CN109325630A - 一种基于形态参数的高温胁迫下水稻产量预测方法 - Google Patents
一种基于形态参数的高温胁迫下水稻产量预测方法 Download PDFInfo
- Publication number
- CN109325630A CN109325630A CN201811194915.5A CN201811194915A CN109325630A CN 109325630 A CN109325630 A CN 109325630A CN 201811194915 A CN201811194915 A CN 201811194915A CN 109325630 A CN109325630 A CN 109325630A
- Authority
- CN
- China
- Prior art keywords
- rice
- high temperature
- temperature stress
- yield
- morphological
- 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.)
- Granted
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 116
- 235000009566 rice Nutrition 0.000 title claims abstract description 116
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 116
- 238000011282 treatment Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 45
- 238000003306 harvesting Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000008267 milk Substances 0.000 claims description 6
- 210000004080 milk Anatomy 0.000 claims description 6
- 235000013336 milk Nutrition 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 230000012010 growth Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000010792 warming Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medicines Containing Plant Substances (AREA)
- Fodder In General (AREA)
- Dairy Products (AREA)
Abstract
本发明公开了一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，包括：于水稻孕穗期或开花期对水稻进行短期极端高温处理，同时设立对照处理；获取高温胁迫下的水稻形态指标，并求得各指标的相对值；获取水稻产量，并求得产量相对值；对形态指标相对变化值与产量相对变化值进行逐步回归分析，筛选出与产量相关的形态指标；基于形态参数建立高温胁迫下水稻产量预测模型。本发明筛选出便于观察的形态指标能够对产量较好的预测，成本低，方法简单有效。本发明还公开了一种基于形态参数建立高温胁迫下水稻产量预测模型预测高温胁迫下水稻产量方法，从而实现基于形态指标预测水稻产量的目的。
Description
技术领域
本发明属于水稻产量评估领域，涉及一种基于形态参数建立高温胁迫下水稻产量预测模型的方法以及基于形态参数的高温胁迫下水稻产量预测方法。
背景技术
水稻作为重要的粮食作物，对我国的粮食安全极为重要。随着温室效应的不断加剧，全球气候变暖和短期高温事件频发，已经渐渐成为影响水稻生长发育的主要因素之一。水稻作为起源于低纬度热带地区的高温短日照植物，形成了适应高温和短日照的生理生态特性。水稻在不同生长发育阶段对温度的要求和响应各不相同，但都存在一个最适温度和临界温度。虽然水稻的生长发育需要相对较高的温度，但是其在某些生育期内对温度极为敏感，如果超出了上限或下限临界温度，水稻的生长发育就会出现异常，超过水稻所能承受高温范围将形成高温胁迫。高温胁迫是指温度升高到一定程度并超过一段时间对作物生长和发育造成不可逆转的影响，影响作物形态的各个方面，包括：从地下部的根到地上部的茎叶穗，从种子萌发到作物的产量和品质，从作物的外部形态结构到内部生理生化反应。植物的形态和群体特征很大程度上影响其调节能力和资源获取能力，而形态的变化也会导致植物生理生化功能的改变。
产量估测一直是粮食生产中的一个重要环节，各种类的产量估测模型均能在某一方面上表现良好，如不同尺度大小、不同地形地貌、不同栽培措施等。在实际估产应用中，光谱诊断、高空遥感获取数据估测产量占了很大比重。田间测产估产的方法一般包括：收获前根据每公顷穗数来估计产量，收获期则多是通过测量小面积田块的实际产量而后按面积比例来完成估产。另外，也可通过获取地上干物重与收获指数来得到作物产量。
发明内容
本发明的目的是提供一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，通过高温胁迫引起的水稻形态变化规律和最终产量，利用统计分析软件分析各个形态指标与水稻产量的相关关系，寻找与水稻产量变化显著相关的形态变指标，从而基于形态参数建立预测高温胁迫下水稻的产量的模型。
