CN115563875B - 一种柑橘红蜘蛛种群数量动态预测方法 - Google Patents

一种柑橘红蜘蛛种群数量动态预测方法 Download PDF

Info

Publication number
CN115563875B
CN115563875B CN202211278402.9A CN202211278402A CN115563875B CN 115563875 B CN115563875 B CN 115563875B CN 202211278402 A CN202211278402 A CN 202211278402A CN 115563875 B CN115563875 B CN 115563875B
Authority
CN
China
Prior art keywords
population
effect
air temperature
citrus red
red spiders
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
Application number
CN202211278402.9A
Other languages
English (en)
Other versions
CN115563875A (zh
Inventor
郭建明
张旭博
王若男
焦江华
刘秀
葛连兴
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.)
Egree Beijing Technology Co ltd
Beijing Aikenong Technology Co ltd
Original Assignee
Egree Beijing Technology Co ltd
Beijing Aikenong Technology Co ltd
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 Egree Beijing Technology Co ltd, Beijing Aikenong Technology Co ltd filed Critical Egree Beijing Technology Co ltd
Priority to CN202211278402.9A priority Critical patent/CN115563875B/zh
Publication of CN115563875A publication Critical patent/CN115563875A/zh
Application granted granted Critical
Publication of CN115563875B publication Critical patent/CN115563875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明公开了一种柑橘红蜘蛛种群数量动态预测方法，涉及虫害种群数量动态预测技术领域。该柑橘红蜘蛛种群数量动态预测方法，包括根据历史气象数据和实况气象数据计算气象效应指数。本发明综合考虑了影响柑橘红蜘蛛的各主要因素，能有效预测柑橘红蜘蛛未来发生数量，准确度高，在影响柑橘红蜘蛛的因子中加入了农药防治因子，这一措施使该预测模型不仅适用于不施药果园中柑橘红蜘蛛种群密度的预测，而且适用于施药果园中柑橘红蜘蛛种群密度的预测，适用性强，柑橘红蜘蛛初始虫口量、天气数据、农药措施等影响因子，均能够直接获取或通过人工观测一次性获取，且数据真实客观，预测起来方便简单，能有效预测柑橘红蜘蛛未来发生数量，准确度高。

