CN112348267A - 一种预测苣菊草产量与品质的方法 - Google Patents

一种预测苣菊草产量与品质的方法 Download PDF

Info

Publication number
CN112348267A
CN112348267A CN202011254847.4A CN202011254847A CN112348267A CN 112348267 A CN112348267 A CN 112348267A CN 202011254847 A CN202011254847 A CN 202011254847A CN 112348267 A CN112348267 A CN 112348267A
Authority
CN
China
Prior art keywords
regression model
chicory
yield
growth time
quality
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
CN202011254847.4A
Other languages
English (en)
Inventor
杨天辉
侯扶江
高婷
卓玛草
常生华
王晓春
王川
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.)
Institute Of Animal Science Ningxia Academy Of Agricultural And Forestry Sciences
Lanzhou University
Original Assignee
Institute Of Animal Science Ningxia Academy Of Agricultural And Forestry Sciences
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 Institute Of Animal Science Ningxia Academy Of Agricultural And Forestry Sciences, Lanzhou University filed Critical Institute Of Animal Science Ningxia Academy Of Agricultural And Forestry Sciences
Priority to CN202011254847.4A priority Critical patent/CN112348267A/zh
Publication of CN112348267A publication Critical patent/CN112348267A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/06—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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Husbandry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Databases & Information Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及农业技术领域，具体为一种预测菊苣草产量与品质的方法，其包括：获取菊苣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，获取菊苣草≥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；将需要分析的菊苣草的生长时间或≥0℃积温带入对应回归模型中，预测出所述菊苣草在下一年的产量与营养品质，并判断出所述菊苣草的最佳收获期；其有益效果在于：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

一种预测苣菊草产量与品质的方法
技术领域
本发明涉及农业技术领域，具体为一种预测菊苣草产量与品质的方法。
背景技术
苣菊为多年生草本，高40-100厘米。茎直立，单生，分枝开展或极开展，全部茎枝绿色，有条棱，被极稀疏的长而弯曲的糙毛或刚毛或几无毛。基生叶莲座状，花期生存，倒披针状长椭圆形，包括基部渐狭的叶柄，全长15-34厘米，宽2-4厘米，基部渐狭有翼柄，大头状倒向羽状深裂或羽状深裂或不分裂而边缘有稀疏的尖锯齿，侧裂片3-6对或更多，顶侧裂片较大，向下侧裂片渐小，全部侧裂片镰刀形或不规则镰刀形或三角形。茎生叶少数，较小，卵状倒披针形至披针形，无柄，基部圆形或戟形扩大半抱茎。全部叶质地薄，两面被稀疏的多细胞长节毛，但叶脉及边缘的毛较多。头状花序多数，单生或数个集生于茎顶或枝端，或2-8个为一组沿花枝排列成穗状花序。总苞圆柱状，长8-12毫米；总苞片2层，外层披针形，长8-13毫米，宽2-2.5毫米，上半部绿色，草质，边缘有长缘毛，背面有极稀疏的头状具柄的长腺毛或单毛，下半部淡黄白色，质地坚硬，革质；内层总苞片线状披针形，长达1.2厘米，宽约2毫米，下部稍坚硬，上部边缘及背面通常有极稀疏的头状具柄的长腺毛并杂有长单毛。舌状小花蓝色，长约14毫米，有色斑。瘦果倒卵状、椭圆状或倒楔形，外层瘦果压扁，紧贴内层总苞片，3-5棱，顶端截形，向下收窄，褐色，有棕黑色色斑。冠毛极短，2-3层，膜片状，长0.2-0.3毫米。花果期5-10月。
菊苣草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。
因此，需要研究出一种预测苣菊草产量与品质的方法，以解决上述现有技术中的问题。
发明内容
本发明的主要目的在于提供一种预测苣菊草产量与品质的方法，解决上述现有技术中的不足，提供一种受气候影响小、简单实用、快速便捷、准确且成本低的根据生长时间和≥0℃积温预测菊苣草产量和品质的方法。
为实现上述目的，本发明采取的技术方案为：
一种预测菊苣草产量与品质的方法，其特征在于，包括以下步骤：
步骤(1)：获取菊苣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；
步骤(2)：获取菊苣草≥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；
步骤(3)：将需要分析的菊苣草的生长时间或≥0℃积温带入对应回归模型中，预测出所述菊苣草在下一年的产量与营养品质，并判断出所述菊苣草的最佳收获期。
作为优选，在步骤(1)中，所述菊苣草的生长时间是通过人工采集与计算获得。
作为优选，在步骤(2)中，所述菊苣草的≥0℃积温数据是通过气象站获得。
作为优选，在步骤(1)和步骤(2)中，所述营养品质指标包括产草量(Forageyield)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗脂肪(EE)及粗灰分(Ash)。
作为优选，在步骤(1)和步骤(2)中，所述建立回归模型是采用SPSS 20.0。
作为优选，所述菊苣草包括菊苣草品种(Cichorium intybus)PunaⅡ，Choice。
作为优选，所述菊苣草品种PunaⅡ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＝2522.1656/(1+22.8049e-0.0418x)R2＝0.9877；
粗蛋白(CP)和生长时间回归模型：y＝-0.0393x+23.376R2＝0.6727；
中性洗涤纤维(NDF)和生长时间回归模型：y＝18.035ln(x)-52.843R2＝0.8739；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝18.375ln(x)-63.95R2＝0.9210；
粗脂肪(EE)和生长时间回归模型：y＝-1.71ln(x)+10.382R2＝0.7982；
粗灰分(Ash)和生长时间回归模型：y＝-0.0492x+24.349R2＝0.5701。
作为优选，所述菊苣草品种PunaⅡ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＝2502.2117/(1+12.6433e-0.0024x)R2＝0.9843；
粗蛋白(CP)和积温回归模型：y＝-0.0022x+22.746R2＝0.6577；
中性洗涤纤维(NDF)和积温回归模型：y＝-0.0022x+22.746R2＝0.6577；
酸性洗涤纤维(ADF)和积温回归模型：y＝15.321ln(x)-91.231R2＝0.9211；
粗脂肪(EE)和积温回归模型：y＝-1.408ln(x)+12.79R2＝0.7788；
粗灰分(Ash)和积温回归模型：y＝-0.0027x+23.573R2＝0.5600。
作为优选，所述菊苣草Choice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＝3370.7503/(1+15.5381e-0.0309x)R2＝0.9836
粗蛋白(CP)和生长时间回归模型：y＝-0.0515x+25.155R2＝0.7449；
中性洗涤纤维(NDF)和生长时间回归模型：y＝14.981ln(x)-38.955R2＝0.8167；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝19.145ln(x)-67.061R2＝0.9123；
粗脂肪(EE)和生长时间回归模型：y＝-2.213ln(x)+12.827R2＝0.9054；
粗灰分(Ash)和生长时间回归模型：y＝-0.0448x+22.795R2＝0.7681；
作为优选，所述菊苣草Choice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＝3340.5341/(1+9.8273e-0.0018x)R2＝0.9769；
粗蛋白(CP)和积温回归模型：y＝-0.0029x+24.345R2＝0.7327；
中性洗涤纤维(NDF)和积温回归模型：y＝12.395ln(x)-60.486R2＝0.8042；
酸性洗涤纤维(ADF)和积温回归模型：y＝15.842ln(x)-94.589R2＝0.8986；
