的最优平均精度为78.4%,高于Mosaic的72.60%、Cutout的75.86%和Random Erasing的77.4%。