Description

一种柑橘红蜘蛛种群数量动态预测方法
技术领域
本发明涉及虫害种群数量动态预测技术领域，具体为一种柑橘红蜘蛛种群数量动态预测方法。
背景技术
柑橘红蜘蛛，分布在中国各柑橘产区，除为害柑橘外，还可为害黄皮、无花果、苦楝、桂花、蔷薇、苎麻、沙梨、蒲桃、椰子、番木瓜、木菠萝、油梨、杨桃、人心果、桃、柿、苹果、葡萄、核桃、樱桃、枣等。以成螨、幼螨、若螨群集叶片、嫩梢、果皮上吸汁危害，引致落叶、落果，尤以叶片受害为重，被害叶面密生灰白色针头大小点，甚者全叶灰白，失去光泽，终致脱落，严重影响树势和产量。
现有技术中，为了能够控制柑橘红蜘蛛对柑橘的危害，需要对柑橘红蜘蛛种群数量进行预测，影响柑橘红蜘蛛发生量的因素极其复杂，现有技术中，或基于气象条件及气象指标进行柑橘红蜘蛛发生程度的预测，或基于气象条件及虫口基数进行柑橘红蜘蛛发生时期及发生量预测，但是以上的预测方法都仅适用于自然消长的情况，对于掺入的人为因素则不适用，比如喷药，导致了不便综合红蜘蛛的基数、气象环境条件及栽培管理(如喷药)等多种因素的方法对柑橘红蜘蛛虫害的种群密度进行动态预测。
发明内容
解决的技术问题
针对现有技术的不足，本发明提供了一种柑橘红蜘蛛种群数量动态预测方法，解决了现有技术中，不便综合红蜘蛛的基数、气象环境条件及栽培管理(如喷药)等多种因素的方法对柑橘红蜘蛛虫害的种群密度进行动态预测的问题。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种柑橘红蜘蛛种群数量动态预测方法，包括以下步骤：
S1、根据历史气象数据和实况气象数据计算气象效应指数；
S2、以气象效应指数为基础，结合柑橘红蜘蛛初始种群密度和农药因子，计算柑橘红蜘蛛实际的种群密度。
进一步地，所述步骤S1中的历史气象数据包括历史5天日平均最低气温效应和历史3天日平均最高气温效应；
所述步骤S1中的实况气象数据包括日照小时效应和日平均气温效应。
进一步地，所述步骤S2包括以下具体步骤：
S21、依据历史5天日平均最低气温效应，历史3天日平均最高气温效应，日照小时效应和日平均气温效应计算种群出生虫量；
S22、依据初始种群密度和农药因子计算种群死亡虫量；
S23、依据初始种群密度，种群出生虫量和种群死亡虫量计算实际种群密度。
进一步地，所述历史5天日平均最低气温效应计算公式如下：
Figure BDA0003897505100000021
其中，tmin_5effect为历史5天日平均最低气温效应，tmin-5～0为过去5天的日平均最低气温(tmin)之和；
所述历史3天日平均最高气温效应计算公式如下：
Figure BDA0003897505100000022
其中，tmax_3_effect为历史3天日平均最高气温效应，tmin--3～0为过去3天日最高气温(tmax)之和；
所述日照小时效应计算公式如下：
Figure BDA0003897505100000031
其中，ssr_effect为日照小时效应，ssr为日照小时；
所述日平均气温效应计算公式如下：
Figure BDA0003897505100000032
其中，t_avg_effect为日平均气温效应，t_avg为日平均气温。
进一步地，所述过去5天的日平均最低气温(tmin)需要进行转化，转化公式为：
Figure BDA0003897505100000033
所述过去3天日最高气温(tmax)需要进行转化，转化公式为：
Figure BDA0003897505100000034
进一步地，所述步骤S21中的种群出生虫量计算公式如下：
Figure BDA0003897505100000035
其中，Born为种群出生虫量，ssr_effect为日照小时效应，RH为日平均相对湿度，t_avg_effect为日平均气温效应，tmax_3_effect为历史3天日平均最高气温效应，tmin_5effect为历史5天日平均最低气温效应，Prec为日降雨量，Pestic为农药效应；
所述步骤S22中的种群死亡虫量计算公式如下：
Figure BDA0003897505100000036
其中，Death为种群死亡虫量，Population为初始种群密度，Pestic为农药效应，Prec为日降雨量；
所述步骤S23中的实际种群密度计算公式如下：
Population′＝Population+Born-Drath
其中，Population′为实际种群密度，Population为初始种群密度，Born为种群出生虫量，Death为种群死亡虫量。
进一步地，所述种群出生虫量Born的计算值小于0时，取种群出生虫量Born为20。
进一步地，所述农药效应计算公式如下：
Figure BDA0003897505100000041
进一步地，所述初始种群密度Population的初始值的计算方法为：
以虫量/200叶为指标，在观测期内以5天一次的频率，统计2月-4月份不同点位的虫量/200叶，计算排列在倒数三位的非零值得平均值作为初始值
进一步地，所述点位选择时需要具有代表性，优先选择无农药得非地块边缘位置。
有益效果
本发明具有以下有益效果：
综合考虑了影响柑橘红蜘蛛的各主要因素，能有效预测柑橘红蜘蛛未来发生数量，准确度高，在影响柑橘红蜘蛛的因子中加入了农药防治因子，这一措施使该预测模型不仅适用于不施药果园中柑橘红蜘蛛种群密度的预测，而且适用于施药果园中柑橘红蜘蛛种群密度的预测，适用性强，柑橘红蜘蛛初始虫口量、天气数据、农药措施等影响因子，均能够直接获取或通过人工观测一次性获取，且数据真实客观，预测起来方便简单，能有效预测柑橘红蜘蛛未来发生数量，准确度高。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明柑橘红蜘蛛种群密度模拟流程图；
图2为本发明红蜘蛛发生数量观测值与模拟值对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1-图2，本发明实施例提供一种技术方案：一种柑橘红蜘蛛种群数量动态预测方法，包括以下步骤：
S1、根据历史气象数据和实况气象数据计算气象效应指数；
S2、以气象效应指数为基础，结合柑橘红蜘蛛初始种群密度和农药因子，计算柑橘红蜘蛛实际的种群密度。
