CN105975805B - 稻株形态结构指标提取方法及其应用 - Google Patents
稻株形态结构指标提取方法及其应用 Download PDFInfo
- Publication number
- CN105975805B CN105975805B CN201610376759.9A CN201610376759A CN105975805B CN 105975805 B CN105975805 B CN 105975805B CN 201610376759 A CN201610376759 A CN 201610376759A CN 105975805 B CN105975805 B CN 105975805B
- Authority
- CN
- China
- Prior art keywords
- index
- blade
- leaf
- area
- rice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 52
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 40
- 235000009566 rice Nutrition 0.000 claims abstract description 40
- 241000196324 Embryophyta Species 0.000 claims abstract description 34
- 238000009825 accumulation Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000011160 research Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 239000012634 fragment Substances 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Molecular Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biotechnology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Cultivation Of Plants (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明公开了一种稻株形态结构指标提取方法及其应用,涉及植株形态结构指标提取及应用领域。包括步骤:S1.构建数字化水稻形态结构,按照不同层次水平组织群体、稻株、茎糵、叶片的空间位置信息和几何形态信息;S2.基于数字化水稻形态结构,利用虚拟刀片技术提取水稻形态结构特征分布;S3.基于水稻形态结构特征分布,计算水稻形态结构指标;S4.以形态结构指标的组合为决策变量,以干物质积累或产量为目标,评价形态结构干物质积累能力或生产潜力。本发明可为精确株型选种,农艺调控形态结构,功能‑‑结构模型研究提供数量化指标和方法支撑。
Description
技术领域
本发明涉及植株形态结构指标提取及应用领域,尤其涉及水稻形态结构指标提取及应用。
背景技术
株型系指植物体形态结构,即植物体的形态特征、空间排列方式以及各性状之间的关系,如植株高矮、分蘖集散、叶片的长短、宽窄及角度、穗形、个体在群体中的排列方式及其几何结构等。
水稻形态结构受水稻基因型控制,受水肥、气候等环境因素的调控;水稻形态结构影响群体冠层微气候,特别是太阳辐射能量的截获,进而影响干物质的积累;同时水稻形态结构是干物质分配的体现。因此水稻形态结构对水稻产量的形成过程和水稻产量的构成都有着重要的影响。
我国水稻产量曾有两次突破,一是水稻高秆改矮秆,二是矮秆水稻改杂交水稻,其共同特征是株型改良。株型改良进程分为两个阶段,第一阶段是矮化育种,第二阶段是理想株型育种,想株型育种的发展方向是形态与机能兼顾,理想株型与优势利用相结合。除了育种上水稻形态结构的利用,农艺学家们在农艺手段调控水稻形态结构方面做了大量的尝试。
作物功能--结构模型的研究是揭示品种基因型、水肥、气候等环境因素调控形态结构规律,水稻形态结构影响群体冠层微气候,进而影响水稻产量的形成过程和水稻产量构成规律的有效手段。
株型选种、农艺手段调控水稻形态结构、作物功能--结构模型都与水稻形态结构指标有密切的关系。然而,长期以来农学家们株型选种主要以来于经验,农艺手段调控水稻形态结构、作物功能--结构模型的研究也主要利用叶面积指数作为作物形态结构的研究指标。其重要原因之一在于作物形态结构指标提取的困难,例如,许多育种家都青睐株型紧凑适中的水稻品种,然而至今仍没有合适的方法量化描述株型紧凑程度的指标。
