CN112990692B - 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 - Google Patents
一种基于分生育阶段多参数耦合的冬小麦产量估计方法 Download PDFInfo
- Publication number
- CN112990692B CN112990692B CN202110266509.0A CN202110266509A CN112990692B CN 112990692 B CN112990692 B CN 112990692B CN 202110266509 A CN202110266509 A CN 202110266509A CN 112990692 B CN112990692 B CN 112990692B
- Authority
- CN
- China
- Prior art keywords
- yield
- main control
- stage
- coupling
- fertility
- 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.)
- Active
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 85
- 238000010168 coupling process Methods 0.000 title claims abstract description 85
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 85
- 241000209140 Triticum Species 0.000 title claims abstract description 81
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 79
- 208000000509 infertility Diseases 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 80
- 230000012010 growth Effects 0.000 claims description 75
- 229910052757 nitrogen Inorganic materials 0.000 claims description 43
- 241000196324 Embryophyta Species 0.000 claims description 39
- 238000011282 treatment Methods 0.000 claims description 27
- 230000035558 fertility Effects 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 11
- 230000001488 breeding effect Effects 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 9
- 235000019804 chlorophyll Nutrition 0.000 claims description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 9
- 230000035800 maturation Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 230000007423 decrease Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 239000003337 fertilizer Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008092 positive effect Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 108010014173 Factor X Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000009418 agronomic effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000005171 Dysmenorrhea Diseases 0.000 description 1
- 206010013935 Dysmenorrhoea Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000000643 oven drying Methods 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
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
- G06Q10/06—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种基于分生育阶段多参数耦合的冬小麦产量估计方法,包括以下步骤:以通径分析方法中决策系数确定影响作物产量的主控因子,采用隶属函数法对主控因子进行标准化,以决策系数作为主控因子多参数耦合值的分配权重,尔后对筛选确定的主控因子进行耦合获得多参数耦合值,利用主控因子多参数耦合值为自变量,构建考虑了分生育时段多参数耦合的作物产量估算模型,并对作物产量进行准确、客观评估。
Description
技术领域
本发明属于农业用水管理领域,具体涉及一种基于分生育阶段多参数耦合的冬小麦产量估计方法。
背景技术
小麦是我国主要的粮食作物之一,其产量的高低直接影响国民经济的发展水平。生理生态指标是植物生长发育过程中重要的特征表现,是判断作物是否高产量的依据之一。各指标间相互联系又相互制约,某一指标的改变会影响其他指标。研究冬小麦各性状指标之间的相互关系及性状指标与产量之间的密切关联程度,对冬小麦产量评估具有重要的指导意义。
通径分析不仅可以揭示相关性状的因果关系,更能反映各生理生态指标对产量提高的相对作用大小,它具有直观、精确等优点。因此,通过对作物生理生态指标的通径分析不仅可以揭示各因素之间的相关关系,而且能反映各产量影响因素对产量直接、间接的影响程度及对提高产量作用的大小。众多学者利用通径分析对多种作物产量进行了分析研究,其中刘世敏等人选取了株高、穗位高、穗长、穗行数、秃顶长、百粒重6个玉米农艺性状指标,分析表明穗长、穗位高和穗行数对产量的直接通径系数较大,是其关键农艺性状指标。郭娜等采用通径分析研究了油菜株型性状对产量关系,明确油菜单株产量形成的其决定作用的株型形状指标。可见,诸多研究主要集中在农艺指标与产量关联关系,皆属于表象因素,并未触及问题本质,而高产决定因素取决于内在因素如生理生态指标的变化规律等,但涉及生理生态指标与产量归因研究仍偏少,对寻求作物增产内部机理不利,甚至难以指导生产实践。现有涉及基于生理生态指标的估产研究主要限于特定生育时段,而基于分生育阶段生理生态指标的产量估算方法未见报道。然而,作物产量是不同生育阶段各生理生态指标动态变化最终表现形式,单个生育阶段生理生态指标变化对产量影响作用不明显,所以针对特定生育时段构建的基于生理生态指标的产量估算模型对生产实践指导意义有限,亟待开展基于分生育阶段生理生态指标的产量估算方法研究,以更好指导农业生产实践。本申请选择株高H、叶绿素SPAD、叶面积指数LAI、植株含氮量PNC、植株含水量PWC等与产量关系较为密切的生理生态指标,研究各生理生态指标与作物产量关系及其对产量直接作用,并提出考虑各生理生态指标在生育时段动态变化下产量估算方法。
施肥措施作为作物高产稳产中最为关键策略,且与作物生理生态指标变化动态密切相关。本次田间试验设置五个施氮水平,借助于相关分析、通径分析研究不同施氮水平下冬小麦生理生态指标与产量之间的关联关系,筛选确定影响产量的关键因子,以期为华北地区冬小麦水肥精准管理等提供决策依据。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于分生育阶段多参数耦合的冬小麦产量估计方法,依据株高H、叶绿素SPAD、叶面积指数LAI、植株含氮量PNC、植株含水量PWC等冬小麦生理生态指标与产量的影响关系,筛选确定影响冬小麦产量的主控因子,建立考虑了分生育阶段主控因子的作物产量估算方法。本发明解决了如何筛选确定作物产量主控因子、基于分生育阶段多参数作物产量估算方法构建的难题,填补了综合多参数与多生育阶段作物产量估算方法空白,进一步丰富了作物估产相关理论与方法。传统的地面调查测产方法属于事后评估,且需要耗费大量人力物力,难以大面积推广;而采用生理生态指标可对产量进行诊断预测,便于对农业生产中水肥管理做到实时调整,以确保农业稳产与高产;目前基于光谱信息的生理生态等相关指标监测已成为热点,利用遥感技术对生理生态等指标进行光谱监测已成为可能,构建基于分生育阶段多生理生态指标的作物产量评估方法是利用遥感技术进行大范围无损作物估算基础理论。
为了达到上述发明目的,本发明采用的技术方案为:一种基于分生育阶段多参数耦合的冬小麦产量估计方法,包括以下步骤:
S1、采用通径分析方法并使用决策系数确定影响冬小麦产量的主控因子;
S2、根据主控因子构建基于单参数分生育阶段的估产模型;
S3、根据决策系数耦合主控因子,获取不同生育阶段的主控因子耦合值;
S4、基于单参数分生育阶段的估产模型,并采用主控因子耦合值构建分生育阶段多参数耦合估产模型;
S5、采集待估产冬小麦在不同生育阶段的主控因子耦合值,根据将主控因子耦合值输入多参数耦合估产模型,得到冬小麦产量估计结果。
进一步地,所述步骤S1具体为:
S1.1、对冬小麦5个生理生态指标株高H、叶绿素SPAD、叶面积指数LAI、植株含氮量PNC、植株含水量PWC和产量Y进行通径分析,获取每个生理生态指标与产量Y的相关系数riy为:
其中,riy表示生理生态指标xi与产量Y的相关系数,Piy表示生理生态指标xi到产量Y的直接通径系数,rij表示生理生态指标xi与生理生态指标xj的相关系数,i=1,2,...,n,n表示生理生态指标的总数,j=1,2,...,n,i≠j,rij·Pjy表示生理生态指标xi通过生理生态指标xj到产量Y的间接通径系数,表示第k个生育阶段生理生态指标xi对产量Y的决策系数,N<n。
进一步地,所述主控因子为叶绿素SPAD、叶面积指数LAI以及植株含氮量PNC。
进一步地,所述步骤S2中基于单参数分生育阶段的估产模型具体为:
其中,Y表示不同施氮水平下产量值,Ym表示理论最大产值,Xi'k表示第k生育阶段第i'个主控因子,Xmi'k表示冬小麦最大产量处理对应的第k生育阶段第i'个主控因子值,i'=1,2,3;k=1,2,3,4,5,其对应的生育阶段分别为返青-拔节期、拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期及成熟期,λi'k表示第k生育阶段第i'个主控因子的权重。
进一步地,所述步骤S3具体为:
S3.1、采用隶属函数分析法将主控因子标准化,具体为:
μi'k=(Xi'k-Xmin)/(Xmax-Xmin)
S3.2、获取主控因子的决策系数总和,并获取每个主控因子的决策系数占总和的百分比,得到每个主控因子的权重;
S3.3、将每个主控因子与其权重相乘,并将所有乘积相加,得到主控因子耦合值;
S3.4、根据步骤S3.1至S3.3所述方法,获取不同剩余阶段的主控因子耦合值;
其中,μi'k表示第k生育阶段中第i'个主控因子的标准化值,Xmax表示第i'个主控因子的理论最大值,Xmin表示第i'个主控因子的理论最小值。
进一步地,所述步骤S4中多参数耦合估产模型具体为:
其中,λak表示第k生育阶段多参数耦合敏感系数,Tak表示第k生育阶段的主控因子耦合值,Tmak表示第k生育阶段的主控因子的最大耦合值。
进一步地,所述第k生育阶段的主控因子耦合值Tak具体为:
本发明的有益效果为:
(1)本发明利用单参数分生育阶段模型,得到每个生育时期每个主控因子的敏感系数,更能清晰掌握影响作物生长规律的主控因子。
(2)本发明在不同生育阶段对冬小麦的生理生态指标进行实地测定,通过通径分析方法选出影响产量的主控因子,筛选确定了最优的分生育阶段单因子模型,便于资料有限或经费有限等条件下作物估产技术的推广应用。
(3)本发明采用决策系数作为权重,构建基于分生育阶段耦合多参数估产模型,结果显示其精度和估产效果优于分生育阶段单因子估产模型,为科学估产提供了理论与技术支撑。
附图说明
图1为本发明提出的一种基于分生育阶段多参数耦合的冬小麦产量估计方法流程图。
图2为不同施氮水平对株高H的影响实验结果图。
图3为不同施氮水平对LAI的影响实验结果图。
图4为不同施氮水平对SPAD的影响实验结果图。
图5为不同施氮水平对PNC的影响实验结果图。
图6为不同施氮水平对PWC的影响实验结果图。
图7为不同施氮水平下冬小麦产量实验结果图。
图8(a)为基于分生育阶段LAI模型的产量模拟值与实测值比较图,图8(b)为生基于分生育阶段SPAD的产量模拟值与实测值比较图,图8(c)为基于分生育阶段PNC的产量模拟值与实测值比较图。
图9(a)为基于分生育阶段LAI+SPAD的产量模拟值与实测值比较图,图9(b)为基于分生育阶段LAI+PNC的产量模拟值与实测值比较图,图9(c)为基于分生育阶段PNC+SPAD的产量模拟值与实测值比较图,图9(d)为基于LAI+SPAD+PNC的产量模拟值与实测值比较图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
实施例1
如图1所示,一种基于分生育阶段多参数耦合的冬小麦产量估计方法,包括以下步骤:
S1、采用通径分析方法并使用决策系数确定影响冬小麦产量的主控因子;
S2、根据主控因子构建基于单参数分生育阶段的估产模型;
S3、根据决策系数耦合主控因子,获取不同生育阶段的主控因子耦合值;
S4、基于单参数分生育阶段的估产模型,并采用主控因子耦合值构建分生育阶段多参数耦合估产模型;
S5、采集待估产冬小麦在不同生育阶段的主控因子耦合值,根据将主控因子耦合值输入多参数耦合估产模型,得到冬小麦产量估计结果。
本发明提出的基于分生育阶段多参数耦合的冬小麦产量估计方法,不仅仅适用于冬小麦,也适用于其他农作物。
所述步骤S1具体为:
S1.1、对冬小麦5个生理生态指标株高H、叶绿素SPAD、叶面积指数LAI、植株含氮量PNC、植株含水量PWC和产量Y进行通径分析,获取每个生理生态指标与产量Y的相关系数riy为:
其中,riy表示生理生态指标xi与产量Y的相关系数,Piy表示生理生态指标xi到产量Y的直接通径系数,rij表示生理生态指标xi与生理生态指标xj的相关系数,i=1,2,...,n,n表示生理生态指标的总数,j=1,2,...,n,i≠j,rij·Pjy表示生理生态指标xi通过生理生态指标xj到产量Y的间接通径系数,表示第k个生育阶段生理生态指标xi对产量Y的决策系数,N<n。
所述主控因子为叶绿素SPAD、叶面积指数LAI以及植株含氮量PNC。
所述步骤S2中基于单参数分生育阶段的估产模型具体为:
其中,Y表示不同施氮水平下产量值,Ym表示理论最大产值,Xi'k表示第k生育阶段第i'个主控因子,Xmi'k表示冬小麦最大产量处理对应的第k生育阶段第i'个主控因子值,i'=1,2,3;k=1,2,3,4,5,其对应的生育阶段分别为返青-拔节期、拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期及成熟期,λi'k表示第k生育阶段第i'个主控因子的权重。
所述步骤S3具体为:
S3.1、采用隶属函数分析法将主控因子标准化,具体为:
μi'k=(Xi'k-Xmin)/(Xmax-Xmin)
S3.2、获取主控因子的决策系数总和,并获取每个主控因子的决策系数占总和的百分比,得到每个主控因子的权重;
S3.3、将每个主控因子与其权重相乘,并将所有乘积相加,得到主控因子耦合值;
S3.4、根据步骤S3.1至S3.3所述方法,获取不同剩余阶段的主控因子耦合值;
其中,μi'k表示第k生育阶段中第i'个主控因子的标准化值,Xmax表示第i'个主控因子的理论最大值,Xmin表示第i'个主控因子的理论最小值。
所述步骤S4中多参数耦合估产模型具体为:
其中,λak表示第k生育阶段多参数耦合敏感系数,Tak表示第k生育阶段的主控因子耦合值,Tmak表示第k生育阶段的主控因子的最大耦合值。
所述第k生育阶段的主控因子耦合值Tak具体为:
实施例2
1、材料与方法
1.1、实验地区概况
试验地选址为中国水利水电科学研究院大兴试验基地(39°37′N,116°26′E),该地属温带半干旱大陆性季风气候,冬季寒冷少雪,夏季炎热多雨,年平均降水540mm,主要集中在6-9月,占全年降水量80%以上。多年平均气温12.1℃,年无霜期平均为185d,全年平均水面蒸发量在1800mm以上,平均风速1.2m/s,适合冬小麦等作物生长。
1.2、试验设计
田间试验于2018年10月11日-2019年6月11日进行,冬小麦供试品种为“中麦175”,按照施氮水平不同设置5个施氮水平处理(如表1所示),分别为N1、N2、N3、N4、N5,每处理3次重复,共15个小区,按照随机区组布设,小区面积约为60m2。全剩余阶段灌水总量为180mm,于播前、播种-越冬期、拔节-抽穗期分别灌水,每次灌水60mm。播前将复合肥(含氮量15%、含P2O5量15%、含K2O量15%)作为基肥施入,在拔节-抽穗期(4月23日)追肥尿素(含氮量45%),在田间进行人工均匀撒施。田间管理,如除草、病虫害防治等农艺措施与当地农民习惯保持一致。
表1冬小麦施肥制度表
1.3、测定项目与方法
生育前期在每小区固定3株冬小麦,每隔5天测株高H、叶面积LAI。叶绿素相对含量SPAD每隔10天用SPAD-502叶绿素仪测定3株,取其平均值。植株含水量PWC(Plant watercontent)用烘干法测定。植株含氮量PNC(Plant nitrogen content)用凯氏定氮仪测定。产量于小麦成熟期选取每小区有代表性的1m2进行产量测定。将收获后的冬小麦籽粒进行脱粒、风干、称重,称其籽粒产量,并将其折算为公顷产量。
1.4、数据分析
1.4.1、通径分析
通径分析是一种以多元线性回归方程为基础的分离分析方法,可以很好地阐明研究数据因果关系的数据结构。通过将因变量和多种自变量及其彼此的组合相关联,为每个存在因果关系的变量定义一组独立相关性,这些独立相关性中又互相存在影响,再通过互相之间存在影响的大小与因变量相关性进行分析具体计算过程如下:假设有n个自变量因子(如株高、LAI、SPAD、植株含水量、植株含氮量)X1,X2,X3,…,Xn和1个因变量(产量Y)指的是前文提到要测定的5个生理生态指标,H、SPAD、LAI、PNC和PWC。X1,X2,X3,…,Xn和一个因变量Y任意两个因子之间的相关系数是rij,因子Xi到Y的直接通径系数是Piy,因子Xi通过因子Xj到Y的间接通径系数是rij·Pjy,则因子Xi与Y的相关系数riy可以分解为直接通径系数与间接通径系数之和,即
R(ik) 2=2Pjy·rjy-Piy 2 (2)
式中,R(ik) 2表示在第k个剩余阶段xi对Y的决策系数,用决策系数可把自变量对因变量的综合作用进行排序,确定主要的决策变量和限制变量。R(ik) 2>0,表明自变量对因变量有正效应;R(ik) 2<0,表明自变量对因变量有负效应。直接通径系数Pij和间接通径系数rij·Pjy的正负表大小,正值表示因子对产量有正效应,负值表示因子对产量有负效应。
1.4.2、单参数估产模型构建
本实施例基于分生育时段来构建产量主控因子的单参数估产模型,采用单参数分生育阶段估产模型表示,具体形式如下:
式中:Y表示不同施氮水平下的产量值;Ym表示理论最大产量值;Xik表示冬小麦第k生育阶段第i主控因子值;Xmik表示冬小麦最大产量处理对应的第k生育阶段第i主控因子值;λik表示第k生育阶段第i主控因子的敏感系数;k表示生育阶段;k=1,2,3,4,5,其对应的生育阶段分别为返青-拔节期、拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期及成熟期。
模型评价指标:决定系数R2、均方根误差RMSE及平均绝对误差MAE。其中R2越大,RMSE和MAE越小则说明模型的精度越高。公式如下:
1.4.3、基于多参数耦合产量估产模型构建
对主控因子进行标准化基础上,依据不同生育阶段对各主控因子标准化值进行权重赋值后相加,获得阶段多参数耦合值,并采用主控因子单参数模型形式,即本发明提出的单参数分生育阶段估产模型,拟合后获得基于分生育阶段多参数耦合的产量估算模型。
用隶属函数分析法先对测定获得主控因子进行标准化,公式如下:
μik=(Xik-Xmin)/(Xmax-Xmin) (7)
式中:μik是第k生育阶段第i因子的标准化值;Xik是第k生育阶段第i因子值;Xmin、Xmax分别是在整个生育阶段内该主控因子的理论最小值、理论最大值。
基于多参数耦合产量估算模型见公式(8),其中自变量Tak指的是各主控因子如LAI、SPAD、PNC等标准化处理后的耦合值,其评价指标同上,见公式(4)(5)(6)。在不同生育阶段,根据主控因子的决策系数R(ik) 2分配权重(注:决策系数若为负值,决策系数取0),按照决策系数分配权重获得耦合值计算方法如公式(9)所示。
式中:Tak是第k生育阶段多参数耦合值;Tmak是第k生育阶段多参数最大耦合值;λak为第k生育阶段多参数耦合敏感系数;R(ik) 2为第i因子第k生育阶段对产量的决策系数。
2、结果与分析
2.1、不同施氮水平处理对冬小麦生长状况的影响
2.1.1、不同施氮水平处理对冬小麦生理生态指标的影响
冬小麦生育期内H动态变化特征如图2所示。各处理冬小麦株高H生长趋势一致,在拔节期至抽穗期,该生育阶段内各处理株高最大值为48~53cm,冬小麦株高H表现为快速增长趋势,是冬小麦生长旺盛期,N1增长量最大,为115.42%,其次是N2增长了24.6cm,增长量为109.27%,N3、N4、N5增长量分别为79.69%,80.12%,71.31%。增长量随着施氮量的增加而减少。随着生育进程的推移,小麦株高H表现为逐渐增加的变化趋势,抽穗后株高H基本保持不变。不同氮肥处理下,株高H随施氮量的增加而增加,各处理株高排序为:N5>N4>N3>N2>N1。
冬小麦生育期内LAI动态变化特征如图3所示。拔节期施肥后,LAI明显地随着施氮量的含量而变化。LAI从拔节期开始迅速增长,在抽穗期达到最大值,抽穗期之后冬小麦下层叶片枯萎叶面积指数逐渐减小。灌水定额一定时,随着施氮量增加,各处理的LAI均增大,且变化趋势一致。各处理LAI排序为:N5>N4>N3>N2>N1。
冬小麦生育期内SPAD动态变化特征如图4所示。SPAD在生育期内随叶片的生长和衰老变化。从拔节期至抽穗期,SPAD随着叶片的生长而增加,抽穗期至灌浆期基本保持稳定,乳熟后随叶片的衰老而呈现下降趋势。抽穗期至灌浆期是SPAD增长最旺盛的时期,对氮素的吸收较强,各处理在灌浆期达到最大,最大值为54~63(mg·g-1)。N1、N2处理下SPAD呈现先减小后增大再减少的趋势,N3、N4、N5处理下SPAD则是先平稳增长再迅速下降趋势。这主要是由于冬小麦进入抽穗期后,叶片光合作用逐渐减弱,SPAD开始降解,导致SPAD下降。
2.1.2、不同施氮水平处理对冬小麦生理指标的影响
如图5所示,各处理下PNC在冬小麦整个生育期呈现先增长后减小的趋势,在抽穗期取得最高点,但N1处理在灌浆期下降后又增加,氮处理下PNC的排序为:N3>N5>N2>N4>N1;当进入抽穗期,植株中的一部分氮素会转移到营养器官中,因此PNC呈下降趋势。
如图6所示,植株含水量PWC在整个生长过程中呈下降趋势,返青期-拔节期植株含水量缓慢减少,N5下降了6.75%,其次是N4和N3分别是2.25%,3.59%,N1、N2基本不变。在抽穗期至成熟期,PWC持续下降,各处理下降了32%~36%,在成熟期各处理保持在40%左右。
2.1.3、不同施氮水平对冬小麦产量的影响
如图7所示,随施氮量增加冬小麦产量呈增大趋势,N5处理时产量最大为5279kg/hm2;其它处理下产量排序为:N3>N4>N2>N1。方差分析表明,不同施氮水平下,N1、N2、N3的产量差异呈显著水平(P<0.05),N3、N4、N5组内无差异。
2.2、冬小麦产量与影响因子的通径分析
为量化各影响因子对产量直接与间接的作用程度,对H、LAI、SPAD、PWC、PNC等影响因子进行简单相关分析及通径分析,分析结果见表2。
表2各生育阶段产量与影响因子的相关分析及通径分析
注:**表示在0.01水平上(双侧)显著相关,*表示在0.05水平上(双侧)显著相关。
对于返青-拔节期,将各个指标对产量的直接影响和通过其他因素产生的间接影响进行了分析,两者相加即为指标间的通径系数。决策系数是在通径分析中综合表征各指标影响大小的值。决策系数排序为:PWC>H>SPAD>LAI>PNC。可见,在对产量的通径分析5个自变量中,PWC的决策系数最大,是影响产量的主控因子;其次是H、SPAD,而LAI和PNC的决策系数为负值。在返青-拔节期,影响产量的主控因子为:PWC、H、SPAD。
对拔节-抽穗期,相关性排序为:SPAD>LAI>PNC>PWC>H。直接通径系数排序为:PNC>H>SPAD>LA>PWC。决策系数排序为PNC>SPAD>LAI>H>PWC。综合得该生育期内PNC是影响产量的主控因子,直接通径系数最大,说明其直接可以影响产量。其次是SPAD,决策系数排第二,相关性排第一,间接效应主要通过H、LAI、PNC路径影响产量,PWC的间接痛经系数较小,小于0.1。LAI也是如此,与产量相关系数较大,主要通过影响其他指标来影响产量。H和PWC的决策系数较小,对产量产生正效应,但不是主要影响因子。在拔节-抽穗期,影响产量的主控因子为:PNC、SPAD、LAI。
对抽穗期-灌浆期,决策系数排序为:SPAD>LAI>PNC>H>PWC。SPAD、LAI为产量的主要影响因子,与产量的相关影响较大,直接效应排前列。PNC综合系数较小为0.04,与产量为负效应。H、PWC的决策系数为负值,故其对产量的影响作用较小,可忽略。在抽穗-灌浆期,影响产量的主控因子为:SPAD、LAI、PNC。
灌浆期至成熟期,决策系数排序为:LAI>PNC>SPAD>H>PWC。表明LAI对产量变化的综合决定最强,其次是PNC。PNC通过直接效应与SPAD路径对产量的间接效应对产量有正效应。SPAD对产量直接效应为负值,其通过间接效应LAI和PWC路径对产量起正效应。在灌浆-成熟期,影响产量的主控因子为:LAI、PNC、SPAD。
成熟期,5个指标都未与产量达显著相关。LAI、SPAD的决策系数分别为0.1334、0.1507,两者对产量是正相关,对产量有促进作用,故该生育阶段产量的主控因子为LAI、SPAD。PWC和PNC的决策系数较小,对产量影响作用不大,H的直接通径系数和决策系数为负值,说明H抑制产量。在成熟期,影响产量的主控因子为:LAI、SPAD、H。
通过通径分析获得冬小麦各个生育阶段产量主控因子,在兼顾冬小麦水肥管理关键生育阶段如拔节-抽穗、灌浆-成熟等,获得影响产量主控因子为LAI、SPAD、PNC。
2.3、基于分生育阶段的单参数模型分析
冬小麦的生长从播种到收获是一个动态的过程,各生育阶段之间相互影响,采用单参数分生育阶段估产模型构建了基于分生育时段单参数产量估算模型,具体见公式(10)-公式(12):
式中:X2k表示冬小麦第k生育阶段LAI;Xm2k表示冬小麦最大产量处理对应的k生育阶段LAI值;X3k表示冬小麦第k生育阶段SPAD;Xm3k表示冬小麦最大产量处理对应的k生育阶段SPAD值;X5k表示冬小麦第k生育阶段PNC;Xm5k表示冬小麦最大产量处理对应的k生育阶段PNC值;k=1,2,3,4,5。
图8(a)-8(c)分别为基于分生育阶段各主控因子单参数的产量模拟值与实测值的比较,从图中可直观看出模型的拟合效果。
以决定系数R2、均方根误差RMSE及平均绝对误差MAE对模型进行精度评价。其中R2越大,RMSE和MAE越小则说明模型的精度越高。对于LAI,估产模型的决定系数为0.678,均方根误差RMSE和平均绝对误差MAE分别为82.99kg·ha-1、55.42kg·ha-1。SPAD估产模型拟合决定系数0.777,RMSE、MAE分别为74.46kg·ha-1、61.07kg·ha-1。而PNC估产模型拟合决定系数为0.619,RMSE、MAE分别为81.33kg·ha-1、65.28kg·ha-1,其精度低于其他两个估产模型。可见,基于分生育阶主控因子单参数估产模型,采用基于分生育阶段SPAD估产模型模拟产量效果最优。
2.4、基于分生育阶段主控因子耦合的模型构建
将由通径分析得出的主控因子LAI、SPAD、PNC通过两两耦合、三者耦合两种方式得出4种基于分生育阶段主控因子耦合的产量估算模型,具体见公式(13)-公式(16):
式中:Ta(2,3)k—冬小麦第k生育阶段第LAI、SPAD耦合值;Tma(2,3)k—冬小麦最大产量处理对应的k生育阶段第LAI、SPAD耦合值;Ta(2,5)k—冬小麦第k生育阶段第LAI、PNC耦合值;Tma(2,5)k—冬小麦最大产量处理对应的k生育阶段第LAI、PNC耦合值;Ta(3,5)k—冬小麦第k生育阶段第SPAD、PNC耦合值;Tma(3,5)k—冬小麦最大产量处理对应的k生育阶段第SPAD、PNC耦合值;Ta(2,3,5)k—冬小麦第k生育阶段第LAI、SPAD与PNC耦合值;Tma(2,3,5)k—冬小麦最大产量处理对应的k生育阶段第LAI、SPAD与PNC耦合值,公式13-16中的k与公式10-12相同。
如图9(a)-9(d)所示,以决定系数R2、均方根误差RMSE及平均绝对误差MAE对模型进行精度评价。其中R2越大,RMSE和MAE越小则说明模型的精度越高。对于LAI+SPAD估产模型的决定系数为0.825,均方根误差RMSE和平均绝对误差MAE分别为65.95kg·ha-1、50.06kg·ha-1;LAI+PNC估产模型的决定系数为0.775,均方根误差RMSE和平均绝对误差MAE分别为62.44kg·ha-1、46.57kg·ha-1;SPAD+PNC估产模型的决定系数为0.814,均方根误差RMSE和平均绝对误差MAE分别为61.95kg·ha-1、47.20kg·ha-1;三个主控因子耦合的估产模型决定系数为0.809,RMSE、MAE分别为58.73kg·ha-1、46.21kg·ha-1。可见,此4个耦合模型的决定系数R2除LAI+PNC估产模型是0.759外,其他3个耦合模型综合R2均在0.800以上。在决定系数大于0.8基础上,并考虑误差最小为原则,两两耦合中以SPAD+PNC估产模型较适宜,然而该模型模拟精度稍低于三个主控因子耦合的估产模型。
综上所述,以模拟精度较高为原则,分别获得基于分生育阶段单参数、两两耦合、三者耦合适宜模型,主要涉及基于分生育阶段SPAD的估产模型、基于分生育阶段SPAD+PNC的估产模型及其基于分生育阶段LAI+SPAD+PNC的估产模型,其中有三个主控因子耦合的估算模型模拟效果最好,模拟产量与实测值最为接近。
Claims (5)
1.一种基于分生育阶段多参数耦合的冬小麦产量估计方法,其特征在于,包括以下步骤:
S1、采用通径分析方法并使用决策系数确定影响冬小麦产量的主控因子;
S2、根据主控因子构建基于单参数分生育阶段的估产模型;
所述步骤S2中基于单参数分生育阶段的估产模型具体为:
其中,Y表示不同施氮水平下产量值,Ym表示理论最大产值,Xi'k表示第k生育阶段第i'个主控因子,Xmi'k表示冬小麦最大产量处理对应的第k生育阶段第i'个主控因子值,i'=1,2,3;k=1,2,3,4,5,其对应的生育阶段分别为返青-拔节期、拔节-抽穗期、抽穗-灌浆期、灌浆-成熟期及成熟期,λi'k表示第k生育阶段第i'个主控因子的权重;
S3、根据决策系数耦合主控因子,获取不同生育阶段的主控因子耦合值;
S4、基于单参数分生育阶段的估产模型,并采用主控因子耦合值构建分生育阶段多参数耦合估产模型;
所述步骤S4中多参数耦合估产模型具体为:
其中,λak表示第k生育阶段多参数耦合敏感系数,Tak表示第k生育阶段的主控因子耦合值,Tmak表示第k生育阶段的主控因子的最大耦合值;
S5、采集待估产冬小麦在不同生育阶段的主控因子耦合值,根据将主控因子耦合值输入多参数耦合估产模型,得到冬小麦产量估计结果。
2.根据权利要求1所述的基于分生育阶段多参数耦合的冬小麦产量估计方法,其特征在于,所述步骤S1具体为:
S1.1、对冬小麦5个生理生态指标株高H、叶绿素SPAD、叶面积指数LAI、植株含氮量PNC、植株含水量PWC和产量Y进行通径分析,获取每个生理生态指标与产量Y的相关系数riy为:
3.根据权利要求2所述的基于分生育阶段多参数耦合的冬小麦产量估计方法,其特征在于,所述主控因子为叶绿素SPAD、叶面积指数LAI以及植株含氮量PNC。
4.根据权利要求3所述的基于分生育阶段多参数耦合的冬小麦产量估计方法,其特征在于,所述步骤S3具体为:
S3.1、采用隶属函数分析法将主控因子标准化,具体为:
μi'k=(Xi'k-Xmin)/(Xmax-Xmin)
S3.2、获取主控因子的决策系数总和,并获取每个主控因子的决策系数占总和的百分比,得到每个主控因子的权重;
S3.3、将每个主控因子与其权重相乘,并将所有乘积相加,得到主控因子耦合值;
S3.4、根据步骤S3.1至S3.3所述方法,获取不同剩余阶段的主控因子耦合值;
其中,μi'k表示第k生育阶段中第i'个主控因子的标准化值,Xmax表示第i'个主控因子的理论最大值,Xmin表示第i'个主控因子的理论最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266509.0A CN112990692B (zh) | 2021-03-11 | 2021-03-11 | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266509.0A CN112990692B (zh) | 2021-03-11 | 2021-03-11 | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990692A CN112990692A (zh) | 2021-06-18 |
CN112990692B true CN112990692B (zh) | 2023-05-30 |
Family
ID=76336394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110266509.0A Active CN112990692B (zh) | 2021-03-11 | 2021-03-11 | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990692B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2733293C2 (ru) * | 2019-03-12 | 2020-10-01 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный аграрный университет - МСХА имени К.А. Тимирязева" (ФГБОУ ВО РГАУ - МСХА имени К.А. Тимирязева) | Способ прогноза урожайности ярового ячменя |
CN110309985B (zh) * | 2019-07-10 | 2022-05-03 | 北京师范大学 | 一种农作物产量预测方法及系统 |
CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
