Research progress of intelligent perception and analytics of agricultural information
-
摘要:
现代农业中，农业生产者需要实时、准确、全面地了解农田环境和农作物的生长状态，并对得到的农田信息数据做出相应分析、归纳和决策。农情信息智能感知和解析技术在现代农业生产中具有不可替代的地位。本文从农情智能感知和信息解析技术2个方面展开论述，重点分析了国内外农业物联网农情信息智能感知技术和基于大数据分析的农情解析方法研究进展，详细介绍了基于农情信息的智能决策技术在农机装备智能化应用的研究现状，总结了目前农用传感器应用存在的问题，并对今后在农情感知、信息解析技术、农业数据库技术以及智能决策技术方面的发展提出了建议，以期为智慧农业的深入发展提供参考。
Abstract:In modern agriculture, agricultural producers need to know the farmland environment and the growth state of crop in a real-time, accurate and comprehensive manner, and make corresponding analysis, induction and decision of obtained information. Intelligent sensing and analysis technology of agricultural information plays an indispensable role in modern agriculture. In this review, we discussed two aspects of agricultural intelligent sensing and information analysis technology, focused on the research progress of agricultural information intelligent perception technology and agricultural information analysis method based on agricultural internet of things and big data at home and abroad, introduced the application of intelligent decision-making technology based on agricultural information in agricultural machinery and equipment intellectualization. The problems existing in application of agricultural sensors were summarized. Some suggestions were put forward for the development of agricultural information perception, information analysis technology, agricultural database technology and intelligent decision-making technology to provide a reference for the development of intelligent agriculture in future.
-
植物不能运动，也没有声音语言，植物间以及植物与其他生物之间如何进行通信一直是个未解之谜。面对动物和病原微生物等天敌的侵袭，植物如何开展防御一直是科学家们非常感兴趣的问题。植物能够进行光合作用，擅长合成各种各样的有机化合物。截止2019年5月，从植物中分离鉴定出的天然有机化合物已超过20万种，这些化合物中有部分是挥发性有机化合物(Volatile organic compounds，VOCs)，它们是一类相对分子质量小的亲脂性化合物，在常温下容易从植物中释放出来散发到周围环境中，介导植物与周围环境中同种和不同种生物间的相互作用，从吸引传粉和种子传播媒介，到保护自己免受植食性动物、病原菌和寄生生物的侵害。植物通过释放挥发物将植物与周围其他生物连接形成一个化学通信网络，调控着种内与种间关系，进而影响生态系统的结构与功能。近年来，植物挥发物介导的生态学功能又有很多新的发现与进展，本文重点对植物挥发物介导的种内与种间关系的研究进展进行综述。
1. 植物挥发物的基本特征
植物在生长发育过程中能够源源不断地向环境中释放VOCs，特异性的VOCs不仅能表明植物的身份特征，还能反映出植物在不同生长发育时期和不同环境条件的生理状态，甚至能细化到不同器官[1]。目前已从超过90科的植物中分离出1 700种以上的VOCs[2]，主要包括萜类化合物、脂肪酸衍生物、苯环型和苯丙素类化合物、C5-支链化合物、含氮和含硫化合物等[3]。健康植株未受侵害时合成的挥发物为基础性的，而在遭受外界环境胁迫，尤其是植食性昆虫攻击后，植物释放的挥发物无论是在种类上还是在数量上都会明显增加[4]。植物虫害诱导挥发物(Herbivore-induced plant volatiles，HIPVs)是植食性昆虫为害而促使植物产生一系列代谢和生理生化变化，诱导植物合成并有规律释放的挥发性化学信号物质，是植物与周围生物进行化学通信与信息交流的重要媒介[5-6]。HIPVs的化学组分因植物与植食性昆虫种类的不同而有很大差异，目前研究较为深入的主要包括萜类化合物、绿叶性挥发物和芳香族化合物[3, 7]。绿叶性挥发物是植物挥发物中含有6个碳原子的醛、醇和酯类。正常情况下植株不释放或仅释放少量的绿叶性挥发物，而当受到虫害胁迫后植株能在数秒内迅速诱导释放此类物质。
植物挥发物在植物的繁衍以及防御病虫为害中具有多重生态学功能，农业生产实践中已经有一些利用植物挥发物进行田间害虫防治的案例[8-10]。尽管植物挥发物的田间应用在某些作物中获得了一定成效，但对植物挥发物在田间释放后的生态学效应还缺乏全面深入的了解。深入研究挥发物如何影响生态系统中生物种内和种间关系，尤其是对植食性害虫及其天敌的影响，对于植物挥发物的进一步应用非常重要。
2. 植物挥发物的生态学功能
植物挥发物释放到环境中，如何对生态系统产生影响从而有益于植物的生长与繁衍，一直以来是备受关注的问题。
在植物繁殖方面，一般认为植物通过花朵和花蜜释放挥发物来吸引传粉昆虫[3, 11]；通过植物果实释放挥发物来吸引种子传播媒介[12](图1)。这方面的研究很多，但是目前只鉴定出少数的能够吸引特定传粉昆虫的化合物[3]。
![]()
图 1 植物挥发物介导的植物与周围环境相互作用的概述[12]Figure 1. An overview of plant volatiles-mediated interactions between plants and their surroundings在植物抗性方面，植物挥发物的生态学功能被广泛报道，植物组织释放的挥发物能够抑制病原菌分生孢子的萌发，能保护植物不受病原菌的侵染[13-14]。在植物防御昆虫方面，对于植物HIPVs的功能研究比较深入。在直接防御方面，HIPVs可以抑制鳞翅目昆虫的生长、使幼虫麻痹或导致昆虫中毒，从而减少昆虫取食植物或趋避害虫[15-17]；间接防御方面，HIPVs不但可以作为互利素引诱捕食性或寄生性天敌来减轻害虫对植物的危害[18-20]，而且在同一生态系统中，HIPVs可作为植物间通信信号，被同一植株的健康部位和邻近植株识别，诱发邻近植物增强对害虫的防御反应[21-23](图1)。
植物挥发物的释放对于植物来说也可能是一把双刃剑[24]。植物与植食性昆虫在长期的协同进化过程中形成了一系列防御与反防御的机制。随着植物–昆虫相互关系研究的深入以及昆虫分子生物学的发展，越来越多植食性昆虫适应宿主植物的反防御策略逐步被认识[25-28]。挥发物作为植物强大的防御武器，植食性昆虫自然也有相对应的反防御策略[29-32]。本文将结合最新的研究结果对以上几个方面进行综述。
