重庆铜梁区探索高标准农田改造与产业发展“三同步”新模式初见成效

铜梁区认真贯彻落实习近平总书记关于“农田就是农田,而且必须是良田”重要指示精神,聚焦农田改造与产业发展规划不一致、项目不匹配、运营有难度等问题,创新高标准农田改造与产业发展同步规划、同步建设、同步营运的“三同步”新模式,着力提高农田改造的实用性、精准度和市场化。2022年以来,完成9.2万亩高标准农田改造提升,首批3万亩实现应种尽种、应养尽养,粮油作物增产10%以上,稻田综合种养带动增收1300万元/年。

重庆市铜梁区水稻二化螟综合防治技术

自古以来,我国在农业生产当中庄稼都会遭受病虫的危害,过去我国的经济收入大多依靠农业生产,可是由于当时技术水平的限制,导致农业在病虫危害处理方面只能依靠农药来消除,随着科学技术的迅猛发展,我国在病虫防治方面的技术有了很大的提高,为了研究水稻二化螟的综合防治技术,本文从重庆市铜梁区水稻二化螟的综合防治技术角度出发,探讨有关水稻二化螟的综合防治技术。

重庆市露地蔬菜生产施肥现状与活性氮损失及温室气体排放估算

集约化蔬菜系统是当前全球高投入和高环境代价热点系统,降低不同区域蔬菜生产环境代价是实现蔬菜绿色生产的关键。本研究以重庆市铜梁典型露地蔬菜为研究对象,采用农户问卷调查方法,并结合生命周期评价(Lifecy cleas sessment,LCA)方法,系统评价该地区露地蔬菜生产的施肥现状与环境代价(活性氮损失和温室气体排放),并比较蔬菜种类间差异。最后,基于推荐施肥量估算其节肥减排潜力并明确节肥减排措施。结果表明:重庆市铜梁区蔬菜生产系统肥料用量高,当季氮、磷、钾平均用量分别为483、321 kg·hm^(-2)和369 kg·hm^(-2),普遍超过作物自身养分需求,且重基肥、轻追肥。高肥料投入导致该地区蔬菜生产系统环境代价高,平均活性氮损失和温室气体排放分别为141 kg·hm^(-2)(以N计)和6352 kg CO_(2)e·hm^(-2),氮肥投入贡献了86.6%~92.9%的温室气体排放。不同蔬菜种类间肥料投入量和环境代价差异大,其中,茄果类蔬菜的肥料投入和环境代价最高。不同蔬菜类型节肥减排潜力大。单位面积上,与推荐施肥量相比,该地区蔬菜生产系统氮、磷、钾肥的节肥潜力分别为48%、55%和39%,降低活性氮损失和温室气体排放的潜力分别为46%和48%。

铜梁区渔业绿色发展现状及对策

渔业是我区的主要特色产业,是广大农民增收致富的重要抓手,加快推进渔业绿色发展,既是落实新发展理念、保护水域生态环境、实施乡村振兴战略、保障国家粮食安全、建设美丽中国的重大举措,也是打赢精准脱贫、污染防治攻坚战的重要举措和优化渔业产业布局、促进渔业转型升级的必然选择,我区坚定贯彻落实习近平总书记生态文明思想,坚持推进水产养殖绿色发展和生态环境保护两手抓,现将有关工作总结如下,供广大从业者参考。

重庆市铜梁区 激活人才引擎 赋能乡村振兴

铜梁区,一级英雄邱少云的故乡,位于重庆主城以西40公里,为成渝中线高铁西出重庆第一站,全区总面积1340平方公里,常住人口城镇化率达60%,2020年地区生产总值661亿元、人均9.1万元,农业总产值89.35亿元。铜梁区先后入选国家乡村治理体系建设首批试点示范区、国家城乡融合发展试验区、重庆市乡村组织振兴试验示范区。现已建成350平方公里的乡村振兴西郊、淮远、安居等三大示范片.

防治柑橘溃疡病的措施分析

柑橘溃疡病危害果树的枝干、树叶、果实,严重会造成树枝枯死、树叶枯落、果实落地,果实失去了营养价值,整个柑橘产区经济价值下降,为了预防治理柑橘产区内的柑橘溃疡病,本文从新老两类果园的柑橘溃疡病的防治出发,分析柑橘溃疡病的预防措施。

基于Sigmoid曲线拟合的亮度可控土壤图像增强

图像在相同条件下表征土壤特征会提高土壤图像识别土种的精度。对自然环境下机器视觉采集的土壤图像亮度可控增强,将不同光照条件采集的土壤图像转换为近似于该土壤在某些特定光照条件下采集的具有一定亮度的真实土壤图像,能消除或减弱光照对后续土壤图像土种识别的影响。因此,应用Sigmoid曲线对土壤图像亮度(Y)分量的累积概率密度(cumulative distribution function,cdf)曲线拟合;然后,构建目标亮度逼近优化模型,迁移拟合的Sigmoid曲线逼近目标亮度;再依据像素的邻域信息对相同亮度的像素排序、迁移,实现土壤图像的亮度可控增强;最后,利用高斯卷积核提取色调(U)、饱和度(V)分量的低频分量,并基于色比不变性原理与原始土壤图像的邻域信息对增强土壤图像的U、V分量高低频分别增强,完成颜色校正,并融合增强亮度分量,获得增强的彩色土壤图像。实验结果表明,提出算法对完全重合的亮度不同成对真实土壤图像做有目标增强实验,增强后的土壤图像与真实目标土壤图像对应像素Y、U、V分量差的标准差均值分别为14.313 7、1.323 2、2.110 5,峰值信噪比均值为29.820 9;与对比算法2-D HS、WGSF比较,计算对比算法增强后的土壤图像与真实目标土壤图像对应像素Y、U、V分量差的标准差均值,提出算法比对比算法分别降低了0.767 7~4.762 9、0.052 4~1.110 4、0.071 4~1.272 0。所提算法对土壤图像亮度可控增强的精度高,失真度小,有效亮度增强范围为[-35,35],实验证明算法是有效的。

融合大核注意力机制的土壤种类识别网络

【目的】为解决因土壤图像纹理复杂、没有结构性特征导致的传统卷积神经网络模型难以提取其中关键性特征、识别准确率低的问题,提出了一种大核注意力(large kernel attention,LKA)机制模块与ResNet模型融合的土壤种类识别网络模型VAR(visual attention ResNet),以解决土壤种类样本不平衡和难分类样本造成的模型泛化能力弱的问题。【方法】以ResNet为主干网络,在主干中引入LKA机制,减少其中的残差块,构建土壤种类识别网络VAR,并改进网络的焦点损失函数(Focal Loss)。【结果】(1)与传统模型ResNet18、ResNet34、VGG、GooleNet、VAN等相比,VAR模型在特定模型参数下对紫色土土壤图像数据集中土壤种类的识别精度更高;(2)用3种不同大小VAR模型之一的VAR_small与以ResNet18为主干并嵌入传统注意力机制SE、CBAM、ECA和SK的网络进行对比,实验结果显示LKA机制在土壤识别方面更加优秀;(3)改进的Focal Loss可让VAR更能注意到难分类的土壤图像样本。【结论】将LKA机制模块与ResNet模型融合的土壤种类识别网络模型VAR增强了网络提取土壤图像中关键性结构特征能力,同时还减少了网络参数,能更加有效地识别土壤种类。