Water quality monitoring and grade judgment system based on IGWOPSO-SVM algorithm
-
摘要:目的
水污染监测是流域水污染防治工作的前提。为实现高精度的地表水水质监测及水体等级评定，本研究设计基于IGWOPSO-SVM(Improved grey wolf optimizer particle swarm optimization-support vector machine)模型的水质监测及等级评定系统。
方法选用传感器组、STM32F103单片机、ESP8266WIFI无线通信模块搭建水质监测系统数据处理模块，利用WIFI无线通信将数据处理模块采集到的水质数据传输至服务器，设计水质监测系统服务器交互端，同时开发水质监测小程序对水质等级进行实时监测。基于改进粒子群算法(Improved particle swarm optimization，IPSO)及灰狼算法(Grey wolf optimizer，GWO)提出了IGWOPSO算法，对SVM进行优化，据此提出了IGWOPSO-SVM水质等级评定算法。基于南京市玄武湖、金川河、江浦水源地135组水质数据对本系统水质等级评定效果进行试验验证。
结果相比于SVM，IGWOPSO-SVM水质等级评定算法的总样本分类准确率由86.67%上升至100.00%，上升了13.33个百分点；相比于粒子群算法(Particle swarm optimization，PSO)，IGWOPSO算法的最佳适应度由86.80上升至99.20，提高了14.29%。
结论本研究解决了传统水体等级评定方法效率低、准确率低的问题，为地表水水质的精确监测提供了方法借鉴。
Abstract:ObjectiveWater pollution monitoring is a prerequisite for water pollution prevention and control in watersheds. In order to achieve high accuracy of surface water quality monitoring and water body rating judgement, we designed a water quality monitoring and rating system based on IGWOPSO-SVM (Improved grey wolf optimizer particle swarm optimization-support vector machine) model.
MethodWe selected sensor group, STM32F103 microcontroller, ESP8266WIFI wireless communication module to build a water quality monitoring system data processing module. The WIFI wireless communication transmitted the water quality data collected by data processing module to the server. We designed water quality monitoring system server interactive end, while developing water quality monitoring applet for real-time monitoring of water quality grade. Based on the improved particle swarm optimization (IPSO) and grey wolf optimizer (GWO), the IGWOPSO algorithm was proposed to optimize SVM algorithm, according to which the IGWOPSO-SVM water quality rating algorithm was proposed. The water quality rating effect of this system was verified by experiment based on 135 groups water quality data of Nanjing Xuanwu Lake, Jinchuan River and Jiangpu water source.
ResultCompared with SVM, the total sample classification accuracy of IGWOPSO-SVM water quality rating algorithm increased from 86.67% to 100.00%, with an increase of 13.33 percent. Compared with particle swarm optimization (PSO), the best adaptation degree of IGWOPSO algorithm increased from 86.80 to 99.20, with an increase of 14.29%.
