一个种业老总的三大发明

1992年自担任甘肃省金象农业发展股份有限公司董事长兼总经理以来,陈学君带领职工建立起市、乡、村三级良种推广体系,引进、培育良种257个,对全张掖市农作物品种进行了三次更新、两次更代,使全市良种覆盖率由1983年的60．1％提高到现在的99.3％,平均亩产由310公斤增加到501公斤．亩增粮食191公斤．累计增产粮食3．9亿公斤．增加收入4．68亿元。金象种业增实力．上水平,成为研、产、加、销一条龙的现代产业化高新技术龙头企业．跻身“中国种业50强”。     

政府应为农业农民撑起"保护伞"

台风“碧利斯”造成浙江、福建、江西、湖南、广东、广西6省（区）的2962．2万人不同程度受灾．直接经济损失266亿元,农作物受灾面积115．8万公顷,绝收26．2万公顷,很多种植户、养殖户遭受了经济损失。     

鸡腿菇发酵料袋栽培技术

鸡腿菇风味独特,被视为美味佳肴。它肉质肥厚,味道鲜美,营养丰富,而且对治疗糖尿病、胃病和降血压有显著疗效,深受广大消费者的欢迎。     

棚室果树栽培八注意

近年来,果树棚室栽培发展迅速,不论栽培面积,还是栽培树种、品种都在不断增加。成功的棚室栽培能创造较高的经济效益,反之,则造成较大的损失。为确保果树棚室栽培成功,果农应注意棚室栽培的八个方面。     

农作物病虫害防治中体现的生物安全

农作物病虫害防治属于有害生物控制的内容,也是保障生物安全的一种措施。其主要目的是保障供应人类食物的农作物健康生长,获得丰收。在这个过程中。我们将影响农作物健康生长的生物——病、虫、草、鼠划为有害生物。对其控制的好坏直接关系到农作物的安全。在农作物病虫草鼠的控制措施中常发生损害其它无害生物、损害有益生物甚至威胁人类健康的现象。随着人们认识水平的提高,这种矛盾得到缓解,也体现了保障生物安全水平的提高。以下列举出一些在农作物病虫害防治中体现生物安全意识的具体事例。     

新品种介绍——秦单6号玉米

审定编号：国审稻2006076 品种名称：西农优1号 选育单位：西南大学 品种来源：金32Ax缙恢10号 省级审定情况：2004年重庆市农作物品种审定委员会审定     

日光温室双孢菇栽培技术

温室条件 89-Ⅲ节能日光温室和简易日光温室都可种植。 菇架的搭制 在温室后立柱前到中立柱之间搭制宽度2．2-2．5米的木架,每层间距65厘米,离地面高度30厘米,长度根据温室大小决定．共搭制三层．用水泥杆做立柱．立柱间距1．5-2米,用大竹杆或大木杆做横杆．横杆下面50厘米间距吊短木杆,再铺上小竹杆。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

农作物面积抽样单元空间变异性及其对抽样外推效率的影响

［目的］联合遥感和传统抽样方法的空间抽样技术是进行大区域农作物面积监测的有效手段。但传统抽样要求抽样单元间相互独立,并未考虑到区域农作物空间变异性的存在对农作物面积空间抽样效率是否有影响及其影响程度如何,从而限制了农作物面积监测的效率和精度。［方法］文章以吉林省德惠市为研究区,利用变异函数分别对10种抽样单元尺度内玉米和水稻种植面积的空间变异性进行定量评价。选择3种空间抽样方案（简单随机抽样、系统抽样、分层抽样）,分别计算不同空间变异程度下的样本容量（n）、抽样相对误差（Re）和总体总值估计量的变异系数（CV（Y︿））作为空间抽样效率的评价指标,定量分析空间变异性对农作物面积空间抽样效率的影响,提出适宜空间变异农作物的空间抽样优化方案。［结果］(1)玉米和水稻面积的空间变异性（反映为基台值C0+C）均随着抽样单元尺度的增加逐渐而减小,其中500m×500m和2 500m×2 500m抽样单元尺度下农作物面积的空间自相关程度相对最小。(2)相同抽样比下,农作物面积在3种抽样方法下的相对误差和变异系数均随着空间变异性的减小（抽样单元尺度增加）逐渐增大,其中玉米和水稻在分层抽样条件下的相对误差和变异系数具有相对最小值,分别限制在10%和20%以内,其次为系统抽样（Re<40%,CV（Y︿）<88%）和简单随机抽样（Re<50%,CV（Y︿）<75%）。 在抽样方法被选定的情况下,两种农作物的分层抽样相对误差变化率随着抽样比的增加迅速降低,当抽样比增至5%时,其相对误差和变异系数的变化率基本趋于稳定,继续增加抽样比来提高抽样精度的效果甚微。 在3 500m×3 500m抽样单元尺度内,按5%抽样比确定的样本容量对玉米和水稻面积进行分层抽样时,可达到95%的抽样精度（Re<5%）。 综合农作物在不同抽样单元尺度下的空间变异特征和空间抽样效率,基于2 500m×2 500m的抽样单元尺度和5%抽样比进行分层抽样的空间变异性农作物空间抽样方案是一种高精度、低成本、代表性强的空间抽样方案。［结论］该研究为区域农作物面积抽样调查方法的改善和抽样效率的提高提供技术支持和参考依据。     

生物质能源可利用潜力评价*——以黑龙江省重点国有林区为例

[目的]生物质能源具有污染少、可再生等特点,合理地对其开发利用是黑龙江省重点国有林区经济转型发展的一种探索。通过对黑龙江省重点国有林区生物质能源资源量的计算,明确了生物质能源的可利用潜力及变化趋势,以期为其产业发展的政策制定提供理论参考。[方法]文章利用自下而上估算法,以林木生物质的资源量和农作物秸秆的产量为原始数据,对2005—2015年黑龙江省重点国有林区生物质能源可利用潜力进行评价。[结果](1)研究期间,黑龙江省重点国有林区林木生物质资源可利用潜力小幅下降,农作物秸秆资源可利用潜力稳步上升。(2)林木生物质资源中,商品林采伐剩余物可利用潜力骤降,森林抚育剩余物可利用潜力增加;农作物秸秆资源中,粮食作物秸秆可利用潜力逐年上升。(3)黑龙江省重点国有林区生物质能源可利用潜力随着国家"天保工程"和"重点国有林区全面禁止天然林商业性采伐"政策的实施而发生变化。[结论]黑龙江省重点国有林区生物质能源丰富,可利用潜力较大,其中农作物秸秆资源可利用潜力增速较快。