CN110516858A - 一种预测三叶草产量与品质的方法 - Google Patents

一种预测三叶草产量与品质的方法 Download PDF

Info

Publication number
CN110516858A
CN110516858A CN201910742138.1A CN201910742138A CN110516858A CN 110516858 A CN110516858 A CN 110516858A CN 201910742138 A CN201910742138 A CN 201910742138A CN 110516858 A CN110516858 A CN 110516858A
Authority
CN
China
Prior art keywords
regression model
clover
yield
growth time
accumulated temperature
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.)
Pending
Application number
CN201910742138.1A
Other languages
English (en)
Inventor
侯扶江
石丽娜
杨天辉
常生华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN201910742138.1A priority Critical patent/CN110516858A/zh
Publication of CN110516858A publication Critical patent/CN110516858A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种预测三叶草产量与品质的方法，涉及农业技术领域。本发明方法包括：获取三叶草的生长时间和所述生长时间对应的产量与营养品质指标数据，建立回归模型；或者，获取三叶草≥0℃积温和所述积温对应的产量与营养品质指标数据，建立回归模型；将需要分析的三叶草的生长时间或≥0℃积温带入对应回归模型中，预测出所述三叶草在下一年的产量与营养品质，并判断出所述三叶草的最佳收获期。本发明方法受气候影响小、简单实用、快速便捷、准确、成本低，适合中小农产品企业、农业合作社、个体养殖户等中小型生产单位，为中小型农业生产单位节约了大量的金钱和时间，一定程度上降低了牧草的生产成本，较好的提高了牧草生产效率。