本发明目的是通过以下技术方案实现的：
一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，包括以下步骤：
于水稻高温敏感时期孕穗期或开花期对水稻进行短期极端高温处理，同时设立对照处理；
测量灌浆前的水稻株高(此时的水稻株高为茎基部到穗尖的植株长度，即主茎茎长)和灌浆末期的水稻株高(此时的水稻株高为茎基部到穗顶的垂直高度，即收获株高)，得到水稻因灌浆导致的株高下降量；获取灌浆末期水稻的叶片黄叶面积比；获得收获期水稻穗数，测量水稻穗长、一次枝梗数和二次枝梗数；获得水稻实际产量；
获得经过短期极端高温处理与对照处理的水稻形态指标相对变化值、产量相对变化值，对形态指标相对变化值与产量相对变化值进行逐步回归分析，筛选出与产量相关的最优形态指标；获得上述指标与实际产量的拟合度值和精确度值；
基于形态参数建立高温胁迫下水稻产量预测模型，包括：
孕穗期高温胁迫下水稻产量预测模型：
y＝2.214L+0.574YR-0.006 (1)
开花期高温胁迫下水稻产量预测模型：
y＝0.102HD+0.727YR+0.161 (2)
其中，L为灌浆前的水稻株高，即主茎茎长，HD为水稻的株高下降量，YR为叶片黄叶面积比。
对照处理的温度基于当地常年温度变化，设定为Tmin/max(22/32℃)，高温处理温度为Tmin/max(30-34/40-44℃)；处理温度最低的时间段为5:00-7:00，温度最高的时间段为12:00-15:00，其余时段温度按当地温度日变化规律每隔1-2小时梯度变化；高温持续时间为2-4天。
所述的株高下降量为：
HD＝L-H (3)；
其中，L为灌浆前的水稻株高，H为灌浆末期的水稻株高，HD为株高下降量。
灌浆末期水稻的黄叶面积比的获取方法：摘取灌浆末期水稻的剑叶、倒二叶、倒三叶和倒四叶，每片叶子分别扫描得到图像，计算叶片黄叶面积和绿叶面积，得到单叶黄叶面积比，计算4片叶子的黄叶面积比平均值，即为灌浆末期水稻的叶片黄叶面积比；
黄叶面积比的计算公式为：
其中，YAi和GAi分别为对应叶片黄叶面积和绿叶面积，YRi为对应叶片黄叶面积比，YR为4片叶片的黄叶面积比平均值；式中n＝4，i取值为1,2,3,4。
所述的形态指标相对变化值或产量相对变化值的计算公式为：
其中，Pt为高温胁迫下形态指标或产量的值，Pck为正常温度下形态指标或产量的值，Yt为形态指标或产量的相对变化值。
本发明的另一个目的是提供一种基于形态参数的高温胁迫下水稻产量预测方法，包括：
水稻于孕穗期受到高温胁迫时，测量灌浆前的水稻株高，获取灌浆末期水稻的黄叶面积比；基于上述形态指标，根据所述的高温胁迫下水稻产量预测模型预测水稻产量；
或水稻于开花期受到高温胁迫时，测量灌浆前的水稻株高和灌浆末期的水稻株高，得到株高下降量；获取灌浆末期水稻的黄叶面积比；基于上述形态指标，根据所述的高温胁迫下水稻产量预测模型预测水稻产量。
本发明的有益效果：
本发明提供的高温胁迫下水稻产量预测方法，通过获得植株形态指标，并利用统计分析方法分析各指标与产量的关系，能够在水稻生长中后期通过观测表现较明显的若干形态指标，高效、快速、实时的估计水稻产量，对水稻高温灾害程度的预测进行有效判断。
附图说明
图1为2016-2017年水稻移栽后生长期间外界的温度变化(6月-9月)。
具体实施方式
下面集合实施例对本发明的技术方案做进一步详细说明，以利于对本发明的理解，但并不作为此技术方案的限制。
实施例1
人工气候室控温试验于2016-2017年在华中单、双季稻稻作区进行。选用两个耐热性不同的粳稻品种：淮稻5号(HD5，较敏感)和武运粳24号(WYJ24，耐热)，每年5月中下旬播种，采用旱育秧方式育秧，至6月中下旬移栽到高35cm、直径30cm的塑料盆中，每盆移栽3穴，每穴2株。盆内土壤为黄黏土，每盆施入3.0gN，2.0g P2O5和1.5gK2O，磷钾肥一次性施入作为基肥，氮肥基追比为5:1:2:2，其他管理同高产栽培。利用美国Decagon公司的Em50G(Decagon Devices Inc.Washington,USA)设备采集空气温度以及土壤温度数据，设备设置为每小时采集数据12次。其中外界温度变化见图1。
处理期前水稻生长于自然环境中，到水稻孕穗期至减数分裂期(主茎剑叶抽出，穗分化长度至1.5-4cm)或开花期(群体的50％开花)移入人工气候室进行高温处理，处理后于自然环境下生长。
设置3个温度处理，T(Tmax/Tmin)分别为：T1(32/22)℃、T2(40/30)℃、T3(44/34)℃。设置温度水平持续时间为D1(2天)、D2(4天)。共6个温度处理，以T1&D1为对照处理，T1&D2主要是为体现温室本身由于透光率等这类不可避免的问题造成的水稻生长变化，但对研究形态变化与产量变化的关系无明显影响。
表1温度设定情况
挑选长势一致的水稻3盆，在每盆中挑选长势一致的水稻3株，并用记号笔标记其主茎用于测试水稻株高。测量灌浆前的水稻株高L(此时的水稻株高为茎基部到穗尖的植株长度，即主茎茎长)和灌浆末期的水稻株高H(此时的水稻株高为茎基部到穗顶的垂直高度，即收获株高)，得到水稻因灌浆而导致的株高下降量HD。
HD＝L-H
选取处于灌浆末期的颜色一致的水稻3盆，每盆选取1个叶片完好的单茎，共3个单茎。分别摘取剑叶、倒二叶、倒三叶和倒四叶，共12张叶片，采用Scanjet G4010型扫描仪(美国Hewlett-Packard公司)扫描，得到图像，利用Adobe Photoshop Lightroom 5.3对扫描图片进行校正后，利用Mathwork MATLAB 7.0对校正后的图片进行处理，获得叶片黄叶面积和绿叶面积的像素点，得到像素面积，获得黄叶面积比。黄叶面积比的计算公式为：