为此,本发明提供一种基于数字株型,利用虚拟刀片技术提取水稻形态结构特征,计算稻株形态结构指标,以及利用形态结构指标中的若干组合为决策变量,以干物质积累或产量为目标评价水稻形态结构优劣的方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是 :水稻形态结构指标的获取以及结构指标的应用。
(二)技术方案
为解决上述问题,本发明提供了一种基于数字株型,利用虚拟刀片技术提取水稻形态结构特征,进而计算稻株形态结构指标的方法,以及利用形态结构指标组合为决策变量,以干物质积累或产量为目标评价水稻形态结构优劣的方法。该方法包括步骤:
S1. 构建数字化水稻形态结构,按照不同层次水平组织群体、稻株、茎糵、叶片的空间位置信息和几何形态信息;
S2. 基于数字化水稻形态结构,利用虚拟刀片技术提取水稻形态结构特征分布;
S3. 基于水稻形态结构特征分布,计算水稻形态结构指标;
S4. 利用形态结构指标评价水稻形态结构。
步骤S1所述的数字化稻株形态结构,其具体的数据组织形式为:
群体信息:行间距,穴数;
稻株信息:稻株中心轴坐标,茎糵数;
茎糵信息:茎杆直径,茎杆空间中心轴、茎杆表面,叶片数;
叶片信息:叶中脉空间曲线,叶形空间曲线,叶结点空间位置。
步骤S1所述的虚拟刀片技术的概念表述为:
记两个空间切面A、B分别为:
,;
水稻叶片曲面集为:
;
冠层空间辐射强度函数为:
则水稻叶片曲面i介于切面A、B的点集为:
;
水稻叶片曲面集介于水平切面A、B的点集为: ;
因此,研究切面A、B间切层的叶面积、辐射强度、叶倾斜角转化为研究 的面积测度, 在点集 上的平均值,及曲面集 在 上的平均斜率;这里称切面A、B: , 为“虚拟刀片”。常用“虚拟刀片”为水平切面,根据研究需要“虚拟刀片”还以为圆柱侧面、斜平面或其它曲面,我们称以上述方式获得作物冠层特征的方法为“虚拟刀片法”。
步骤S2所述的虚拟刀片技术的实现方法为:
S2-1 选择一组平行的空间曲面, ,相应的得到一组空间区域 [],;
S2-2 分割叶片成面积很小的碎片,计算叶片碎片的特征,如面积、倾斜角等;
S2-3 计算叶片碎片中心所在的空间区域,累计叶片碎片特征到相应的空间区域;
S2-4 根据空间区域中叶片碎片特征值,模拟形态结构特征的分布。
步骤S3所述的形态结构指标包括株型内紧凑度指标,株型外紧凑度指标,株型内松散度指标,株型外松散度指标,叶面积指数,叶面积分布垂直区间,株高,β-叶面积分布区间,垂直最大叶面积密度;这些指标的计算基于稻株形态结构特征的分布。
步骤S4所述的利用形态结构指标评价水稻形态结构,是以形态结构指标的组合为决策变量,以干物质积累或产量为目标,评价形态结构干物质积累能力或生产潜力。
(三)有益效果
本发明提供了稻株形态结构指标的提取方法。该方法提取的稻株形态结构指标能为科学株型选种、农艺手段精确调控水稻形态结构和作物功能--结构模型研究提供可靠的数量化指标。
附图说明
图 1 依照本发明水稻形态结构指标提取及应用流程图。
图 2 依照本发明的虚拟刀片技术示意图。
图 3 依照本发明计算形态结构指标示意图一。
图 4 依照本发明计算形态结构指标示意图二。
图 5 依照本发明进行的案例。
具体实施方式
本发明提出的稻株形态结构指标提取方法及其应用流程如图1,结合图例,具体实施如下。
S1. 构建数字化水稻形态结构,按照不同层次水平组织群体(community)、稻株(Hill)、茎糵(Stem)、叶片(Leaf)的空间位置信息和几何形态信息;数字化稻株形态结构,其具体的数据组织形式为:
群体信息:行间距(rs,ps),穴数(pm);
稻株信息:稻株中心轴坐标,茎糵数;
茎糵信息:茎杆直径,三维空间中的茎杆中心轴、茎杆表面,叶片数;
叶片信息:叶中脉空间曲线 ,叶形空间曲线,叶结点空间位置。
S2. 基于数字化水稻形态结构,利用虚拟刀片技术提取水稻形态结构特征分布(见图2),其具体计算算法如下:
S2-1 根据需要选择一组平行的空间曲面,相应的得到一组空间区域;
S2-2 分割叶片成面积很小的碎片,计算叶片碎片的特征,如面积、倾斜角等,计算叶片碎片中心所在的空间区域,累计叶片碎片特征到相应的空间区域;
For Hill in Field
For Tiller in Hill
For Stem in Tiller
For Leaf in Stem
将叶片划分成小碎片(Fragments)
For Fragments in Leaf
计算小碎片的特征值;
计算小碎片所属的空间区域(finterval);
累计小碎片的特征值到所属的空间区域;
End (Leaf)
End (Stem)
End (Tiller)
End (Hill)
End (Field)。
下面给出计算几种特征分布的情况。
E1. 叶面积在垂直空间的分布
E1-1 虚拟刀片的选择:平行水平面平面;