Description

一种预测三叶草产量与品质的方法
技术领域
本发明涉及农业技术领域，尤其涉及一种预测三叶草产量与品质的方法。
背景技术
白三叶属短期多年生草本，生长期达五年，高10～30cm。其基部多分枝，匍匐茎实心，光滑细软，长30～50cm，茎节处着地生根。掌状三出复叶，叶柄细长，自根茎或匍匐茎茎节部位长出。小叶倒卵形，中部有倒“V”型淡色斑，三枚小叶的倒“V”型淡色斑连接，几乎形成一个等边三角形。头状花序生于叶腋，花柄长。蝶形花冠，白色或粉红色，花托杯状有绒毛，每个花序有20～40朵小花，花期为4月中旬至11月中旬。荚果细小而长，每个荚果有种子3～4粒，种子小，心脏型，黄色或棕黄色，千粒重0.5～0.7g。主根较短，侧根发达，多根瘤。
红三叶主根明显，入土不深，根茎2/3分布在30厘米深表土层中，侧根发达。根瘤多。茎圆，中空，直立或斜上，长90～150厘米，分枝力强，一般有10～15个，多者可达30个，开花前形成强大的株丛。掌状三出复叶。聚生于叶柄顶端；叶柄长3～10厘米，小叶卵形或长椭圆形，长3～6厘米，宽2～3.5厘米，基部稍宽，先端较狭，叶面有灰白色倒“V”形斑纹、全缘；托叶膜质，较大，长约2厘米，有紫色脉纹，先端尖锐分出；茎叶各部均具茸毛。头形总状花序，聚生枝稍或腋生小花梗上，小花众多，常有35～150朵，红色或淡紫红色，异花受粉。萼片膜质，有毛，钟形，有尖齿5枚，1枚较长。荚小，横裂，每个荚果含种子1粒，肾形或椭圆形或近似三角形，黄褐色或紫色，千粒重1.5～2克。
白三叶和红三叶广泛种植于全世界各个地区，不论是收获青绿饲料、收获干草还是建植草坪、作青贮饲料，其牧草生长情况、产量、牧草营养品质始终是人们关注的焦点。现有的牧草产量和品质分析通常需要耗费大量的金钱和时间，在高校、分析研究所等科研单位通过化学分析一批牧草样品经常需要花费一个月左右的时间，可收获牧草最佳品质的时间一般较短，无法等待漫长的化学分析过程结束。普通农业经营者只能凭经验大致估计牧草的收获时间，无法通过科学的手段及时调整牧草收获期，往往错误地判断牧草收获期从而造成大量的经济损失。
发明内容
有鉴于此，本发明实施例提供了一种预测三叶草产量与品质的方法，主要目的是提供一种受气候影响小、简单实用、快速便捷、准确、成本低的根据生长时间和≥0℃积温预测三叶草产量和品质的方法。
为达到上述目的，本发明主要提供了如下技术方案：
一方面，本发明实施例提供了一种预测三叶草产量与品质的方法，所述方法包括以下步骤：获取三叶草的生长时间和所述生长时间对应的产量与营养品质指标数据，建立回归模型；或者，获取三叶草≥0℃积温和所述积温对应的产量与营养品质指标数据，建立回归模型；将需要分析的三叶草的生长时间或≥0℃积温带入对应回归模型中，预测出所述三叶草在下一年的产量与营养品质，并判断出所述三叶草的最佳收获期。
作为优选，所述三叶草的生长时间是通过人工采集与计算获得。
作为优选，所述三叶草的≥0℃积温数据是通过气象站获得。
作为优选，所述营养品质指标包括产草量(Forage yield)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、可溶性糖(WSC)、粗脂肪(EE)及粗灰分(Ash)。
作为优选，所述建立回归模型是采用SPSS 20.0。
作为优选，所述三叶草包括白三叶和红三叶。
作为优选，所述白三叶的生长时间与各营养品质的回归模型包括：
产量和生长时间回归模型：y＝1/(1/4000+0.007×0.962x)；
粗蛋白(CP)和生长时间回归模型：y＝-0.0284x+21.759R2＝0.3179；
中性洗涤纤维(NDF)和生长时间回归模型：y＝0.1659x+13.1R2＝0.8627；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝0.0845x+7.5585R2＝0.6922；
可溶性糖(WSC)和生长时间回归模型：y＝0.0285x+6.3297R2＝0.7439；
粗脂肪(EE)和生长时间回归模型：y＝-0.0093x+2.9943R2＝0.4617；
粗灰分(Ash)和生长时间回归模型：y＝-0.0212x+15.588R2＝0.2695；
以上各式中R2＝0.9400。
作为优选，所述白三叶的≥0℃积温与各营养品质的回归模型包括：
