外来入侵杂草田菁的构件生物量分配与异速生长分析

田菁(Sesbania cannabina)是我国华南、华中和华东等地区危害严重的外来入侵杂草,通过测定其构件(根、茎、叶、花、果)生物量和植株高度等数据,分析其构件生物量分配特征及其与异速生长的关系,以期掌握该入侵杂草的生长发育规律。结果表明:田菁的构件生物量分配关系表现为茎>叶>果>根>花,而其变异系数从大到小为果>茎>叶>根>花,其地上与地下以及生殖与营养构件间的生物量均表现出极显著的差异性。此外,田菁各构件之间以及株高与构件间均为异速生长关系,株高与各构件生物量间呈极显著正相关性。田菁种群各构件间的异速生长关系以及较高的地上构件生物量与其较强的入侵性有密切联系,该结果对评估田菁的入侵机制具有重要价值。

基于机器学习预测农药对熊蜂和蜜蜂的毒性

熊蜂(Bombus spp.)和蜜蜂(Apis mellifera L.)是自然界中的重要传粉昆虫,近年来因为农药的大规模不合理使用造成了世界多个地区熊蜂和蜜蜂种群的持续下降。为了更好地评估农药对熊蜂和蜜蜂的毒性,本研究收集了61个共有的农药蜂毒数据,采用12种分子指纹联合8种机器学习算法,分别建立了农药对熊蜂和蜜蜂急性接触毒性LD50值的分类预测模型。结果表明:农药对熊蜂和蜜蜂的急性接触毒性分类模型预测准确率分别达86.7%和80.0%。随机森林(Random Forest)、神经网络(Neural Network)和支持向量机(SVM) 3种算法联合Fingerprinter、Klekota-Roth Count和Extend 3种分子指纹在本研究中的预测能力较好。此外,分别采用构建的熊蜂毒性预测模型和蜜蜂毒性预测模型开展交叉毒性预测,准确率分别为72.9%和66.7%,表明熊蜂毒性模型预测蜜蜂毒性的准确性高于蜜蜂毒性模型预测熊蜂毒性的准确性。本研究可为设计低蜂毒化合物提供理论指导,同时为开展不同昆虫靶标的毒性交叉预测提供借鉴。

融合机器学习与优化算法的互连网络故障诊断方法探讨与应用

随着网络规模的扩大和复杂度增加,故障发生的频率和类型日益增多。传统故障诊断方法通常依赖于专家经验和手动排查,不仅效率低下,还难以应对大规模复杂网络中的故障问题。因此,快速、准确地诊断网络故障已成为当前互连网络领域呕待解决的关键问题。