The fate and behavior of glufosinate-enantiomers and their metabolites in open-field soil and weeds

In this study, a chiral method based on high performance liquid chromatography–Q-Exactive Orbitrap Mass Spectrometry was developed to determine glufosinate stereoisomers and three metabolites in weed. Fortified recoveries in weed and soil samples were from 78.6 to 94.3 %, with relative standard deviations of less than 9.8 % and fortified values ranging from 0.04 to 40 mg/kg for the glufosinate enantiomers and 0.08–8 mg/kg for three metabolites. When glufosinate was given at the peak of weed growth in three orchards, it was mostly distributed and degraded in the weeds, with little remaining in the soil. The two glufosinate enantiomers degraded rapidly in the weeds and soils, with half-lives ranging from 0.7 to 3.1 days. The degradation of glufosinate enantiomers in Guizhou and Hunan weeds was enantioselective, with l-glufosinate being preferentially degraded. In Hainan weed, the degradation rate of the two enantiomers was nearly the same. In open field soils, glufosinate enantiomers were almost non-enantioselective. 3-methylphosphinico-propionic acid (MPP) was the primary glufosinate metabolite in weeds and soils, accounting for up to 14 % of the parent. N-acetyl-glufosinate (NAG) was relatively low, with less than 1 % of the parent glufosinate metabolized into 2-methylphosphinico-acetic acid (MPA).     

Composition and major odorous compounds of the essential oil of Bifora radians,an aldehyde-producing weed

The composition of the essential oil of Bifora radians, an aldehyde-producing weed, has been investigated by capillary gas chromatography, coupled gas chromatography – mass spectrometry, on-line catalytic hydrogenation and coupled gas chromatography – infrared spectrometry. The nineteen compounds identified included eighteen aldehydes: seven alkanals (C6, C9, C10, C11, C12, C13, and C14), ten alkenals, including five (E)-2-alkenals (C12, C13, C14, C15, and C16), and one (E,E)-2,4-alkadienal (C13). Typical Bifora odors were attributed to three major (E)-2-alkenals, C12, C13, and C14.     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

基于光谱和神经网络模型的作物与杂草识别方法研究

利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325～1 075 nm波段的光谱识别了三种杂草（牛筋草、凹头苋、空心莲子草）与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过三层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。     

结合光谱图像技术和SAM分类法的甘蓝中杂草识别研究

杂草自动识别技术是实现变量喷洒、精准施药的关键,更是制约其实现的瓶颈,因此,准确、快速、无损地实现杂草自动识别已成为精准农业的一个重要研究方向。利用高光谱成像系统采集甘蓝幼苗及小藜、稗草、牛筋草、马唐和狗尾草等五种杂草在1 000～2 500 nm波长区间的高光谱图像数据,在ENVI中经过MNF变换对数据降噪、去相关,并将波段维数从256维降到11维,通过提取感兴趣区域获得标准光谱,最后利用SAM分类法识别甘蓝与杂草,光谱角弧度阈值为0.1弧度时,分类效果良好。在HSI Analyzer中选择训练像元获得标准光谱后,利用SAM分类法识别甘蓝与杂草,并利用人工分类图与SAM分类图比较定量度量杂草的识别正确率,结果表明,当参数设置为5点平滑、0阶导数和7度光谱角度时,分类效果最佳,杂草识别率为80.0%,非杂草类识别率为97.3%,总体识别率为96.8%。应用光谱图像技术与SAM分类法相结合的方法进行杂草检测,充分利用了光谱和图像的融合信息,该方法应用空间的分类算法来建立光谱判别方法的训练集,在像素级别上考察光谱矢量之间的相似性,融合了光谱和图像两者的优势,同时兼顾了准确性和快速性,并且在整场范围内(行间和行内)改善杂草检测范围,为农业精确管理中需要植物精准信息的应用领域提供了相关的分析手段和方法。     

基于光谱分析技术的作物中杂草识别研究

除草剂的精确喷施、物理方法精确除草皆依赖于杂草的自动识别.光合色素和结构差异导致作物、杂草的光谱反射率不同,因此不同植物可以利用光谱特性来区分.利用ASD光谱仪在室内分别测量了棉花、刺儿菜、水稻、稗草等四种植物在350～2 500nm波段范围内的光谱反射率.运用SAS统计软件的STEPDISC过程筛选能够区分作物和杂草的波长;判别模型中加入筛选所得特征波长,利用Discrim蚰过程进行判别分析.实验结果表明,利用3个特征波长385,415和435 nm有效地从双子叶植物棉花中识别出双子叶杂草刺儿菜,其识别率为100%,波长415和435nm的组合对识别模型的贡献最大;利用5个特征波长375,465,585,705和1 035 nm可有效地从单子叶植物水稻中识别出单子叶杂草稗草,其识别率也为100%,黄色到橙色的过渡波长585nm和"红边"内的波长705nm的组合对识别模型的贡献最大.     