产量和积温回归模型：y＝1/(1/4000+0.004*0.998x)；
粗蛋白(CP)和积温回归模型：y＝-0.0016x+21.411R2＝0.3197；
中性洗涤纤维(NDF)和积温回归模型：y＝0.0092x+15.386R2＝0.8422；
酸性洗涤纤维(ADF)和积温回归模型：y＝0.0048x+8.6301R2＝0.6902；
可溶性糖(WSC)和积温回归模型：y＝0.0016x+6.6932R2＝0.7412；
粗脂肪(EE)和积温回归模型：y＝-0.0005x+2.8711R2＝0.4549；
粗灰分(Ash)和积温回归模型：y＝-0.0012x+15.324R2＝0.2703；
以上各式中R2＝0.9180。
作为优选，所述红三叶的生长时间与各营养品质的回归模型包括：
产量和生长时间回归模型：y＝1/(1/4000+0.003×0.981x)；
粗蛋白(CP)和生长时间回归模型：y＝-0.0259x+21.618R2＝0.2849；
中性洗涤纤维(NDF)和生长时间回归模型：y＝0.1693x+14.031R2＝0.8842；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝0.1192x+6.6607R2＝0.6973；
可溶性糖(WSC)和生长时间回归模型：y＝0.0348x+5.5734R2＝0.8826；
粗脂肪(EE)和生长时间回归模型：y＝-0.008x+2.745R2＝0.3667；
粗灰分(Ash)和生长时间回归模型：y＝-0.0112x+14.25R2＝0.0389；
以上各式中R2＝0.9800。
作为优选，所述红三叶的≥0℃积温与各营养品质的回归模型包括：
产量和积温回归模型：y＝1/(1/4000+0.002×0.999x)；
粗蛋白(CP)和积温回归模型：y＝-0.0015x+21.29R2＝0.2842；
中性洗涤纤维(NDF)和积温回归模型：y＝0.0095x+16.163R2＝0.8833；
酸性洗涤纤维(ADF)和积温回归模型：y＝0.0067x+8.2793R2＝0.6834；
可溶性糖(WSC)和积温回归模型：y＝0.002x+6.0188R2＝0.8785；
粗脂肪(EE)和积温回归模型：y＝-0.0004x+2.6437R2＝0.3654；
粗灰分(Ash)和积温回归模型：y＝-0.0006x+14.098R2＝0.0382；
以上各式中R2＝0.9860。
与现有技术相比，本发明的有益效果是：
本发明通过计算生长时间或≥0℃积温预测栽培草地白三叶、红三叶在模拟轮牧下牧草产量和品质的方法。本发明只需在栽培草地三叶草农业生产过程中留意白三叶和红三叶的物候期和生长时间、≥0℃积温的数据，带入已经建立好的回归模型即可立即获取白三叶、红三叶的营养品质，为确定三叶草最佳收获时间提供可靠、快速、准确的科学指导。
本发明上述根据生长时间或≥0℃积温预测栽培草地白三叶、红三叶产量和品质的方法，该方法受气候影响小、简单实用、快速便捷、准确、成本低，适合中小农产品企业、农业合作社、个体养殖户等中小型生产单位，为中小型农业生产单位节约了大量的金钱和时间，一定程度上降低了牧草的生产成本，较好的提高了牧草生产效率。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下以较佳实施例，对依据本发明申请的具体实施方式、技术方案、特征及其功效，详细说明如后。下述说明中的多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例1(白三叶)
原始数据是甘肃省兰州大学榆中试验站2013年白三叶产量、品质和生长时间、≥0℃积温的实验数据(如表1所示)。
生长时间单位：d；
≥0℃积温单位：℃；
产量单位：kg DM·hm-2；
品质单位：％
表1.白三叶实验数据
生长时间 ≥0℃积温 产量 CP NDF ADF WSC EE Ash
55 742.4 387.47 20.07 23.93 11.25 7.23 2.36 13.03
75 1085.2 1701.11 19.13 24.83 15.33 9.13 1.56 15.70
95 1464.0 2417.12 19.55 28.77 18.20 9.14 2.10 15.57
115 1829.9 2959.78 20.63 33.93 18.06 9.63 2.22 10.16
