CN111011207A - 一种优质丰产高效单季中籼杂交稻的品种筛选方法 - Google Patents
一种优质丰产高效单季中籼杂交稻的品种筛选方法 Download PDFInfo
- Publication number
- CN111011207A CN111011207A CN201911194788.3A CN201911194788A CN111011207A CN 111011207 A CN111011207 A CN 111011207A CN 201911194788 A CN201911194788 A CN 201911194788A CN 111011207 A CN111011207 A CN 111011207A
- Authority
- CN
- China
- Prior art keywords
- variety
- quality
- rice
- yield
- varieties
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 95
- 235000009566 rice Nutrition 0.000 title claims abstract description 95
- 238000012216 screening Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 94
- 238000009331 sowing Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 239000003337 fertilizer Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 235000013339 cereals Nutrition 0.000 claims description 16
- 241000196324 Embryophyta Species 0.000 claims description 15
- 238000003306 harvesting Methods 0.000 claims description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 229920000856 Amylose Polymers 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 240000002582 Oryza sativa Indica Group Species 0.000 claims description 4
- 240000008467 Oryza sativa Japonica Group Species 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 4
- 239000003513 alkali Substances 0.000 claims description 4
- HKPHPIREJKHECO-UHFFFAOYSA-N butachlor Chemical compound CCCCOCN(C(=O)CCl)C1=C(CC)C=CC=C1CC HKPHPIREJKHECO-UHFFFAOYSA-N 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims description 4
- 239000011574 phosphorus Substances 0.000 claims description 4
- 239000011591 potassium Substances 0.000 claims description 4
- 229910052700 potassium Inorganic materials 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012098 association analyses Methods 0.000 claims description 2
- 230000008033 biological extinction Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000009418 agronomic effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 229920002472 Starch Polymers 0.000 description 1