2.1 植物挥发物介导植物与传粉媒介的关系
自然界中有超过87%的开花植物是通过昆虫媒介授粉的，这些植物产生花香和其他信号吸引传粉媒介[33]。在植物所有器官中，花释放的挥发物种类和数量最多，这些挥发物被用以吸引传粉媒介从而确保植物能成功授粉和繁殖[34]。花释放的挥发物具有物种特异性，能吸引相应的传粉者[35]。由鳞翅目蛾类昆虫授粉的植物通常释放出大量的苯类化合物，并且较少释放萜类化合物和含氮化合物[35]，而蝙蝠授粉的花主要释放含硫挥发物[36]。另一方面，传粉者能够区分具有独特比例和浓度的复杂的多组分挥发性物质，并产生对特定混合物的偏好。这些偏好调节着传粉者的觅食行为，并促进花的恒定性(即反复访问具有特定挥发性特征的花的倾向)，从而使得花粉向同种植物雌蕊转移增加并防止异种花粉堵塞柱头[37]。更有意思的是，已经授粉的花朵会改变释放的挥发物，驱逐传粉媒介的进一步访问，并将其引导至尚未授粉的花朵[38]。
花释放的挥发物在植物生殖隔离中具有重要作用，特定物种的花吸引特定的传粉者。挥发性混合物的性质，包括浓度、成分比例和特异性的化合物等，可能有助于亲缘关系很近的植物物种间的生殖隔离。兰科一些属的每种兰花只吸引一种传粉动物协助传粉[39]。某些兰花花朵释放的挥发物与雌性传粉者的性信息素相似，从而欺骗性地吸引雄性传粉者[40]。一些植物花的挥发性具有抗菌活性，或对食花者具有威慑作用，从而保护植物的花器官[41]。
此外，最近的研究表明食叶动物会改变花释放的挥发物，进而对吸引传粉昆虫产生负面影响[42]。夜间开花的野生烟草Nicotiana attenuata花中的倍半萜(E)−α−香柠檬烯的释放有助于烟草天蛾Manduca sexta成虫介导的授粉，而叶片中虫害诱导的相同化合物可以吸引烟草天蛾幼虫的天敌。这个化合物在花和叶片中的合成由同一个倍半萜合成酶基因(NaTPS38)控制，这个基因的组织和时间差异表达使烟草白天吸引害虫天敌，夜间吸引传粉者，有助于植物解决传粉昆虫也是食草害虫的困境[43]。苄基丙酮(Benzylacetone，BA)是野生烟草的主要花香成分，它吸引夜间传粉者，如烟草天蛾。对于这种传粉媒介，BA不仅对于同种植物之间的花粉运输至关重要，而且对于蛾在夜间对花的短距离处理中也是必不可少的。同时，BA又是植食性昆虫十一星黄瓜甲虫Diabrotica undecimpunctata的取食抑制剂，有重要的防御功能[42]。花香中关键成分β−反式−香柠檬烯决定了斑点沟酸浆Mimulus guttatus的传粉者大黄蜂Bombus impatiens的喜好，近亲繁殖的沟酸浆释放的香柠檬烯少，远缘杂交的沟酸浆释放的香柠檬烯多，对传粉者的吸引力强[44]，远缘杂交品种通过释放更多挥发物提高繁殖能力。
2.2 植物挥发物对邻近植物的影响
植物挥发物在一株植物不同器官、同种植物不同个体以及不同种植物间的化学通信现象一直存在争议，但随着植物分子生物学及试验方法的发展与完善，越来越多的研究证明植物挥发物在植物间通信中发挥着重要的信号传递作用[45-47]。
植物遭受植食性昆虫为害时，受害部位产生的挥发物可以作为系统损伤信号进行传递，引发植物系统免疫反应从而抵御昆虫为害[48]。玉米在遭受灰翅夜蛾Spodoptera littoralis侵害时可通过合成吲哚快速将防御信号传递到整株植物而提高对害虫的系统抗性，同时还可防御警备邻近玉米植株提高抗虫性[49]。植物挥发物介导同种植物间的通信功能已有大量相关研究。已经发现萜类化合物、顺−3−己烯醇、水杨酸甲酯、茉莉酸甲酯、顺式茉莉酮和吲哚等多种挥发物在同种植物间的信号传递中发挥着关键作用[47, 49-53]。健康番茄植株在察觉到邻近受虫害番茄释放的绿叶性挥发物顺−3−己烯醇后，在体内将挥发物转化成对昆虫有毒性的糖苷，从而提高自身的抗虫性[23]。植物在胁迫环境(如虫害)下产生的挥发物可通过两种主要的机制诱导提高邻近植株的抗性。第一种是直接启动防御，包括诱导防御害虫相关基因的表达[54]，诱导合成防御性物质(如酚类、蛋白酶抑制剂)[55- 56]和防御酶(如苯丙氨酸解氨酶、多酚氧化酶和过氧化物酶等)[57]，诱导分泌蜜露[58]或者释放HIPVs吸引昆虫的天敌[59]等。第二种机制是产生防御警备[60]，接收到挥发物信号后，健康植株没有立即启动直接防御，而是进入防御警备状态，当受到类似胁迫(如虫害)时，受挥发物警备的植物会更快地产生更强烈的防御反应[12, 21, 55, 61](图1)。植物通过挥发物进行胁迫信号的传递现象也发生在不同种的植物之间[62-64]，受害的山艾树Artemisia tridentata释放的挥发性物质能诱导附近烟草植株产生对蚱蜢和夜蛾的抗性[62-64]。即使在野外自然条件下，山艾树与烟草间的化学通信也能被检测到。
2.3 植物挥发物对植食性昆虫的影响
植物挥发物在植物与昆虫神奇的协同进化中扮演着重要角色，其介导的植物–昆虫互作是化学生态学与植物保护学研究的一个热点。植物在感受到植食性昆虫爬行、取食、产卵等多种信号时，都可被诱导合成并释放HIPVs，进而对昆虫的迁移、取食、交配和产卵等行为产生影响[7, 65-67]。
从植物防御角度来看，HIPVs可以直接使昆虫中毒从而抑制其生长，这可能是HIPVs在最初的进化中主要的功能[15]；HIPVs也可以通过趋避昆虫从而保护植物[17, 68]，趋避效应的产生可能是HIPVs本身对于昆虫就具有忌避效应[68]，也可能是植食性昆虫为了避开潜在的竞争者或者为了躲避天敌产生的结果[69-70]。
从昆虫反防御角度来看，植食性昆虫可以巧妙地利用多营养级之间的化学通信与相互作用来提高自身对环境的适应。植食性昆虫可利用植物HIPVs寻找与定位寄主[71]。玉米蚜虫Rhopalosiphum maidis可通过感知植物HIPVs来寻找合适的食物资源[29]；美洲烟草天蛾等可借助烟草植株的HIPVs选择宿主产卵[30-31]；在侵害宿主植物时，豌豆蚜Adalia bipunctata体内的共生菌可以协助抑制植物HIPVs的释放，降低豌豆蚜被天敌寄生的危险，从而增强植食性昆虫的适应性[32]。近期研究发现灰翅夜蛾Spodoptera mauritia幼虫在接触寄主植物的HIPVs吲哚后，可以通过改变自身体味，降低寄生蜂对幼虫的定位与寄生能力[72]。
2.4 植物挥发物对植食性昆虫天敌的影响
植物、植食性昆虫及其天敌相互之间的营养作用是所有陆地生态系统的组成部分，HIPVs在三者相互作用中起关键作用，因为它们可以吸引捕食者和寄生性天敌到植食性昆虫入侵的植株上。植食性昆虫的天敌可以利用寄主植物和植食性昆虫释放的化学信息物质对寄主进行定位[73]。大量的研究表明，许多植食性昆虫的天敌能够被HIPVs吸引并能有效利用植物HIPVs对为害昆虫进行更迅速和准确的捕食或寄生[7]。目前的研究表明，HIPVs中发挥引诱天敌作用的组分主要包括萜类化合物、绿叶性挥发物、酚类化合物(如水杨酸甲酯)和吲哚等[7, 74]。通过遗传改良技术在拟南芥Arabidopsis thaliana中引入的倍半萜合酶，可以产生2种新的萜烯挥发物，使植物吸引捕食性天敌智利小植绥螨Phytoseiulus persimilis来控制害虫为害[75]。利用气相色谱–触角电位技术可以对HIPVs混合物中引诱天敌的主要有效成分进行筛选鉴定。有意思的是，含量最多的挥发物组分不一定主要起到引诱天敌的功能[18]。很多含量很低的挥发物在植物–昆虫互作中却起关键作用[76]。
2.5 植物挥发物对微生物的影响
植物挥发物除了介导植物–害虫–天敌三营养级间的关系外，近年来发现植物挥发物也参与和微生物的互作，包括植物病原菌、昆虫病原真菌和菌根真菌等[10, 13-14, 77]。很多植物花朵释放的挥发物具有抗菌或抗真菌活性，从而保护植物生殖器官免受病原菌的侵害[78-80](图1)。在拟南芥中沉默绿叶性挥发物合成途径中的脂氢过氧化物裂解酶基因(HPL)，可导致拟南芥对灰霉病病原菌Botrytis Cinerea的敏感度提高，而过表达HPL可显著提高拟南芥对病原菌的抗性[13]。在对利马豆Phaseolus lunatus的研究中发现，经过抗性诱导挥发物处理过的利马豆健康植株，可提前进入防御警备状态，从而在不影响其正常生长发育的情况下增强对植物病原菌的抗性[81]。拟南芥释放的绿叶性挥发物中的(Z)−3−己烯醇、(E)−2−己烯醛和(Z)−3−己烯醛等能诱导植物中多个抗性基因的表达，从而提高拟南芥对灰霉病菌的抗性[82]。植物在遭受虫害后，还能通过释放挥发物促进昆虫病原真菌的菌丝蔓延、孢子萌发、致病、毒力作用等过程，帮助植物提高对昆虫的防御能力[83-84]。
