芸薹根肿菌单孢亚甲基蓝琼脂糖分离法及其对生理小种的鉴定

对传统芸薹根肿菌（Plasmodiophora brassicae）单孢分离的水琼脂法进行改进,确定了亚甲基蓝和琼脂糖的最佳浓度,将0.01%亚甲基蓝染色液与1.5%琼脂糖溶液按体积比1︰300混匀,制成亚甲基蓝琼脂糖凝层,在显微镜下可成功分离芸薹根肿菌单孢。大白菜单孢接种最佳苗龄为催芽24h,接种后暗培养24 h,再移栽至育苗钵,发病率最高。利用该方法分离获得中国11个省十字花科（大白菜、甘蓝、油菜）芸薹根肿菌单孢系菌株79株,采用Williams鉴别系统鉴定出P2、P3、P4、P5、P6、P7、P8、P9、P10、P12、P13和P14等12个不同的生理小种类型,其中P4为优势生理小种,出现频率为49.37%。明确了中国11个省份根肿菌的生理小种类型及其分布,为十字花科蔬菜抗病育种提供重要资源。     

基于无人机多光谱遥感的冬小麦叶片含水量反演

为了快速监测小麦叶片水分含量,以敏感波段组和植被指数组2种变量分别作为输入变量,以地面同步观测的冬小麦叶片含水量作为输出变量,分别采用偏最小二乘(partial least squares, PLS)、极限学习机(extreme learning machine, ELM)和粒子群算法(particle swarm optimization, PSO)优化极限学习机,建立冬小麦叶片含水量预测模型,并对其反演效果进行比较。结果表明,光谱反射率和植被指数与叶片含水量之间存在较为密切的相关性,依此确定的敏感光谱波段为红光、蓝光和近红外波段,敏感植被指数为绿度指数、过红指数、归一化绿红差值指数、三角形植被指数和过绿指数。从2种变量的建模效果看,基于植被指数组构建的模型的精度和稳定性均优于敏感波段组,其中基于植被指数组的PSO-ELM模型在6个叶片水分含量反演模型中表现最佳,其r²和RMSE分别为0.98和0.26%。利用最优模型反演得到研究区冬小麦叶片含水量的分布范围为45%～75%,平均为64.57%,反演结果与地面实测较相符,说明基于无人机光谱数据通过建立以植被指数为...     

基于无人机遥感的多特征组矿区草本植物地上生物量反演

植被地上生物量可作为评价矿山生态修复地生态功能的重要指标,为实现对修复地地上植被生物量快速、准确的预测,以安徽省铜陵市铜官山矿区草本植物地上生物量为研究对象,将无人机高分辨率多光谱影像作为数据源,提取了单波段光谱反射率、植被指数两种光谱特征以及各波段纹理特征变量,并利用高精度DEM (digital elevation model)生成地形特征,再先后使用灰色关联法和熵权法对光谱特征和纹理特征分别进行筛选,进而将筛选出的特征变量和地形特征变量分为光谱特征组和多特征组。采用反向传播神经网络(back propagation neural network,BPNN)、卷积神经网络(convolutional neural network, CNN)以及Elman神经网络3种机器学习算法分别构建基于光谱特征组和多特征组的生物量预测模型,比选精度较高的矿区草本植物地上生物量反演模型。结果表明,在光谱特征基础上引入纹理特征和地形特征后3种反演模型精度都有相应程度提高,其中,基于多特征组构建的BPNN模型表现出最优性能,其决定系数(R2)为0.841,均方根误差为11.813 g·m-2,并同时对...     

十字花科根肿病生防菌副地衣芽胞杆菌ZF480的鉴定及其防效

为有效防控十字花科蔬菜生产中的毁灭性病害——根肿病,以尖孢镰孢菌Fusarium oxysporum和辣椒疫霉Phytophthora capsici为指示菌,利用平板对峙法对分离自土壤的1 198株细菌进行筛选,进通过盆栽试验筛选对十字花科根肿病具有良好防效的生防菌株,并基于形态学特征、生理生化特性及16S rDNA、gyrB和atpD多基因系统发育分析对生防菌株进行鉴定,同时测定其抑菌谱和田间防效。结果表明,通过对峙培养筛选获得115株有抑菌效果的生防菌株,采用盆栽试验获得1株对根肿病菌具有拮抗效果的菌株,命名为ZF480。结合形态学特征和系统发育分析结果将该菌株鉴定为副地衣芽胞杆菌Bacillus paralicheniformis。菌株ZF480对野油菜黄单胞野油菜变种Xanthomonas campestris pv. campestris等10种病原菌具有拮抗效果,抑菌谱较宽,对白菜根肿病的盆栽防效和田间防效分别达到72.82%和64.08%。表明副地衣芽胞杆菌菌株ZF480对十字花科根肿病具有显著的防效,可作为生防菌进一步开发利用。     

变异系数法结合优化神经网络的无人机冬小麦长势监测

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法（Coefficient of Variation Method,CV）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators,CGMICV）,通过16种植被指数与CGMICV进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘（Partial Least Squares Regression,PLSR）、随机森林（Random Forest,RF）、反向传播神经网络（Back Propagation Neural Networks,BPNN）及遗传算法（Genetic Algorithm,GA）优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦CGMICV相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R2可达0.71,模型精度较传统赋权法提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R2也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。