一种面向深度神经网络模型的棉花常见病害训练数据集

深度神经网络是棉花病害智能识别的一种重要方法。覆盖更多病害、土壤和环境信息的科学数据既是此类方法发展的基础,也是当前的关键制约因素之一。本文提出的棉花病害数据采集自中国海南省三亚市坡田洋高标准农田示范基地中的棉花种植田块,覆盖了炭疽病、细菌性角斑病、褐斑病和枯萎病四种常见棉花病害,包括3453张高分辨率的健康叶片和不同生长阶段的病叶图像。所有样品获取均采用田间随机采样方式,经筛选后由10名棉花病理学专家进行鉴定与标注,同时另选20名标注者对标注后图像进行随机重复标注以检测质量,Vision Transformer模型被引入以进一步验证数据集的稳定性。相对于其他同类数据集,当前数据集数据采集于复杂的田间环境,覆盖了常见棉花病害且具有高分辨率,可更好地服务于棉花病害智能识别模型、算法的研究、训练与验证。

生物质炭负载解钾菌对土壤酶活性与微生物群落结构的影响

为探究生物质炭负载解钾菌对土壤微生物特性的影响,基于5个处理即空白(CK)、施用化学钾肥(KCl)、接种解钾菌(KSB)、施用生物质炭(BC)、施用生物质炭负载解钾菌(BC-KSB)的黑麦草盆栽耗竭试验,分析不同处理下土壤酶和微生物群落结构的响应特征。结果表明,BC-KSB相比其余施肥处理更有利于提高土壤脲酶、蔗糖酶、酸性磷酸酶和过氧化氢酶的活性,同时也提高了土壤细菌的物种多样性与菌群丰富度,并提高了土壤有益菌群(绿弯菌门、放线菌门、芽孢杆菌属和慢生根瘤菌属)的丰度,抑制了土壤致病菌群(变形菌门和罗河杆菌属)的繁殖。各施肥处理相比CK均显著提升了黑麦草干物质量,且以BC-KSB处理对黑麦草干物质量的提升最为显著。与CK和KCl相比,BC-KSB能显著提高土壤微生物生物量碳、微生物生物量氮、有机质、全氮和速效钾的含量(P<0.05)。冗余分析表明,土壤有机质、速效钾、酸性磷酸酶、脲酶和微生物生物量氮是影响细菌群落结构的主要因子,黑麦草的生长主要受伯克氏菌属和罗河杆菌属的影响较大。可见,BC-KSB对黑麦草产量、土壤养分、土壤酶活性和细菌群落结构均产生了积极的影响,对于改良土壤生态环境具有良好的效果。