3. 植物挥发物在生产实践中应用的进展与挑战
在农业生产中，农作物与害虫之间的相互关系研究是植物保护学家关注的焦点。在认识植物挥发物，尤其是HIPVs在植物与昆虫互作以及植物防御中重要的生态学功能的同时，植物挥发物在田间害虫控制中的应用也从以下几个方面展开：直接利用人工合成的挥发物作为天敌或害虫的引诱剂，或害虫趋避剂[9, 85]。中国农业科学院郭予元院士团队在棉田应用挥发物引诱天敌，发现(Z)−3−乙酸叶醇酯对七星瓢虫Coccinella septempunctata等天敌有显著引诱作用，水杨酸甲酯(Methyl salicylate，MeSA)能显著引诱草间小黑蛛Hylyphantes graminicola和食蚜蝇[86]；诱导植物合成与释放更多挥发物控制害虫[87-88]，经茉莉酸处理后的冬小麦，不但能显著排斥4 种蚜虫，还吸引到更多的七星瓢虫和蚜茧蜂[87]；将植物挥发物应用在“推–拉”策略(Push-pull strategy)中[8, 10, 89]，获得巨大成效的是在肯尼亚对玉米螟Ostrinia nubilalis和玉米茎蛀褐夜蛾Helotropha leucostigma的防治[90]；应用挥发物突变体植物或基因改良植物[77, 91]，例如，将草莓萜烯合成酶在拟南芥中过表达，使转基因植株释放大量的芳樟醇趋避蚜虫[92]。
尽管挥发物的田间应用在某些作物中已获得一定成效，但是，对于植物挥发物在田间释放后的生态学效应还缺乏深入、全面的了解[93]。比如，通过挥发物引诱天敌数量增加能否有效控制害虫的种群数量仍然存在疑问；对目标天敌有吸引作用的往往是几种挥发物在特定比例下的共同作用，当前应用主要是挥发物单组分，而对混合组分的研究明显不足；另外，更加重要的是，除天敌外，植食性昆虫也可以利用挥发物寻找合适的食物资源和产卵宿主，现有的研究主要关注天敌，而忽略了其对害虫的潜在影响[69]。以上问题使得将挥发物应用于调控昆虫种群依然存在无法预测和难以控制的结果。
4. 植物挥发物的研究前景
过去30年，对植物挥发物，尤其是HIPVs的研究不断深入，我们对于植物挥发物介导的生物种内和种间关系有了许多新的认识。农业工作者也积极尝试将植物挥发物应用到田间病虫害等有害生物的防治中。但植物释放挥发物是一个复杂的生理生化过程，在田间环境中同时受到多重因素的制约与影响。人们对植物挥发物的生态学功能了解仍然有限，利用植物挥发物进行农业害虫和病原菌的防治仍然存在很大争议。今后应该加强以下几个方面的研究：在野外自然条件下研究植物挥发物的生态学功能，目前关于挥发物介导种内与种间关系的分子机制研究大多是在实验室条件下进行的，其生态学意义有待进一步验证；植物挥发物受体蛋白的鉴定，植物挥发物介导的化学通信最直接的分子证据就是受体蛋白的存在，除了乙烯受体蛋白外，还没有鉴定到其他植物挥发物的受体蛋白[94]，鉴定受体蛋白可为植物挥发物在植物体内或者在物种间信号转导的研究奠定基础[95]；阐明植物挥发物的合成与释放机制；评估植物挥发物在田间环境中对整体生态系统的影响以及植食性昆虫演化的各种反防御机制。
-
表 1 农业传感器的具体类型和功能
Table 1 Specific types and functions of agricultural sensors
农业传感器
Agricultural sensor具体类型
Specific type功能
Function环境传感器
Environmental sensor土壤含水量、养分、电导率传感器；水体含氧量、酸碱度、浊度传感器；温湿度、气体浓度传感器等 对农产品生长环境如水域、土壤、空气中的关键要素进行监测，密切关注外部环境的变化，为农作物健康成长做好管理和保障工作 农业气象传感器
Meteorological sensor光照量、光照度传感器；风速风向传感器；紫外线、辐射量传感器；降雨量传感器等 监测农业生产活动中常见的气象要素，能有效预测气象环境，提高农民对气象灾害的预防能力 动植物生长状态传感器
Growth state sensor of animal or plant植物茎流传感器；叶绿素传感器；激素类传感器；葡萄糖小分子传感器等 对作物生长过程中的生命数据进行监测，及时了解作物的生长状态，有利于控制存活率和实现大数据分析 农机参数传感器
Agricultural machinery parameter sensor电机温度传感器；机油压力传感器；传动传感器；红外传感器等 实现对农业机械工作状态的监控，提高生产植保效率，有效地增强对智慧农业的体系管理 
下载: 导出CSV
表 2 智能解析部分算法及优点
Table 2 Some algorithms and advantages of intelligent analysis
机器学习 Machine learning 分类算法 Classification algorithm 优点 Advantage 监督学习 Supervised learning 朴素贝叶斯算法 善于处理小规模数据，算法简单、稳定分类 K−近邻算法 有较好的精度，善于处理大量数据 非监督学习 Unsupervised learning K−均值聚类算法 快速处理聚类问题，高效处理较大的数据集 半监督学习 Semi-supervised learning 自训练算法 简单有效，不需要特定的假设条件 多视角算法 降维、模块化数据结构 强化学习 Intensified learning Q学习 不需要对环境进行建模 SARSA 实时性强，易于控制
下载: 导出CSV
-
[1] 马明, 赵新子, 蔺相志, 等. 电子农情监测物联网: 农业的重要增产措施[J]. 农业开发与装备, 2017(6): 30-31. [2] 刘迁迁, 宫哲. 加强农情监测技术应用提升三农金融服务质量[J]. 农业经济, 2016(4): 17-18. [3] 孟祥宝, 谢秋波, 彭宾, 等. 农情综合信息智能监控体系的开发及应用[J]. 机电工程技术, 2014(6): 144-148. [4] 王大正, 任博, 刘珠明. 不同类型农情监测系统间数据共享方案研究[J]. 中国农机化学报, 2019, 50(12): 154-159. [5] DUAN Q, YANG R, CHEN Y. Automatic Identifying query interfaces of deep web based on preclassification-SVM[J]. Sensor Lett, 2013, 11(6): 1389-1395. doi: 10.1166/sl.2013.2910
[6] 岳学军, 王叶夫, 洪添胜, 等. 基于信道测试的橘园WSN网络部署试验[J]. 农业机械学报, 2013, 44(5): 213-218. [7] 曹惠茹, 李业谦, 岳学军, 等. 无线多媒体传感网络不同部署环境下信号传播特性试验[J]. 测试技术学报, 2016, 30(5): 389-393. [8] CAO H, LIU Y, YUE X, et al. Cloud-assisted UAV data collection for multiple emerging events in distributed WSNs[J]. Sensors, 2017, 17(8): 1818. doi: 10.3390/s17081818
[9] CAO H R, YANG Z, YUE X J, et al. An optimization method to improve the performance of unmanned aerial vehicle wireless sensor networks [J]. Int J Distrib Sens N, 2017, 13(4): 1-10. doi: 10.1177/1550147717705614.
