排序方式: 共有45条查询结果,搜索用时 15 毫秒
1.
易腐垃圾经黑水虻幼虫(Hermetia illucens L.)生物转化技术获得的虻粪有机肥,其改善土壤质量与健康的潜在应用价值前景乐观,但需要从田间应用的角度阐述其实际成效。通过枇杷林地土壤田间试验,设计化肥(PC)与虻粪有机肥(PM)两种施肥方案,研究了虻粪有机肥对土壤养分、碳库、酶活以及细菌群落等动态影响规律。施用虻粪有机肥结果表明:(1)提高土壤pH,可“对冲”土壤的酸化趋势,平均增加当季土壤碳库14.7%,并提高土壤溶解性有机质(DOM)浓度43%,提高土壤总氮(TN)7.88%。(2)分别提高了土壤蔗糖酶、脲酶、过氧化氢酶活性14.5%、12.3%、21.5%。(3)引起土壤细菌多样性(Shannon指数)下降6.67%,但均匀度(Simpson指数)增加5.42%;增加了土壤Proteobacteria、Actinobacteria、Bacteroidetes等门类细菌相对丰度,诱导了土壤Clostridiaceae-1、Sphingobacteriaceae、Sphingomonadaceae、Pseudomonadaceae、Hyphomicrobiaceae等科类细菌优势性生长。(4)虻粪有机肥显著促进土壤细菌群落“个性化”演变的同时,其组分受土壤铵态氮(贡献率14.0%)与C/N(贡献率12.3%)影响显著,而土壤DOM的形成与Verrucom相对丰度呈正相关。田间试验表明,施用虻粪有机肥可增强土壤固碳、提高酶活性,并诱导细菌群落演变,有利于改善土壤质量与健康。 相似文献
2.
基于CNN-BiLSTM的棉花产量预测方法 总被引:1,自引:1,他引:0
针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络(Convolutional Neural Network,CNN)和双向长短期记忆(Bidirectional Long Short-Term Memory,BiLSTM)的混合模型(CNN-BiLSTM)进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。 相似文献
3.
4.
5.
6.
本文针对康乐县深化农村水利改革工作,从水利现状入手,分析了水利发展的制约根源,并提出了切实有效的措施建议,以期为该县积极探索深化农村水利改革指明方向。 相似文献
7.
规模化肉鸡养殖加工循环经济园区模式分析 总被引:1,自引:0,他引:1
在禽流感疫情严重威胁家禽养殖业的背景下,对规模化肉鸡养殖加工循环经济园区进行了分析.该模式是一种全产业链集成循环经济园区模式,实现了“种植-饲料加工-优良育种(孵化)-养殖-屠宰-食品加工”全环节废弃污染物集中无害化处理、资源化利用,实现了全程安全管控追踪,保障了食品安全.该模式在节约成本和实现效益方面表现优异,可节约传统模式下鸡肉生产成本的1/3 ~1/2,并兼顾社会利益和经济利益,促进“高效、安全、零排、循环、可持续”农牧食品加工产业的发展. 相似文献
8.
9.
从污泥中分离到一株降解苯乙酸的中度嗜盐菌(BYS-1) 总被引:5,自引:0,他引:5
从处理苯乙酸生产污水的活性污泥中分离到一株能以苯乙酸为惟一碳源生长的细菌BYS 1。该菌在 2 0h内对1g·L-1苯乙酸的降解率在 95 %以上 ,能在 0~ 3 4mol·L-1NaCl的Gibbons培养基中生长。经生理生化分析和 16SrDNA(GenBankAccessionNo AY0 6 6 2 2 17)序列同源性分析 ,将该菌初步鉴定为盐单胞菌属 (Halomonassp ) ,属于中度嗜盐菌。该菌降解苯乙酸的最适 pH、温度和NaCl浓度分别为 7 5 ,30℃和 1 0mol·L-1。 相似文献
10.
基于无人机遥感可见光影像的北疆主要农作物分类方法 总被引:15,自引:10,他引:5
作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。 相似文献