镧的植物防病效果及其生物学效应

通过灭菌土接种Rhizoctonia solani以及混合接菌Rhizoctonia solani和Fusarium solani进行盆栽试验,分别研究了镧浸种处理对高羊茅及板蓝根出苗、生长发育的影响。结果表明,镧浸种能明显地减少病原菌的侵染,对由其所造成的种腐、芽腐及根腐等有显著的防治效果,提高了板蓝根和高羊茅种子的出苗率。同时,镧浸种在适当的浓度范围内,还能显著地促进植物的生长发育,生物量明显增加。利用盆栽水稻试验研究了稀土镧对水稻纹枯菌(Rhizoctonia solani)的毒力,测定结果表明,镧喷施于水稻植株上对水稻纹枯病有明显的防治效果,且在活体条件下,喷施镧后1和7 d对水稻纹枯菌(Rhizoctonia solani)的有效中浓度分别为128.7和128.1 mg.L-1,均明显低于离体条件下的有效中浓度(171.9 mg.L-1)。     

基于支持向量机的玉米苗期田间杂草光谱识别

田间全面积均匀喷施除草剂不经济,还污染环境,精准喷施除草剂意义重大,其关键是正确识别杂草。用便携式野外光谱仪,在田间测量了玉米、马唐和稗草植株冠层在350～2 500 nm波长范围内的光谱数据,经过数据预处理,数据分析波长选为350～1 300和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法。SVM具有可实现对小样本建模结构风险最小化、结果最优化、泛化能力强的优点。用线性、多项式、径向基和多层感知核函数对玉米和杂草建立二分类模型,结果表明,三阶多项式核函数SVM分类模型的正确识别率最高,达到80%以上,且支持向量比例较小。以二分类模型为基础,利用投票机制,建立了玉米、马唐和稗草的一对一多分类SVM模型,正确识别率达80%。田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中应用潜力很大,此研究为田间杂草识别及传感器的建立提供了一种研究思路和应用基础。     

BP神经网络在使用红外热像仪技术预测冬小麦产量中的应用(英文)

通过使用红外热像仪技术获得冬小麦冠层不同温度值,计算得到冬小麦主要需水阶段水分胁迫指标ICWSI(infrared crop water stress index)。并根据此数据,使用一次灌溉周期中3个时段不同的ICWSI的平均值作为输入因子,相应实测冬小麦产量作为输出因子,建立了BP神经网络模型对冬小麦的产量进行预测,本文采用三层BP神经网络,其拓扑结构为3-5-1,数据归一化处理后收敛性能增强。预测结果显示,平均相对误差最大只有3.42%;为了证实这一方法的优越性,同时建立了基于ICWSI和冬小麦产量关系的非线性函数的预测模型,预测结果与实际产量值进行比较,平均相对误差最大达到了18.87%。两种预测方法得到的不同预测结果表明,将红外热像仪技术与BP神经网络预测方法相结合,可以成功用来预测冬小麦产量,比使用非线性函数预测的效果更好,精度更高,可靠性更强,可以用于实际生产需要。