[10] 葛文杰, 赵春江. 农业物联网研究与应用现状及发展对策研究[J]. 农业机械学报, 2014, 45(7): 222-230. [11] TERENCE S, PURUSHOTHAMAN G. Systematic review of internet of things in smart farming[J]. Trans Emerging Tel Tech, 2020, 31: e3958.
[12] 胡亮, 曹艳, 唐江云, 等. 基于物联网的玉米病害环境监测系统研究与实现[J]. 中国农学通报, 2020, 36(22): 154-164. [13] 刘子成. 土壤环境监测技术的现状及发展趋势[J]. 江西农业, 2020(14): 16. [14] 刘成良, 林洪振, 李彦明, 等. 农业装备智能控制技术研究现状与发展趋势分析[J]. 农业机械学报, 2020, 51(1): 1-18. [15] ANTONUCCI F, PALLOTTINO F, COSTA C, et al. Development of a rapid soil water content detection technique using active infrared thermal methods for in-field applications [J]. Sensors, 2011, 11: 10114-10128.
[16] 蔡坤, 徐兴, 俞龙, 等. 基于LVDS传输线延时检测技术的土壤含水率传感器[J]. 农业机械学报, 2016, 47(12): 315-322. [17] 蔡坤, 岳学军, 洪添胜, 等. 基于RC网络相频特性的土壤含水率传感器设计[J]. 农业工程学报, 2013, 29(7): 36-43. [18] GENOT V, COLINET G, BOCK L, et al. Near infrared reflectance spectroscopy for estimating soil characteristics valuable in the diagnosis of soil fertility[J]. J Near Infrared Spec, 2011, 19(2): 117-138. doi: 10.1255/jnirs.923
[19] HONG M K, MYUNG-CHUL K, SMITH A E. Simultaneous determination of 2, 4-D, dicamba, and mecoprop in soil leachates by gas chromatography with electron capture detection[J]. J Aoac Int, 1996, 79(4): 998-1004.
[20] 邓小蕾, 李民赞, 武佳, 等. 集成GPRS、GPS、ZigBee的土壤水分移动监测系统[J]. 农业工程学报, 2012, 28(9): 130-135. [21] 李民赞, 姚向前, 杨玮, 等. 基于卤钨灯光源和多路光纤的土壤全氮含量检测仪研究[J]. 农业机械学报, 2019, 50(11): 169-174. [22] 秦琳, 黄世群, 仲伶俐, 等. 杜马斯燃烧法和凯氏定氮法在土壤全氮检测中的比较研究[J]. 中国土壤与肥料, 2020(4): 258-265. [23] 王儒敬, 陈天娇, 汪玉冰, 等. 基于深度稀疏学习的土壤近红外光谱分析预测模型[J]. 发光学报, 2017, 38(1): 109-116. [24] 张俊卿, 高钧, 陈翔宇, 等. 土壤钾离子非接触电导检测装置设计与试验[J]. 农业机械学报, 2018, 49(S1): 367-371. [25] 李颉, 张小超, 苑严伟, 等. 北京典型耕作土壤养分的近红外光谱分析[J]. 农业工程学报, 2012, 28(2): 183-186. [26] 张俊宁, 方宪法, 张小超, 等. 基于激光诱导击穿光谱的土壤钾素检测[J]. 农业机械学报, 2014, 45(10): 294-299. [27] 代艳娜, 刘青海, 蒲继锋, 等. 超高效液相色谱-串联质谱法检测芹菜和土壤中灭蝇胺及其代谢物三聚氰胺残留[J]. 食品安全质量检测学报, 2020, 11(15): 5020-5026. [28] 杨学灵, 魏嘉良, 蔡子洋, 等. 超声波萃取−气相色谱法测定土壤和沉积物中异丙胺[J]. 广州化工, 2020, 48(15): 140-141. [29] 陈二阳, 袁姜红, 黎忠文, et al. 基于JSON的土壤环境监测物联网感知源信任评价模型研究 [J/OL]. 西安理工大学学报, 2020. https://kns.cnki.net/kcms/detail/61.1294.N.20200708.1442.002.html. [30] 岳学军, 刘永鑫, 洪添胜, 等. 基于土壤墒情的自动灌溉控制系统设计与试验[J]. 农业机械学报, 2013, 44(S2): 241-246. [31] 彭炜峰, 刘芳, 李光林, 等. 丘陵地区农田土壤信息监测系统的研究[J]. 农机化研究, 2021, 43(4): 65-69. [32] 孙通. 农业气象物联网在蔬菜大棚中的应用[J]. 现代农业科技, 2020(16): 164. [33] 蔡坤, 洪添胜, 岳学军, 等. 基于误码检测机制的滴灌系统红外光雨水传感器的设计[J]. 农业工程学报, 2012, 28(24): 70-77. [34] 王斌, 刘雪梅, 张国强, 等. 猪舍生态环境监测和清洁控制系统的设计[J]. 农业工程学报, 2020, 36(3): 55-62. [35] YUE X J, HONG T S, XU X, et al. High-performance humidity sensors based on double-layer ZnO-TiO2 nanofibers via electrospinning[J]. Chin Phys Lett, 2011, 28(9): 090701. doi: 10.1088/0256-307X/28/9/090701
[36] 马瑞丽. 基于物联网的农业气象监测的实现研究[J]. 农业技术与装备, 2020(7): 124-125. [37] 刘恺, 谭泗桥, 刘志杰, 等. 稻田农情监测技术研究进展及发展趋势分析[J]. 企业技术开发, 2019, 38(4): 38-41. [38] 黄华宁. 我国首个“作物病虫草害监测预警研究中心”成立 [J]. 科学种养, 2020(3): 63. [39] WANG J, NAKANO K, OHASHI S, et al. Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging[J]. Biosyst Eng, 2011, 108(4): 345-351. doi: 10.1016/j.biosystemseng.2011.01.006
[40] 李震, 洪添胜, 王建, 等. 柑橘全爪螨虫害快速检测仪的研制与试验[J]. 农业工程学报, 2014, 30(14): 49-56. [41] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫害检测特征向量的选取[J]. 农业工程学报, 2014, 30(12): 132-139. [42] GRIFFEL L M, DELPARTE D, EDWARDS J. Using support vector machines classification to differentiate spectral signatures of potato plants infected with potato virus Y[J]. Comput Electron Agr, 2018, 153: 318-324.
[43] ROMER C, BÜRLING K, HUNSCHE M, et al. Robust fitting of fluorescence spectra for pre-symptomatic wheat leaf rust detection with support vector machines[J]. Comput Electron Agr, 2011, 79: 180-188.
