种植技术和种植密度对吉花2号主要农艺性状和产量的影响

研究不同种植技术和种植密度对吉林省多粒型花生吉花2号主要农艺性状和产量的影响,筛选适宜吉林省生态环境的种植技术和最佳种植密度,完善吉花2号配套高效栽培技术。采用2种种植技术及5个种植密度(1.79×10^(5)、2.02×10^(5)、2.30×10^(5)、2.69×10^(5)、3.23×10^(5)株/hm^(2)),研究特定时期花生光合指标及产量变化。结果显示,吉花2号采用小垄双行种植技术、种植密度为2.02×10^(5)株/hm^(2)时生育期最短,较双粒穴播种植技术生育期提前1~2 d;植株的株高最小,有利于地下部干物质积累;叶面积系数最大,总光合势最大;产量最高(3651.15 kg/hm^(2)),较双粒穴播种植技术增产10.17%。小垄双行种植技术在不同密度下,吉花2号产量都高于双粒穴播种植技术。因此,小垄双行种植技术在生产上应大力推广。

霜桑叶粉杂粮面条配方优化及其低GI验证

为改善面条的品质和降低血糖生成指数(glycemic index, GI),研究将霜桑叶粉、魔芋精粉和燕麦粉与小麦面粉搭配制作面条,通过单因素试验并结合L9(33)正交试验,以面条蒸煮特征和感官品质为评价标准,优化出霜桑叶粉杂粮面条配方并分析血糖生成指数。结果表明,适量添加霜桑叶粉、魔芋精粉和燕麦粉均能显著改善霜桑叶粉杂粮面条品质,三种成分的最佳添加质量分数分别为6%、10%和15%;燕麦粉对面条感官具有极显著影响,霜桑叶粉和魔芋精粉对面条感官具有显著影响,其影响顺序为:燕麦粉>霜桑叶粉>魔芋精粉。以该配方制作的霜桑叶粉杂粮面条感官评价均分达85.75,且能显著降低人体血糖浓度,GI值为46.08(低GI食品的标准是GI≤55),是一款低GI面制品。此项研究为桑叶的综合利用和低GI食品的研发提供技术支持。

多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测

初烤烟叶等级的快速准确检测对开发烟叶智能分级设备以促进农产品精细化管理有着重要意义。针对相似度较高但等级不同的初烤烟叶难以区分的问题,本文提出多感受野特征自适应融合及动态损失调整的初烤烟叶等级检测网络(Flue-cured Tobacco Leaf Grade Detection Network,FTGDNet)。首先,FTGDNet采用CSPNet作为特征提取主干网络,采用GhostNet作为辅助特征提取网络以增强模型的特征提取能力;其次,在主干网络末端嵌入显式视觉中心瓶颈模块(Explicit Visual Center Bottleneck module,EVCB)以实现全局特征信息与局部细节特征信息融合;然后,构建多感受野特征自适应融合模块(Multi-Receptive Field Feature Adaptive Fusion module,MRFA_d),利用注意力特征融合机制(Attention Feature Fusion,AFF)将不同感受野特征图进行自适应加权融合,在增强模型局部感受野的同时突出有效通道信息;最后,设计了一种新的定位损失函数(More Complete IoU Loss,MCIoU_Loss),结合预测框与真实框面积损失以解决在回归定位过程中二者宽高比相等且中心点重合时CIoU_Loss性能退化导致定位精度下降问题,此外,引入矩形相似度衰减系数在训练过程中对真实框与预测框的相似度判别项进行动态调整,加快模型拟合。实验结果表明,FTGDNet对十个等级的初烤烟叶的验证精度达到90.0%,测试精度达到87.4%,且推理时间仅为12.6 ms。相较于多种先进目标检测算法,FTGDNet具有更高的检测精度和更快的检测速度,可为高精度初烤烟叶等级检测提供关键技术支撑。

