CN113984964B - 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 - Google Patents
基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 Download PDFInfo
- Publication number
- CN113984964B CN113984964B CN202111205891.0A CN202111205891A CN113984964B CN 113984964 B CN113984964 B CN 113984964B CN 202111205891 A CN202111205891 A CN 202111205891A CN 113984964 B CN113984964 B CN 113984964B
- Authority
- CN
- China
- Prior art keywords
- matrix
- growth
- value
- water stress
- difference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 240000008042 Zea mays Species 0.000 title claims abstract description 35
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 27
- 235000005822 corn Nutrition 0.000 title claims abstract description 27
- 238000012216 screening Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 98
- 230000012010 growth Effects 0.000 claims abstract description 85
- 241000196324 Embryophyta Species 0.000 claims abstract description 79
- 208000005156 Dehydration Diseases 0.000 claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 235000009973 maize Nutrition 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007226 seed germination Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- Algebra (AREA)
- Wood Science & Technology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Botany (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明公开了基于多源数据监测抗旱性分析的玉米品种筛选方法及系统,涉及植物品种筛选技术领域,解决了现有的玉米品种抗旱性能鉴定过程忽略了不同环境因素对抗旱性能的影响,存在筛选的玉米品种在特定环境下的抗旱性能并非最佳的问题,本发明通过以单一环境参数为控制量、水分胁迫梯度为变量进行模拟实验,并依据不同环境参数采集的冠层温度值建立矩阵,以及结合水分胁迫梯度的历史分布概率对不同生长周期的抗旱弹性进行综合分析,能够适应性最好的植物品种,为根据特定环境选取最优的植物品种提供了技术支撑。
Description
技术领域
本发明涉及植物品种筛选技术领域,更具体地说,它涉及基于多源数据监测抗旱性分析的玉米品种筛选方法及系统。
背景技术
玉米由于产量高、品质好、适应性强等特点,所以栽培面积扩展很快。目前,中国玉米种植面积42670千公顷(6.40亿亩),粮食作物种植和产量都是第一位。但由于我国玉米产区自然条件差别很大,要根据本地的霜期长短、土壤质地、土壤地力、温度、湿度、降雨量等多种外界因素来选择适宜的品种。其中,干旱是全球性的问题,如中国北方地区经常发生春旱,影响玉米种子萌发,使幼苗生长受阻,发根量少且根短,苗弱,成活率低,严重影响其它生育期的生长发育及产量。为此,筛选具有良好抗旱性能的玉米品种具有重大意义。
目前,玉米抗旱性鉴定方法主要包括模拟实验环境法、生长形态分析法、生理指标法、生物学鉴定法等。其中,模拟实验环境法是指在模拟环境中通过调控土壤、空气的含水量,人为造成实验所需的干旱胁迫环境,并通过分析玉米的生长发育、生理过程或者产量结果的变化来评价水玉米抗旱性,模拟实验环境法由于监测指标相对较少、实验周期短、专业技术和条件要求相对较低等优点成为了大部分研究人员的抗旱性鉴定首选方法。现有玉米抗旱性鉴定的模拟实验环境一般是以水分胁迫梯度作为变量,在一定环境下进行模拟实验,并通过采集冠层温度分布情况来分析相应玉米品种在对应环境下的水分蒸发情况,从而鉴定玉米品种的抗旱性能。
然而,现有的玉米品种抗旱性能鉴定过程忽略了不同环境因素对抗旱性能和生长发育的影响,一方面存在筛选的玉米品种在特定环境下的抗旱性能并非最佳,另一方面存在筛选的抗旱品种的产量达不到理想状态。因此,如何研究设计一种能够克服上述缺陷的基于多源数据监测抗旱性分析的玉米品种筛选方法及系统。
发明内容
为解决现有技术中的不足,本发明的目的是提供基于多源数据监测抗旱性分析的玉米品种筛选方法及系统。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了基于多源数据监测抗旱性分析的玉米品种筛选方法,包括以下步骤:
获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;
以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;
根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;
根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;