[44] KAUR R, KANG S S. An enhancement in classifier support vector machine to improve plant disease detection[C]∥ IEEE International Conference on Moocs. IEEE, 2016.
[45] 许良凤, 徐小兵, 胡敏, 等. 基于多分类器融合的玉米叶部病害识别[J]. 农业工程学报, 2015, 31(14): 194-201. [46] 赵小娟, 叶云, 冉耀虎. 基于物联网的茶树病虫害监测预警系统设计与实现[J]. 中国农业信息, 2019, 31(06): 107-115. [47] 朱静波, 李闰枚, 董伟, 等. 基于数据预处理的病虫草害农田小气候监测系统设计[J]. 现代农业科技, 2017(15): 277-279. [48] WATCHAREERUETAI U, OHNISHI N. A New Color-based Lawn Weed Detection Method and Its Integration with Texture-based Methods: A Hybrid Approach [J]. 電気学会論文誌, c 電子·情報·システム部門誌, 2011, 131(2): 355-366 WATCHAREERUETAI U, OHNISHI N. A new color-based lawn weed detection method and its integration with texture-based methods: A hybrid approach[J]. IEEJ T Electr Electr, 2011, 131(2): 355-366.
[49] WAJAHAT K, FRANCISCD G, JON N, et al. Exploiting affine invariant regions and leaf edge shapes for weed detection[J]. Comput Electron Agr, 2015, 118: 290-299.
[50] BAKHSHIPOUR A, JAFARI A. Evaluation of support vector machine and artificial neural networks in weed detection using shape features[J]. Comput Electron Agr, 2018, 145: 153-160.
[51] LOUARGANT M, JONES G, FAROUX R, et al. Unsupervised classification algorithm for early weed detection in row-crops by combining spatial and spectral information[J]. Remote Sen, 2018, 10(5): 761. doi: 10.3390/rs10050761
[52] DAVID H, FERAS D, TRISTAN P, et al. A rapidly deployable classification system using visual data for the application of precision weed management[J]. Comput Electron Agr, 2018, 148: 107-120.
[53] 牟海维, 朱春辉. 植物生理传感器的研究现状与应用展望[J]. 农业与技术, 2020, 40(13): 31-32. [54] JONES C L, MANESS N O, STONE M L, et al. Chlorophyll estimation using multispectral reflectance and height sensing[J]. T Asabe, 2007, 50(5): 1867-1872. doi: 10.13031/2013.23938
[55] BARESEL J R P, RISCHBECK P, HU Y, et al. Use of a digital camera as alternative method for non-destructive detection of the leaf chlorophyll content and the nitrogen nutrition status in wheat[J]. Comput Electron Agr, 2017, 140: 25-33.
[56] 孙红, 邢子正, 张智勇, 等. 基于RED-NIR的主动光源叶绿素含量检测装置设计与试验[J]. 农业机械学报, 2019, 50(S1): 175-181. [57] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302. [58] 冯伟, 朱艳, 姚霞, 等. 小麦氮素积累动态的高光谱监测[J]. 中国农业科学, 2008, 41(7): 1937-1946. [59] 黄双萍, 洪添胜, 岳学军, 等. 基于高光谱的柑橘叶片磷含量估算模型实验[J]. 农业机械学报, 2013, 44(4): 202-207. [60] 黄双萍, 洪添胜, 岳学军, 等. 基于高光谱的柑橘叶片氮素含量多元回归分析[J]. 农业工程学报, 2013, 29(5): 132-138. [61] 黄双萍, 岳学军, 洪添胜, 等. 不同物候期柑橘叶片钾素水平预测建模[J]. 江苏大学学报(自然科学版), 2013, 34(5): 529-535. [62] 岳学军, 全东平, 洪添胜, 等. 不同生长期柑橘叶片磷含量的高光谱预测模型[J]. 农业工程学报, 2015, 31(8): 207-213. [63] 岳学军, 全东平, 洪添胜, 等. 基于流形学习算法的柑橘叶片氮含量光谱估测模型"[J]. 农业机械学报, 2015, 46(6): 244-250. [64] 陈学深, 黄柱健, 马旭, 等. 基于触觉感知的水稻行弯度测量装置设计与试验[J]. 农业机械学报, 2020, 51(2): 45-53. [65] 邹金秋. 农情监测数据获取及管理技术研究[D]. 北京: 中国农业科学院, 2012. [66] 曾小红, 王强. 国内外农业信息技术与网络发展概况[J]. 中国农学通报, 2011, 27(8): 468-473. [67] 卢丽娜. 世界农业信息化进程及发展趋势[J]. 中国信息界, 2007(1): 85-91. [68] 王强, 曾小红. 国内外农业数据资源和网络发展概况[J]. 世界农业, 2008(11): 61-64. [69] 方利, 姚敏, 岳建伟, 等. 多源海量统计遥感数据集成管理技术研究[J]. 地理信息世界, 2010, 8(1): 56-60. [70] 方利, 易文斌, 岳建伟, 等. 统计遥感基础地理数据库标准研究与编制[J]. 测绘与空间地理信息, 2010, 33(1): 14-17. [71] 徐世卫. 农业大数据与农产品监测预警[J]. 中国农业科技导报, 2014, 16(5): 14-20. [72] ZHAO H, WANG F, YANG Q. Origin traceability of peanut kernels based on multi-element fingerprinting combined with multivariate data analysis[J]. J Food Agr, 2020, 100(10): 4040-4048.
[73] 刘彪. “云计算”和大数据在“互联网+”时代的应用[J]. 电子技术与软件工程, 2020(12): 201-213. [74] 崔晓军, 高子航. 基于GIS与云计算的温州市农业大数据可视化平台研究[J]. 电脑编程技巧与维护, 2020(4): 113-115. [75] 顾静秋. 农业数据智能感知与分析关键技术研究 [D]; 北京: 北京交通大学, 2018. [76] 赵献立, 王志明. 机器学习算法在农业机器视觉系统中的应用[J]. 江苏农业科学, 2020, 48(12): 226-231. [77] LI H, LEE W S, WANG K. Identifying blueberry fruit of different growth stages using natural outdoor color images[J]. Comput Electron Agr, 2014, 106: 91-101.
[78] 王永波 邝炳洽. 基于机器学习的花卉分类算法研究[J]. 现代计算机, 2013(9): 21-24. [79] 周军, 蔡建, 郭俊先, 等. 基于机器视觉的核桃仁特征提取与分级方法研究[J]. 江苏农业科学, 2018, 46(11): 175-179. [80] KURTULMUS F, ÜNAL H. Discriminating rapeseed varieties using computer vision and machine learning[J]. Expert Syst App, 2015, 42(4): 1880-1891. doi: 10.1016/j.eswa.2014.10.003
[81] 罗匡男, 彭琳, 齐伟恒. 基于机器视觉的三七叶片病斑识别[J]. 江苏农业科学, 2017, 45(24): 209-212. [82] 刘永娟. 基于计算机视觉技术的玉米发育期识别研究 [D]. 无锡: 江南大学, 2017. [83] ZHANG S W, WU X W, YOU Z H, et al. Leaf image based cucumber disease recognition using sparse representation classification[J]. Comput Electron Agr, 2017, 134: 135-141. doi: 10.1016/j.compag.2017.01.014
[84] 徐邮邮, 李西灿, 尚璇, 等. 基于半监督模糊识别的土壤含水量高光谱估测模型研究[J]. 地理与地理信息科学, 2019, 35(2): 33-37. [85] 吴四茜. 一种相似青梅品级半监督智能认知方法研究 [D]; 合肥: 合肥工业大学, 2019. [86] 周俊, 陈钦, 梁泉. 基于强化学习的农业移动机器人视觉导航[J]. 农业机械学报, 2014, 45(2): 53-58. ZHOU J, CHEN Q, LIANG Q. Vision navigation of agricultural mobile robot based on reinforcement learning [J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 53-8.