ConclusionThis study solves the problems of low efficiency and low accuracy of traditional water body rating methods, and provides a method reference for accurate monitoring of surface water quality.
-
普通大蓟马Megalurothrips usitatus又名豆大蓟马、豆花蓟马，隶属于缨翅目蓟马科大蓟马属，主要分布于澳大利亚、马来西亚、斯里兰卡、菲律宾、斐济、印度、日本等[1-3]，在我国海南、台湾、广东、广西、湖北、贵州、陕西等地也均有发生为害[4-5]。据报道，该虫有28种寄主，其中16种为豆科植物，目前它已成为危害华南地区豆科作物的主要害虫[6-9]，田间调查和室内试验均表明豇豆为其嗜好寄主[10-11]。普通大蓟马主要以锉吸式口器取食豇豆幼嫩组织的汁液，可造成叶片皱缩、生长点萎缩、豆荚痂疤等，严重影响豇豆品质[12-13]。此外，该虫体积小、发生量大、隐秘性强，大部分时间都躲在花中取食，从豇豆苗期至采收期均可为害[14-15]，以上特点均增加了农户的防治难度。当其为害严重时，农户只能增加施药频率和施药量，这也导致该虫对多种常用化学农药产生了严重的抗药性[16-17]。
目前关于普通大蓟马的研究主要集中在生物学特性[18]及综合防治技术[19-20]等层面，随着抗药性的不断发展与研究的不断深入，从分子层面解析普通大蓟马的抗药性机制和寄主选择机制等以寻求新型绿色防控方法势在必行，室内种群的大规模饲养是展开这些研究的基础。化蛹基质作为影响昆虫种群规模的关键因子，韩云等[21]曾指出普通大蓟马在含水量(w)为15%的砂壤土中羽化率显著高于砂土、壤土和黏土，但不适用于室内大规模饲养，因为实际应用中，存在土壤类型无法明确区分、配制砂壤土会增加人工饲养的工作量等问题。土壤以外的其他基质对普通大蓟马化蛹的适合度鲜见研究报道。
本研究以普通大蓟马为试验对象，室内观测其在沙子、蛭石和厨房用纸3种基质及无基质条件下的羽化规律，分析该虫对不同化蛹基质的适合度，以期为普通大蓟马的室内大规模饲养提供基础资料，为该虫的综合治理提供理论依据。
1. 材料与方法
1.1 供试材料
普通大蓟马于2017年采自广东省广州市增城区朱村豇豆田，采回后在RXZ-500C型智能人工气候箱(宁波江南仪器厂)内用豇豆豆荚饲养，饲养条件为温度(26±6) ℃，光照周期12 h光∶12 h暗，相对湿度(70±5)%。室内饲养多代后，选取发育一致的老熟2龄若虫(以体色变为橙红色为标准)进行室内试验。
供试基质包括沙子、蛭石、锯末和厨房用纸，并以无基质作为空白对照。试验前将沙子、蛭石和锯末置于DHG-9140型电热恒温鼓风干燥箱(上海精宏实验设备有限公司)中105 ℃恒温烘烤6 h备用。
1.2 试验方法
首先称取过筛烘干后的沙子50 g 3组，分别加入2.5、3.5和4.5 mL蒸馏水，充分混匀，配制成含水量(w)分别为5%、7%和9%的沙子化蛹基质；称取过筛烘干后的蛭石10 g 3组，分别加入10.0、12.5和15.0 mL蒸馏水，充分混匀，配制成含水量(w)分别为20%、25%和30%的蛭石化蛹基质；称取过筛烘干后的蛭石10 g 3组，分别加入12.5、15.0和17.5 mL蒸馏水，充分混匀，配制成含水量(w)分别为25%、30%和35%的锯末化蛹基质。将以上基质分别转移至350 mL玻璃组培瓶内，基质深度均为5 cm，将厨房用纸对折成合适大小后平铺在组培瓶底部作为基质。在所有基质上放置纱网，再加入1根新鲜的豇豆豆荚(长度约4~5 cm)，分别接入50头普通大蓟马老熟2龄若虫，用250目纱布封口后置于人工气候箱中饲养，每日观察并记录成虫羽化数量。每个处理设6次重复。设置不加入任何化蛹基质的空白对照。
含水量的测定方法按以下公式[22]进行：
含水量=实际含水质量/烘干后基质质量×100%。
1.3 数据分析
运用SPSS 24.0软件进行试验数据处理分析，不同基质及含水量对普通大蓟马羽化率、蛹历期和性比(雄性∶雌性)的影响采用单因素方差分析，并运用Duncan’s法检验差异显著性。
2. 结果与分析
2.1 不同基质对普通大蓟马羽化率、蛹历期和性比的影响
普通大蓟马在不同基质中的羽化率、蛹历期和性比具有显著差异(图1)。由图1A可知，普通大蓟马在厨房用纸中的羽化率显著高于其他基质，为54.33%，其次为含水量5%(w)的沙子，羽化率为44.67%；锯末最不适宜于普通大蓟马羽化，在含水量(w)为25%、30%、35%的锯末中普通大蓟马的羽化率分别为10.33%、5.33%、16.67%，显著低于空白对照与其他基质。
![]()