137 2269.3 3411.43 16.70 32.94 19.28 9.57 1.86 10.51
158 2595.3 3651.93 18.46 40.12 16.24 10.28 1.56 11.76
177 2854.9 3968.42 16.34 46.07 22.01 11.03 0.98 11.81
根据表1中在2013年采集的生长时间、积温数据、产量及营养品质指标数据，利用SPSS20.0建立相应的回归模型，该预测模型如表2所示。
表2.白三叶预测模型
生产者可利用表2所示的回归模型预测白三叶下一轮或下一年相应生产时间或积温下对应的产量和营养品质。
例如，当生产者想在137天时得到白三叶的牧草产量和品质数据时，可以简单地将x＝137带入产量、CP、NDF、ADF、WSC、EE、Ash已经建立好的关于生长时间预测的回归方程中，得到白三叶养分含量数据分别为：3512.712(3411.43)kg DM·hm-2、17.8682％(16.70)、35.8283％(32.94)、19.135％(19.28)、10.2342％(9.57)、1.7202％(1.86)、12.6836％(10.51)；括号内为三叶草原始实际测量数据，通过对比确定本发明实施例的预测方法相对准确、简便，可用于预测三叶草产量和品质。
例如，当生产者想在≥0℃积温为2269.3℃时得到白三叶的牧草产量和品质数据时，可以简单地将x＝2269.3带入关于≥0℃积温预测的回归方程中，得到白三叶养分含量数据分别为：3418.107(3411.43)kg DM·hm-2、17.7801％(16.70)、36.2636％(32.94)、19.5227％(19.28)、10.3241％(9.57)、1.7365％(1.86)、12.6008％(10.51)；括号内为三叶草原始实际测量数据，通过对比确定本发明实施例的预测方法相对准确、简便，可用于预测三叶草产量和品质。
实施例2(红三叶)
原始数据是甘肃省兰州大学榆中试验站2013年红三叶产量、品质和生长时间、≥0℃积
温的实验数据(如表3所示)。
生长时间单位：d；
≥0℃积温单位：℃；
产量单位：kg DM·hm-2；
品质单位：％
表3.红三叶实验数据
根据表3中在2013年采集的生长时间、积温数据、产量及营养品质指标数据，利用SPSS20.0建立相应的回归模型，预测模型如下(表4)：
表4.红三叶预测模型
生产者可利用表4所示的回归模型预测下一轮或下一年红三叶在相应生产时间或积温下对应的产量和营养品质。
当生产者想在115天时得到红三叶的牧草产量和品质数据时，可以简单地将x＝115带入产量、CP、NDF、ADF、WSC、EE、Ash已经建立好关于生长时间预测的回归方程中，得到红三叶养分含量数据分别为：1722.911(1956.68)kg DM·hm-2、18.6395％(19.11)、33.5005％(29.65)、20.3687％(19.78)、9.5754％(9.33)、1.8250％(1.74)、12.9620％(12.81)；括号内为红三叶原始实际测量数据，通过对比确定本发明实施例的预测方法相对准确、简便，可用于预测红三叶产量和品质。
当生产者想在≥0℃积温为1829.9℃时得到红三叶的牧草产量和品质数据时，可以简单地将x＝1829.9带入关于≥0℃积温预测的回归方程中，得到红三叶养分含量数据分别为：1752.647(1956.68)kg DM·hm-2、18.5452％(19.11)、33.5471％(29.65)、20.5396％(19.78)、9.6778％(9.33)、1.9117％(1.74)、13.0％(12.81)；括号内为红三叶原始实际测量数据，通过对比确定本发明实施例的预测方法相对准确、简便，可用于预测红三叶产量和品质。
生产者只需在栽培草地三叶草农业生产过程中留意白三叶和红三叶的物候期和生长时间、≥0℃积温的数据，带入已经建立好的回归模型就可以立即获取白三叶、红三叶的营养品质，为确定三叶草最佳收获时间提供可靠、快速、准确的科学指导。
本发明实施例中未尽之处，本领域技术人员均可从现有技术中选用。
以上公开的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以上述权利要求的保护范围为准。