其中，YAi和GAi分别为对应叶片黄叶面积和绿叶面积，YRi为对应叶片黄叶面积比，YR为4片叶片的黄叶面积比平均值。
于收获期获得各处理的水稻穗数，测量水稻穗长、一次枝梗数和二次枝梗数。获得田间试验各处理的水稻实际产量。
由于大田试验与盆栽试验的差异性，本发明采用相对变化值来进行阐述，以期消除大田试验与盆栽试验各指标绝对值的差异。获得经过高温处理与对照处理的水稻形态指标相对变化值、产量相对变化值，形态指标相对变化值或产量相对变化值的计算公式为：
其中，Pt为高温胁迫下形态指标或产量的值，Pck为正常温度下形态指标或产量的值，Yt为形态指标或产量的相对变化值。
利用SPSS软件做形态指标相对值与产量相对值的线性相关分析，筛选出与产量变化显著相关的形态指标，见表2。
表2水稻形态指标相对值与产量相对值的线性相关关系
注：*代表显著，**代表极显著，—表示无数据。
由表2可知，高温影响的水稻茎、叶、穗形态指标的变化与水稻产量密切相关，这些指标均在一定程度上能反映出高温对产量效应。
利用SPSS软件的逐步回归分析方法，将水稻形态指标参数逐个引入模型，分析形态指标相对变化值与产量相对变化值的线性关系并进行统计学检验，剔除引起多重共线性的变量，筛选出与产量相关的最优解释变量集(见表3)，利用最小二乘法获得这些指标与实际产量的拟合度值和精确度值。
表3对水稻产量影响最大的形态指标组合
由表3可知，孕穗期遭受高温形态变化影响水稻产量的指标主要为主茎茎长和黄叶面积比，基于主茎茎长和黄叶面积比建立孕穗期高温胁迫下水稻产量预测模型：
y＝2.214L+0.574YR-0.006
模型的拟合度达到0.698，指标系数均极显著。
开花期遭受高温形态变化影响水稻产量的指标主要为株高下降量和黄叶面积比，基于株高下降量和黄叶面积比建立孕穗期高温胁迫下水稻产量预测模型：
y＝0.102HD+0.727YR+0.161
模型的拟合度达到0.604，指标系数均极显著。
Claims (7)
1.一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于包括以下步骤：
于水稻孕穗期或开花期对水稻进行短期极端高温处理，同时设立对照处理；
测量灌浆前的水稻株高和灌浆末期的水稻株高，得到株高下降量；获取灌浆末期水稻的叶片黄叶面积比；获得收获期水稻穗数，测量水稻穗长、一次枝梗数和二次枝梗数；获得水稻实际产量；
获得经过短期极端高温处理与对照处理的水稻形态指标相对变化值、产量相对变化值，对形态指标相对变化值与产量相对变化值进行逐步回归分析，筛选出与产量相关的形态指标；
基于形态参数建立高温胁迫下水稻产量预测模型，包括：
孕穗期高温胁迫下水稻产量预测模型：
y＝2.214L+0.574YR-0.006 (1)
开花期高温胁迫下水稻产量预测模型：
y＝0.102HD+0.727YR+0.161 (2)
其中，L为灌浆前的水稻株高，HD为株高下降量，YR为叶片黄叶面积比。
2.根据权利要求1所述的基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于水稻孕穗期为水稻孕穗至减数分裂期，所述的开花期为群体开花10～50％。
3.根据权利要求1所述的基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于对照处理的温度为Tmin/max(22/32℃)，高温处理温度为Tmin/max(30-34/40-44℃)；处理温度最低的时间段为5:00-7:00，温度最高的时间段为12:00-15:00；高温持续时间为2-4天。
4.根据权利要求1所述的基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于所述的株高下降量为：
HD＝L-H (3)；
其中，L为灌浆前的水稻株高，H为灌浆末期的水稻株高，HD为株高下降量。
5.根据权利要求1所述的基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于灌浆末期水稻的叶片黄叶面积比的获取方法为：摘取灌浆末期水稻的剑叶、倒二叶、倒三叶和倒四叶，每片叶子分别扫描得到图像，利用图像处理分析软件计算叶片黄叶面积和绿叶面积，得到单叶黄叶面积比，计算4片叶子的黄叶面积比平均值，即为灌浆末期水稻的叶片黄叶面积比；
黄叶面积比的计算公式为：
其中，YAi和GAi分别为对应叶片黄叶面积和绿叶面积，YRi为对应叶片黄叶面积比，YR为4片叶片的黄叶面积比平均值；式中n＝4，i取值为1,2,3,4。
6.根据权利要求1所述的基于形态参数建立高温胁迫下水稻产量预测模型的方法，其特征在于所述的形态指标相对变化值或产量相对变化值的计算公式为：
其中，Pt为高温胁迫下形态指标或产量的值，Pck为正常温度下形态指标或产量的值，Yt为形态指标或产量的相对变化值。
7.一种基于形态参数的高温胁迫下水稻产量预测方法，其特征在于包括：
水稻于孕穗期受到高温胁迫时，测量灌浆前的水稻株高，获取灌浆末期水稻的叶片黄叶面积比；基于上述形态指标，根据权利要求1所述的高温胁迫下水稻产量预测模型预测水稻产量；