基于移动多线激光雷达扫描的树冠叶面积估计方法

移动单线激光雷达(Laser detection and ranging,LiDAR)扫描(Mobile single-layer LiDAR scanning,MSLS)树冠叶面积估计方法使用单一视角的单线激光雷达采集树冠点云数据,获取的冠层信息不够全面,限制了树冠叶面积估计精度。本文提出一种基于移动多线LiDAR扫描(Mobile multi-layer LiDAR scanning,MMLS)的树冠叶面积估计方法,使用多线LiDAR从多个视角采集树冠点云数据,提升树冠叶面积估计精度。首先,将多线LiDAR采集的点云数据变换到世界坐标系下,通过感兴趣区域(Region of interest,ROI)提取出树冠点云。然后,提出一种MMLS树冠点云融合方法,逐个融合单个激光器采集的树冠点云,设置距离阈值删除重复点,添加新点。最后,构建MMLS空间分辨率网格,建立基于树冠网格面积的树冠叶面积估计模型。实验使用VLP-16型多线LiDAR传感器搭建MMLS系统,设置1、1.5 m 2个测量距离和间隔45°的8个测量角度对6个具有不同冠层密度的树冠进行数据采集,共得到96个树冠样本。采用本文方法,树冠叶面积线性估计模型的均方根误差(Root mean squared error,RMSE)为0.1041 m^(2),比MSLS模型降低0.0578 m^(2),决定系数R^(2)为0.9526,比MSLS模型提高0.0675。实验结果表明,本文方法通过多线LiDAR多视角树冠点云数据采集、MMLS树冠点云融合和空间分辨率网格构建,有效提升了树冠叶面积估计精度。

基于YOLOv5的复杂背景下植物叶片检测研究

对植物叶片进行检测是研究植物表型性状的基础,但真实环境下叶片间相互遮挡、叶片边缘特征不明显、幼叶目标过小以及外部环境如光照条件等因素影响会对叶片检测效果造成很大的障碍。针对复杂背景下的叶片检测,该研究提出了一种基于改进YOLOv5模型植物叶片检测方法。通过在骨干网络中引入空洞卷积,使得网络可以捕获到更广阔范围的上下文信息;利用双向连接的加权特征金字塔网络,以增强目标叶片特征提取并更好地融合特征信息;利用注意力机制,通过动态地调整注意力分布,以提高边缘特征表达能力。测试结果表明,在Plant Village数据集筛选的葡萄叶片图像以及自拍摄葡萄生长叶片上测试改进算法的可行性,改进的YOLOv5模型其叶片检测mAP比原生模型提高了5.8%,遮挡叶片检测精度提高了7.09%。叶片检测效果有显著提升。该研究提出的方法可以有效解决复杂背景下植物叶片检测效果不佳的问题,为植物表型研究提供技术支撑。

基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext,M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation,CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达99.18%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。

改进YOLOv8的农作物叶片病虫害识别算法

针对传统检测网络难以准确、高效地提取农作物叶片病虫害特征信息的问题,通过改进YOLOv8网络,提出一种多层级多尺度特征融合的农作物叶片病虫害识别算法。通过学习不同层级特征直接的特征关系,构建多层级特征编码模块,学习全面的特征表达;在Transformer的基础上设计多尺度空间—通道注意力模块,利用学习细粒度、粗粒度等多尺度全面的特征表达模式,捕获不同尺度特征之间的互补关系,并将所有特征表示有效融合起来,构成完整的图像特征表示,进而获取更佳的识别结果。在Plant Village公开数据集进行试验验证,结果表明:提出的改进方法能够有效提升配准精度,准确地识别出农作物叶片上同时存在的不同病虫害,对番茄叶片检测的mAP 0.5达到88.74%,比传统YOLOv8方法提升8.53%,且计算耗时没有明显增加。消融试验也充分证明所提各个模块的有效性,能够更好地实现高精度识别叶片病虫害,为农田智慧化管理提供有力支持和保障。