-
2021
- 2021-03-11 CN CN202110266509.0A patent/CN112990692B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112990692A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
Er-Raki et al. | Determination of crop evapotranspiration of table grapes in a semi-arid region of Northwest Mexico using multi-spectral vegetation index | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
CN110189793B (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
CN107356569A (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
Wang et al. | Development of a model using the nitrogen nutrition index to estimate in-season rice nitrogen requirement | |
CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
CN107980512B (zh) | 一种高产多抗优质小麦品种的筛选评价方法 | |
CN113268703A (zh) | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
Dias et al. | Traits for canopy development and light interception by twenty-seven Brazilian sugarcane varieties | |
Liu et al. | Predicting ratoon rice growth rhythmbased on NDVI at key growth stages of main rice | |
Bai et al. | Simulating on the effects of irrigation on jujube tree growth, evapotranspiration and water use based on crop growth model | |
CN101044823A (zh) | 一种作物能量利用率评价及产量预测的方法 | |
CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
Bo et al. | Determining nitrogen status and quantifying nitrogen fertilizer requirement using a critical nitrogen dilution curve for hybrid indica rice under mechanical pot-seedling transplanting pattern | |
CN115015132A (zh) | 一种基于数据融合的冬小麦水分状况监测方法 | |
Wang et al. | Simulating cucumber plant heights using optimized growth functions driven by water and accumulated temperature in a solar greenhouse | |
Feng et al. | Fruits-based critical nitrogen dilution curve for diagnosing nitrogen status in cotton | |
CN103889211B (zh) | 植物的收获时生物量的管理方法以及管理系统 | |
CN107274002A (zh) | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 | |
CN112990692B (zh) | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 | |
Bhengra et al. | Calibration and validation study of sugarcane (DSSAT-CANEGRO V4. 6.1) model over North Indian region | |
CN111797499B (zh) | 一种作物育种多目标优化方法 |
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 |