或水稻于开花期受到高温胁迫时，测量灌浆前的水稻株高和灌浆末期的水稻株高，得到株高下降量；获取灌浆末期水稻的叶片黄叶面积比；基于上述形态指标，根据权利要求1所述的高温胁迫下水稻产量预测模型预测水稻产量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194915.5A CN109325630B (zh) | 2018-10-12 | 2018-10-12 | 一种基于形态参数的高温胁迫下水稻产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194915.5A CN109325630B (zh) | 2018-10-12 | 2018-10-12 | 一种基于形态参数的高温胁迫下水稻产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109325630A true CN109325630A (zh) | 2019-02-12 |
| CN109325630B CN109325630B (zh) | 2022-04-29 |
Family
ID=65262048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811194915.5A Active CN109325630B (zh) | 2018-10-12 | 2018-10-12 | 一种基于形态参数的高温胁迫下水稻产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325630B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110248039A (zh) * | 2019-06-17 | 2019-09-17 | 云南省农业科学院生物技术与种质资源研究所 | 一种水稻叶片拍照方法 |
| CN110276482A (zh) * | 2019-06-03 | 2019-09-24 | 宁波市气象台 | 一种植物花果生育期起止时间的预报方法 |
| CN110443420A (zh) * | 2019-08-05 | 2019-11-12 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103828666A (zh) * | 2014-03-07 | 2014-06-04 | 四川省农业科学院水稻高粱研究所 | 水稻品种开花期耐高温性的田间鉴定方法 |
| CN105557411A (zh) * | 2015-12-15 | 2016-05-11 | 广西壮族自治区农业科学院水稻研究所 | 一种基于时积温鉴定早稻抽穗扬花期耐热结实性的方法 |
| US20160230182A1 (en) * | 2013-06-26 | 2016-08-11 | Shanghai Institutes For Biological Sciences, Chinese Academy Of Sciences | Polypeptide regulating and controlling the formation of plant agronomic trait or yield trait, and use of polypeptide |
| CN107996326A (zh) * | 2018-01-19 | 2018-05-08 | 临沧市农业技术推广站 | 一种早秋小麦栽培中的播种期、密度管理方法及系统 |
-
2018
- 2018-10-12 CN CN201811194915.5A patent/CN109325630B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160230182A1 (en) * | 2013-06-26 | 2016-08-11 | Shanghai Institutes For Biological Sciences, Chinese Academy Of Sciences | Polypeptide regulating and controlling the formation of plant agronomic trait or yield trait, and use of polypeptide |
| CN103828666A (zh) * | 2014-03-07 | 2014-06-04 | 四川省农业科学院水稻高粱研究所 | 水稻品种开花期耐高温性的田间鉴定方法 |
| CN105557411A (zh) * | 2015-12-15 | 2016-05-11 | 广西壮族自治区农业科学院水稻研究所 | 一种基于时积温鉴定早稻抽穗扬花期耐热结实性的方法 |
| CN107996326A (zh) * | 2018-01-19 | 2018-05-08 | 临沧市农业技术推广站 | 一种早秋小麦栽培中的播种期、密度管理方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276482A (zh) * | 2019-06-03 | 2019-09-24 | 宁波市气象台 | 一种植物花果生育期起止时间的预报方法 |
| CN110248039A (zh) * | 2019-06-17 | 2019-09-17 | 云南省农业科学院生物技术与种质资源研究所 | 一种水稻叶片拍照方法 |
| CN110443420A (zh) * | 2019-08-05 | 2019-11-12 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