- 238000002419 base digestion Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 235000021329 brown rice Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
- A01H1/00—Processes for modifying genotypes ; Plants characterised by associated natural traits
- A01H1/04—Processes of selection involving genotypic or phenotypic markers; Methods of using phenotypic markers for selection
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Botany (AREA)
- Developmental Biology & Embryology (AREA)
- Environmental Sciences (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种优质丰产高效单季中籼杂交稻的品种筛选方法，包括征集长江中下游地区42个中籼杂交稻品种、对收集的各品种统一播种移栽、统一田间肥水管理、生育期记载、测产与考种、品质分析等步骤，获得各品种产量及品质性状数据，筛选出适合种植于长江中下游地区的优质丰产高效单季中籼杂交水稻品种。本发明利用灰色关联分析法和加权关联度法，先从优质方面运算分析各中籼杂交稻品种品质性状，然后将品质和产量性状结合分析，综合产量与品质指标考察各中籼杂交稻品种在试验区表现，评价参试品种优劣。本发明的筛选方法较常规的方差分析法能够更科学、全面地评价品种的优劣，从而能准确地为生产提供可应用的优质丰产高效品种，服务生产实际。
Description
技术领域
本发明涉及农业种植技术领域，具体涉及一种优质丰产高效单季中籼杂交稻的品种筛选方法。
背景技术
长江中下游地区是我国重要的稻产区。该地区单、双季稻兼具，品种类型籼、粳及杂交稻皆宜。其中中籼杂交稻面积较大，约占全区水稻种植面积的1/3左右，具有比较重要的生产地位。目前生产上使用的中籼杂交稻品种繁多、杂乱，不仅给水稻生产指导带来难度，也增大了该地区水稻种植风险。随着经济水平的提高，在稻米消费中对优质稻米的需求日益增加。但是现有的水稻品种多以适合传统人工移栽条件下选育的，以产量为主要育种目标的水稻品种已不适应现代化生产需求。因此为节约劳力和种子，节省生产成本，保持该地区单季中籼杂交稻种植业持续发展，应用水稻品种筛选技术，在众多品种中筛选生育期、品种生育特性、穗粒结构、品质等适宜长江中下游地区的单季中籼杂交稻优质丰产高效的水稻品种是当务之急。
现有品种筛选技术仅仅简单对水稻产量进行方差分析、新复极差测验，而忽视了品种与产量有重要关系的生育期、穗粒数、千粒重、结实率、有效穗等其他指标，且很少有将产量与品质同时考虑的筛选方法。因此这种传统的筛选方法以单一农艺性状为指标评价品种的优劣，不能全面、科学的综合评价水稻品种。本发明利用灰色关联分析法和加权关联度法，先从优质方面运算分析各中籼杂交稻品种品质性状，然后将品质和产量性状结合分析，综合产量与品质指标考察各中籼杂交稻品种在试验区表现，评价参试品种优劣。本发明的筛选方法较常规的方差分析法可以更科学、全面地评价品种的优劣，从而能准确地为生产提供可应用的优质丰产高效品种，服务生产实际。
发明内容
本发明的目的在于克服现有品种筛选以单一农艺性状为指标评价品种优劣的缺陷，提供一种全面、科学的适合于长江中下游优质丰产高效单季中籼杂交稻的品种筛选方法。
为实现上述目的，本发明采用以下技术方案实现：
一种优质丰产高效单季中籼杂交稻的品种筛选方法，包括以下步骤：
S1、品种收集：收集目标地区种植的中籼水稻品种；
S2、水稻品种的播种、移栽：5月15日播种，6月1日插秧，株行距14cm×30cm；
S3、田间肥水管理：在稻田面上均匀的施撒上肥料；
S4、测产与考种：于田间记录生育期、调查各水稻品种成熟时的株高和有效穗数，收获时按照每个组合取样5株进行室内考种，并考察水稻品种的穗长、结实率、千粒重，分区单收、单打、晒干称重，折算出各参试品种的实际产量；
S5、稻米品质分析：收获时每个品种取样300g装入网袋置于室内风干30天后，送农业部食品质量监督检验测试中心(武汉)分析稻米品质；
S6、数据分析：利用灰色系统理论，对收集的所有中籼杂交稻品种进行分析，获得灰色系统理论分析数据；
S7、品种筛选：通过比较分析，筛选出适合种植于目标地区的优质丰产高效单季中籼杂交水稻品种。
作为上述方案的优选，在步骤S2中，先将大田翻耕做畦，使畦面平整潮湿，并于播前3-5天，用丁草胺封闭，田面保持水层，播前1-2天将水排干，保证田间沟渠畅通，防止田面积水。
作为上述方案的优选，在步骤S3中，氮肥施用量18kg/亩，其中，氮磷钾比例为1:1:0.5。
作为上述方案的优选，在步骤S6中，所述的数据分析按照灰色系统理论，以收集的所有中籼杂交稻品种为数据集合，建立灰色系统，根据关联分析公理计算各品种之间的关联度。
作为上述方案的优选，在计算关联度之前，于田间获取各品种水稻的综合产量、品质性状指标数据，包括株高、穗长、生育期、有效穗数、成穗率、穗粒数、结实率、千粒重、产量、品质，用于对水稻进行综合性状评价；
于室内获取各品种水稻的品质指标，包括出糙率、精米率、整精米率、垩白粒率、垩白度、直链淀粉含量、胶稠度、碱消值级，用于对水稻进行品质指标综合评价。
作为上述方案的优选，预先设定各性状指标的权重，其中，产量、品质、结实率、千粒重、穗粒数、成穗率、有效穗数、生育期、穗长、株高的权重分别为：0.3、0.4、0.05、0.05、0.05、0.025、0.05、0.025、0.025、0.025；
出糙率、精米率、整精米率、垩白粒率、垩白度、直链淀粉含量、胶稠度、碱消值级的权重分别为：0.05、0.05、0.2、0.1、0.1、0.2、0.1、0.1。
作为上述方案的优选，在计算关联度时，根据品种筛选目标的要求，首先设定一个理想品种的品质指标，该理想品种品质指标从各单项指标最优值中选取，构成一个参考数列，记为X0，参试其他品种记为Xi，用m来表示参试品种数，其中i＝1，2，3…，m；将各品质指标记为Ki，用n来表示性状数，其中i＝1，2，3…，n；计算各中籼品种与理想品种之间的关联系数。
作为上述方案的优选，关联度求取具体包括：
S61、求绝对差值：
根据公式(1)求得参考数列的绝对差值，
Δi(k)＝|X'0(k)-X'i(k)| (1)
式中，Δi(k)为各品种品质指标与理想品种品质指标的绝对差值；
S62、数据无量纲化处理：
采用均值化变换值方法对各品质性状数据进行处理，即Xi数值分别去除X0，得无量纲化结果；
S63、求关联度系数：
根据公式(2)，求取关联系数，
式中，ρ为分辨系数，取值范围在0-1之间，一般取0.5，miax mkax|X'0(k)-X'i(k)|和miin mkin|X'0(k)-X'i(k)|分别为第一层次最大差和第一层次最小差；当第一层次最小差为0.00，第一层次最大差为1时，带入公式即得X0对Xi各性状的关联系数；
S64、求加权关联度：
根据公式(3)，计算加权关联度，
式中，r′i表示加权关联度，Wk表示权重；
按照上述计算步骤，分别计算出品质指标加权关联度和综合性状加权关联度。
作为上述方案的优选，在步骤S7中，所述的品种筛选，按照灰色关联法求取加权关联度的大小排序，关联度越大表明此品种在该地区的综合性状表现越优，即为适合该地区种植的高产优质粳稻品种。
由于具有上述结构，本发明的有益效果在于：
1、利用灰色关联分析法筛选品种，大大提高筛选精确性，能够实现品种筛选多重目标的筛选，并能全面、科学的评价各品种优劣，其筛选结果对于解决目前各地区水稻品种杂、乱、多的现状有重要现实意义；
2、通过本发明方法对杂乱多的水稻品种进行筛选后，能够为当地农业技术推广部门确定各地区的主推品种提供参考，同时有利于各地水稻品种的规范种植，利于后期病虫害统防统治，且降低了种植风险，确保了粮食安全。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明的流程图；
图2为本发明的实现流程图；
图3为本发明数据分析的具体步骤流程图。
具体实施方式
下面将结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1至图3所示，本实施例提供一种优质丰产高效单季中籼杂交稻的品种筛选方法，包括以下步骤：
S1、品种收集：收集目标地区种植的中籼水稻品种；
S2、水稻品种的播种、移栽：5月15日播种，6月1日插秧，株行距14cm×30cm；
S3、田间肥水管理：在稻田面上均匀的施撒上肥料；
S4、测产与考种：于田间记录生育期、调查各水稻品种成熟时的株高和有效穗数，收获时按照每个组合取样5株进行室内考种，并考察水稻品种的穗长、结实率、千粒重，分区单收、单打、晒干称重，折算出各参试品种的实际产量；
S5、稻米品质分析：收获时每个品种取样300g装入网袋置于室内风干30天后，进行稻米品质分析；
S6、数据分析：利用灰色系统理论，对收集的所有中籼杂交稻品种进行分析，获得灰色系统理论分析数据；
S7、品种筛选：通过比较分析，筛选出适合种植于目标地区的优质丰产高效单季中籼杂交水稻品种。
在步骤S2中，先将大田翻耕做畦，使畦面平整潮湿，并于播前3-5天，用丁草胺封闭，田面保持水层，播前1-2天将水排干，保证田间沟渠畅通，防止田面积水。
在步骤S3中，氮肥施用量18kg/亩，其中，氮磷钾比例为1:1:0.5，其他水分、病虫害管理统一按优质高产栽培技术进行。
在步骤S6中，所述的数据分析按照灰色系统理论，把收集的所有中籼杂交稻品种视为一个灰色系统，把每个品种视为该系统中的一个因素，计算系统中各因素的关联度，关联度越大，则该因素的相似度就越高，反之则低。
在计算关联度之前，于田间获分别选取株高(K11)、穗长(K12)、有效穗数(K13)、穗粒数(K14)、结实率(K15)、千粒重(K16)、产量(K17)、品质(K18)、成穗率(K19)、生育期(K20)这10个等综合产量、品质性状的指标数据进行综合性状评价；
于室内分别选取出糙率(K1)、精米率(K2)、整精米率(K3)、粒长(K4)、长宽比(K5)、垩白粒率(K6)、垩白度(K7)、直链淀粉含量(K8)、胶稠度(K9)、碱消值级(K10)这10个品质指标进行品质指标综合评价。
鉴于品质指标在品种品质优劣评价中的作用不同，按照表1所列权重，求取各品种最后的品质性状加权关联度。
表1各品质指标在品质性状中的权重分布
| 指标 | 糙米率 | 精米率 | 整精米率 | 垩白度 | 垩白粒率 | 直链淀粉 | 蛋白质 | 胶稠度 |
| 权重 | 0.05 | 0.05 | 0.2 | 0.1 | 0.1 | 0.2 | 0.1 | 0.2 |
按照表2所列权重，求取各品种产量品质综合性状加权关联度。
表2各品质综合性状在品种评价中的权重分布
在计算关联度时，根据品种筛选目标的要求，首先设定一个理想品种的品质指标，该理想品种品质指标从各单项指标最优值中选取，构成一个参考数列，记为X0，参试其他品种记为Xi，用m来表示参试品种数，其中i＝1，2，3…，m；将各品质指标记为Ki，用n来表示性状数，其中i＝1，2，3…，n；计算各中籼品种与理想品种之间的关联系数。
关联度求取具体包括：
S61、求绝对差值：
根据公式(1)求得参考数列的绝对差值，
Δi(k)＝|X'0(k)-X'i(k)| (1)
式中，Δi(k)为各品种品质指标与理想品种品质指标的绝对差值；
S62、数据无量纲化处理：由于各性状量纲不同，需要对各性状原无量纲化处理，采用均值化变换值方法对各品质性状数据进行处理，即Xi数值分别去除X0，得无量纲化结果；
S63、求关联度系数：
根据公式(2)，求取关联系数，
式中，ρ为分辨系数，取值范围在0-1之间，一般取0.5，miax mkax|X'0(k)-X'i(k)|和miin mkin|X'0(k)-X'i(k)|分别为第一层次最大差和第一层次最小差；当第一层次最小差为0.00，第一层次最大差为1时，带入公式即得X0对Xi各性状的关联系数；
S64、求加权关联度：
各产量、品质指标加权关联度计算，因各产量、品质指标性状的重要性不同，按照表1、表2所列各产量、品质指标权重，根据公式(3)，计算加权关联度，
式中，r′i表示加权关联度，Wk表示权重；
按照上述关联度求取方法步骤分别可以计算出品质指标加权关联度和综合性状加权关联度。
在步骤S7中，所述的品种筛选，按照灰色关联法求取加权关联度的大小排序，关联度越大表明此品种在该地区的综合性状表现越优，即为适合该地区种植的高产优质粳稻品种。
下面结合具体实施例对本发明的应用原理作进一步的描述。
一、2017年征集了长江中下游稻区生产上应用的42个单季中籼杂交稻品种(系)。
二、单季中籼杂交稻品种播种、移栽。
先将大田翻耕做畦，畦面平整潮湿，播前3一5天，用丁草胺封闭，田面保持水层，播前1一2天将水排干，保证田间沟渠畅通，防止田面积水。供试品种按统一播种期5月11日播种，6月1日移栽种植于大田，种植株行距30×12cm。
三、田间肥水管理。
氮肥施用量18kg/亩，氮磷钾比例为1:1:0.5，其他水分、病虫害管理统一按优质高产栽培技术进行。
四、测产与考种。
田间记录生育期，调查各水稻品种成熟时的株高和有效穗数，收获时每个处理每个组合取样5株进行室内考种，并考察穗长、结实率、千粒重等农艺性状。分区单收、单打、晒干称重，折算出各参试品种的实际产量。
五、各品种稻米品质分析。
收获时每品种取样300g左右装入网袋置于室内风干，30d后送农业部食品质量监督检验测试中心(武汉)分析稻米品质。各品种品质性状数据见表3。
表3各参试品种品质性状数据
六、数据分析。
1、各品种品质指标加权关联度计算。
按照发明内容步骤六和表1的权重分配，求取各参试品种品质指标与理想品种关联度见表4、各品种品质指标的加权关联度见表5。
表4各参试品种品质指标与理想品种关联度
表5各品种品质指标的加权关联度
| 品种代号 | 关联度 | 品种代号 | 关联度 | 品种代号 | 关联度 |
| X1 | 0.810 | X15 | 0.757 | X29 | 0.825 |
| X2 | 0.751 | X16 | 0.713 | X30 | 0.768 |
| X3 | 0.820 | X17 | 0.718 | X31 | 0.714 |
| X4 | 0.913 | X18 | 0.786 | X32 | 0.723 |
| X5 | 0.795 | X19 | 0.796 | X33 | 0.773 |
| X6 | 0.718 | X20 | 0.788 | X34 | 0.790 |
| X7 | 0.810 | X21 | 0.784 | X35 | 0.708 |
| X8 | 0.808 | X22 | 0.788 | X36 | 0.882 |
| X9 | 0.793 | X23 | 0.757 | X37 | 0.864 |
| X10 | 0.822 | X24 | 0.796 | X38 | 0.812 |
| X11 | 0.812 | X25 | 0.712 | X39 | 0.805 |
| X12 | 0.828 | X26 | 0.768 | X40 | 0.773 |
| X13 | 0.718 | X27 | 0.821 | X41 | 0.824 |
| X14 | 0.763 | X28 | 0.759 | X42 | 0.631 |
由表5可知，按照品质指标加权关联度大小可知，E两优476(X37)、徽两优898(X3)、五山丝苗(X4)、中浙优8号(X27)、荃优3301(X10)、荃早优丝苗(X12)、超优千号(X41)、广两优476(X29)、新两优6号(X36)等品种与理想品种最品质指标相关度相对较高。
2、各品种综合性状加权关联度计算。
各品种综合性状初值见表6，根据发明内容步骤六和表2计算各品种综合性状加权关联度大小分别见表7。
表6各品种综合性状初值表
表7各品种综合性状加权关联度大小
七、品种筛选。
由表7可知，按照综合性状加权关联度大小可知，E两优476(X37)、两优688(X21)、五山丝苗(X4)、C两优华占(X19)、巨2优60(X1)、扬两优6号(X38)、C两优396(X40)、天优华占(X5)等8个品种表现为产量、品质均佳，为适宜在试验地区推广应用的优质高效品种。
按照本发明方法，综合考虑品种品质指标及综合性状，确定品种筛选结果为：按照综合性状加权关联度大小可知，E两优476(X37)、两优688(X21)、五山丝苗(X4)、C两优华占(X19)、巨2优60(X1)、扬两优6号(X38)、C两优396(X40)、天优华占(X5)等8个品种表现为产量、品质均佳，为适宜在试验地区推广应用的优质高效品种。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种优质丰产高效单季中籼杂交稻的品种筛选方法，其特征在于：包括以下步骤：
S1、品种收集：收集目标地区种植的中籼水稻品种；
S2、水稻品种的播种、移栽：5月15日播种，6月1日插秧，株行距14cm×30cm；
S3、田间肥水管理：在稻田面上均匀的施撒上肥料；
S4、测产与考种：于田间记录生育期、调查各水稻品种成熟时的株高和有效穗数，收获时按照每个组合取样5株进行室内考种，并考察水稻品种的穗长、结实率、千粒重，分区单收、单打、晒干称重，折算出各参试品种的实际产量；
S5、稻米品质分析：收获时每个品种取样300g装入网袋置于室内风干30天后，进行稻米品质分析；
S6、数据分析：利用灰色系统理论，对收集的所有中籼杂交稻品种进行分析，获得灰色系统理论分析数据；
S7、品种筛选：通过比较分析，筛选出适合种植于目标地区的优质丰产高效单季中籼杂交水稻品种。
2.根据权利要求1所述的品种筛选方法，其特征在于：在步骤S2中，先将大田翻耕做畦，使畦面平整潮湿，并于播前3-5天，用丁草胺封闭，田面保持水层，播前1-2天将水排干，保证田间沟渠畅通，防止田面积水。
3.根据权利要求1所述的品种筛选方法，其特征在于：在步骤S3中，氮肥施用量18kg/亩，其中，氮磷钾比例为1:1:0.5。
4.根据权利要求1所述的品种筛选方法，其特征在于：在步骤S6中，所述的数据分析按照灰色系统理论，以收集的所有中籼杂交稻品种为数据集合，建立灰色系统，根据关联分析公理计算各品种之间的关联度。
5.根据权利要求4所述的品种筛选方法，其特征在于：在计算关联度之前，于田间获取各品种水稻的综合产量、品质性状指标数据，包括株高、穗长、生育期、有效穗数、成穗率、穗粒数、结实率、千粒重、产量、品质，用于对水稻进行综合性状评价；
于室内获取各品种水稻的品质指标，包括出糙率、精米率、整精米率、垩白粒率、垩白度、直链淀粉含量、胶稠度、碱消值级，用于对水稻进行品质指标综合评价。
6.根据权利要求5所述的品种筛选方法，其特征在于：预先设定各性状指标的权重，其中，产量、品质、结实率、千粒重、穗粒数、成穗率、有效穗数、生育期、穗长、株高的权重分别为：0.3、0.4、0.05、0.05、0.05、0.025、0.05、0.025、0.025、0.025；
出糙率、精米率、整精米率、垩白粒率、垩白度、直链淀粉含量、胶稠度、碱消值级的权重分别为：0.05、0.05、0.2、0.1、0.1、0.2、0.1、0.1。
7.根据权利要求6所述的品种筛选方法，其特征在于：在计算关联度时，根据品种筛选目标的要求，首先设定一个理想品种的品质指标，该理想品种品质指标从各单项指标最优值中选取，构成一个参考数列，记为X0，参试其他品种记为Xi，用m来表示参试品种数，其中i＝1，2，3…，m；将各品质指标记为Ki，用n来表示性状数，其中i＝1，2，3…，n；计算各中籼品种与理想品种之间的关联系数。
8.根据权利要求7所述的品种筛选方法，其特征在于：关联度求取具体包括：
S61、求绝对差值：
根据公式(1)求得参考数列的绝对差值，
Δi(k)＝|X'0(k)-X'i(k)| (1)
式中，Δi(k)为各品种品质指标与理想品种品质指标的绝对差值；
S62、数据无量纲化处理：
采用均值化变换值方法对各品质性状数据进行处理，即Xi数值分别去除X0，得无量纲化结果；
S63、求关联度系数：
根据公式(2)，求取关联系数，
式中，ρ为分辨系数，取值范围在0-1之间，一般取0.5，
和
分别为第一层次最大差和第一层次最小差；当第一层次最小差为0.00，第一层次最大差为1时，带入公式即得X0对Xi各性状的关联系数；
S64、求加权关联度：
根据公式(3)，计算加权关联度，
式中，r′i表示加权关联度，Wk表示权重；
按照上述计算步骤，分别计算出品质指标加权关联度和综合性状加权关联度。
9.根据权利要求1所述的品种筛选方法，其特征在于：在步骤S7中，所述的品种筛选，按照灰色关联法求加权关联度的大小排序，关联度越大表明此品种在该地区的综合性状表现越优，即为适合该地区种植的高产优质粳稻品种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911194788.3A CN111011207A (zh) | 2019-11-28 | 2019-11-28 | 一种优质丰产高效单季中籼杂交稻的品种筛选方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911194788.3A CN111011207A (zh) | 2019-11-28 | 2019-11-28 | 一种优质丰产高效单季中籼杂交稻的品种筛选方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111011207A true CN111011207A (zh) | 2020-04-17 |
Family
ID=70203196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911194788.3A Pending CN111011207A (zh) | 2019-11-28 | 2019-11-28 | 一种优质丰产高效单季中籼杂交稻的品种筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111011207A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112369319A (zh) * | 2020-11-12 | 2021-02-19 | 安徽荃银高科种业股份有限公司 | 一种基于碱消值选育高温期优质水稻品种的方法 |
-
2019
- 2019-11-28 CN CN201911194788.3A patent/CN111011207A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112369319A (zh) * | 2020-11-12 | 2021-02-19 | 安徽荃银高科种业股份有限公司 | 一种基于碱消值选育高温期优质水稻品种的方法 |
| CN112369319B (zh) * | 2020-11-12 | 2023-10-03 | 安徽荃银高科种业股份有限公司 | 一种基于碱消值选育高温期优质水稻品种的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Araya et al. | Assessing drought risk and irrigation need in northern Ethiopia | |
| Casa et al. | Environmental effects on linseed (Linum usitatissimum L.) yield and growth of flax at different stand densities | |
| CN108157170B (zh) | 一种氮高效水稻品种的筛选方法 | |
| Alley et al. | Nitrogen management for winter wheat: principles and recommendations | |
| CN108901837A (zh) | 一种长江中下游单季粳稻优质高效品种筛选及栽培方法 | |
| CN108575736B (zh) | 一种耐密高产宜籽粒机收玉米品系的田间筛选方法 | |
| Robertson et al. | Predicting growth and development of pigeonpea: biomass accumulation and partitioning | |
| Lafond et al. | Soil temperature and water content, seeding depth, and simulated rainfall effects on winter wheat emergence | |
| CN111165341B (zh) | 一种节水小麦的节水指数选育方法 | |
| CN106472299A (zh) | 一种大田筛选强耐高温玉米自交系的方法 | |
| CN111436368A (zh) | 一种抗旱小麦选育方法 | |
| CN108770614A (zh) | 一种小麦耐热性评价方法 | |
| Espadafor et al. | Simulation of the responses of dry beans (Phaseolus vulgaris L.) to irrigation | |
| CN110367067A (zh) | 一种基于多梯度多性状综合抗旱指数的水稻抗旱性评价方法 | |
| CN111011207A (zh) | 一种优质丰产高效单季中籼杂交稻的品种筛选方法 | |
| Casanova et al. | Testing the performance of ORYZA1, an explanatory model for rice growth simulation, for Mediterranean conditions | |
| Sêkloka et al. | Breeding new cotton varieties to fit the diversity of cropping conditions in Africa: effect of plant architecture, earliness and effective flowering time on late-planted cotton productivity | |
| Belesky | Growth of Dactylis glomerata along a light gradient in the central Appalachian region of the eastern USA: II. Mechanisms of leaf dry matter production | |
| CN109430047B (zh) | 一种耐旱玉米自交系的选育方法 | |
| CN110367066B (zh) | 一种基于多梯度多性状综合抗旱系数的水稻抗旱性评价方法 | |
| Han et al. | Climate change impacts and adaptation strategies on rainfed and irrigated maize in the agro-pastoral ecotone of Northwestern China | |
| CN108334701B (zh) | 一种大棚黄瓜氮素营养诊断及推荐施氮方法 | |
| CN109511407A (zh) | 一种萝卜耐旱性快速鉴定的方法 | |
| CN109699411A (zh) | 一种利用宽垄沟播模式种植玉米的方法 | |
| CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |
|
| WD01 | Invention patent application deemed withdrawn after publication |