蒙特卡罗模拟机架和多叶准直器误差对旋转放疗剂量的影响

研究在常规直线加速器实施快速旋转调强放疗(IMAT)治疗过程中,内置多叶准直器(MLCs)和机架旋转误差对放疗剂量的影响。随机选择7例脑胶质瘤患者,并在常规直线加速器Varian 23EX上设计IMAT计划,对MLCs和机架分别引入不同大小误差。通过不一致指数和剂量体积直方图(DVH)评估引入误差对IMAT放疗临床剂量的影响。对于单侧MLCs随机误差,当MLCs随机误差达2 mm时计划靶体积平均剂量(PTV-Dmean)增加了约2.7%。当MLCs一侧外扩MLC-1 mm、MLC-2 mm、MLC-rnd时导致其PTV-Dmean平均偏差分别为1.12%、2.15%和1.15%,晶体的平均剂量偏差分别为5.25%、9.97%和5.49%。对于MLC两组叶片分别偏移±2 mm时导致PTV平均剂量的最大偏差为0.8%,晶体和脑干的最大剂量和平均剂量分别增加了11.4%、15.8%和1.99%、1.07%。引入机架角度误差,计划靶体积最小剂量(PTV-Dmin)和PTV-Dmean最大剂量分别降低了2.75%和0.35%。导致危及器官(OAR)的DVH的剂量学偏差变化较大,尤其对于晶体当机架偏差为(−2°)时晶体的最大剂量和平均剂量分别偏高达16.9%和38.5%。机架和MLCs误差对OAR的受量均产生较大剂量偏差。随机误差导致的MLCs剂量偏差受叶片位移误差的大小以及在特定弧段处的射束子野权重影响,MLCs误差(−2 mm或+2 mm)时产生的剂量偏差最大。机架旋转误差对靶区PTV剂量分布的影响不大,但是对于OAR会产生较大的剂量偏差。

基于电子射野影像系统的光栅位置和剂量验证研究

目的 使用基于电子射野影像系统(electronic portal imaging device,EPID)的质控系统,在Primus和VenusX加速器上实现光栅位置及剂量验证。方法 通过灰度值最大梯度方法计算光栅位置,评估偏差。使用剂量标定和剂量计算相结合的算法对EPID采集的图像进行剂量重建,将EPID和MapCheck/PTW得到的数据,分别与计划系统剂量进行γ通过率分析。结果 VenusX加速器光栅误差小于1 mm,Primus重新标定后误差明显减小。重建的剂量,在3%/3 mm,阈值10%和2%/2 mm,阈值10%的2种标准下,Primus加速器γ平均通过率分别为98.86%和91.39%;VenusX加速器γ平均通过率分别为98.49%和91.11%。结论 基于EPID的质控系统,可提高加速器质控效率,减轻物理师工作负担。

医科达医用直线加速器MLC光学系统维修与维护研究

介绍了医科达直线加速器多叶准直器(multi-leaf collimator,MLC)光学系统的结构和工作原理,分析了MLC光学系统故障的原因,总结了MLC光学系统故障的维修方法,归纳了MLC光学系统的维护保养方法,为医疗工程技术人员进行MLC光学系统的维修与维护提供了参考。

大豆冠层叶片氮含量检测研究——基于无人机多光谱图像

为快速获取大豆冠层叶片氮素含量(Leaf Nitrogen Content,LNC)信息,采用无人机获取大豆冠层LNC多光谱影像光谱特征,通过分析光谱变量与LNC的相关性,选出对大豆冠层LNC敏感的光谱变量。利用逐步回归分析方法建立黑河43、龙垦310、龙垦3401在3个关键生育时期(R1、R3、R5)大豆LNC估测模型。研究结果表明:①在3个品种的3个生育期,除R5时期龙垦3401品种外,NDVI与LNC具有高度相关性,说明NDVI可以较好地进行大豆冠层LNC的反演。②在建模的过程中发现,在R1时期龙垦3401、黑河43、龙垦310所建模型的R2和RMSE依次为0.857、0.133,0.845、0.156,0.821、0.187;在R3时期龙垦3401、黑河43、龙垦310所建模型的R2和RMSE依次为0.835、0.204,0.881、0.113,0.849、0.162;在R5时期龙垦3401、黑河43、龙垦310所建模型的R2和RMSE依次为0.835、0.208,0.814、0.215,0.836、0.211。由此表明,利用无人机多光谱遥感图像数据可以很好地监测大豆LNC的空间分布情况。