| CN110443420B (zh) * | 2019-08-05 | 2023-05-09 | 山东农业大学 | 一种基于机器学习的作物产量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109325630B (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amarasingha et al. | Simulation of crop and water productivity for rice (Oryza sativa L.) using APSIM under diverse agro-climatic conditions and water management techniques in Sri Lanka | |
| CN109829234A (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
| Moreno et al. | Base temperature determination of tropical Panicum spp. grasses and its effects on degree-day-based models | |
| CN109211801B (zh) | 一种作物氮素需求量实时获取方法 | |
| CN106529451B (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
| Hussain et al. | Irrigation scheduling for cotton cultivation | |
| CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
| CN106561347A (zh) | 一种基于机器学习的植物智能培育系统及方法 | |
| CN105045321A (zh) | 基于物联网应用设计的云平台综合管理方法 | |
| CN107341734A (zh) | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 | |
| CN106018284B (zh) | 一种作物长势定量遥感监测方法及系统 | |
| CN109325630A (zh) | 一种基于形态参数的高温胁迫下水稻产量预测方法 | |
| Uliarte et al. | Seasonal dynamics of CO2 balance and water consumption of C3 and C4-type cover crops compared to bare soil in a suitability study for their use in vineyards in Germany and Argentina | |
| Yang et al. | Climate change effects on wheat yield and water use in oasis cropland | |
| Amarasingha et al. | Aligning sowing dates with the onset of rains to improve rice yields and water productivity: modelling rice (Oryza sativa L.) yield of the Maha season in the dry zone of Sri Lanka | |
| Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
| Sun et al. | IoT enabled smart fertilization and irrigation aid for agricultural purposes | |
| CN106171222B (zh) | 一种依据水稻叶色相对值追施氮肥的方法 | |
| CN105027963A (zh) | 一种苎麻种质资源耐寒性鉴定与评价的方法 | |
| CN117973921A (zh) | 一种农业管理方法及系统 | |
| Boote et al. | Applications of, and limitations to, crop growth simulation models to fit crops and cropping systems to semi-arid environments | |
| CN105993720A (zh) | 一种日光温室基质袋培作物灌水量的模拟计算方法 | |
| CN109220633A (zh) | 一种提高夏玉米光能利用效率的垄沟立体种植技术 | |
| Mantovani | Olive (Olea europaea) and wild asparagus (Asparagus acutifolius L.) agroforestry system: asparagus performance and its best positioning in the olive orchard | |
| CN103650730A (zh) | 一种根据作物投影面积和植株高度进行施肥的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |