XiaoMi-AI文件搜索系统
World File Search System杂草
北部高原地区战略杂草管理计划 2023-2027
“交易”的定义包括持有、占有、照管、保管或控制、生产、制造或供应、进口、获取、购买、销售、交换、处置、移动、释放、使用、繁殖、种植、饲养、喂养或培养、实验、展示、与他人达成协议或其他安排、同意交易、促成或允许交易或法规规定的任何交易或参与交易、生物安全事务或承运人的行为。《新南威尔士州生物安全法》2015 年第 12 条
农业生态系统中的行内杂草 - 综述
传统的人工除草是整个农作物生产周期中繁琐且昂贵的操作之一，原因是劳动力成本高、耗时且乏味。除草剂的使用除了其他令人担忧的缺点外，还造成了环境污染。对无毒食品的需求不断增加，已成为除草的挑战。因此，机械除草变得越来越重要。农业自动化也提高了除草管理的机械化投入。传感器、微控制器和计算技术在田间的快速应用为农业自主指导系统奠定了基础。自动化系统对田间作业具有时间效率，避免了巨大的劳动力需求和健康繁琐问题，从而实现了高效的农场运营。农民通常使用手动工具（如 khurpi（手动小锄头）、挖沟机、铁锹、轮锄、推拉式除草机）来清除行间和行内杂草，除草效率较高，在 72% 至 99% 之间，但田间持水量很低，在 0.001 至 0.033 公顷/小时之间。本篇评论讨论了机械除草方面的最新研究成果，例如拖拉机操作的指式除草机、扭力除草机、ECO 除草机、火焰除草机、耙子和基于传感器的技术，用于管理行距较宽的作物的行间和行内杂草。
美国西部和加拿大的观点：抗除草剂作物是解决抗除草剂杂草问题的办法吗？
抗除草剂 (HR) 作物在美国和加拿大广泛种植。这些作物性状技术可以增强杂草管理，因此可以成为综合杂草管理 (IWM) 计划的重要组成部分。与此同时，抗除草剂杂草种群的进化在种植抗除草剂作物的农业地区已变得无处不在。尽管如此，具有新的或组合的 (堆叠的) 抗除草剂性状的作物品种仍在继续开发和商业化。本综述基于 2021 年西部杂草科学学会年会上举行的研讨会，研究了过去 25 年抗除草剂作物对美国大平原、美国太平洋西北部和加拿大大草原抗除草剂杂草管理的影响及其过去和未来对 IWM 的贡献。我们还从行业角度介绍了抗除草剂作物发展的未来以及抗除草剂作物在抗性管理中的作用。预计主要作物和小作物的抗除草剂性状选择将有所扩大。通过适当的管理，抗逆性作物可以降低除草剂的使用强度，并有助于减少杂草种群的选择压力。然而，在种植系统中正确部署抗逆性作物必须经过仔细规划，考虑多种抗逆性和非抗逆性作物的轮作顺序，并最大限度地提高作物竞争力，以有效管理抗逆性杂草种群。根据美国西部和加拿大过去种植抗逆性作物和相关除草剂的经验，抗逆性作物一直是抗逆性杂草选择和管理的重要决定因素。
创新杂草管理的生物技术路线图
在大多数农田中，杂草管理主要依赖于综合杂草管理 (IWM) 策略，例如使用除草剂。然而，除草剂的过度使用和滥用，加上缺乏新的活性成分，导致全球抗除草剂杂草呈上升趋势。此外，杂草性状导致杂草种子库持久存在，进一步加剧了杂草管理的挑战。尽管人们不断努力确定和改进当前的杂草管理过程，但农业杂草管理对新型控制技术的迫切需求不容忽视。CRISPR/Cas9 基因编辑系统的出现，加上“组学”和更便宜的测序技术的最新进展，使人们关注到通过直接基因控制方法管理农田杂草的潜力，但可以稳定或暂时实现。这些方法涵盖了一系列技术，这些技术可以潜在地操纵杂草中关键基因的表达以降低其适应性和竞争力，或者通过改变作物来提高其竞争力或除草剂耐受性。减少或避免农田化学药品的使用为开发实用可行的杂草管理分子方法提供了额外的动力，尽管在杂草管理中利用这些潜在的分子技术存在重大的技术、实践和监管挑战。
使用深度学习技术的高级杂草检测
简介 CNN 或卷积神经网络是深度学习的一个子集。深度学习是机器学习和人工智能的更广泛的集合。深度学习是一种从数据集中进行复杂学习的方法，并根据数据集创建模型（Patel 等人，2018 年）。深度学习可以是一种监督学习的方式，也可以是一种无监督学习的方式。通常，它有一个现实生活中的问题的解决方案，学习结果可以是监督的、半监督的或无监督的，首先给出一个数据集，然后首先要对数据进行操作，必须清理数据，因为在现实生活中的数据模型中有很多数据缺失，无法用缺失数据创建模型，为此，必须准备数据以供算法运行，在应用算法之前，必须仔细清理数据并了解实际情况，然后才能应用合适的算法，应用算法后，人们将得到基于人工神经网络的理想数据表示（Mongaet al. 2020）。人工神经网络 (ANN) 的名称听起来可能与生物神经元相似，因为其结构与位于大脑内的神经元非常相似，但它与生物神经元有一些关键区别，例如人工神经网络是静态的，而另一个是活体生物体，因此本质上是动态的，另一个是人工神经网络是符号的，生物神经网络是模拟的。深度学习具有多种架构，这种多种架构在许多领域都有多种应用，例如“自然语言处理 (NLP)、医学图像分析、药物设计、生物信息学、语音识别、深度神经网络、卷积神经网络、医学视觉、计算机视觉”。转换或卷积神经网络处理图像恢复。卷积神经网络在“图像分割、裁剪图像分析、脑机接口、图像分类”等领域有着广泛的应用。受深度学习技术在图像处理领域的最新成功的启发，我们利用样本图像集使用反向传播对前馈深度卷积神经网络 (CNN) 与 Inception-ResnetV2 进行训练，以识别 RGB 和灰度值中的模式。然后，给定测试图像的灰度 L 通道，使用训练后的神经网络预测两个 a* 和 b* 色度通道。CNN 在融合层的帮助下生动地为图像着色，同时考虑了局部特征和全局特征。采用两个目标函数，即均方误差 (MSE) 和峰值信噪比 (PSNR)，对估计的彩色图像与其基本事实之间的质量进行客观评估。该模型在我们自己创建的数据集上进行训练，该数据集包含 1.2 K 张尼泊尔古老而古老的照片，每张的分辨率为 256×256。损失即 MSE、PSNR，模型的自然度和准确率分别为 6.08%、34.65 dB 和 75.23%。除了展示训练结果之外，还通过用户研究来评估生成图像的公众接受度或主观验证，其中模型在评估彩色结果时显示出 41.71% 的自然度。随着计算机图形渲染和图像编辑技术的巨大进步，计算机生成的假图像通常不能反映现实情况，现在可以很容易地欺骗人类视觉系统的检查。在这项工作中，我们提出了一个基于卷积神经网络 (CNN) 的模型，通过通道和像素相关性来区分计算机生成的 (CG) 图像和自然图像 (NI)。所提出的 CNN 架构的关键组件是一个自编码模块，它将彩色图像作为输入来提取
地面传感器技术在杂草检测中的潜在用途
场地特定杂草管理是精准农业 (PA) 的一部分，旨在以最小的经济和环境负担有效控制杂草侵染。这可以借助地面或近距离传感器结合决策规则和精确应用技术来实现。近距离传感器技术是为安装在车辆上而开发的，在过去三十年中已在 PA 应用中出现。这些技术专注于识别植物并借助其光谱和形态特征测量其生理状态。相机、光谱仪、荧光计和距离传感器是 PA 应用中最突出的传感器。本文的目的是描述可用于杂草检测和杂草侵染水平测量的地面传感器。概述了当前的传感器系统，描述了它们的概念、已取得的成果、已经使用的商业系统和仍然存在的问题。给出了这些传感器的发展前景。c ⃝ 2013 化学工业学会
2020 – 2025 年杂草管理战略
前言................................................................................................................................................................................................................................ 4
是什么使杂草成为杂草？ -Rothamsted存储库
有效使用它们的能力（Beckie，2020）。因此，要解决问题并制定可持续有效的杂草管理策略，我们必须了解除草剂耐药性的产生方式。我们知道，杂草可以通过更改除草剂（靶位部位耐药性或TSR）靶向的蛋白质，或避免，修改或排毒除草剂本身（非target位点耐药性或NTSR）来进化除草剂（Gaines等人。2020）。也很明显，这两种机制不是相互排斥的，许多种群都表现出两种类型的抗药性（Comont等人2020）。对于几种杂草物种，我们对TSR具有良好的分子水平理解。研究TSR是被损坏的东西，除草剂的功能被设计为中断的蛋白质是已知的。已经确定了目标蛋白质中突变位点的位置，这些变化的频率以及产生的变化如何改变除草剂和靶标之间的相互作用（在Gaines等人中进行了审查。2020）。这些研究使我们对为什么除草剂不再抑制蛋白质功能有分子级的理解。，但TSR机制并不总是完全解释所有杂草如何生存。这强调了NTSR机械主义和数据的重要性，这表明NTSR非常广泛（Powles＆Yu，2010年综述）。ntsr涵盖了允许植物在蛋白质靶标的变化以外的所有方法：包括摄取除草剂分子的摄取，转运和排毒。2018）。为了使未来的杂草管理策略有最佳的工作机会，他们必须考虑NTSR，特别是因为NTSR可以从不同的作用方式赋予对除草剂的抵抗，从而扩展到尚未发明的除草剂。因此，要确定基本的修改，必须考虑所有这些过程中涉及的所有蛋白质。研究人员已经通过各种途径进行了“针中的HAYSTACK”搜索，包括比较对除草剂敏感的蛋白质组和/或转录组与耐除草剂的植物。这种整体方法与损坏的系统进行了比较，在识别可能支持NTSR的潜在基因方面效果很好。但是这些清单很长，很明显，所有耐除草剂群体都不具有单一的通用“分子填充物”（Tétard-Jones等人。因此，这些方法仅揭示了基因型和表型之间的相关性，但不能建立因果关系。如果除草剂耐药性是一台可能导致问题的潜在零件列表的破碎机器，我们将以两种方式处理此列表：要么替换每个零件以查看是否解决了问题，要么在工作机器中打破同一零件，以查看问题是否可以重复。
侵入性外星杂草物种的丰度和地理分布
尚未在西阿姆哈拉地区发现的植物入侵者开始出现并产生负面影响。 进行了这项研究，以评估西部阿姆哈拉地区侵入性外星杂草（IAW）的丰度和地理分布。 以5-10 km的定期间隔进行了140个字段，并使用Garmin GPS接收器记录采样点的地理坐标，以绘制主要IAWS侵扰的程度。 iaws类型及其丰度是从每个采样点记录的。 计算频率和平均覆盖率分别量化了IAW的地理分布和丰度。 这项研究的结果表明，在路边，放牧的土地和农田的不同栖息地和农业水平上，在不同栖息地和农业生态的西部地区记录了14个IAW。 在这些IAWS Argemone墨西哥，Datura Stramonium，Senna Didymobotrya和Tagetes minuta中被广泛分布在研究区域，频率分别为51.4％，73％，66％和51.4％，但其他人的频率低于25％。 该研究的结果还表明，大多数IAW具有较低的丰度水平，除了三个物种（墨西哥armexana，datura stramonium和senna didymobotrya），这些物种经常达到丰富水平。 因此，应采取适当的管理实践的早期检测和消除，以减少少量出现在放牧和裁剪土地上的IAW风险。 此外，提高公众意识也将为解决IAW提供协同效果。 简介尚未在西阿姆哈拉地区发现的植物入侵者开始出现并产生负面影响。进行了这项研究，以评估西部阿姆哈拉地区侵入性外星杂草（IAW）的丰度和地理分布。以5-10 km的定期间隔进行了140个字段，并使用Garmin GPS接收器记录采样点的地理坐标，以绘制主要IAWS侵扰的程度。iaws类型及其丰度是从每个采样点记录的。频率和平均覆盖率分别量化了IAW的地理分布和丰度。这项研究的结果表明，在路边，放牧的土地和农田的不同栖息地和农业水平上，在不同栖息地和农业生态的西部地区记录了14个IAW。在这些IAWS Argemone墨西哥，Datura Stramonium，Senna Didymobotrya和Tagetes minuta中被广泛分布在研究区域，频率分别为51.4％，73％，66％和51.4％，但其他人的频率低于25％。该研究的结果还表明，大多数IAW具有较低的丰度水平，除了三个物种（墨西哥armexana，datura stramonium和senna didymobotrya），这些物种经常达到丰富水平。因此，应采取适当的管理实践的早期检测和消除，以减少少量出现在放牧和裁剪土地上的IAW风险。此外，提高公众意识也将为解决IAW提供协同效果。简介关键词：丰度，分布，侵入性对齐杂草物种，西部阿姆哈拉地区。
杂草管理中的基因技术 - Legros Mathieu
随着基因沉默和基因驱动等新基因技术的出现，开发更多杂草管理工具的努力正在获得巨大的发展势头。这些技术有望为开发可持续杂草控制方案提供新方法，因为基因沉默可以关闭介导适应性的基因（例如生长、除草剂抗性），而基因驱动可用于传播改良性状并设计适应性降低的野生种群。然而，应用基因沉默和/或基因驱动预计本质上是复杂的，因为它们的应用受到多种方法和技术困难的限制。在这篇评论中，我们探讨了这些技术的挑战，并讨论了加速开发基于基因技术的杂草管理工具的策略和资源。我们还重点介绍了如何将基因技术整合到现有的管理策略（例如传统的生物防治）中，以及它们可能的相互作用。