XiaoMi-AI文件搜索系统
World File Search System农作物
农作物野生近缘种从头驯化的途径
1 美国农业部植物科学研究中心，美国明尼苏达州圣保罗 55108 2 明尼苏达大学植物精准基因组学中心，美国明尼苏达州圣保罗 55108 3 明尼苏达大学基因组工程中心，美国明尼苏达州圣保罗 55108 4 明尼苏达大学农学与植物遗传学系，美国明尼苏达州圣保罗 55108 5 马里兰大学植物科学与景观建筑系，美国马里兰州帕克分校 6 马里兰大学生物科学与生物技术研究所，美国马里兰州罗克维尔 7 植物发育激素控制实验室。生物科学系，高级农业学校“Luiz de Queiroz”，圣保罗大学，CP 09, 13418-900，皮拉西卡巴，圣保罗，巴西 8 马克斯普朗克分子植物生理学研究所，Am Muëhlenberg 1, 14476波茨坦戈尔姆，德国 9 Departamento de Biologia Vegetal，Universidade Federal de Vic¸osa，Vic¸osa，米纳斯吉拉斯州，CEP 36570-900，巴西
适应农作物和土壤（VACS）行动研究的视觉
我非常感谢那些从一开始就成为Vacs Partners的人，包括AU，FAO，非洲孤儿作物财团，Agmip，Havos.ai，Cgiar和Rockefeller Foundation。VAC的定义特征之一是它不是项目或程序；顾名思义，这是一种“愿景”，现在是一种运动。关键区别在于，运动需要集体行动和责任才能进步。没有人拥有VACS探索和促进的概念。无需正式会员才能参加其工作。我希望任何人（无论他们是决策者还是研究人员，公司执行官或民间社会领袖，公职人员，私人公民或农民）都可以从VACS中汲取灵感并将其原则应用于自己部门的工作。在一起，个人行动有很大的不同。只有我们可以一起催化我们全球食品系统所需的变化。感谢您成为该运动的一部分！
气候智能农业系统的未充分利用的农作物
气候变化对我们的食品系统构成了显着的威胁，它们高度暴露于复杂且不可预测的环境变化，并且更容易受到冲击，气候变化是增加这些系统脆弱性的主要原因。建立气候富裕的粮食系统将使我们能够处理这些冲击，复杂性和不可预测性，这最终有助于粮食安全和可持续的粮食系统。提供全球食品需求的农作物的有限范围使粮食系统更容易受到气候危害的影响。目前，超过50％的消耗卡路里仅来自三种主食（大米，玉米和小麦），留下了历史上被人类利用的各种营养丰富的植物（Hunter等，2019）。被忽视和未充分利用的农作物物种（NUS）作为满足不断增长的全球人口的食物和营养需求的高度有希望的解决方案（Chivenge等，2015）。nus也得到了粮农组织的认可，因为未来的智能食品（FSF）具有未开发的饥饿和营养不良的潜力。nus具有重要的特征，可以在诸如干旱耐受性，适合边缘农业土地的更严格的环境中恢复韧性，并能够使用低成本输入使用来壮成长（Padulosi等，2012; Adhikari et al。，2017）。值得注意的，未被充分利用的农作物物种提供多种供应，调节，文化和支持生态系统服务，以及多种环境和健康共同培养。这些促进了增强的饮食多样性，收入和可持续生计等结果（Mabhaudhi等，2022）。世界各地有足够的证据，强调将被忽视和未充分利用的农作物（NUS）纳入食品系统的重要性，以此作为增强面对气候变化的农业系统弹性的策略。NUS的促进主要取决于研发，收获后处理，新产品开发，增值和为农民创造市场访问。追求增强了非国际NU在粮食系统中的作用，开发
基于智能传感器的智能农业，用于更好的农作物...
在这个血清时代，智能传感器的增长彻底改变了农业，在精确和数据驱动的农业时代迎来了农业。本章概述了智能传感器在智能农业中的应用，强调了它们在实现更好的作物生产中的重要作用。面对全球人口不断增长和气候状况的不断变化，对农作物产量和资源效率提高的需求从未有所更大。由智能传感器授权的智能农业作为解决这些挑战的解决方案。虽然在农业中采用智能传感器会带来巨大的好处，但仍然存在挑战，包括数据安全性，互操作性和对小型农民的可及性。但是，随着技术的继续发展并变得更加易于使用，基于智能传感器的智能农业有望应对21世纪全球粮食安全和可持续性挑战的希望。本章提供了智能传感器在获得更好的作物生产以及更有效和可持续的农业实践中的重要作用。
授权毛里求斯的粮食安全：推进农作物和牲畜生产
AUC非洲联盟委员会ABS农业营销委员会南非科学学院东部和南部非洲的共同市场CAADP CAADP综合非洲农业农业发展计划EAC EAC东非社区EDB EDB经济社区EDB经济社区EDB经济发展局EDB经济发展委员 Young Academy Science Advice Working Group IGAD Inter-Governmental Authority on Development IAP Inter-Academy Partnership ICT Information and Communication Technologies IOC Indian Ocean Commission MAIFS Ministry of Agro Industry and Food Security MAST Mauritius Academy of Science and Technology MCA Mauritius Chamber of Agriculture MIBL Mauritius Institute of Biotechnology Limited MYAI Mauritius Young Academy Initiative NASAC Network of African Science Academies