[87] SUN L, YANG Y, HU J, et al. Reinforcement learning control for water-efficient agricultural irrigation[C]//IEEE International Conference on Ubiquitous Computing and Communications. IEEE, 2017.
[88] CHEN Y, ZHU H, OZKAN H E. Development of a variable-rate sprayer with laser scanning sensor to synchronize spray outputs to tree structures[J]. T Asabe, 2012, 55(3): 773-781. doi: 10.13031/2013.41509
[89] GIL E, LLORENS J, LLOP J, et al. Variable rate sprayer: Part 2: Vineyard prototype: Design, implementation, and validation[J]. Comput Electron Agr, 2013, 95: 136-150.
[90] 曾立. 作物间变量喷施作业机器人及控制设计[D]. 哈尔滨: 哈尔滨理工大学, 2018. [91] 苑严伟, 李树君, 方宪法, 等. 氮磷钾配比施肥决策支持系统[J]. 农业机械学报, 2013, 44(8): 240-244. [92] 郝云鹏. 基于GIS的玉米变量施肥作业自动决策系统研究 [D]. 长春; 吉林农业大学, 2017. [93] KAREN L, MICHAEL P, AMANDA A, et al. A decision-support system for analyzing tractor guidance technology[J]. Comput Electron Agr, 2018, 153: 115-25. doi: 10.1016/j.compag.2018.08.014
[94] HAMEED I A. Intelligent coverage path planning for agricultural robots and autonomous machines on three-dimensional terrain[J]. J Intell Robot Syst, 2014, 74(3/4): 965-983.
[95] 刘刚, 康熙, 夏友祥, 等. 基于GNSS农田平整全局路径规划方法与试验[J]. 农业机械学报, 2018, 49(5): 27-33. [96] 孟志军, 刘卉, 王华, 等. 农田作业机械路径优化方法[J]. 农业机械学报, 2012, 43(6): 147-152. [97] 张亚娇. 农机自动驾驶监控终端关键技术研究与系统开发 [D]. 广州: 华南农业大学, 2016. [98] CHI Z, NOBORU N. Development of a multi-robot tractor system for agriculture field work[J]. Comput Electron Agr, 2017, 142: 79-90.
[99] 曹如月, 李世超, 季宇寒, 等. 基于蚁群算法的多机协同作业任务规划[J]. 农业机械学报, 2019, 50(S1): 34-39. [100] 郭娜, 胡静涛. 基于Smith-模糊PID控制的变量喷药系统设计及试验[J]. 农业工程学报, 2014, 30(8): 56-64. [101] 曹如月, 李世超, 魏爽, 等. 基于Web-GIS的多机协同作业远程监控平台设计[J]. 农业机械学报, 2017, 48(S1): 52-57. [102] 向抚, 宋玉娥, 叶紫文. 石门县农情信息工作发展现状及对策[J]. 作物研究, 2018, 32(S1): 85-86. -
期刊类型引用(80)
1. 朱杰，郑利乐，钟鸣鸾，童灵洁，李洁玲，李华平，李云锋，聂燕芳. 洋葱伯克霍尔德菌GD1-1的分离鉴定及对香蕉枯萎病的生防潜力. 华南农业大学学报. 2025(01): 72-80 . 
本站查看
2. 赵阳，刘爽，王志彪，伍俊宇，陈代朋，郑丽. 香蕉枯萎病菌候选效应蛋白FoSSP80能抑制植物免疫反应. 热带生物学报. 2025(01): 87-97 . 百度学术
3. 宋秀丽，赵崇钊，卓愉林，马伟纯，马健维，张品淼，陈碧珊. 绿针假单胞菌桔黄亚种在香蕉枯萎病防治中的应用. 农业资源与环境学报. 2025(01): 206-217 . 百度学术
4. 卢云峰，李锐群，曾润华，李树忠，王忠美，李智海，贾冬冬. 基于Web of Science文献计量的香蕉枯萎病研究态势分析. 中国农学通报. 2025(08): 149-158 . 百度学术
5. 李霜霜，黄益强，钟春燕. 我国香蕉枯萎病防控研究进展. 安徽农业科学. 2025(06): 11-16 . 百度学术
6. 瞿青云，沈文涛，庹德财，言普，陈萍，周鹏. 黄瓜花叶病毒香蕉分离物基因组全长克隆及侵染性克隆构建. 分子植物育种. 2024(01): 97-107 . 百度学术
7. 牟一豪. 广西壮族自治区南宁市香蕉产业现状、存在问题及对策建议. 农产品质量与安全. 2024(01): 101-105 . 百度学术
8. 黄炜柔，何亮亨，朱丽，邓文杰，贾金亮. 高效输导咯菌腈纳米杀菌剂的制备及其性能研究. 仲恺农业工程学院学报. 2024(01): 26-31 . 百度学术
9. 李亚红，姜培，李庆红，李永平，陈亚平. 云南省香蕉枯萎病发生特点及防控对策. 植物检疫. 2024(02): 56-60 . 百度学术
10. 黄永丰，项丹丹，江振兴，李春雨，胡位荣. 不同中草药植物提取物对香蕉枯萎病菌抑菌活性评价. 广东农业科学. 2024(03): 48-55 . 百度学术
11. 杨洲，区湘颖，张志宏，罗宇康，何俊宇，欧俊辰，段洁利. 早期香蕉枯萎病Foc4双探针核酸纸基检测传感器研制. 农业工程学报. 2024(05): 38-46 . 百度学术
12. 赵明，苏祖祥，龙芳，邹瑜，莫天利，黄相，李凯，陈宇丰，盛静文，武鹏. 抗枯萎病香蕉品种宿根连作根际土壤微生物群落结构特征变化分析. 南方农业学报. 2024(01): 1-12 . 百度学术
13. 赵明，龙芳，武鹏，莫天利，黄相，苏祖祥，魏守兴，邹瑜，张欣，林志城. 抗枯萎病宝岛蕉早花突变体的筛选与鉴定. 南方农业学报. 2024(02): 540-550 . 百度学术
14. 甘林，代玉立，刘晓菲，兰成忠，杨秀娟. 香蕉枯萎病高效拮抗土著细菌的筛选及其防效. 西北农林科技大学学报(自然科学版). 2024(06): 95-105 . 百度学术
15. 吴少平，聂轰. 乡村振兴视角下肇庆市香蕉产业发展对策探析. 南方农业. 2024(07): 216-220+224 . 百度学术
16. 漆艳香，谢艺贤，彭军，曾凡云，张欣. 香蕉根际微生态及其与枯萎病防治之间的关系. 生物技术通报. 2024(06): 57-67 . 百度学术
17. 杨迪，杜婵娟，张晋，潘连富，蒋尚伯，李春雨，邓国仙，付岗. 香蕉枯萎病4株生防菌株的诱变改良及抑菌机制初探. 热带作物学报. 2024(08): 1659-1669 . 百度学术
18. 高辉，蒋尚伯，杨迪，杜婵娟，张晋，潘连富，崔海涛，付岗. 基于全基因组关联分析的香蕉枯萎病菌致病基因挖掘与功能研究. 南方农业学报. 2024(08): 2442-2453 . 百度学术
19. 张妙宜，周登博，起登凤，魏永赞，陈宇丰，冯筠庭，王尉，谢江辉. 香蕉枯萎病综合防控研究进展. 中国科学:生命科学. 2024(10): 1843-1852 . 百度学术
20. 邓火兵，尤海霞，黄梅梅，尹凡，杨金涛，云英子. 尖孢镰刀菌古巴专化型铜伴侣蛋白FocCCS1的功能分析. 福建农林大学学报(自然科学版). 2024(06): 732-741 . 百度学术
21. 王祎婷，刘子暄，郑春生，张磊. 香蕉枯萎病研究进展. 中国口岸科学技术. 2024(S2): 44-51 . 百度学术
22. 卢松茂，林秀香，杨俊杰，罗金水，林晓兰，武英. 福建省香蕉产业发展的困境与对策. 中国果树. 2024(12): 135-142+151 . 百度学术
23. 周海慧，曾力旺. 农业科研档案助力乡村振兴的成效与启示——以中国热带农业科学院科研档案资源开发利用为例. 机电兵船档案. 2024(06): 113-116 . 百度学术
24. 林一凡，王瑞，程宁宁，王烁衡，范声浓，吴昊，刘学松，赵泽庥，林电. 缓释氮肥对香蕉苗生长、养分吸收和光合作用的影响. 中国果树. 2023(01): 64-71 . 百度学术
25. 覃柳燕，吴启军，田丹丹，李朝生，韦莉萍，陈家慧，韦绍龙，李佳林. 粉蕉—果蔗轮作对粉蕉、果蔗生长及产量的影响. 中国南方果树. 2023(01): 85-88 . 百度学术
26. 王永芬，徐胜涛，杨宝明，刘立娜，李舒，李永平，俞艳春，潘继红，郑泗军. 香蕉枯萎病对抗感品种营养生长期光合特性的影响. 西南农业学报. 2023(01): 75-83 . 百度学术
27. 张艳，曾凤花，农倩，覃丽萍，窦同心，邱美莎，谢玲. 抗病和感病香蕉品种根系内生细菌群落结构与多样性. 南方农业学报. 2023(02): 365-375 . 百度学术
28. 赵明，邹瑜，莫天利，黄相，龙芳，武鹏，何海旺. 抗枯萎病早花粉蕉突变体的筛选与鉴定. 南方农业学报. 2023(02): 397-404 . 百度学术
29. 饶雪琴，唐瑞，李华平. 香蕉枯萎病菌1号和4号生理小种在‘巴西蕉’植株及根际土壤中的时空分布. 华南农业大学学报. 2023(04): 563-569 . 本站查看
30. 王芳，陈山山，张玉梅，柯佑鹏. 价值认知、环境规制对蕉农绿色防控行为的影响——基于多变量Probit模型的证据. 海南大学学报(人文社会科学版). 2023(04): 138-148 . 百度学术
31. 赵明，邹瑜，龙芳，黄相，莫天利，武鹏，何海旺. 多效唑与诱抗剂互作对香蕉苗生长及抗枯萎病能力的综合效应. 西南农业学报. 2023(05): 965-973 . 百度学术
32. 赵明，邹瑜，莫天利，黄相，龙芳，武鹏，何海旺. 香蕉根系活力及物理结构与枯萎病抗性的关系. 南方农业学报. 2023(04): 1127-1135 . 百度学术
33. 韦弟，韦莉萍，周维，黄素梅，何章飞，李朝生，韦绍龙. 广西香蕉产业发展现状与展望. 广西科学院学报. 2023(03): 223-229 . 百度学术
34. 赵明，龙芳，武鹏，邹瑜，莫天利，黄相，何海旺. 抗枯萎病粉蕉新品种育粉6号的选育. 果树学报. 2023(09): 2024-2028 . 百度学术
35. 刘泽弦，王蓓蓓，陶成圆，欧燕楠，吕娜娜，沈宗专，李荣，沈其荣. 香蕉根围土壤尖孢镰刀菌与养分特征及相关性. 土壤学报. 2023(04): 1134-1145 . 百度学术
36. 史敬芳，胡春华，李昊宸，杨乔松，盛鸥，毕方铖，董涛，李春雨，邓贵明，高慧君，何维弟，刘思文，易干军，窦同心. 转录组分析超表达MpICE1香蕉抗枯萎病机理. 园艺学报. 2023(10): 2242-2256 . 百度学术
37. 曾鸿运，吴元立，黄秉智. 中国香蕉育种研究进展. 果树学报. 2023(11): 2446-2465 . 百度学术
38. 张可煜. 香蕉细菌性枯萎病菌可视化检测体系的建立与探索. 农业灾害研究. 2023(09): 37-39 . 百度学术
39. 曾莉莎，王芳，周海琪，伍泽星，赖永超，傅长根，吕顺，梁少丽，刘丽琴. 大蕉枯萎病菌二重PCR分子快速检测技术的建立. 南方农业学报. 2023(08): 2352-2359 . 百度学术
40. 蒋权，罗明涛，黄梓琛，苏莹莹. 基于空地多视角RGB影像协同的病害香蕉植株监测. 南方农业学报. 2023(10): 3114-3124 . 百度学术
41. 段雅婕，郭志祥，曾莉，李舒，刘立娜，胡会刚，李伟明，白亭亭. 香蕉系统获得抗性相关基因对外源水杨酸的响应分析. 热带作物学报. 2022(01): 9-18 . 百度学术
42. 尹可锁，杨宝明，郑泗军，徐胜涛，李迅东. 云南香蕉产业现状及发展思考. 云南农业科技. 2022(02): 53-55 . 百度学术
43. 李燕培，王静，林佳琦，肖世祥，冯斗，邓英毅，禤维言. 香蕉园间种甘薯对土壤物理性状和结构的影响. 江苏农业科学. 2022(05): 205-211 . 百度学术
44. 王芳，曾莉莎，周海琪，陈康丽，吕顺，夏玲，刘文清，张珂恒，唐琪璐，刘建平. 不同遗传背景香蕉品种间轮作控制香蕉枯萎病的效果分析. 热带作物学报. 2022(04): 840-852 . 百度学术
45. 李燕培，林佳琦，肖世祥，冯斗，邓英毅，禤维言. 蕉园间作红薯对土壤微生物功能多样性的影响. 中国生态农业学报(中英文). 2022(06): 990-1001 . 百度学术
46. 张立丹，高诚祥，徐柠，王学江，解永军，孙少龙，樊小林. 腐植酸碱性液体肥对香蕉生长的影响及机制. 华南农业大学学报. 2022(05): 12-19 . 本站查看
47. 秦献泉，武鹏，邹瑜，赵明，龙芳，何海旺，莫天利，黄相. 2个香蕉品种在广西产区的氮磷钾养分累积与分配特点. 南方农业学报. 2022(05): 1280-1287 . 百度学术
48. 邹冬梅，范琼. 世界香蕉生产、贸易现状与产业展望. 广东农业科学. 2022(07): 131-140 . 百度学术