E1-2小碎片所属的空间区域(finterval)的计算:f ;
E1-3小碎片叶面积(farea)的计算: ;
E1-4 空间区域叶面积累加: ;
E1-5 叶面积密度分布: ;
E1-6 叶面积概率分布 。
E2. 叶面积在水平空间的分布
E2-1 虚拟刀片的选择:以稻株中心为轴的圆柱;
E2-2小碎片所属的空间区域(finterval)的计算:
;
E2-3小碎片叶面积(farea)的计算: ;
E2-4 空间区域叶面积累加: ;
E2-5 叶面积密度分布: ;
E2-6 叶面积概率分布:。
通过数据拟合,得到叶面积在垂直空间和水平空间的累计分布函数(VALAI (z),HALAI(r))和叶倾斜角在垂直空间和水平空间的累计分布函数。
S3. 基于水稻形态结构特征分布,计算水稻形态结构指标(见图3-4)。
基于水平虚拟刀片提取水稻形态结构特征分布,计算水稻形态结构指标(见图3):
叶面积指数
LAI = max{ VALAI (z)}
株高
β-叶面积分布区间
垂直最大叶面积密度
。
基于圆柱虚拟刀片提取水稻形态结构特征分布,计算水稻形态结构指标(见图4):
株型内紧凑度指标(取α=50%)
株型外紧凑度指标(取α=90%)
株型内松散度指标(取r=5cm,即行距的1/4)
株型外松散度指标(取r=10cm,即行距的1/2)
。
S4. 利用结构性指标进行稻株形态结构的评价的方法和步骤如下:
S4-1 优选干物质积累量、产量等目标指标较优的处理;
S4-2 目标指标较优处理的稻株形态结构指标;
S4-3 目标指标较优处理的稻株形态结构指标为参照评价被评价的株型。
Exampl以两个品种试验,三个肥料处理,两个水处理。在孕穗初期和后期测量水稻株型,构建数字化水稻形态结构,提取的稻株形态结构指标及干物质累计量(如图5)。
目标指标较优处理的稻株形态结构指标表明:干物质积累较高群体的LAI≥3.9,PH≥78.3,90% D≥36.18,DMI≥0.77;干物质积累较高群体的0.79≥10cmCI≥0.77;0.39≥5cmCI≥0.36;14.12≥90% LI≥12.81;6.29≥10cmCI≥6.09。
较大叶面积指数不一定能获得较高的干物质积累量,叶面积指数与适宜的紧凑程度相配合是获得较高干物质积累量的充分必要条件。当LAI≥3.9;0.79≥10cmCI≥0.77(或LAI≥3.9,0.39≥5cmCI≥0.36;或LAI≥3.9,14.12≥90% LI≥12.81;或LAI≥3.9,6.29≥10cmCI≥6.09)时能保证群体较高干物质积累。
本研究的试验处理中,W2N2V2,W1N2V1,W1N3V1,W2N2V1能塑造相对好的株型结构,获得相对高的干物质积累。
本发明基于数字化水稻形态结构,利用虚拟刀片技术提取水稻形态结构特征分布,计算水稻形态结构指标,并应用于稻株形态结构的评价。该发明丰富了水稻形态结构指标,能更全面、有效地刻画水稻形态结构;试验结果表明本发明的指标和方法能用于优势稻株形态结构的筛选。
Claims (1)
1.一种稻株形态结构指标提取方法,其特征在于包括步骤:
S1.构建数字化水稻形态结构,按照不同层次水平组织群体、稻株、茎糵、叶片的空间位置信息和几何形态信息;数字化稻株形态结构具体的数据组织形式为:群体信息:行间距,穴数;
稻株信息:稻株中心轴坐标,茎糵数;
茎糵信息:茎杆直径,三维空间中的茎杆中心轴,茎杆表面,叶片数;
叶片信息:叶中脉空间曲线,叶形空间曲线,叶节点空间位置;
S2.基于数字化水稻形态结构,利用虚拟刀片技术提取水稻形态结构特征分布;虚拟刀片技术的概念表述为:
记两个空间切面A、B分别为:FA(x,y,z)=0,FB(x,y,z)=0;水稻叶片曲面集为:Fi(x,y,z)=0,i=1...n;冠层空间辐射强度函数为:G(x,y,z);
则水稻叶片曲面i介于切面A、B的点集为:
Ωi={(x,y,z)|FA(x,y,z)>0,FB(x,y,z)<0,Fi(x,y,z)=0};
水稻叶片曲面集介于水平切面A、B的点集为:Ω=∪Ωi;
因此,研究切面A、B间切层的叶面积、辐射强度、叶倾斜角转化为研究Ω的面积测度,G(x,y,z)在点集Ω上的平均值,及曲面集Fi(x,y,z)=0在Ω上的平均斜率;这里称切面A、B:FA(x,y,z)=0,FB(x,y,z)=0为“虚拟刀片”;常用“虚拟刀片”为水平切面,根据研究需要“虚拟刀片”还包括圆柱侧面、斜平面或其它曲面,我们称以上述方式获得作物冠层特征的方法为“虚拟刀片法”;
虚拟刀片技术的实现方法为:
S2-1选择一组平行的空间曲面,Fk(x,y,z)=0,k=1,2…m,相应的得到一组空间区域[Fk(x,y,z),Fk+1(x,y,z)],k=1,2…m-1;
S2-2分割叶片成面积很小的碎片,计算叶片碎片的特征:面积和倾斜角;
S2-3计算叶片碎片中心所在的空间区域,累加属 同一空间区域的叶片碎片的特征;