图 1 不同基质对普通大蓟马羽化率、发育历期和性比(雄性∶雌性)的影响1~3分别为含水量(w)为5%、7%和1%的沙子，4~6分别为含水量(w)为20%、25%和30%的蛭石，7~9分别为含水量(w)为25%、30%和35%锯末，10：厨房用纸，11：无基质；各图中的不同小写字母表示差异显著(P<0.05，Duncan’s法)Figure 1. Effects of different substrates on eclosion rate, pupa developmental period and male-female ratio of Megalurothrips usitatus1: Sand with 5% moisture, 2: Sand with 7% moisture, 3: Sand with 10% moisture, 4: Vermiculite with 20% moisture, 5: Vermiculite with 25% moisture, 6: Vermiculite with 30% moisture, 7: Sawdust with 25% moisture, 8: Sawdust with 30% moisture, 9: Sawdust with 35% moisture, 10: Kitchen paper, 11: No substrate; Different lowercase leters in the same figure indicated significant difference among different substrate (P<0.05, Duncan’s method)由图1B可知，普通大蓟马在含水量5%(w)的沙子中蛹的发育历期最短，为5.29 d，其次为含水量7%(w)的沙子，为6.01 d，在其他基质中的蛹期则无显著差异，在6.14~7.16 d。
由图1C可知，普通大蓟马在含水量30%(w)的蛭石中性比最高，为0.60，含水量10%(w)的沙子和30%(w)的蛭石性比相对较低，分别为0.12和0.06，在其他基质中性比无显著差异。
2.2 不同基质条件下普通大蓟马的羽化情况
由表1数据可知，沙子含水量(w)为5%时普通大蓟马羽化最早，始于第2天；其次为蛭石，羽化始于第4天，其他条件下羽化均始于第3天；以锯末为基质时羽化最晚，始于第5天。沙子含水量(w)为5%和厨房用纸条件下，羽化高峰出现在第5天，羽化率分别为21%和22.67%；次高峰在第6天，羽化率分别为14.33%和21%。沙子含水量(w)为9%、锯末以及空白对照下羽化高峰出现在第7天，其他条件下羽化高峰均出现在第6天。不同基质类型及含水量条件下，普通大蓟马的羽化均结束于第8天或第9天，与不同基质培养条件下普通大蓟马蛹期之间的差异相对应。
表 1 不同基质对普通大蓟马逐日羽化率的影响1)Table 1. Effects of differents substrates on daily eclosion rate of Megalurothrips usitatus% t/d 沙子含水量(w) Water content in sand 蛭石含水量(w) Water content in vermiculite 5% 7% 9% 20% 25% 30% 1 0 0 0 0 0 0 2 1.67±0.42c 0 0 0 0 0 3 1.00±1.68c 0 0 0 0 0 4 1.33±0.67c 5.33±0.33c 0.33±0.33b 0 0 0 5 21.00±3.82a 5.33±2.17b 2.67±1.91b 3.00±2.30bc 10.33±3.48ab 0.33±0.33b 6 14.33±4.66b 17.33±1.76a 2.67±1.91b 11.67±2.09a 14.67±3.33a 7.67±2.22a 7 2.33±0.80c 5.00±0.85b 8.67±1.84a 6.33±2.28b 7.67±1.74bc 6.67±1.52a 8 0.67±0.42c 0.67±0.67c 0.67±0.42b 4.00±1.35bc 4.00±1.37cd 1.67±0.94b 9 0 0 0.33±0.33b 0.67±0.42b 0 0.67±0.42b 10 0 0 0 0 0 0 3. 讨论与结论
化蛹基质的类型对普通大蓟马化蛹具有一定影响，本研究发现锯末和蛭石不适宜于普通大蓟马化蛹，锯末和蛭石不同含水量条件下大蓟马的羽化率都显著低于空白对照。有研究指出土壤中砂土含量低于30%时，蓟马若虫不能化蛹[23]，蓟马在砂壤土中的羽化率也显著高于砂土、黏土、壤土等单一土壤[21]。
化蛹基质的含水量对普通大蓟马化蛹具有显著影响，本研究发现当沙子含水量(w)为5%时，羽化率仅次于厨房用纸，高达44.67%，与孟国玲等[23]关于豆带蓟马Taenithripsglycines在含水量(w)为5.7%时羽化率最高(43.63%)的报道相对一致。韩云等[21]研究发现普通大蓟马在含水量(w)为15%的砂壤土中羽化率最高，为52.08%，而土壤含水量(w)5%时羽化率仅为6.67%。这与本研究结果不符，究其原因可能是不同类型的基质吸水力与保水力不同，导致在相同的绝对含水量下湿度有差异。此外，有研究曾指出高含水量不利于蓟马化蛹[24]，这与本研究结果相一致，沙子含水量(w)5%时的羽化率显著高于含水量(w)7%和10%。
在本研究中，成虫性比普遍低于1∶1，含水量(w)30%的蛭石羽化性比最高，为0.6，含水量(w)30%锯末最低，为0.06，其他处理的性比无显著差异，为0.12~0.48。张念台[8]和谭柯[24]在田间调查的结果也显示其成虫性比低于1∶1，后代总是偏于雌性，谭柯[24]则表示后代偏雌性可能是蓟马暴发的原因之一。这与本研究结果相一致，后代偏于雌性。