Claims (10)

1.一种预测三叶草产量与品质的方法，其特征在于，所述方法包括以下步骤：
获取三叶草的生长时间和所述生长时间对应的产量与营养品质指标数据，建立回归模型；或者，获取三叶草≥0℃积温和所述积温对应的产量与营养品质指标数据，建立回归模型；将需要分析的三叶草的生长时间或≥0℃积温带入对应回归模型中，预测出所述三叶草在下一年的产量与营养品质，并判断出所述三叶草的最佳收获期。
2.如权利要求1所述的一种预测三叶草产量与品质的方法，其特征在于，所述三叶草的生长时间是通过人工采集与计算获得。
3.如权利要求1所述的一种预测三叶草产量与品质的方法，其特征在于，所述三叶草的≥0℃积温数据是通过气象站获得。
4.如权利要求1所述的一种预测三叶草产量与品质的方法，其特征在于，所述营养品质指标包括产草量(Forage yield)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、可溶性糖(WSC)、粗脂肪(EE)及粗灰分(Ash)。
5.如权利要求1所述的一种预测三叶草产量与品质的方法，其特征在于，所述建立回归模型是采用SPSS20.0。
6.如权利要求1所述的一种预测三叶草产量与品质的方法，其特征在于，所述三叶草包括白三叶和红三叶。
7.如权利要求6所述的一种预测三叶草产量与品质的方法，其特征在于，所述白三叶的生长时间与各营养品质的回归模型包括：
产量和生长时间回归模型：y＝1/(1/4000+0.007×0.962x)；
粗蛋白(CP)和生长时间回归模型：y＝-0.0284x+21.759R2＝0.3179；
中性洗涤纤维(NDF)和生长时间回归模型：y＝0.1659x+13.1R2＝0.8627；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝0.0845x+7.5585R2＝0.6922；
可溶性糖(WSC)和生长时间回归模型：y＝0.0285x+6.3297R2＝0.7439；
粗脂肪(EE)和生长时间回归模型：y＝-0.0093x+2.9943R2＝0.4617；
粗灰分(Ash)和生长时间回归模型：y＝-0.0212x+15.588R2＝0.2695。
8.如权利要求6所述的一种预测三叶草产量与品质的方法，其特征在于，所述白三叶的≥0℃积温与各营养品质的回归模型包括：
产量和积温回归模型：y＝1/(1/4000+0.004×0.998x)；
粗蛋白(CP)和积温回归模型：y＝-0.0016x+21.411R2＝0.3197；
中性洗涤纤维(NDF)和积温回归模型：y＝0.0092x+15.386R2＝0.8422；
酸性洗涤纤维(ADF)和积温回归模型：y＝0.0048x+8.6301R2＝0.6902；
可溶性糖(WSC)和积温回归模型：y＝0.0016x+6.6932R2＝0.7412；
粗脂肪(EE)和积温回归模型：y＝-0.0005x+2.8711R2＝0.4549；
粗灰分(Ash)和积温回归模型：y＝-0.0012x+15.324R2＝0.2703。
9.如权利要求6所述的一种预测三叶草产量与品质的方法，其特征在于，所述红三叶的生长时间与各营养品质的回归模型包括：
产量和生长时间回归模型：y＝1/(1/4000+0.003×0.981x)；
粗蛋白(CP)和生长时间回归模型：y＝-0.0259x+21.618R2＝0.2849；
中性洗涤纤维(NDF)和生长时间回归模型：y＝0.1693x+14.031R2＝0.8842；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝0.1192x+6.6607R2＝0.6973；
可溶性糖(WSC)和生长时间回归模型：y＝0.0348x+5.5734R2＝0.8826；
粗脂肪(EE)和生长时间回归模型：y＝-0.008x+2.745R2＝0.3667；
粗灰分(Ash)和生长时间回归模型：y＝-0.0112x+14.25R2＝0.0389。
10.如权利要求6所述的一种预测三叶草产量与品质的方法，其特征在于，所述红三叶的≥0℃积温与各营养品质的回归模型包括：
产量和积温回归模型：y＝1/(1/4000+0.002×0.999x)；
粗蛋白(CP)和积温回归模型：y＝-0.0015x+21.29R2＝0.2842；
中性洗涤纤维(NDF)和积温回归模型：y＝0.0095x+16.163R2＝0.8833；
酸性洗涤纤维(ADF)和积温回归模型：y＝0.0067x+8.2793R2＝0.6834；
可溶性糖(WSC)和积温回归模型：y＝0.002x+6.0188R2＝0.8785；
粗脂肪(EE)和积温回归模型：y＝-0.0004x+2.6437R2＝0.3654；
粗灰分(Ash)和积温回归模型：y＝-0.0006x+14.098R2＝0.0382。
CN201910742138.1A 2019-08-13 2019-08-13 一种预测三叶草产量与品质的方法 Pending CN110516858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910742138.1A CN110516858A (zh) 2019-08-13 2019-08-13 一种预测三叶草产量与品质的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910742138.1A CN110516858A (zh) 2019-08-13 2019-08-13 一种预测三叶草产量与品质的方法