具体地，步骤S1中的历史气象数据包括历史5天日平均最低气温效应和历史3天日平均最高气温效应；
步骤S1中的实况气象数据包括日照小时效应和日平均气温效应；
步骤S2包括以下具体步骤：
S21、依据历史5天日平均最低气温效应，历史3天日平均最高气温效应，日照小时效应和日平均气温效应计算种群出生虫量；
S22、依据初始种群密度和农药因子计算种群死亡虫量；
S23、依据初始种群密度，种群出生虫量和种群死亡虫量计算实际种群密度。
本实施方案中，根据历史气象数据中的历史5天日平均最低气温效应和历史3天日平均最高气温效应和实况气象数据中的日照小时效应和日平均气温效应计算气象效应指数，之后依据历史5天日平均最低气温效应，历史3天日平均最高气温效应，日照小时效应和日平均气温效应计算种群出生虫量，再通过初始种群密度和农药因子计算种群死亡虫量，最后依据初始种群密度，种群出生虫量和种群死亡虫量计算实际种群密度。
具体地，历史5天日平均最低气温效应计算公式如下：
Figure BDA0003897505100000061
其中，tmin_5effect为历史5天日平均最低气温效应，tmin-5～0为过去5天的日平均最低气温(tmin)之和；
历史3天日平均最高气温效应计算公式如下：
Figure BDA0003897505100000062
其中，tmax_3_effect为历史3天日平均最高气温效应，tmin--3～0为过去3天日最高气温(tmax)之和；
日照小时效应计算公式如下：
Figure BDA0003897505100000063
其中，ssr_effect为日照小时效应，ssr为日照小时；
日平均气温效应计算公式如下：
Figure BDA0003897505100000071
其中，t_avg_effect为日平均气温效应，t_avg为日平均气温。
具体地，过去5天的日平均最低气温(tmin)需要进行转化，转化公式为：
Figure BDA0003897505100000072
过去3天日最高气温(tmax)需要进行转化，转化公式为：
Figure BDA0003897505100000073
具体地，步骤S21中的种群出生虫量计算公式如下：
Figure BDA0003897505100000074
其中，Born为种群出生虫量，ssr_effect为日照小时效应，RH为日平均相对湿度，t_avg_effect为日平均气温效应，tmax_3_effect为历史3天日平均最高气温效应，tmin_5effect为历史5天日平均最低气温效应，Prec为日降雨量，Pestic为农药效应；
步骤S22中的种群死亡虫量计算公式如下：
Figure BDA0003897505100000075
其中，Death为种群死亡虫量，Population为初始种群密度，Pestic为农药效应，Prec为日降雨量；
步骤S23中的实际种群密度计算公式如下：
Population′＝Population+Born-Death
其中，Population′为实际种群密度，Population为初始种群密度，Born为种群出生虫量，Death为种群死亡虫量。
具体地，种群出生虫量Born的计算值小于0时，取种群出生虫量Born为20。
具体地，农药效应计算公式如下：
Figure BDA0003897505100000081
具体地，初始种群密度Population的初始值的计算方法为：
以虫量/200叶为指标，在观测期内以5天一次的频率，统计2月-4月份不同点位的虫量/200叶，计算排列在倒数三位的非零值得平均值作为初始值；
点位选择时需要具有代表性，优先选择无农药的非地块边缘位置。
如图1所示，根据柑橘红蜘蛛种群密度模拟流程图可知，在对柑橘红蜘蛛种群数量动态预测之前，先根据历史气象数据和实况气象数据计算气象效应指数，历史气象数据的计算包括计算历史5天日平均最低气温效应和计算历史3天日平均最高气温效应，分别通过公式
Figure BDA0003897505100000082
和/>
Figure BDA0003897505100000083
进行计算，其中tmin_5effect为历史5天日平均最低气温效应，tmin-5～0为过去5天的日平均最低气温(tmin)之和，tmax_3_effect为历史3天日平均最高气温效应，tmin--3～0为过去3天日最高气温(tmax)之和，继续最后的计算之前，需要对过去5天的日平均最低气温(tmin)和过去3天日最高气温(tmax)进行转化，其中过去5天的日平均最低气温(tmin)的转化公式为
Figure BDA0003897505100000084
过去3天日最高气温(tmax)的转化公式为
Figure BDA0003897505100000085
依据不同的条件进行转化，将转化后的数值带入相应的公式中，准确地计算出历史5天日平均最低气温效应和计算历史3天日平均最高气温效应；
实况气象数据包括日照小时效应和日平均气温效应，分别通过公式
Figure BDA0003897505100000091
进行计算，其中，ssr_effect为日照小时效应，ssr为日照小时，t_avg_effect为日平均气温效应，t_avg为日平均气温；
之后测定日平均相对湿度和日降雨量，依据种群出生虫量计算公式进行计算种群出生虫量，计算公式如下：
Figure BDA0003897505100000092
其中，Born为种群出生虫量，ssr_effect为日照小时效应，RH为日平均相对湿度，t_avg_effect为日平均气温效应，tmax_3_effect为历史3天日平均最高气温效应，tmin_5effect为历史5天日平均最低气温效应，Prec为日降雨量，Pestic为农药效应，并且农药效应Pestic在选定时需要参照不同的环境，当15天内打过农药时，Pestic的值取0.2，当15天内没有打农药时，Pestic的值取1，计算出种群出生虫量Born的数值，如果种群出生虫量Born的数值小于0，则取种群出生虫量Born值为20；
在计算种群死亡虫量Death时，需要先确定柑橘红蜘蛛初始种群密度Population，初始种群密度Population可以设定50，也可以依据具体的测定方法进行确定，即在2月-4月份期间，选取不同的点位，统计每200叶中含有多少红蜘蛛数量，统计间隔5天，再将倒数三位的非零值相加求平均值，该平均值即可作为，初始种群密度population，在选择点位时，需要选择多个非地块边缘的位置，使数值更具有代表性；
之后依据公式
Figure BDA0003897505100000101
计算出种群死亡虫量Death，其中，Pestic为农药效应，Prec为日降雨量，最后再依据公式Population′＝Population+Born-Death计算出实际种群密度Population′；
如图2所示，人工观测到数值与模拟值在2月份-4月份期间基本吻合，，其中Predict是模拟值，其他是观测值，准确性高，综合考虑柑橘红蜘蛛的初始虫口密度、气象环境条件及农药防治三个因素，能够对柑橘红蜘蛛虫害的发生量提前做出准确预测，对开展红蜘蛛中长期预报有重要的实用价值，不仅适用于未施药果园内柑橘红蜘蛛自然消长的情况，同时对掺入人为因素如喷药措施的果园也同样适用。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：包括以下步骤：
S1、根据历史气象数据和实况气象数据计算气象效应指数；
S2、以气象效应指数为基础，结合柑橘红蜘蛛初始种群密度和农药因子，计算柑橘红蜘蛛实际的种群密度；
所述步骤S2包括以下具体步骤：
S21、依据历史5天日平均最低气温效应，历史3天日平均最高气温效应，日照小时效应和日平均气温效应计算种群出生虫量；
S22、依据初始种群密度和农药因子计算种群死亡虫量；
S23、依据初始种群密度，种群出生虫量和种群死亡虫量计算实际种群密度；
所述步骤S21中的种群出生虫量计算公式如下：
Figure QLYQS_1
其中，Born为种群出生虫量，ssr_effect为日照小时效应，RH为日平均相对湿度，t_avg_effect为日平均气温效应，tmax_3_effect为历史3天日平均最高气温效应，tmin_5effect为历史5天日平均最低气温效应，Prec为日降雨量，Pestic为农药效应。
2.根据权利要求1所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述步骤S1中的历史气象数据包括历史5天日平均最低气温效应和历史3天日平均最高气温效应；
所述步骤S1中的实况气象数据包括日照小时效应和日平均气温效应。
3.根据权利要求2所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述历史5天日平均最低气温效应计算公式如下：
Figure QLYQS_2
其中，tmin_5effect为历史5天日平均最低气温效应，tmin-5～0为过去5天的日平均最低气温(tmin)之和；
所述历史3天日平均最高气温效应计算公式如下：
Figure QLYQS_3
其中，tmax_3_effect为历史3天日平均最高气温效应，tmin--3～0为过去3天日最高气温(tmax)之和；
所述日照小时效应计算公式如下：
Figure QLYQS_4
其中，ssr_effect为日照小时效应，ssr为日照小时；
所述日平均气温效应计算公式如下：
Figure QLYQS_5
其中，t_avg_effect为日平均气温效应，t_avg为日平均气温。
4.根据权利要求3所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述过去5天的日平均最低气温(tmin)需要进行转化，转化公式为：
Figure QLYQS_6
所述过去3天日最高气温(tmax)需要进行转化，转化公式为：
Figure QLYQS_7
5.根据权利要求1所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：
所述步骤S22中的种群死亡虫量计算公式如下：
Figure QLYQS_8
其中，Death为种群死亡虫量，Population为初始种群密度，Pestic为农药效应，Prec为日降雨量；
所述步骤S23中的实际种群密度计算公式如下：
Population′＝Population+Born-Death
其中，Population′为实际种群密度，Population为初始种群密度，Born为种群出生虫量，Death为种群死亡虫量。
6.根据权利要求1所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述种群出生虫量Born的计算值小于0时，取种群出生虫量Born为20。
7.根据权利要求1所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述农药效应计算公式如下：
Figure QLYQS_9
8.根据权利要求5所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：所述初始种群密度Population的初始值的计算方法为：
以虫量/200叶为指标，在观测期内以5天一次的频率，统计2月-4月份不同点位的虫量/200叶，计算排列在倒数三位的非零值得平均值作为初始值。
9.根据权利要求7所述的一种柑橘红蜘蛛种群数量动态预测方法，其特征在于：选择具有代表性的点位，所述具有代表性的点位位于无农药的非地块边缘位置。
CN202211278402.9A 2022-10-19 2022-10-19 一种柑橘红蜘蛛种群数量动态预测方法 Active CN115563875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211278402.9A CN115563875B (zh) 2022-10-19 2022-10-19 一种柑橘红蜘蛛种群数量动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211278402.9A CN115563875B (zh) 2022-10-19 2022-10-19 一种柑橘红蜘蛛种群数量动态预测方法