改进残差网络甜瓜叶片病害的识别研究

针对甜瓜叶片不同程度的病害识别研究较少,人工检测实时性差且存在识别准确率较低等问题,提出了一种基于改进残差网络模型的甜瓜叶片病害识别方法。将传统的ResNet50模型作为骨干网络,将ReLU激活函数替换为ELU激活函数;将ResNet50的模型的第一层卷积中的7×7卷积核替换成Incption结构,在全连接层之后加入Dropout层,增强模型的表达能力并缓解过拟合问题;引入多头自注意力机制(MHSA),提高模型的泛化能力。进行数据预处理,将训练集与测试集的比例划分为7∶3,采用数据增强的方式对小样本数据集进行扩充。实验结果表明:改进的残差网络模型准确率与原模型相比提高了1.03个百分点,识别准确率达到98.72%且模型参数量为19.3MB。与其他网络模型相比准确率大幅提升,可以为甜瓜叶片病害的高效识别和及时预防治理提供参考。

基于无人机多光谱的棉花多生育期叶面积指数反演

【目的】叶面积指数(leaf area index,LAI)是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型,明确不同生育期间棉花LAI估测模型变化规律,为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数(NDVI)、绿度归一化差植被指数(GNDVI)、归一化差红边指数(NDRE)、叶片叶绿素指数(LCI)、优化的土壤调节植被指数(OSAVI)5种多光谱指数和修正红绿植被指数(MGRVI)、红绿植被指数(GRVI)、绿叶指数(GLA)、超红指数(EXR)、大气阻抗植被指数(VARI)5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合,结合打孔法获取地面LAI实测数据,使用机器学习算法中偏最小二乘(PLSR)、岭回归(RR)、随机森林(RF)、支持向量机(SVM)、神经网络(BP)构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势,现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧(P<0.05);选择的指数在各时期彼此间均呈显著相关(P<0.05),总体而言,多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势,选择的指数在各时期均与棉花LAI相关性显著(P<0.05),多光谱指数相关系数介于0.35—0.85,颜色指数相关系数介于0.49—0.71,相关系数绝对值较大的指数多为多光谱指数,颜色指数与棉花LAI的相关系数绝对值较小;估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数,且各指数模型预测性能随着生育期的变化呈现一定规律性,NDVI是预测棉花LAI的最优指数。从模型结果上看,RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高,最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中,RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好,是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降,最优指数为GNDVI,最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

MLC运动误差对不同射野面积的鼻咽癌容积调强计划的影响

目的 研究多叶准直器运动误差(Multi-Leaf Collimator Error,MLC_(error))对不同射野平均面积(Mean Aperture Area,MAA)的鼻咽癌容积调强的影响。方法 选取30例鼻咽癌患者为研究对象,每例患者的原始计划导出后使用Python编译,依据不同的MLC_(error)制作6组模拟计划(±0.2 mm、±0.5 mm和±1.0 mm)。对比原始计划与模拟计划的剂量学参数和验证通过率,分析MLC_(error)和MAA对计划验证的影响。其中,将鼻咽肿瘤计划靶区(Planning Target Volume,PTV)与颈部转移淋巴结肿瘤靶区通过布尔运算整合为PTV69。结果 随着MLC_(error)的变化(-1~1 mm),PTV69、原发灶高危亚临床靶区和中危亚临床靶区的剂量梯度分别为6.1、6.0、6.3%/mm(P<0.05);危及器官(Organ At Risk,OAR)的剂量梯度均高于靶区剂量梯度。脊髓、脑干、左侧腮腺、右侧腮腺、口腔和喉的剂量梯度分别为10.6、10.5、12.3、12.0、8.1、11.2%/mm(P<0.05)。在对射野面积、MLC_(error)及验证通过率关系的研究中发现,不同MAA计划的验证通过率差异随MLC_(error)的增加而增大;当MLC_(error)误差达到±1.0 mm时,不同MAA计划的验证通过率差异最大(51.7%~90.2%)。结论 相较于靶区,控制MLC_(error)更有利于OAR的保护。对于鼻咽癌等复杂的放疗计划,建议将MLC_(error)精度控制在0.5 mm以内并降低小子野使用,以保护危及器官,保证计划执行的精确度。

基于改进Yolov5s的水稻叶病检测方法

水稻叶病防治在提高水稻产量中具有重要作用,针对水稻叶病人工检查速度慢、主观性高的问题,提出一种基于改进Yolov5s的水稻叶病目标检测方法。采用K-means聚类算法得到先验框尺寸,增强检测模型对水稻叶病的适应性;将轻量级空间注意力与通道注意力融合,对高层语义特征信息增强,增强模型对病害信息的感知度;并结合特征金字塔网络,融合多尺度感受野获取目标上下文信息,有效地增强模型对目标周围特征的提取,提高目标检测的准确度。试验结果表明:改进后的Yolov5s算法平均检测精度(IOU=0.5)提高4.3%,F1值提高5.3%,帧率FPS为58.7 f/s。有效提升Yolov5s算法对水稻叶病的检测精度,达到实时检测的需求。

不同准直器角度组合对鼻咽癌VMAT计划质量的影响

目的:比较不同准直器角度组合对双弧VMAT鼻咽癌计划质量的影响,为临床选择提供参考依据。方法:本研究纳入10例鼻咽癌患者,设计不同准直器角度组合的双弧VMAT计划,用于对计划质量进行评价。结果:调整准直器角度能够提升靶区PGTV和GTVnd的适形指数,而对PTV的影响不显著。在重要器官方面,旋转准直器角度可以降低其中部分器官的最大受照剂量,但对平均受照剂量的影响则不明显。此外,调整准直器角度并不会导致MU和射束时间增加,执行效率与准直器角度为(0°,0°)的方案相当。综合考量计划质量,以准直器角度为(10°,350°)的放疗计划在总体质量得分方面表现最佳(SD:0.12),相较之下,准直器角度为(0°,0°)的得分最低(SD:1.2)。结论:不同准直器角度组合对鼻咽癌放疗计划的剂量分布有显著影响,但执行效率相当。在测试的准直器角度组合中,(10°,350°)总体计划质量表现最优,推荐临床使用。

全脑全脊髓放疗中不同优化方法的对比研究

目的:对比梯度优化(gradient optimization,GO)方法和动态多叶准直器自动优化(dynamic multi-leaf collimator automatic optimization,dMLC-AO)方法在全脑全脊髓放疗(craniospinal irradiation,CSI)中的剂量学参数差异,为Monaco治疗计划系统的CSI计划设计提供可行性参考。方法:回顾性选取在某院接受CSI的15例患者,通过Monaco治疗计划系统为每例患者设计GO计划(作为GO组)和dMLC-AO计划(作为dMLC-AO组)进行容积旋转调强放疗。比较2组的计划靶区(planning target volume,PTV)、剂量衔接区、危及器官的剂量学参数。采用SPSS 24.0统计学软件进行数据分析。结果:dMLC-AO组的D98%和均匀性指数略优于GO组,差异有统计学意义(P<0.05),但2组的D2%、D50%和适形性指数比较,差异无统计学意义(P>0.05)。除肠道Dmean外,2组的危及器官辐射剂量差异无统计学意义(P>0.05)。GO组较dMLC-AO组跌落区的剂量分布更均匀有序,GO组中段计划36 Gy等剂量线覆盖的靶区长度明显长于dMLC-AO组。结论:GO方法相较于dMLC-AO方法可有效地控制CSI计划剂量衔接区的剂量跌落。