基于成像光谱技术的作物杂草识别研究

杂草识别是变量喷雾和物理方法精确除草的前提。利用自主设计的地面成像光谱系统在自然环境下获取了胡萝卜幼苗以及马齿苋、牛筋草和地锦等杂草在380～760 nm波长区间的高光谱数据,通过对数据归一化消除光照条件的影响之后,运用逐步法进行波段选择,采用Fisher线性判别方法对杂草与胡萝卜幼苗进行了识别。结果表明,当把每种杂草都作为一类加以精细区分时,运用选择的8个波段建立模型对杂草和胡萝卜幼苗的识别率达85%左右;当把杂草整体作为一类与胡萝卜幼苗进行区分时,运用选择的7个波段识别率高于91%。同时为了设计低成本的杂草识别系统,通过穷举法选择最优的2和3波段组合,其中最优3波段组合对杂草胡萝卜幼苗的识别能力与逐步法选择的5个波段相当,整体识别率达89%。此外发现,红边波段对杂草有着显著的识别能力。     

苗期作物和杂草的光谱分析与识别

田间杂草信息是指导变量喷洒除草剂的依据,利用光谱特征识别杂草的方法在实时性方面具有明显的优势。本文利用傅里叶变换红外(FTIR) 光谱法测量并分析了小麦、小藜和荠菜等几种杂草在700～1 100 nm波长范围内的反射率,再运用SPSS统计软件进行判别分析。先把原始数据进行压缩和标准化处理,然后运用逐步判别分析法寻求特征波长点,最后以选定的特征波长点为变量建立判别模型进行判别分析。统计分析的结果表明: 运用选定的特征波长点建立判别模型识别小麦和杂草的正确识别率达到了97%;在680～750 nm“红边”附近的特征波长点较为显著;在一定范围内,正确识别率随着特征波长点个数的增加而增加。本研究选定特征波长点,选择适当的滤光片,并配合黑白摄像机对小麦和杂草进行了多光谱图像采集和分析。     

农田周围杂草带中普通田鼠种群数量的季节变动特征及杂草带年龄和植被之间的关系

本文中我们采用标志重捕方法从2003到2004年11月,对栖息在野花带的普通田鼠种群结构和数量动态进行比较系统的研究.结果表明,这两年中种群密度夏季最大分别达到410个体/ha和641个体/ha,春季最少分别达到166个体/ha和153个体/ha,从7月份开始增长,8月份种群密度减少并在11月份开始重新增长.种群中雌性个体数量比较多,雌性在种群中的居留时间比较长同时存活率比雄性高,这种现象导致种群数量的季节变化.种群周转率比较高,在两个捕鼠期间种群中的80%个体被更新,这表明普通田鼠在野花带中的活动非常活跃,不断与周围的其它种群进行交流,提高种群对环境的适应能力.种群中雌雄个体的领域之间没有年间变化,它们的活动领域比较小,领域长度2003年平均为11米,最长为37.5米,2004年平均为13米,最长为52米.本研究中我们没有找到环境因素和种群数量动态之间的相关关系.     

主成分分析和SIMCA的甘蓝与杂草光谱识别方法研究

为了提高杂草识别的准确性和快速性,利用光谱反射率差异区分作物与杂草。首先利用SG卷积求导法与多元散射校正法的不同组合对原始光谱数据进行预处理,然后利用主成分分析法(PCA)对各类植物进行聚类分析,并根据主成分分析结果中各个最佳主成分对应的载荷图,提取对各类植物识别敏感的特征波长,最后以特征波长为输入变量,用簇类的独立软模式(SIMCA)分类法对各类植物进行分类识别。甘蓝与杂草的分类结果表明,在1阶3次51点SG卷积求导法加上多元散射校正法(MSC)的最佳预处理基础上,根据主成分分析中前3个主成分,提取到23个特征波长,以它们为输入变量,利用SIMCA方法进行分类时,建模集和预测集的识别率分别达到98.6%和100%。