将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;
将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;
将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种。
进一步的,所述标准化矩阵的标准化处理获得过程具体为:
温度分布矩阵为:
其中,Ck表示第k个生长周期的温度分布矩阵;Cmn表示环境参数m在第n个水分胁迫梯度下的冠层温度值;
标准化矩阵为:
其中,表示标注化处理后第k个生长周期的标准化矩阵;i1、i2、im分别表示环境参数1、2、m在无水分胁迫时所对应的温度值。
进一步的,所述特征矩阵的转换获得过程具体为:
系数矩阵具体为:
其中,Jk第k个生长周期的系数矩阵;Jmn表示冠层温度值在环境参数m、水分胁迫梯度n下的影响系数;
特征矩阵具体为:
其中,表示第k个生长周期的特征矩阵。
进一步的,所述特征值序列的叠加计算过程具体为:
Tk(n)=[T1 T2 … Tn]
T1=J11C11/i1+J21C21/i2+…+Jm1Cm1/im
T2=J12C12/i1+J22C22/i2+…+Jm2Cm2/im
Tn=J1nC1n/i1+J2nC2n/i2+…+JmnCmn/im
其中,Tk(n)表示第k个生长周期的特征值序列;T1、T2、Tn分别表示水分胁迫梯度11、22、n所对应的序列值。
进一步的,所述差异总量的计算过程具体为:
其中,表示目标植物a相对于目标植物b在第k个生长周期内的差异总量;Q表示目标植物a、b对应拟合曲线的差异分布区间数量,差异分布区间以在水分胁迫梯度连续范围内其中一个目标植物的值始终大于另一个目标植物的值进行划分;Pl表示第l个差异分布区间对应的水分胁迫梯度的历史发生概率;/>表示在差异分布区间l内目标植物a、b对应拟合曲线的围合面积。
进一步的,所述优先值的计算公式具体为:
其中,Uab表示目标植物a相对于目标植物b的优先值;H表示目标植物的生长周期数量。
进一步的,所述环境参数包括光照强度、光照时间、环境温度、土壤盐碱性、土壤类型、土壤含水率和生长元素。
进一步的,所述系数矩阵依据目标植物在模拟实验环境中的生长情况分析得到,具体为:
控制模拟实验环境初始时处于预设二氧化碳浓度、预设氧气浓度;
采集不同水分胁迫梯度下的实际二氧化碳浓度序列和实际氧气浓度序列;
根据实际二氧化碳浓度序列和实际氧气浓度序列分析出对应环境参数和水分胁迫梯度下的实际生长值;
以实际生长值相对于理论生长值的降低率作为标准化矩阵中对应标准值的影响系数,得到系数矩阵;
进一步的,所述降低率的计算公式具体为:
其中,D表示降低率;Zt表示实际生长值;Z0表示理论生长值。
第二方面,提供了基于多源数据监测抗旱性分析的玉米品种筛选系统,包括:
参数确定模块,用于获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;
模拟实验模块,用于以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;
标准处理模块,用于根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;
矩阵转换模块,用于根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;
曲线拟合模块,用于将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;
差异分析模块,用于将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;
优先分析模块,用于将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种。
与现有技术相比,本发明具有以下有益效果:
1、本发明提出的基于多源数据监测抗旱性分析的玉米品种筛选方法,通过以单一环境参数为控制量、水分胁迫梯度为变量进行模拟实验,并依据不同环境参数采集的冠层温度值建立矩阵,以及结合水分胁迫梯度的历史分布概率对不同生长周期的抗旱弹性进行综合分析,能够适应性最好的植物品种,为根据特定环境选取最优的植物品种提供了技术支撑;
2、本发明通过将冠层温度值转化为相对于常规环境条件下以数字化展现的影响情况,在既方便后续进行特征分析,使得依据差异总量进行优先值的结果更加符合实际情况,有效提供了植物品种筛选的可靠性;
3、本发明依据实际生长值相对于理论生长值的降低率作为影响系数,对特征矩阵中相应特征值进行转换,考虑了单一环境参数对植物生长的影响,能够得到抗旱性能和生长发育性能达到最优平衡的植物品种,使得植物产量在遇到突发性恶劣环境的产量能够非常接近理想产量。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例中的流程图;
图2是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:基于多源数据监测抗旱性分析的玉米品种筛选方法,如图1所示,包括以下步骤:
S1:获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;需要说明的是,目标植物包括但不限于豆类植物、水稻等具有抗旱特性的植物;环境参数可以选取对目标植物抗旱具有一定抗旱性能的参数,影响情况较小或可以忽略不计的可以省略,能够有效降低抗旱性能分析的数据处理量;
S2:以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;以单个环境参数为控制量时,其他环境参数保持常规种植所需的参数;
S3:根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;标准化处理既可以使处理数据保持一致性,又可以过滤掉常规种植时的环境参数对抗旱性能的影响;
S4:根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;需要说明的是,系数矩阵可以采取依据历史数据进行大数据分析得到,进行转换时从数据库中直接匹配得到;此外,还可以采用主成分分析算法对特征矩阵进行降维处理;
S5:将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;
S6:将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;
S7:将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种。
一、标准化矩阵的标准化处理获得过程具体为:
1、温度分布矩阵为:
其中,Ck表示第k个生长周期的温度分布矩阵;Cmn表示环境参数m在第n个水分胁迫梯度下的冠层温度值;
2、标准化矩阵为:
其中,表示标注化处理后第k个生长周期的标准化矩阵;i1、i2、im分别表示环境参数1、2、m在无水分胁迫时所对应的温度值。
二、特征矩阵的转换获得过程具体为:
1、系数矩阵具体为:
其中,Jk第k个生长周期的系数矩阵;Jmn表示冠层温度值在环境参数m、水分胁迫梯度n下的影响系数;
2、特征矩阵具体为:
其中,表示第k个生长周期的特征矩阵。
特征值序列的叠加计算过程具体为:
Tk(n)=[T1 T2 … Tn]
T1=J11C11/i1+J21C21/i2+…+Jm1Cm1/im
T2=J12C12/i1+J22C22/i2+…+Jm2Cm2/im
Tn=J1nC1n/i1+J2nC2n/i2+…+JmnCmn/im
其中,Tk(n)表示第k个生长周期的特征值序列;T1、T2、Tn分别表示水分胁迫梯度11、22、n所对应的序列值。
差异总量的计算过程具体为:
其中,表示目标植物a相对于目标植物b在第k个生长周期内的差异总量;Q表示目标植物a、b对应拟合曲线的差异分布区间数量,差异分布区间以在水分胁迫梯度连续范围内其中一个目标植物的值始终大于另一个目标植物的值进行划分;Pl表示第l个差异分布区间对应的水分胁迫梯度的历史发生概率;/>表示在差异分布区间l内目标植物a、b对应拟合曲线的围合面积。
优先值的计算公式具体为:
其中,Uab表示目标植物a相对于目标植物b的优先值;H表示目标植物的生长周期数量。
需要说明的是,环境参数包括光照强度、光照时间、环境温度、土壤盐碱性、土壤类型、土壤含水率和生长元素。
实施例2:实施例2与实施例1的不同之处在于:系数矩阵依据目标植物在模拟实验环境中的生长情况分析得到,具体为:
S101:控制模拟实验环境初始时处于预设二氧化碳浓度、预设氧气浓度;
S102:采集不同水分胁迫梯度下的实际二氧化碳浓度序列和实际氧气浓度序列;
S103:根据实际二氧化碳浓度序列和实际氧气浓度序列分析出对应环境参数和水分胁迫梯度下的实际生长值;
S104:以实际生长值相对于理论生长值的降低率作为标准化矩阵中对应标准值的影响系数,得到系数矩阵;
降低率的计算公式具体为:
其中,D表示降低率;Zt表示实际生长值;Z0表示理论生长值。
实施例3:基于多源数据监测抗旱性分析的玉米品种筛选系统,如图2所示,包括参数确定模块、模拟实验模块、标准处理模块、矩阵转换模块、曲线拟合模块、差异分析模块和优先分析模块。
其中,参数确定模块,用于获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;模拟实验模块,用于以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;标准处理模块,用于根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;矩阵转换模块,用于根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;曲线拟合模块,用于将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;差异分析模块,用于将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;优先分析模块,用于将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,包括以下步骤:
获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;
以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;
根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;
根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;
将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;
将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;
将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种;
所述特征矩阵的转换获得过程具体为:
系数矩阵具体为:
其中,Jk第k个生长周期的系数矩阵;Jmn表示冠层温度值在环境参数m、水分胁迫梯度n下的影响系数;
特征矩阵具体为:
其中,表示第k个生长周期的特征矩阵;Cmn表示环境参数m在第n个水分胁迫梯度下的冠层温度值;i1、i2、im分别表示环境参数1、2、m在无水分胁迫时所对应的温度值;
所述系数矩阵依据目标植物在模拟实验环境中的生长情况分析得到,具体为:
控制模拟实验环境初始时处于预设二氧化碳浓度、预设氧气浓度;
采集不同水分胁迫梯度下的实际二氧化碳浓度序列和实际氧气浓度序列;
根据实际二氧化碳浓度序列和实际氧气浓度序列分析出对应环境参数和水分胁迫梯度下的实际生长值;
以实际生长值相对于理论生长值的降低率作为标准化矩阵中对应标准值的影响系数,得到系数矩阵;
所述降低率的计算公式具体为:
其中,D表示降低率;Zt表示实际生长值;Z0表示理论生长值。
2.根据权利要求1所述的基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,所述标准化矩阵的标准化处理获得过程具体为:
温度分布矩阵为:
其中,Ck表示第k个生长周期的温度分布矩阵;
标准化矩阵为:
其中,表示标注化处理后第k个生长周期的标准化矩阵。
3.根据权利要求1所述的基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,所述特征值序列的叠加计算过程具体为:
Tk(n)=[T1 T2 … Tn]
T1=J11C11/i1+J21C21/i2+…+Jm1Cm1/im
T2=J12C12/i1+J22C22/i2+…+Jm2Cm2/im
Tn=J1nC1n/i1+J2nC2n/i2+…+JmnCmn/im
其中,Tk(n)表示第k个生长周期的特征值序列;T1、T2、Tn分别表示水分胁迫梯度1、2、n所对应的序列值。
4.根据权利要求1所述的基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,所述差异总量的计算过程具体为:
其中,表示目标植物a相对于目标植物b在第k个生长周期内的差异总量;Q表示目标植物a、b对应拟合曲线的差异分布区间数量,差异分布区间以在水分胁迫梯度连续范围内其中一个目标植物的值始终大于另一个目标植物的值进行划分;Pl表示第l个差异分布区间对应的水分胁迫梯度的历史发生概率;/>表示在差异分布区间l内目标植物a、b对应拟合曲线的围合面积。
5.根据权利要求4所述的基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,所述优先值的计算公式具体为:
其中,Uab表示目标植物a相对于目标植物b的优先值;H表示目标植物的生长周期数量。
6.根据权利要求1所述的基于多源数据监测抗旱性分析的玉米品种筛选方法,其特征是,所述环境参数包括光照强度、光照时间、环境温度、土壤盐碱性、土壤类型、土壤含水率和生长元素。
7.基于多源数据监测抗旱性分析的玉米品种筛选系统,其特征是,包括:
参数确定模块,用于获取目标植物在目标环境下生长影响抗旱性能的多个环境参数;
模拟实验模块,用于以单个环境参数为控制量、水分胁迫梯度为变量构造模拟实验环境,并采集目标植物当前生长周期内不同水分胁迫梯度下的冠层温度值,得到冠层温度序列;
标准处理模块,用于根据多个环境参数所对应的冠层温度序列建立温度分布矩阵,并将温度分布矩阵中的温度值标准化处理后得到标准化矩阵;
矩阵转换模块,用于根据获取的系数矩阵将标准化矩阵中的标准值一一对应转换后得到特征矩阵;
曲线拟合模块,用于将特征矩阵中同一水分胁迫梯度下不同环境参数的特征值叠加计算后得到当前生长周期的特征值序列,并依据特征值序列建立相应的拟合曲线;
差异分析模块,用于将两个目标植物的拟合曲线差异分析后得到差异量分布情况,并依据差异量分布区间的历史发生概率对差异量叠加运算后得到当前生长周期的差异总量;
优先分析模块,用于将不同生长周期的差异总量叠加运算后得到相应目标植物的优先值,选取优先值大的目标植物作为最终选定的植物品种;
所述特征矩阵的转换获得过程具体为:
系数矩阵具体为:
其中,Jk第k个生长周期的系数矩阵;Jmn表示冠层温度值在环境参数m、水分胁迫梯度n下的影响系数;
特征矩阵具体为:
其中,表示第k个生长周期的特征矩阵;Cmn表示环境参数m在第n个水分胁迫梯度下的冠层温度值;i1、i2、im分别表示环境参数1、2、m在无水分胁迫时所对应的温度值;
所述系数矩阵依据目标植物在模拟实验环境中的生长情况分析得到,具体为:
控制模拟实验环境初始时处于预设二氧化碳浓度、预设氧气浓度;
采集不同水分胁迫梯度下的实际二氧化碳浓度序列和实际氧气浓度序列;
根据实际二氧化碳浓度序列和实际氧气浓度序列分析出对应环境参数和水分胁迫梯度下的实际生长值;
以实际生长值相对于理论生长值的降低率作为标准化矩阵中对应标准值的影响系数,得到系数矩阵;
所述降低率的计算公式具体为:
其中,D表示降低率;Zt表示实际生长值;Z0表示理论生长值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205891.0A CN113984964B (zh) | 2021-10-15 | 2021-10-15 | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205891.0A CN113984964B (zh) | 2021-10-15 | 2021-10-15 | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113984964A CN113984964A (zh) | 2022-01-28 |
CN113984964B true CN113984964B (zh) | 2024-02-09 |
Family
ID=79738903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205891.0A Active CN113984964B (zh) | 2021-10-15 | 2021-10-15 | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113984964B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198471A1 (en) * | 2015-06-08 | 2016-12-15 | Limagrain Europe | Method for determining drought tolerance in maize |
CN108921451A (zh) * | 2018-07-27 | 2018-11-30 | 广西壮族自治区农业科学院玉米研究所 | 一种鉴定玉米品种抗旱性的评价方法 |
CN110020793A (zh) * | 2019-03-21 | 2019-07-16 | 中国农业大学 | 基于冠层温度的作物水分胁迫诊断方法及系统 |
CN112258331A (zh) * | 2020-10-26 | 2021-01-22 | 安庆中春自动化技术有限公司 | 一种基于大数据的农作物种植生长及环境智能监测分析系统 |
CN112586347A (zh) * | 2020-12-21 | 2021-04-02 | 扬州大学 | 一种抗旱性水稻品种的筛选方法 |
CN112858632A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院空天信息创新研究院 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015100023A1 (en) * | 2013-12-27 | 2015-07-02 | Dow Agrosciences Llc | Characterizing field sites for agronomic stress tests |
-
2021
- 2021-10-15 CN CN202111205891.0A patent/CN113984964B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198471A1 (en) * | 2015-06-08 | 2016-12-15 | Limagrain Europe | Method for determining drought tolerance in maize |
CN108921451A (zh) * | 2018-07-27 | 2018-11-30 | 广西壮族自治区农业科学院玉米研究所 | 一种鉴定玉米品种抗旱性的评价方法 |
CN110020793A (zh) * | 2019-03-21 | 2019-07-16 | 中国农业大学 | 基于冠层温度的作物水分胁迫诊断方法及系统 |
CN112258331A (zh) * | 2020-10-26 | 2021-01-22 | 安庆中春自动化技术有限公司 | 一种基于大数据的农作物种植生长及环境智能监测分析系统 |
CN112586347A (zh) * | 2020-12-21 | 2021-04-02 | 扬州大学 | 一种抗旱性水稻品种的筛选方法 |
CN112858632A (zh) * | 2021-01-14 | 2021-05-28 | 中国科学院空天信息创新研究院 | 一种综合考虑温度和水分胁迫的草地旱情监测方法 |
Non-Patent Citations (3)
Title |
---|
甘肃西部抗旱型玉米品种的综合评价及筛选;张雪婷;杨文雄;柳娜;杨长刚;王世红;王新永;;核农学报(07);第39-48页 * |
紫花苜蓿全生育期抗旱性鉴定评价方法探讨;武瑞鑫;李源;游永亮;刘贵波;赵海明;;草地学报(05);第276-285页 * |
马铃薯抗旱评价指标及方法;谢婉;郑维列;;西藏农业科技(04);第27-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113984964A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boote et al. | Improving the CROPGRO-tomato model for predicting growth and yield response to temperature | |
Marcelis et al. | Effect of temperature on the growth of individual cucumber fruits | |
CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
Dry et al. | Classification of reproductive performance of ten winegrape varieties | |
CN102487771A (zh) | 水稻品种抽穗期耐高温性鉴定方法 | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
CN112997879A (zh) | 一种评价玉米中胚轴和胚芽鞘最大伸长特性的方法 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
CN109325630B (zh) | 一种基于形态参数的高温胁迫下水稻产量预测方法 | |
CN117272209B (zh) | 一种芽苗菜生长数据采集方法及系统 | |
CN113984964B (zh) | 基于多源数据监测抗旱性分析的玉米品种筛选方法及系统 | |
CN108985664A (zh) | 一种智能农场现场监测管理系统及方法 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN112992271A (zh) | 一种在室内快速预测作物纬度适应性的方法 | |
CN113748946B (zh) | 一种陆地棉的抗冷性鉴定方法 | |
CN107581061B (zh) | 一种油菜种子灌浆期高温耐受性高效筛选鉴定方法 | |
Dusserre et al. | Effects of shading on sink capacity and yield components of cotton in controlled environments | |
CN112577934B (zh) | 一种基于叶绿素荧光图像分析的灌浆期耐热油菜筛选方法 | |
Bonada et al. | Benchmarking water-limited yield potential and yield gaps of Shiraz in the Barossa and Eden Valleys | |
CN109840623B (zh) | 一种确定芝麻气象产量的方法和系统 | |
CN117235322B (zh) | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 | |
CN109738596A (zh) | 一种诊断番茄钙素营养状况的方法 | |
Bubans et al. | Relative maturity group and its relationships with the non preferential sowing season of soybean | |
CN112330115B (zh) | 一种新疆棉花花铃期抗旱性的综合评价方法 | |
Lakshmamma et al. | Accurate estimation of biomass production and partitioning efficiency in castor (Ricinus communis L.) |
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 |