埋藏点深度、间距及大小对花鼠发现向日葵种子的影响

2005 年5 ～6 月,在北京东灵山地区,通过在实验围栏内设置不同深度、间距和大小的埋藏点,研究了花鼠对向日葵种子的发现率。结果表明,花鼠发现埋藏种子的比例随埋藏深度的增加而减少,埋藏深度> 5 cm后,发现比例较低,且不再有明显变化;花鼠发现埋藏种子的比例随埋藏点间距的减小而增加,埋藏点间距<0.5 m后,发现比例较高,且不再有明显变化;花鼠发现埋藏种子的比例随着埋藏点增大而增加,埋藏点种子> 5 g后,发现比例较高,且不再有明显变化。     

应用热扩散法测定香蕉树蒸腾速率

香蕉树植株高大,一般采用间接方法确定耗水量,但所得结果受土壤、大气和农艺措施等因素的影响较大.本文于2005年11月15日—12月5日在温室内采用热扩散法（即Granier法）测定香蕉树的茎液流,并与用数字天平（称重法）测定的香蕉树蒸腾速率进行对比试验. 结果表明,Granier法测定的日茎液流量与称重法测定的日蒸腾量相差4％.Granier法测定的茎液流速率一般滞后于称重法确定的蒸腾速率1 h左右.当日蒸腾量小于0.05 L·m^-2（活性叶面积）时,Granier方法不能测定茎液流量.Granier传感器一般在安装2～3 d后即可正常工作,同时在多株植株上安装Granier传感器取其平均流速值计算蒸腾量可以明显减小测量误差.     

基于深度学习的葡萄砧木叶片识别研究

嫁接有利于增强树体对生物及非生物胁迫的适应能力,提高葡萄产量和品质。葡萄砧木品种多样复杂,识别难度较大,深度学习能够快速提取图像的深层特征,被广泛应用于植物图像分类识别领域。本研究以30份葡萄砧木成龄叶图像作为研究对象,通过采集叶片图像,构建了一个包含13547张的葡萄砧木叶片图像的数据集。采用GoogleNet、ResNet-50、ResNet-101以及VGG-16等4个卷积神经网络对其进行自动识别。结果表明：精度最高的分类网络为ResNet-101,在最优模型参数（学习率：0.005,最小批次：32,迭代次数：50）下精度达到97.5%。ResNet-101模型检测的30个品种中,平均预测精确率为92.59%,有7个品种的预测精确率达到100%;平均召回率为91.08%,有8个品种的召回率达到100%,叶片的叶面纹理、叶脉以及叶缘部分对品种识别的影响最大。以上结果证实,深度学习网络模型可以实现对葡萄砧木的自动实时识别,为葡萄砧木品种的保护、利用、分类研究以及其他农作物的品种识别提供参考。     

DNA探针在检测和鉴定植物病原细菌中的应用

一、前言 所谓DNA探针是指能识别特异碱基序列(基因)的有标记的一小段单链DNA分子,即是一段与被测定的核苷酸序列(靶序列),互补的带标记的单股脱氧核糖核苷酸。     

计算生物学在RNA研究中的应用

计算生物学在非编码RNA(non-coding RNA, ncRNA)研究领域中发挥着重要的作用.计算生物学是利用计算机科学方法来研究和理解生命科学问题的交叉学科,而ncRNA作为一类数目庞大且功能多样的RNA分子,参与了广泛的生物学过程.本文对RNA计算生物学中的常用算法和工具进行综述,并着重介绍专家系统、机器学习、深度学习等计算生物学研究策略在ncRNA鉴定、ncRNA靶标预测、RNA修饰、RNA二级结构检测、RNA-蛋白质互作及RNA功能预测中的应用.     

Extraction of aquatic plants based on continuous removal method and analysis of its temporal and spatial changes—A case study of Guanting Reservoir

光谱特征变量的筛选作为水生植物识别的重要手段之一, 在水生植物种类识别研究中应用广泛。该研究将实测光谱特征提取与多时相Landsat 8 OLI影像数据分析相结合, 找到一种有效识别不同种类水生植物的特征变量。在水生植物反射光谱特征分析中引入矿质分析中普遍使用的连续统去除法, 对光谱重采样结果作连续统去除处理后提取光谱吸收深度特征。采用单因素方差分析法对比7个光谱重采样波段和3个连续统去除吸收深度敏感波段, 发现经连续统去除处理的短波红外1波段(SWIR1CR)对于不同类型的水生植物区分效果最佳。将连续统去除法应用到遥感影像处理上, 发现SWIR1CR波段能较好区分沉水植物和挺水植物; 结合影像归一化植被指数和SWIR1CR波段可较好区分三类水生植物。结合特征波段筛选结果采用支持向量机分类方法, 得到水生植物的分类结果精度为86.33%, 对比全生长期12期影像提取的水生植物分布图, 发现水生植物主要分布于官厅水库库区南北岸浅水区, 水生植物面积最大时约占库区总面积的35.13%; 其中沉水植物年内生长分布变化幅度较大, 6月上旬开始迅速生长; 10月份水生植物开始衰减; 11月份水生植物占库区面积的20%, 沉水、浮水植物大幅衰减消失。     

基于卷积神经网络的细菌转录终止子预测

在遗传学中,终止子是位于poly(A)位点下游、长度在数百碱基以内、包含多个回文序列、具有终止转录功能的DNA结构域,其主要作用是使转录终止。在原核生物基因组中有两类转录终止子,即Rho-dependent因子和Rho-independent因子。在本项研究中,提出了一种新的预测模型(TermCNN)来快速准确地识别细菌转录终止子。该模型将具有代表性的6-mer特征子集(2 537个特征)和电子—离子相互作用伪电位(EIIP)作为输入向量,利用卷积神经网络(CNN)构建预测模型。五折交叉验证和独立测试的结果表明该模型优于最新的预测模型iTerm-PseKNC。值得注意的是,该模型在跨物种试验中具有明显的优势。它可以高度精确地预测大肠杆菌(E. coli)和枯草芽孢杆菌(B. subtilis)的转录终止子。     

基于机器视觉和深度学习的稻纵卷叶螟性诱智能监测系统

【目的】为减轻基层测报人员工作量,提高稻纵卷叶螟Cnaphalocrocis medinalis性诱测报的准确率和实时性,实现监测数据可追溯,建立了基于机器视觉的稻纵卷叶螟性诱智能监测系统。【方法】稻纵卷叶螟性诱智能监测系统包括基于机器视觉的智能性诱捕器、基于深度学习的稻纵卷叶螟检测模型、系统Web前端和服务器端。利用工业相机、光源和Android平板搭建了智能性诱捕器的机器视觉系统;建立了基于改进的YOLOv3和DBTNet-101双层网络的稻纵卷叶螟检测模型;利用HTML, CSS, JavaScript和Vue搭建系统Web前端展示稻纵卷叶螟检测与计数结果;使用Django框架搭建服务器端,对来自智能性诱捕器通过4G网络上传的图像进行接收与结果反馈;采用MySQL数据库保存图像和模型检测结果等信息。【结果】基于机器视觉的稻纵卷叶螟性诱智能监测系统利用智能性诱捕器自动定期上传稻纵卷叶螟图像至服务器,部署在服务器上的目标检测模型对稻纵卷叶螟成虫进行实时自动检测,精确率和召回率分别达97.6%和98.6%;用户可通过Web前端查看稻纵卷叶螟检测结果图。【结论】基于机器视觉的稻纵卷叶螟性诱智能监测系统实现了图像的定时自动采集、稻纵卷叶螟成虫的准确检测与计数,实现了稻纵卷叶螟性诱监测的智能化和实时性,减轻了测报人员的工作量,监测数据可追溯。     

四肢深度烧伤患者创面感染的病原菌分布、危险因素分析及血清促炎因子水平变化的临床意义

摘要 目的：观察四肢深度烧伤患者创面感染的病原菌分布特点,并分析感染的危险因素及血清促炎因子水平变化的临床意义。方法：回顾性分析2018年3月~2021年1月期间海南省第三人民医院烧伤整形科收治的220例四肢深度烧伤患者的病例资料,根据是否发生创面感染分为感染组和未感染组,观察感染组创面分泌物病原菌分布特点,收集相关资料,分析创面感染的危险因素,比较感染组和未感染组血清血清促炎因子水平的差异。结果：220例四肢深度烧伤患者中,有64例出现创面感染,感染率为29.09%。64例感染患者中共检出102株病原菌,革兰阴性菌占比67.65%（69/102）,其中铜绿假单胞菌（52.94%）、鲍氏不动杆菌（7.84%）、大肠埃希菌（2.94%）排前三位;革兰阳性菌占比32.35%（33/102）,其中金黄色葡萄球菌（14.71%）、表皮葡萄球菌（7.84%）排前两位;无真菌检出。单因素分析结果显示：四肢深度烧伤患者是否发生创面感染与术后有无残余创面、是否合并糖尿病、烧伤面积、是否存在吸入性损伤、住院时长、烧伤深度有关（P<0.05）,而与年龄、性别、烧伤部位、烧伤原因无关（P>0.05）。多因素Logistic回归分析结果显示：术后有残余创面、合并糖尿病、烧伤面积≥40%、存在吸入性损伤、烧伤深度为III度是四肢深度烧伤患者发生创面感染的危险因素（P<0.05）。感染组的血清超敏C反应蛋白（hs-CRP）、白介素-6（IL-6）、肿瘤坏死因子-α（TNF-α）水平高于未感染组（P<0.05）。结论：四肢深度烧伤患者发生创面感染概率较高,且感染者的炎性反应更为剧烈,创面感染受到多种因素影响,创面感染的病原菌以铜绿假单胞菌和金黄色葡萄球菌为主,临床应及早干预并选用合适的抗菌药物。     

施肥深度对矮化苹果15N-尿素吸收、利用及损失的影响

以5年生烟富3/M26/平邑甜茶为试材,采用15N同位素示踪技术,研究表层(0 cm)、上层(20 cm)和中层(40 cm)3个施肥深度对矮化苹果15N-尿素吸收、分配及利用特性的影响.结果表明:20 cm施肥处理的叶面积、叶绿素含量和叶片全氮含量显著高于0和40 cm施肥处理.不同施肥处理各器官从肥料中吸收分配到的15N量对该器官全氮量的贡献率(Ndff)存在显著差异,盛花期均以根的Ndff最高,多年生枝次之;新梢旺长期和花芽分化期根部吸收的15N优先向新生营养器官转运;果实膨大期各器官Ndff均达到较高水平;果实成熟期均以果实中的Ndff最高.果实成熟期不同施肥处理的15N分配率存在显著差异,20 cm施肥处理生殖器官和营养器官的15N分配率显著高于0和40 cm施肥处理,而贮藏器官的15N分配率显著低于0和40 cm施肥处理.在果实成熟期,20 cm施肥处理15N肥料利用率为24.0%,显著高于0 cm(14.1%)和40 cm施肥处理(7.6%),而15N损失率为54.0%,显著低于0 cm(67.8%)和40 cm施肥处理(63.5%).不同施肥深度土壤15N残留量随施肥深度的增加而显著增加.