S2-4根据空间区域中叶片碎片特征值,模拟形态结构特征的分布;
S3.基于水稻形态结构特征分布,计算水稻形态结构指标;形态结构指标包括株型内紧凑度指标,株型外紧凑度指标,株型内松散度指标,株型外松散度指标,叶面积指数,叶面积分布垂直区间,株高,β-叶面积分布区间,垂直最大叶面积密度;这些指标的计算基于稻株形态结构特征的分布;
S4.利用形态结构指标评价水稻形态结构,是以形态结构指标的组合为决策变量,以干物质积累或产量为目标,评价形态结构干物质积累能力或生产潜力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610376759.9A CN105975805B (zh) | 2016-05-31 | 2016-05-31 | 稻株形态结构指标提取方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610376759.9A CN105975805B (zh) | 2016-05-31 | 2016-05-31 | 稻株形态结构指标提取方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975805A CN105975805A (zh) | 2016-09-28 |
CN105975805B true CN105975805B (zh) | 2018-08-28 |
Family
ID=57011265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610376759.9A Expired - Fee Related CN105975805B (zh) | 2016-05-31 | 2016-05-31 | 稻株形态结构指标提取方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975805B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670249B (zh) * | 2017-03-08 | 2023-04-25 | 贵州大学 | 一种测定水稻叶面积率的方法 |
CN107945041A (zh) * | 2017-11-06 | 2018-04-20 | 浙江工业大学 | 一种基于虚拟模型的水稻封行时间计算方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376142B (zh) * | 2014-07-25 | 2017-05-17 | 浙江工业大学 | 一种结合作物虚拟生长模型的水稻株型定量控制方法 |
CN104615867A (zh) * | 2015-01-21 | 2015-05-13 | 青岛智能产业技术研究院 | 基于冠层光分布计算的品种分析方法 |
CN104620879B (zh) * | 2015-01-21 | 2017-04-12 | 中国科学院自动化研究所 | 一种基于冠层光分布模拟的树木剪枝优化方法 |
CN104657593B (zh) * | 2015-01-21 | 2018-01-26 | 中国科学院自动化研究所 | 一种作物性状动态形成过程评估品种的方法 |
-
2016
- 2016-05-31 CN CN201610376759.9A patent/CN105975805B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105975805A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramoelo et al. | Monitoring grass nutrients and biomass as indicators of rangeland quality and quantity using random forest modelling and WorldView-2 data | |
CN103901171B (zh) | 一种玉米品种耐涝性评价方法 | |
CN108388566B (zh) | 一种植物物种丰富度分布的空间模拟方法 | |
CN102920005B (zh) | 一种烟叶原料分类和分组方法 | |
CN114494882B (zh) | 一种基于随机森林的冬小麦遥感识别分析方法和系统 | |
CN105975805B (zh) | 稻株形态结构指标提取方法及其应用 | |
Tian et al. | A specialized new species of Ashicaulis (Osmundaceae, Filicales) from the Jurassic of Liaoning, NE China | |