49. 段雅婕，杨宝明，郭志祥，尹可锁，胡会刚，曾莉，白亭亭. 外源水杨酸诱导香蕉苯丙烷类代谢提高对枯萎病抗性. 热带作物学报. 2022(09): 1870-1879 . 百度学术
50. 赵丽娟，只佳增，张建春，杜浩，周劲松，刘学敏，张荣琴. 香蕉种质资源叶片表型性状多样性分析. 中国农学通报. 2022(30): 56-64 . 百度学术
51. 番华彩，曾莉，李卫雁，丁云秀，郭志祥，李舒，徐胜涛，郑泗军，王永斌. 香蕉细菌性软腐病防控药剂筛选及田间应用效果评价. 中国农学通报. 2022(31): 113-118 . 百度学术
52. 王倩，吴伟怀，贺春萍，梁艳琼，陆英，易克贤. 中粒种咖啡新发砖红镰刀叶枯病病原菌鉴定及其病原生物学分析. 热带作物学报. 2022(11): 2345-2355 . 百度学术
53. 彭程，苗艳龙，汪刘洋，李寒，李修华，张漫. 基于三维点云的田间香蕉吸芽形态参数获取. 农业工程学报. 2022(S1): 193-200 . 百度学术
54. 傅金凤，王娟，王琳，盛鸥. 特色香蕉类型‘美食蕉’品种果肉中淀粉与矿物质在后熟期的变化. 食品科学. 2021(01): 86-92 . 百度学术
55. 杨迪，杜婵娟，张晋，潘连富，叶云峰，黄思良，付岗. 香蕉枯萎病拮抗菌贝莱斯芽胞杆菌的筛选鉴定及其生物学特性. 中国生物防治学报. 2021(01): 165-171 . 百度学术
56. 王安邦，王甲水，许奕，李羽佳，王笑一，林妃，魏卿，唐粉玲，李敬阳. 香蕉抗(耐)枯萎病新品种‘桂抗2号’在海南试种初报. 分子植物育种. 2021(09): 3128-3132 . 百度学术
57. 张惠茜，王尉，周登博，云天艳，陈宇丰，谢江辉. 香蕉枯萎病拮抗放线菌的分离鉴定及抑菌机理分析. 中国南方果树. 2021(03): 1-8 . 百度学术
58. 李朝生，田丹丹，韦绍龙，李宝深，李佳林，韦弟，韦莉萍，周维，覃柳燕，黄素梅，黄曲燕，龙盛风，何章飞，黄典红. 5个不同香蕉抗病品种(系)在广西枯萎病重病区的种植表现. 中国南方果树. 2021(03): 76-79 . 百度学术
59. 李东玲，潘正辉，林佳琦，李辉，冯斗，李燕培，禤维言. 香蕉漂浮育苗幼苗的生长及其生理特性. 农业研究与应用. 2021(02): 14-21 . 百度学术
60. 曾莉莎，王芳，周海琪，吕顺，刘文清，崔广娟，范镇夷，刘丽琴，张珂恒. 适宜与香蕉轮作防控枯萎病的蔬菜品种初步筛选. 热带作物学报. 2021(06): 1678-1684 . 百度学术
61. 李朝生，田丹丹，覃柳燕，韦绍龙，韦莉萍，韦弟，黄素梅，周维，何章飞. 香蕉套种黑皮冬瓜对香蕉枯萎病的防控效果及土壤微生物群落的影响. 南方农业学报. 2021(05): 1238-1245 . 百度学术
62. 谭寿湖，张琦敏，林振业. 贝莱斯芽孢杆菌ZC16的分离鉴定及生防效果评价. 现代农业科技. 2021(16): 121-124 . 百度学术
63. 吴瀚翔，陈志彬，肖春霞，赖多，姚光凯，徐汉虹. 咯菌腈羧酸衍生物内吸传导性及对香蕉枯萎病的防效测定. 植物保护学报. 2021(04): 789-797 . 百度学术
64. 屈佳欣，方香玲. 植物病原真菌镰刀菌孢子形成与萌发机理研究进展. 中国草地学报. 2021(08): 106-113 . 百度学术
65. 陈家政，朱立学，张世昂，黄伟锋. RGB与多光谱图片对香蕉缺氮叶片的识别效果对比研究. 现代农业装备. 2021(04): 21-28 . 百度学术
66. 韦弟，韦绍龙，韦莉萍，周维，覃柳燕，田丹丹，李佳林，黄典红，黄素梅，李朝生. 抗(耐)枯萎病香蕉新品种桂蕉9号在广西的种植表现. 江苏农业科学. 2021(15): 100-106 . 百度学术
67. 郭素霞，程志号，孙佩光，孙长君，郭刚，吴琼. 海南17a宿根巴西蕉园土壤微生物特征及土壤pH周年变化特征分析. 热带作物学报. 2021(08): 2413-2421 . 百度学术
68. 乔帆，陈汉清，畅文军，曾会才. 菜籽饼肥对香蕉枯萎病的防效及其对土壤细菌的影响. 基因组学与应用生物学. 2021(04): 1702-1710 . 百度学术
69. 韦弟，韦莉萍，周维，覃柳燕，黄素梅，田丹丹，李朝生，龙盛风，何章飞，韦绍龙. 香蕉枯萎病菌对不同抗性香蕉品种根系抗氧化能力的影响. 南方农业学报. 2021(07): 1851-1859 . 百度学术
70. 沈平，陈家慧，吴启军，黄金勇，黄英兰，韦绍龙，黄素梅. 抗(耐)枯萎病香蕉品种桂蕉9号在香蕉连作地的试种表现. 热带农业科学. 2021(10): 17-20 . 百度学术
71. 刘立娜，杨宝明，王永芬，曾莉，黄玉玲，李永平，尹可锁，李迅东，彭学彬，徐胜涛，番华彩，白亭亭，张晶，李舒，郑泗军. 引进的香蕉种质资源对云南枯萎病菌株的抗性评价. 中国南方果树. 2021(06): 63-68+73 . 百度学术
72. 张晓龙，张立丹，董涛，李中华，李元琼，何维弟，江家泉，陈静，樊小林. 香蕉枯萎病高抗品种‘中蕉9号’营养特性的评价. 热带作物学报. 2021(11): 3242-3249 . 百度学术
73. 李伟明，胡会刚，胡玉林，段雅婕，陈晶晶，谢江辉，王文华. 3个野生近缘种与不同栽培蕉的杂交亲和性. 热带作物学报. 2021(12): 3500-3507 . 百度学术
74. 漆艳香，谢艺贤，彭军，曾凡云，张欣. 海南生态条件下香蕉新品系‘热科1号’主要农艺性状分析. 热带农业科学. 2020(03): 1-5 . 百度学术
75. 黄素梅，李朝生，韦弟，覃柳燕，龙盛风，田丹丹，周维，韦莉萍，何章飞，黄曲燕，刘挺燕，韦绍龙. 抗枯萎病香蕉品种‘桂蕉9号’栽培技术规程. 农业科技通讯. 2020(09): 304-307 . 百度学术
76. 吴元立，杨乔松，李春雨，黄秉智，董涛，盛鸥，毕方铖，邓贵明，胡春华，高慧君，窦同心，何维弟，刘思文，易干军. 香蕉-尖孢镰刀菌互作机理及抗病育种研究进展. 广东农业科学. 2020(11): 32-41 . 百度学术
77. 凌荣娟，冯斗，李燕培，林佳琪，邓英毅，禤维言. 广西香蕉产业提质增效发展对策研究. 农业研究与应用. 2020(05): 58-61 . 百度学术
78. 黄素梅，韦莉萍，李朝生，覃柳燕，韦弟，田丹丹，龙盛风，何章飞，周维，韦绍龙. 5个抗枯萎病香蕉品种(系)在广西蕉区的引种表现. 西南农业学报. 2020(11): 2530-2536 . 百度学术
79. 杨迪，杜婵娟，叶云峰，彭军，张欣，付岗. 香蕉枯萎病菌分子检测研究进展. 热带作物学报. 2020(12): 2582-2590 . 百度学术
80. 谢江辉. 新中国果树科学研究70年——香蕉. 果树学报. 2019(10): 1429-1440 . 百度学术
其他类型引用(36)
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
- 被引次数: 116