NCDS非传染性疾病非政府组织非政府组织RTC区域培训中心SAYAS南非年轻科学学院SADAS南非南部非洲南部非洲发展社区SIDS小岛小岛发展州联合国可持续发展国家可持续发展目标UOM UOM UOM UOM UM UNIOMAL IM MAURITIUS UNIOMAL ON USAID US USAID UNIOMAL IN US of MAURITIUS UNIOMALAUC非洲联盟委员会ABS农业营销委员会南非科学学院东部和南部非洲的共同市场CAADP CAADP综合非洲农业农业发展计划EAC EAC东非社区EDB EDB经济社区EDB经济社区EDB经济发展局EDB经济发展委员 Young Academy Science Advice Working Group IGAD Inter-Governmental Authority on Development IAP Inter-Academy Partnership ICT Information and Communication Technologies IOC Indian Ocean Commission MAIFS Ministry of Agro Industry and Food Security MAST Mauritius Academy of Science and Technology MCA Mauritius Chamber of Agriculture MIBL Mauritius Institute of Biotechnology Limited MYAI Mauritius Young Academy Initiative NASAC Network of African Science Academies NCDS非传染性疾病非政府组织非政府组织RTC区域培训中心SAYAS南非年轻科学学院SADAS南非南部非洲南部非洲发展社区SIDS小岛小岛发展州联合国可持续发展国家可持续发展目标UOM UOM UOM UOM UM UNIOMAL IM MAURITIUS UNIOMAL ON USAID US USAID UNIOMAL IN US of MAURITIUS UNIOMAL
农作物地和土著品种：植物育种的宝贵基因来源
摘要：陆地和土著品种包含农作物物种多样性的宝贵来源。它们在植物繁殖中的利用可能会导致产量提高和提高质量性状，并对各种非生物和生物胁迫的韧性。最近，基于基因组技术快速发展的新方法，例如破译的pangenomes，多摩管工具，标记辅助选择（MAS），全基因组范围的关联研究（GWAS）以及CRISPR/CAS9基因编辑，在现代植物繁殖中的陆地剥削方面极大地促进了陆地的剥削。在本文中，我们介绍了实施新的基因组技术的全面概述，并强调了它们在指出陆地和土著种类种植的遗传基础和在地中海地区种植的年度，多年生草本和木质作物的重要性。还需要进一步利用先进的技术来揭示陆地和土著品种的全部潜力，而这些品种也表明了未充分利用的遗传多样性。最终，从陆地和土著品种的研究中出现的大量基因组数据揭示了它们作为宝贵基因和繁殖特征的来源的潜力。也强调了陆地和土著品种在减轻农业和粮食安全气候变化带来的持续风险中的作用。
Div de-Novo驯化用于提高农作物的盐耐受性
摘要目的：多发性磁共振（MR）图像的存在增加了可用于诊断和治疗脑癌患者的临床信息水平。但是，获取完整的多元图像MR图像的完整集并不总是可行的。在这项研究中，我们开发了一种最先进的深度学习卷积神经网络（CNN），用于跨三个标准的MRI对比度，用于大脑的三个标准MRI对比度。方法：在本研究中使用了477例临床诊断患有神经胶质瘤脑癌的477例患者的BRATS'2018 MRI数据集，每位患者患有T1加权（T1），T2加权（T2）和FLAIR对比度。分别将其分别分为64％，16％和20％，分别为培训，验证和测试集。我们开发了一个U-NET模型，以学习与三个MRI对比度的目标图像对比的源图像的非线性映射。使用于点误差（MSE）成本函数，0.001学习率的ADAM优化器和120个时期，批次大小为32。通过计算MSE，平均绝对误差（MAE），峰值信噪比（PSNR）和结构相似性指数（SSIM）来评估生成的合成MR图像。结果：与我们的模型一起生成的合成-MR图像几乎与测试数据集上的真实图像有关所有翻译的区别，除了合成的素质图像的质量略低，并且显示出细节的丢失。我们的结果与Brats数据集上其他深度学习模型的最佳报告结果一样好。六个翻译中平均PSNR，MSE，MAE和SSIM值的范围分别为29.44–33.25 dB，0.0005–0.0012，0.0086–0.0149和0.932–0.946。结论：我们的U-NET模型表明，它可以在跨大脑MRI对比度上准确地执行图像图像翻译。由于多重激发MRIS的可用性，这种方法可能在改善临床决策和更好地诊断脑癌患者的临床使用方面具有很大的希望。这种方法可能在临床上相关，并设定明显的步骤以有效地填充没有其他MR序列的缺乏空隙。
新基因组学技术——改良农作物和牲畜的多功能工具箱
史蒂文·鲁诺 (Steven Runo) 是肯尼亚内罗毕肯雅塔大学的分子生物学教授。他从肯雅塔大学获得了理学学士和理学硕士学位。随后，他获得洛克菲勒基金会的博士奖学金，作为肯雅塔大学和加州大学戴维斯分校合作项目的一部分，研究分子生物学。 2008年获得博士学位后，他在谢菲尔德大学（英国）和弗吉尼亚大学（美国）完成了博士后项目，之后返回肯尼亚并在肯雅塔大学担任讲师。目前，他的实验室正在利用分子遗传原理了解限制非洲农业生产的寄生植物及其与宿主的相互作用。史蒂文是亚历山大·冯·洪堡研究奖学金和乔治·福斯特高级研究奖学金的获得者。为了表彰他对科学的贡献，史蒂文·鲁诺于 2020 年被授予皇家学会非洲奖。 https://spas.ku.ac.ke/department-of-biochemistry-faculty/prof-steven-runo