本研究发现普通大蓟马在厨房用纸中的羽化率最高，蛹发育历期与其他基质相比无明显差异，且以厨房用纸为化蛹基质时，可以清楚地观察到普通大蓟马蛹期的形态特征变化，可以随时根据试验需求收集不同时期的若虫或成虫。虽然沙子含水量(w)5%时蛹发育历期最短且羽化率也较高，但蓟马一旦入土化蛹便无法继续观察形态或收集虫体。因此，本试验条件下，厨房用纸是最适合室内普通大蓟马大量饲养的化蛹基质。
-
![]()
图 4 WIFI无线通信模块软件设计的流程图
Figure 4. Flow chart of software design in WIFI wireless communication module
表 1 地表水各指标不同等级的标准质量浓度
Table 1 Standard mass concentrations of different grades for each index in surface water
ρ/(mg·L−1) 等级
Grade溶解氧
Dissolved oxygen化学需氧量
Chemical oxygen demand氨氮
NH3-N总磷
Total phosphorus总氮
Total nitrogen硫化物
SulfideⅠ ≥7.5 ≤15 ≤0.15 ≤0.02 ≤0.2 ≤0.05 Ⅱ ≥6.0 ≤15 ≤0.50 ≤0.10 ≤0.5 ≤0.10 Ⅲ ≥5.0 ≤20 ≤1.00 ≤0.20 ≤1.0 ≤0.20 Ⅳ ≥3.0 ≤30 ≤1.50 ≤0.30 ≤1.5 ≤0.50 Ⅴ ≥2.0 ≤40 ≤2.00 ≤0.40 ≤2.0 ≤1.00 
下载: 导出CSV
表 2 训练样本生成规则
Table 2 Generation rules of training samples
pH ρ/(mg·L−1) 样本数
Number of
sample期望输出
Expected
output等级
Grade溶解氧
Dissolved
oxygen化学需氧量
Chemical
oxygen demand氨氮
NH3-N总磷
Total
phosphorus总氮
Total
nitrogen硫化物
Sulfide6~9 ≥7.5 ≤15 ≤0.15 ≤0.02 ≤0.2 ≤0.05 50 1 Ⅰ 6.0~7.5 ≤15 0.15~0.50 0.02~0.10 0.2~0.5 0.05~0.10 50 2 Ⅱ 5.0~6.0 15~20 0.50~1.00 0.10~0.20 0.5~1.0 0.10~0.20 50 3 Ⅲ 3.0~5.0 20~30 1.00~1.50 0.20~0.30 1.0~1.5 0.20~0.50 50 4 Ⅳ 2.0~3.0 30~40 1.50~2.00 0.30~0.40 1.5~2.0 0.50~1.00 50 5 Ⅴ
下载: 导出CSV
表 4 不同优化算法的最优解
Table 4 Optimal solutions of different optimized algorithms
优化算法
Optimized
algorithm核函数参数(c)
Kernel function
parameter惩罚因子(g)
Penalty
factorPSO 9.783 4 5.023 7 GWO 42.362 5 3.816 4 IPSO 82.436 5 0.659 1 GWOPSO 65.899 2 0.010 0 IGWOPSO 97.234 2 0.010 0
下载: 导出CSV
表 3 不同算法的分类准确率及性能
Table 3 Classification accuracy and performance of different algorithms
算法
Algorithm样本准确率/%
Sample accuracy性能 Performance S1 S2 S3 均值
Mean绝对误差
Abosolute
error均方根误差
Root mean
square error纳什效率系数
Nash-Sutcliffe
efficiencySVM 100.00 75.56 84.44 86.67 23 0.49 0.63 PSO-SVM 100.00 86.67 86.67 91.11 15 0.39 0.77 GWO-SVM 100.00 88.89 88.89 92.59 10 0.27 0.89 IPSO-SVM 91.11 100.00 95.56 95.56 6 0.21 0.93 GWOPSO-SVM 100.00 100.00 93.33 97.78 3 0.15 0.97 IGWOPSO-SVM 100.00 100.00 100.00 100.00 0 0 1.00
下载: 导出CSV
-
[1] YAROSHENKO I, KIRSANOV D, MARJANOVIC M, et al. Real-time water quality monitoring with chemical sensors[J]. Sensors, 2020, 20(12): 3432. doi: 10.3390/s20123432.
[2] IMRAN L B, LATIF R M A, FARHAN M, et al. Smart city based autonomous water quality monitoring system using WSN[J]. Wireless Personal Communications, 2020, 115(2): 1805-1820. doi: 10.1007/s11277-020-07655-x
[3] AMOATEY P, BAAWAIN M S. Effects of pollution on freshwater aquatic organisms[J]. Water Environment Research, 2019, 91(10): 1272-1287. doi: 10.1002/wer.1221
[4] 徐显阳. 多层水质数据监测系统的采集与控制研究[D]. 大连: 大连理工大学, 2021. [5] 曹守启, 葛照瑞, 张铮. 基于物联网的浮标水质监测系统与溶解氧浓度预测模型[J]. 农业机械学报, 2021, 52(11): 210-218. [6] 肖茂华, 周俊博, 王伟臣, 等. 一种新型拖拉机故障诊断系统及故障诊断方法: CN202110892020.4[P]. 2021-10-29. [7] SILLBERG C V, KULLAVANIJAYA P, CHAVALPARIT O. Water quality classification by integration of attribute-realization and support vector machine for the Chao Phraya River[J]. Journal of Ecological Engineering, 2021, 22(9): 70-86. doi: 10.12911/22998993/141364
[8] 杨望灿, 张培林, 任国全, 等. 基于模糊熵与LS-SVM的轴承故障诊断[J]. 机械强度, 2014, 36(5): 666-670. [9] 周金. 基于自适应VMD和PSO-SVM的电能质量扰动检测与分类[D]. 长沙: 湖南大学, 2019. [10] 孙俊, 莫云南, 戴春霞, 等. 基于介电特性与IRIV-GWO-SVR算法的番茄叶片含水率检测[J]. 农业工程学报, 2018, 34(14): 188-195. [11] SHAHEEN M A M, HASANIEN H M, ALKUHAYLI A. A novel hybrid GWO-PSO optimization technique for optimal reactive power dispatch problem solution[J]. Ain Shams Engineering Journal, 2021, 12(1): 621-630. doi: 10.1016/j.asej.2020.07.011
[12] MATOS J, FARIA R P V, NOGUEIRA I B R, et al. Optimization strategies for chiral separation by true moving bed chromatography using particles swarm optimization (PSO) and new Parallel PSO variant[J]. Computers & Chemical Engineering, 2019, 123: 344-356.
[13] 郜云波. 纤维制备生产参数与质量能耗评估预测模型及应用研究[D]. 哈尔滨: 东北林业大学, 2019. [14] GOHIL B N, PATEL D R. A hybrid GWO-PSO algorithm for load balancing in cloud computing environment[C]//2018 Second International Conference on Green Computing and Internet of Things, 2018: 185-191.
[15] 刘双印, 徐龙琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型[J]. 农业机械学报, 2014, 45(5): 239-246. [16] 陈俊英, 邢正, 张智韬, 等. 基于高光谱定量反演模型的污水综合水质评价[J]. 农业机械学报, 2019, 50(11): 200-209. [17] 李鑫星, 王聪, 田野, 等. 基于ZigBee的多参数水质在线监测系统[J]. 农业机械学报, 2015, 46(S1): 168-173. [18] 江先亮, 尚子宁, 金光, 等. 基于无人船的水产养殖水质动态监测系统设计与实验[J]. 农业机械学报, 2020, 46(9): 175-185. [19] 程淑红, 刘洁, 朱丹丹. 基于计算机视觉与SVM的水质异常监测方法[J]. 光电工程, 2014, 41(5): 28-33. [20] 李昕, 陈泽君, 李立君, 等. 基于偏好免疫网络和SVM算法的油茶果多特征识别[J]. 农业工程学报, 2020, 36(22): 205-213. doi: 10.11975/j.issn.1002-6819.2020.22.023 [21] 周建民, 王发令, 张臣臣, 等. 基于特征优选和GA-SVM的滚动轴承智能评估方法[J]. 振动与冲击, 2021, 40(4): 227-234. [22] LIU W, GUO G, CHEN F, et al. Meteorological pattern analysis assisted daily PM2.5 grades prediction using SVM optimized by PSO algorithm[J]. Atmospheric Pollution Research, 2019, 10(5): 1482-1491. doi: 10.1016/j.apr.2019.04.005
[23] 杨柳, 孙金华, 冯仲科, 等. 基于PSO-LSSVM的森林地上生物量估测模型[J]. 农业机械学报, 2016, 47(8): 273-279. [24] 周俊博, 朱烨均, 肖茂华, 等. 基于LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断[J]. 农业工程学报, 2021, 37(17): 39-48. [25] 苏中滨, 张磊磊, 马铮, 等. 基于改进PSO的无人自转旋翼机二自由度PID飞行控制[J]. 农业机械学报, 2022, 53(1): 151-158. [26] 周强, 周永权. 一种基于领导者策略的狼群搜索算法[J]. 计算机应用研究, 2013, 30(9): 2629-2632. [27] TATSUMI K, IBUKI T, TANINO T. A chaotic particle swarm optimization exploiting a virtual quartic objective function based on the personal and global best solutions[J]. Applied Mathematics and Computation, 2013, 219(17): 8991-9011. doi: 10.1016/j.amc.2013.03.029
[28] 曹旺. MATLAB智能优化算法: 从写代码到算法思想[M]. 北京: 北京大学出版社, 2021. [29] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61. doi: 10.1016/j.advengsoft.2013.12.007
[30] 国家环境保护总局, 国家质量监督检验检疫总局. 地表水环境质量标准: GB 3838—2002[S]. 北京: 中国标准出版社, 2002. [31] ZHOU Q, ZHOU Y. Wolf colony search algorithm based on leader strategy[J]. Application Research of Computers, 2013, 30(9): 2629-2632.
[32] 刘冬, 李帅, 付强, 等. 基于KHA优化BP神经网络的地下水水质综合评价方法[J]. 农业机械学报, 2018, 49(9): 275-284. [33] 成玉宁, 王雪原. 拟自然化: 城市湖泊水环境治理的生态智慧与途径: 以南京玄武湖为例[J]. 中国园林, 2021, 37(7): 19-24. [34] 南京市生态环境局. 2022年5月南京市区县级以上集中式生活饮用水水源水质状况报告[EB/OL]. http://www.nanjing.gov.cn/zdgk/202205/t20220526_3428993.html. -
期刊类型引用(11)
1. 刘琅，李文秀，于凯波，吴鹍伦，周行，褚晶，吴朝晖. 控释肥与不同农药联合施用对水稻生长发育、产量和氮素利用率的影响. 江苏农业科学. 2025(02): 68-74 . 
百度学术
2. 何意林，沈彤，田天，李国利. 植物源农药5%香芹酚水剂的急性毒性初步研究. 毒理学杂志. 2024(01): 85-87 . 百度学术
3. 张月，宋明丹，塔林葛娃，李月梅. 有机无机肥配施对春小麦产量、养分吸收及土壤矿质氮残留的影响. 江苏农业科学. 2024(17): 80-88 . 百度学术
4. 张一帆，何瑞银，段庆飞，徐勇. 基于CFD-DEM的排肥用波纹管结构优化设计与试验. 浙江农业学报. 2023(01): 191-201 . 百度学术
5. 赵欢欢，付建涛，安玉兴，卢颖林，陈立君，孙东磊. 我国药肥研究现状及前景分析. 热带农业科学. 2023(02): 97-102 . 百度学术
6. 李文秀，吴鹍伦，刘琅，周行，褚晶，吴朝晖. 不同药肥处理对杂交早稻潭两优83生长发育及产量的影响. 杂交水稻. 2023(06): 127-134 . 百度学术
7. 仲凤翔，梅爱中，钱爱林，崔劲松，王春兰. 25%甲氧·茚虫威SC等药剂防治稻纵卷叶螟药效试验. 福建稻麦科技. 2022(01): 31-33 . 百度学术
8. 李文秀，周行，刘琅，吴朝晖. 稻作生产中水、肥、药高效利用及对水稻的影响研究进展. 河南农业科学. 2022(06): 1-12 . 百度学术
9. 邓家欣，韦继光，於虹，姜燕琴，曾其龙，刘红军，蒋佳峰. 不同施肥处理对高丛越橘幼苗生长和生理指标及土壤理化性质的影响. 植物资源与环境学报. 2021(02): 28-34 . 百度学术
10. 王辉. 水稻施肥中多种复合肥的肥效对比试验. 农业开发与装备. 2021(06): 153-154 . 百度学术
11. 于洋，侯新月，袁安丽，高月. 寒区水稻水肥管理技术研究进展. 水利科学与寒区工程. 2021(05): 78-81 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 90
- HTML全文浏览量: 6
- PDF下载量: 12
- 被引次数: 15
