-
题名广安地区蝴蝶生态园的建设
被引量：3
- 1
-
-
作者
唐宇翀
-
机构
广安职业技术学院
-
出处
《现代园艺》
2017年第1期63-64,共2页
-
基金
四川省教育厅一般项目(15ZB0398)
广安市社科规划研究重点项目(2016-14)
广安职业技术学院院级课题(KT-2016-20)
-
文摘
为丰富广安地区的旅游产品,结合广安气候特征,特提出在广安地区建设蝴蝶生态园,可供参考养殖的蝴蝶有24种、寄主植物15种和蜜源植物9种。从生态园类型选择和人工养殖蝴蝶角度,为广安地区蝴蝶生态园建设提供技术支撑。
-
关键词
蝴蝶生态园
蝴蝶种类
寄主植物
蜜源植物
-
分类号
Q968
[生物学—昆虫学]
-
-
题名福建地区蝴蝶生态园植物选择与配置
被引量：3
- 2
-
-
作者
李龙
孙佳婷
陈云
周育真
陈建芳
彭东辉
-
机构
福建农林大学园林学院
福建省观赏植物种质资源创新与应用工程技术研究中心
福建省龙岩市新罗区林业局
-
出处
《湖北林业科技》
2021年第2期23-27,共5页
-
基金
福建农林大学校级项目“新优园林种质资源创新与应用创新团队建设”(YSYL-kjtd-3)。
-
文摘
蝴蝶生态园是指将蝴蝶作为可持续性利用的生态资源,通过种植蜜源植物和寄主植物以供蝴蝶吸食花蜜及产卵栖息,并搭配观赏植物进行景观布置,从而形成层次分明、观赏价值和生态意义兼具的蝴蝶花园。营建优美的蝴蝶生态园正是响应国家建设“美丽中国”的号召,并迎合人们渴望自然的呼声。基于国内在此方面研究不足,本研究通过对蝴蝶生态园实地调查、结合福建植物志、期刊论文等相关文献资料的收集和查阅整理,根据福建地区气候条件和蝴蝶的观赏价值和保护价值筛选出33种寄主植物和29种蜜源植物,并在植物配置上提出一定建议,旨在为福建地区蝴蝶生态园建设中的植物的选择和搭配提供一定技术参考和理论依据。
-
关键词
蝴蝶生态园
生态
寄主植物
蜜源植物
-
Keywords
butterfly ecological garden
ecology
host plants
nectar plants
-
分类号
Q969.42
[生物学—昆虫学]
-
-
题名蝴蝶生态景观功能植物选择及评价
被引量：1
- 3
-
-
作者
魏兰君
李凡凡
秦毅
孙洪武
廖怀建
-
机构
江苏省农业科学院
农业农村部都市农业重点实验室
-
出处
《江苏农业科学》
北大核心
2021年第21期147-152,共6页
-
基金
农业农村部都市农业重点实验室开放基金(编号:UA201906)
江苏省农业科技自主创新资金[编号:CX(20)3184]。
-
文摘
生态景观设计是城乡规划中的重要组成部分,营造生物生息空间的理念也正被积极应用。蝴蝶是观赏昆虫中最受人们喜爱的昆虫之一,蝴蝶生态景观的营建逐渐成为新兴的景观方向。目前,关于蝴蝶生态景观功能性植物选择的原理和方法尚缺乏系统性研究。总结国内外有关资料和实践经验,广泛征集专家和群众意见,从社会性评价指标、经济性评价指标、生态性评价指标、蝴蝶功能性评价指标等4个方面,构建蝴蝶生态景观植物选择和评价体系。并以江苏地区封闭式蝴蝶生态园作为案例,对评价指标权重进行专家评分,再对初选的具有代表性的20种高层植物和20种中低层植物进行该案例场景下应用的适应性评价和分析。以期为蝴蝶生息空间营造技术的成熟化和健康化发展提供经验参考和理论支持。另外,采用植物选择和评价体系,不仅适用于蝴蝶生态景观的营建,对其他生物友好型城市或乡村生态景观的构建都具有参考借鉴意义。
-
关键词
蝴蝶生态景观
植物选择
评价指标
景观营造
-
分类号
S181
[农业科学—农业基础科学]
-
-
题名一种迁移学习和可变形卷积深度学习的蝴蝶检测算法
被引量：13
- 4
-
-
作者
李策
张栋
杜少毅
朱子重
贾盛泽
曲延云
-
机构
兰州理工大学电气工程与信息工程学院
西安交通大学人工智能与机器人研究所
厦门大学信息科学与技术学院计算机科学系
-
出处
《自动化学报》
EI
CSCD
北大核心
2019年第9期1772-1782,共11页
-
基金
国家重点研发计划重点专项(2017YFA0700800)
国家自然科学基金(61866022,61876161)
甘肃省基础研究创新群体(1506RJIA031)资助~~
-
文摘
针对自然生态蝴蝶多种特征检测的实际需求,以及生态环境下蝴蝶检测效率低、精度差问题,本文提出了一种基于迁移学习和可变形卷积深度神经网络的蝴蝶检测算法(Transfer learning and deformable convolution deep learning network,TDDNET).该算法首先使用可变形卷积模型重建ResNet-101卷积层,强化特征提取网络对蝴蝶特征的学习,并以此结合区域建议网络(Region proposal network, RPN)构建二分类蝴蝶检测网络,以下简称DNET-base;然后在DNET-base的模型上,构建RPN网络来指导可变形的敏感位置兴趣区域池化层,以便获得多尺度目标的评分特征图和更准确的位置,再由弱化非极大值抑制(Soft non-maximum suppression, Soft-NMS)精准分类形成TDDNET模型.随后通过模型迁移,将DNET-base训练参数迁移至TDDNET,有效降低数据分布不均造成的训练困难与检测性能差的影响,再由Fine-tuning方式快速训练TDDNET多分类网络,最终实现了对蝴蝶的精确检测.所提算法在854张蝴蝶测试集上对蝴蝶检测结果的mAP0.5为0.9414、mAP0.7为0.9235、检出率DR为0.9082以及分类准确率ACC为0.9370,均高于在同等硬件配置环境下的对比算法.对比实验表明,所提算法对生态照蝴蝶可实现较高精度的检测.
-
关键词
蝴蝶生态照
可变形卷积
迁移学习
深度卷积神经网络
-
Keywords
Image of living butterfly
deformable convolution
transfer learning
deep convolution neural network
-
分类号
Q958.1
[生物学—动物学]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