不同机架角度和多叶准直器角度对多叶准直器叶片机械到位精度的影响

目的探讨不同机架角度和多叶准直器(MLC)角度对容积旋转调强放射治疗(VMAT)及静态调强放射治疗(IMRT)MLC叶片机械到位精度的影响。方法在Eclipse 15.5治疗计划系统上导入并编辑对应的MLC叶片机械到位精度测试计划,并在瓦里安TrueBeam直线加速器上进行以下投照测试:直接采用与直线加速器匹配的Picket Fence测试计划进行VMAT的MLC叶片机械到位精度测试,测试机架角度包括0°、90°、180°和270°;设置机架角度分别为0°、90°、180°和270°,MLC角度为0°,进行IMRT的MLC叶片机械到位精度测试;设置机架角度分别为90°和270°,MLC角度分别为10°、20°和30°,进行IMRT的MLC叶片机械到位精度测试。采用电子射野影像装置(EPID,针对VMAT和IMRT所有测试)和胶片(仅针对IMRT测试)对测试计划进行投照成像,采用DoseLab Version 7.0软件(针对VMAT和IMRT所有测试数据)和RIT complete Version 6.10软件(仅针对IMRT测试数据)导入并分析EPID影像的MLC叶片机械到位精度,采用Film QA Pro Version 4.0软件分析胶片的MLC叶片机械到位精度。结果DoseLab Version 7.0软件针对EPID影像的分析结果显示,4种机架角度下VMAT的MLC叶片机械到位精度平均偏差均<0.20 mm,设置到位精度容差为0.50 mm,栅栏野通过率为100%;4种机架角度下IMRT的MLC叶片机械到位精度平均偏差均≤0.50 mm,且均大于VMAT的MLC叶片机械到位精度平均偏差,设置到位精度容差为0.50 mm,栅栏野通过率>95%。RIT complete Version 6.10软件针对EPID影像的分析结果及Film QA Pro Version 4.0软件针对胶片的分析结果均显示,机架角度为90°和270°时,不同MLC角度的MLC叶片机械到位精度平均偏差均<1 mm,符合美国医学物理学家协会(AAPM)TG-142报告要求;且机架角度90°和270°的MLC叶片机械到位精度偏差呈相反趋势。结论不同机架角度和MLC角度下,VMAT和IMRT的MLC叶片机械到位精度均符合标准。但MLC叶片机械到位精度测试对于放射治疗计划剂量的精准投照至关重要,因此需要严格按照相关标准定期进行质量控制测试,检查叶片到位的精度及重复性。

白及叶斑病病原菌的鉴定与室内杀菌剂筛选

为了鉴定广西南宁种植基地的白及叶斑病病原菌种类并筛选出高效杀菌剂,采集了典型的叶斑病样品,对这些样品进行了病原菌的分离纯化,并根据科赫氏法则验证了分离株的致病性.结合形态特征和多基因序列联合分析,鉴定了病原菌的种类,并利用菌丝生长速率法评估了10种杀菌剂对代表菌株的抑制效果.结果显示本研究成功分离出了引起白及叶斑病的病原菌,即链格孢Alternaria alternata.将该病原菌接种到健康的白及叶片上可以引起与田间病害相似的症状.在对不同杀菌剂的测定中,肟菌戊唑醇对该菌菌丝生长的抑制效果最为显著,其EC_(50)值为1.25μg/mL.

杉木闽楠异龄复层林中闽楠叶片形态适应特征

以不同杉木闽楠复层林经营模式(TN40处理和TN60处理)中的闽楠叶片为研究材料,探讨不同处理对闽楠阴生叶、阳生叶的表型性状、解剖结构及气孔形态的影响。结果表明:从同一光环境不同叶型来看,TN40处理的闽楠阳生叶的叶片厚度、比叶重、栅栏组织厚度、中脉厚度较阴生叶分别增加了13.77%、9.86%、7.49%、11.79%,差异达显著水平(P<0.05);TN60处理的闽楠阳生叶的叶片厚度、叶组织密度、比叶重、气孔密度较阴生叶分别增加了6.32%、9.46%、8.70%、6.42%,差异达显著水平(P<0.05)。从同一叶型不同光环境来看,闽楠阳生叶在TN40处理下叶干物质含量、比叶重、上表皮厚度、栅栏组织厚度、海绵组织厚度、中脉厚度、气孔密度较TN60处理分别提高了6.13%、4.00%、11.62%、12.17%、15.22%、8.80%、9.00%,而叶片含水率、叶组织密度则分别降低了5.04%、3.97%,差异均达到显著水平(P<0.05);闽楠阴生叶在TN40处理下叶面积、叶干物质含量、气孔密度较TN60处理分别增加了5.52%、5.50%、11.25%,差异均达显著水平(P<0.05)。从闽楠叶片形态适应特征来看,TN40处理更适合闽楠的培育。