粗脂肪(EE)和积温回归模型：y＝-1.834ln(x)+16.029R2＝0.8944；
粗灰分(Ash)和积温回归模型：y＝-0.0025x+22.113R2＝0.7624。
与现有技术相比，本发明的有益效果是：
1、本发明通过计算生长时间或≥0℃积温预测栽培草地菊苣草品种(Cichoriumintybus)PunaⅡ，Choice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菊苣草农业生产过程中留意饲草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PunaⅡ，Choice的营养品质，为确定苣菊草最佳收获时间提供可靠、快速、准确的科学指导。
2、本发明上述根据生长时间或≥0℃积温预测栽培草地菊苣草品种(Cichoriumintybus)PunaⅡ、Choice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，详细说明如下。
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(PunaⅡ)
原始数据是甘肃省兰州大学榆中试验站2013年菊苣草PunaⅡ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.PunaⅡ实验数据
Figure BDA0002772793370000041
Figure BDA0002772793370000051
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.PunaⅡ预测模型
Figure BDA0002772793370000052
生产者可利用表2所示的回归模型预测菊苣草PunaⅡ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PunaⅡ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PunaⅡ养分含量数据分别：2347.63(2262.01)kg DM·hm-2、17.99(14.38)％、35.88(35.02)％、26.45(26.53)％、1.97(2.57)％、17.61(20.27)％；括号内为PunaⅡ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PunaⅡ产量和品质。
例如，当生产者想在≥0℃积温为2269.3℃时得到PunaⅡ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PunaⅡ养分含量数据分别为：2372.91(2262.01)kg DM·hm-2、17.75(14.38)％、36.55(35.02)％、27.16(26.53)％、1.91(2.57)％、17.44(20.27)％；括号内为PunaⅡ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，可用于预测菊苣草PunaⅡ产量和品质。
实施例2(Choice)
原始数据是甘肃省兰州大学榆中试验站2013年菊苣草PunaⅡ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.Choice实验数据
生长时间 ≥0℃积温 产量 CP NDF ADF EE Ash
55 742.4 831.95 7.80 20.53 11.52 3.73 14.39
75 1085.2 1397.86 11.60 32.43 19.12 3.95 18.08
95 1464.0 1974.55 12.08 35.94 17.89 2.81 18.76
115 1829.9 2361.96 13.47 25.65 14.10 2.48 20.69
137 2269.3 2630.15 11.78 31.06 23.97 3.11 18.97
158 2595.3 2973.25 10.39 33.54 26.92 3.80 16.85
177 2854.9 3286.45 16.27 35.80 29.45 3.61 18.16
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，该预测模型如表4所示。
表4.Choice预测模型
Figure BDA0002772793370000061
Figure BDA0002772793370000071
生产者可利用表4所示的回归模型预测菊苣草Choice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75天时得到Choice的牧草产量和品质数据时，可以简单地将x＝75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Choice养分含量数据分别：1343.93(1397.86)kg DM·hm-2、21.29(11.60)％、25.73(32.43)％、15.60(19.12)％、3.28(3.95)％、19.14(18.08)％；括号内为Choice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Choice产量和品质。
例如，当生产者想在≥0℃积温为1085.2℃时得到Choice的牧草产量和品质数据时，可以简单地将x＝1085.2带入关于≥0℃积温预测的回归方程中，得到Choice养分含量数据分别为：1315.15(1397.86)kg DM·hm-2、11.19(11.60)％、26.15(32.43)％、16.14(19.12)％、3.21(3.95)％、22.11(18.08)％；括号内为Choice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，可用于预测菊苣草Choice产量和品质。
生产者只需在栽培草地菊苣草农业生产过程中留意PunaⅡ、Choice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相应的营养品质，为确定菊苣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)

1.一种预测菊苣草产量与品质的方法，其特征在于，包括以下步骤：
步骤(1)：获取菊苣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；
步骤(2)：获取菊苣草≥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；
步骤(3)：将需要分析的菊苣草的生长时间或≥0℃积温带入对应回归模型中，预测出所述菊苣草在下一年的产量与营养品质，并判断出所述菊苣草的最佳收获期。
2.根据权利要求1所述的一种预测苣菊草产量与品质的方法，其特征在于：在步骤(1)中，所述菊苣草的生长时间是通过人工采集与计算获得。
3.根据权利要求1所述的一种预测苣菊草产量与品质的方法，其特征在于：在步骤(2)中，所述菊苣草的≥0℃积温数据是通过气象站获得。
4.根据权利要求1所述的一种预测苣菊草产量与品质的方法，其特征在于：在步骤(1)和步骤(2)中，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)、粗脂肪(EE)及粗灰分(Ash)。
5.根据权利要求1所述的一种预测苣菊草产量与品质的方法，其特征在于：在步骤(1)和步骤(2)中，所述建立回归模型是采用SPSS 20.0。
6.根据权利要求1所述的一种预测苣菊草产量与品质的方法，其特征在于：所述菊苣草包括菊苣草品种(Cichorium intybus)PunaⅡ，Choice。
7.根据权利要求6所述的一种预测苣菊草产量与品质的方法，其特征在于：所述菊苣草品种PunaⅡ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＝2522.1656/(1+22.8049e-0.0418x)R2＝0.9877；
粗蛋白(CP)和生长时间回归模型：y＝-0.0393x+23.376 R2＝0.6727；
中性洗涤纤维(NDF)和生长时间回归模型：y＝18.035ln(x)-52.843 R2＝0.8739；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝18.375ln(x)-63.95 R2＝0.9210；
粗脂肪(EE)和生长时间回归模型：y＝-1.71ln(x)+10.382 R2＝0.7982；
粗灰分(Ash)和生长时间回归模型：y＝-0.0492x+24.349 R2＝0.5701。
8.根据权利要求6所述的一种预测苣菊草产量与品质的方法，其特征在于：所述菊苣草品种PunaⅡ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＝2502.2117/(1+12.6433e-0.0024x)R2＝0.9843；
粗蛋白(CP)和积温回归模型：y＝-0.0022x+22.746 R2＝0.6577；
中性洗涤纤维(NDF)和积温回归模型：y＝-0.0022x+22.746 R2＝0.6577；
酸性洗涤纤维(ADF)和积温回归模型：y＝15.321ln(x)-91.231 R2＝0.9211；
粗脂肪(EE)和积温回归模型：y＝-1.408ln(x)+12.79 R2＝0.7788；
粗灰分(Ash)和积温回归模型：y＝-0.0027x+23.573 R2＝0.5600。
9.根据权利要求6所述的一种预测苣菊草产量与品质的方法，其特征在于：所述菊苣草Choice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＝3370.7503/(1+15.5381e-0.0309x)R2＝0.9836
粗蛋白(CP)和生长时间回归模型：y＝-0.0515x+25.155 R2＝0.7449；
中性洗涤纤维(NDF)和生长时间回归模型：y＝14.981ln(x)-38.955 R2＝0.8167；
酸性洗涤纤维(ADF)和生长时间回归模型：y＝19.145ln(x)-67.061 R2＝0.9123；
粗脂肪(EE)和生长时间回归模型：y＝-2.213ln(x)+12.827 R2＝0.9054；
粗灰分(Ash)和生长时间回归模型：y＝-0.0448x+22.795 R2＝0.7681。
10.根据权利要求6所述的一种预测苣菊草产量与品质的方法，其特征在于：所述菊苣草Choice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＝3340.5341/(1+9.8273e-0.0018x)R2＝0.9769；
粗蛋白(CP)和积温回归模型：y＝-0.0029x+24.345 R2＝0.7327；
中性洗涤纤维(NDF)和积温回归模型：y＝12.395ln(x)-60.486 R2＝0.8042；
酸性洗涤纤维(ADF)和积温回归模型：y＝15.842ln(x)-94.589 R2＝0.8986；
粗脂肪(EE)和积温回归模型：y＝-1.834ln(x)+16.029 R2＝0.8944；
粗灰分(Ash)和积温回归模型：y＝-0.0025x+22.113 R2＝0.7624。
CN202011254847.4A 2020-11-11 2020-11-11 一种预测苣菊草产量与品质的方法 Pending CN112348267A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011254847.4A CN112348267A (zh) 2020-11-11 2020-11-11 一种预测苣菊草产量与品质的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011254847.4A CN112348267A (zh) 2020-11-11 2020-11-11 一种预测苣菊草产量与品质的方法