Publications (1)

Publication Number Publication Date
CN110516858A true CN110516858A (zh) 2019-11-29

Family

ID=68625915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910742138.1A Pending CN110516858A (zh) 2019-08-13 2019-08-13 一种预测三叶草产量与品质的方法

Country Status (1)

Country Link
CN (1) CN110516858A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348267A (zh) * 2020-11-11 2021-02-09 宁夏农林科学院动物科学研究所 一种预测苣菊草产量与品质的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101044823A (zh) * 2007-04-17 2007-10-03 华南师范大学 一种作物能量利用率评价及产量预测的方法
CN101642021A (zh) * 2009-09-08 2010-02-10 江苏大学 一种用四参数逻辑斯蒂方程来预测茅苍术生长的方法
CN103971176A (zh) * 2014-05-07 2014-08-06 中国农业科学院柑桔研究所 一种柑橘果实优质化采收决策的方法及系统
CN104182800A (zh) * 2013-05-21 2014-12-03 中国农业科学院棉花研究所 基于趋势和周期波动的时间序列的智能预测方法
CN106875059A (zh) * 2017-02-20 2017-06-20 兰州大学 一种根据株高和分蘖预测多花黑麦草产量和品质的方法
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101044823A (zh) * 2007-04-17 2007-10-03 华南师范大学 一种作物能量利用率评价及产量预测的方法
CN101642021A (zh) * 2009-09-08 2010-02-10 江苏大学 一种用四参数逻辑斯蒂方程来预测茅苍术生长的方法
CN104182800A (zh) * 2013-05-21 2014-12-03 中国农业科学院棉花研究所 基于趋势和周期波动的时间序列的智能预测方法
CN103971176A (zh) * 2014-05-07 2014-08-06 中国农业科学院柑桔研究所 一种柑橘果实优质化采收决策的方法及系统
CN106875059A (zh) * 2017-02-20 2017-06-20 兰州大学 一种根据株高和分蘖预测多花黑麦草产量和品质的方法
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
石丽娜: "模拟轮牧条件下黄土高原三叶草产量与营养品质的预测", 《草业科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348267A (zh) * 2020-11-11 2021-02-09 宁夏农林科学院动物科学研究所 一种预测苣菊草产量与品质的方法

Similar Documents

Publication Publication Date Title
Whitaker et al. The taxonomy, genetics, production and uses of the cultivated species of Cucurbita
Swamy Origin, distribution and systematics of culinary cucumber (Cucumis melo subsp. agrestis var. conomon)
Skrypchenko et al. The genesis and current state of Actinidia collection in MM Grishko National Botanical Garden in Ukraine
CN110516858A (zh) 一种预测三叶草产量与品质的方法
Hansen Plant Introductions (1895-1927)
Fathi et al. Tree and fruit characterization of peach genotypes grown under Ardabil and East Azarbaijan environmental conditions in Iran
Tóth et al. Traditional old apple cultivars as new gene sources for apple breeding
Hodel et al. Imported and American varieties of dates (Phoenix dactylifera) in the United States
Brand et al. Four sterile or Near-sterile cultivars of Japanese barberry in three foliage colors
Pomper et al. Ploidy level in american persimmon (Diospyros virginiana) cultivars
Kaufmane et al. Results of Latvian plum breeding programme
Collins Notes on the origin, history, and genetic nature of the Cayenne pineapple
CN108401893B (zh) 一种结球甘蓝无蜡粉亮叶育种纯合材料的创制方法
Fonkeng Cocoa yield evaluation and some important yield factors in small holder theobroma cacao agroforests in bokito-centre cameroon
Manzoor et al. Phenological stages of growth in grapevine (Vitis vinifera L.) via codes and details as per BBCH scale
Toplu et al. The performance of persimmon (Diospyros kaki Thumb.) Cultivars Under Mediterranean Coastal Conditions in Hatay, Turkey
USPP30129P3 (en) Ilex interspecific hybrid named ‘CR195-115’
Pérez-Barbeito et al. Effects of planting season and plant cultivar on growth, development, and pod production in snap bean (Phaseolus vulgaris L.)
USPP7701P (en) Variety of strawberry named Florika
Gopi et al. Varietal evaluation and genetic improvement of anthurium (Anthurium adreanum Linden) through hybridization
USPP10142P (en) Variety of raspberry named `PS-1049`
USPP9814P (en) Ixora plant--`Diora`
Alderman et al. Fruit varieties developed at the University of Minnesota fruit breeding farm
USPP5686P (en) Blackberry-Shawnee cultivar
Chorshanbiev et al. Prospects of Introduction of Mahonia Aguifolium in Uzbekistan

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191129

WD01 Invention patent application deemed withdrawn after publication