Che et al. | The effect of growth stage and plant counting accuracy of maize inbred lines on LAI and biomass prediction | |
Casella et al. | A method for describing the canopy architecture of coppice poplar with allometric relationships | |
Tamang et al. | Anatomical determinants of gas exchange and hydraulics vary with leaf shape in soybean | |
Dong et al. | New material of Palaeocarya from the Oligocene of Ningming, Guangxi, South China | |
Rothwell et al. | Ashicaulis woolfei n. sp.: additional evidence for the antiquity of osmundaceous ferns from the Triassic of Antarctica | |
Goodchild et al. | Regional and temporal variations in wheat yield in Western Australia and their implications in plant breeding | |
Oliveira et al. | Nitrogen dynamics in a soil-sugar cane system | |
CN104082844A (zh) | 烘烤烟叶的方法 | |
Pelham et al. | Variation in Betula pubescens Ehrh.(Betulaceae) in Scotland: its nature and association with environmental factors | |
CN115512233A (zh) | 地块尺度耕地种植属性多时相遥感提取方法 | |
Elings et al. | Durum wheat landraces from Syria. I. Agro-ecological and morphological characterization | |
Jiménez | Bryoerythrophyllum berthoanus comb. nov. and B. sharpii (Pottiaceae) in South America | |
Falasca et al. | Possibilities for growing switch-grass (Panicum virgatum) as second generation energy crop in dry-subhumid, semiarid and arid regions of the Argentina | |
CN103125371A (zh) | 一种作物抗旱突变体田间快速辅助筛选的方法 | |
Nahar et al. | High resolution in situ rhizosphere imaging of root growth dynamics in oilseed castor plant (Ricinus communis l.) using digital scanners | |
Owen et al. | A multivariate morphometric analysis of the Symphyotrichum boreale–S. nahanniense–S. welshii complex (Asteraceae: Astereae) | |
Bean | Two new species of Solanum (Solanaceae) from the Northern Territory, Australia | |
Shen et al. | High-throughput phenotyping of individual plant height in an oilseed rape population based on Mask-RCNN and UAV images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180828 Termination date: 20210531 |