Publications (1)

Publication Number Publication Date
CN112348267A true CN112348267A (zh) 2021-02-09

Family

ID=74363391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011254847.4A Pending CN112348267A (zh) 2020-11-11 2020-11-11 一种预测苣菊草产量与品质的方法

Country Status (1)

Country Link
CN (1) CN112348267A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2196940A1 (en) * 1997-02-06 1998-08-06 Michael S. Allen Predicting optimum harvest times of standing crops
WO2005034644A1 (en) * 2003-09-11 2005-04-21 Haschen Thomas L Fermentation byproduct feed formulation and processing
CN103353508A (zh) * 2013-06-10 2013-10-16 中国热带农业科学院热带作物品种资源研究所 一种预测牧草干物质消化率和代谢能的方法
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
CN110516858A (zh) * 2019-08-13 2019-11-29 兰州大学 一种预测三叶草产量与品质的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2196940A1 (en) * 1997-02-06 1998-08-06 Michael S. Allen Predicting optimum harvest times of standing crops
WO2005034644A1 (en) * 2003-09-11 2005-04-21 Haschen Thomas L Fermentation byproduct feed formulation and processing
CN103353508A (zh) * 2013-06-10 2013-10-16 中国热带农业科学院热带作物品种资源研究所 一种预测牧草干物质消化率和代谢能的方法
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
CN110516858A (zh) * 2019-08-13 2019-11-29 兰州大学 一种预测三叶草产量与品质的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卓玛草: "黄土高原菊苣产草量与营养品质的预测", 《草业科学》 *

Similar Documents

Publication Publication Date Title
Dulin et al. Paedomorphosis, secondary woodiness, and insular woodiness in plants
Fuller et al. Evidence for a late onset of agriculture in the Lower Yangtze region and challenges for an archaeobotany of rice
CN105766132A (zh) 一种解除桑树种子次生休眠的方法
Egata et al. Agronomic and bio-chemical variability of Ethiopian sweet basil (Ocimum basilicum L.) accessions
Cooper Physiological and morphological advances for forage improvement
Serdar et al. Some leaf characteristics are better morphometric discriminators for chestnut genotypes
Sujatha et al. Characterization and utilization of Indian Jatrophas
Putnam et al. Agronomic factors affecting forage quality in alfalfa
CN112348267A (zh) 一种预测苣菊草产量与品质的方法
Alexander et al. Yield, fruit damage, yield loss, and juice quality characteristics of machine-and hand-harvested ‘Brown Snout’specialty cider apples stored at ambient conditions in northwest Washington
CN108985958A (zh) 苎麻的种质资源评价和/或种质筛选方法
Di Miceli et al. Forage mixture productivity and silage quality from a grass/legume intercrop in a semiarid Mediterranean environment
Johnson et al. Millwood honeylocust trees: seedpod nutritive value and yield characteristics
Ru et al. Variation in nutritive value of plant parts of subterranean clover (Trifolium subterraneum L.)
Karata et al. Examination of modern and traditional applications in hazelnut production
Robertson et al. Optimal harvest timing vs. harvesting for animal forage supply: impacts on production and quality of lucerne on the Loess Plateau, China
CN104082844A (zh) 烘烤烟叶的方法
Rahmawati et al. Variation of morphology, isozymic and vitamin C content of dragon fruit varieties
Stanisavljević et al. Desiccation, postharvest maturity and seed aging of tall oat-grass
Congress Turkey
CN110516858A (zh) 一种预测三叶草产量与品质的方法
Manzoor et al. Phenological stages of growth in grapevine (Vitis vinifera L.) via codes and details as per BBCH scale
CN111903501B (zh) 一种构建芝麻重组自交系的方法
CN115204498A (zh) 一种预测燕麦草产量与品质的方法
Tarekegn et al. Forage yield and quality traits of Brachiaria spp. grass species at central Gondar Zone, Ethiopia

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