Publications (2)

Publication Number Publication Date
CN115563875A CN115563875A (zh) 2023-01-03
CN115563875B true CN115563875B (zh) 2023-06-06

Family

ID=84746757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211278402.9A Active CN115563875B (zh) 2022-10-19 2022-10-19 一种柑橘红蜘蛛种群数量动态预测方法

Country Status (1)

Country Link
CN (1) CN115563875B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6103607B2 (ja) * 2014-07-31 2017-03-29 岡山県 高密度植栽に好適な植物体およびその利用
CN106879405B (zh) * 2017-02-17 2020-09-15 浙江省柑桔研究所 利用人工释放异色瓢虫防治柑桔木虱的方法
CN107711234A (zh) * 2017-08-02 2018-02-23 雷燕梅 一种柑橘害螨的防治方法
CN115166866B (zh) * 2022-07-01 2024-03-15 广东省韶关市气象局 基于格点化气象数据的柑橘病虫害发生预报方法及系统

Also Published As

Publication number Publication date
CN115563875A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
Kellicott The daily periodicity of cell-division and of elongation in the root of Allium
Wang et al. Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions
CN116451823A (zh) 一种基于气象主控因子的苹果产量预测方法
CN115563875B (zh) 一种柑橘红蜘蛛种群数量动态预测方法
CN111582742A (zh) 一种基于气象评价农产品品质的方法及系统
Ramirez et al. Calibration and validation of complex and simplified tomato growth models for control purposes in the southeast of Spain
Wagenmakers Effects of light and temperature on potential apple production
Peiris et al. The study of climate effects on the nut yield of coconut using parsimonious models
Viola et al. Olive yield and future climate forcings
Phuyal et al. Effect of growth hormone and growth media on the rooting and shooting of Zanthoxylum armatum stem cuttings
CN108460691A (zh) 一种日光温室连阴寡照气象指数保险方法
Ichie et al. Resource allocation to reproductive organs during masting in the tropical emergent tree, Dipterocarpus tempehes
Lakso et al. Improvements on an apple carbon balance model
CN109615149A (zh) 一种确定甜菜气象产量的方法和系统
Murata Productivity of rice in different climatic regions of Japan
Normand et al. Toward a better interpretation and use of thermal time models
Schrader et al. Multifactor models for improved prediction of phenological timing in cold-climate wine grapes
CN109699357B (zh) 一种设施葡萄霜霉病施药方法
Kanno et al. Population dynamics of four understorey shrub species during a 7‐yr period in a primary beech forest
Baumgärtner et al. Generalizing a population model for simulating" Golden Delicious" apple tree growth and development
Goyal et al. Growth and instability in production of major fruits grown in India
Lomas et al. Longterm analysis and modelling of agroclimatic effects on national avocado yields in Israel
Kalisz Growth and earliness of Chinese cabbage (var.) as a function of time and weather conditions
Fick Analysis and simulation of the growth of sugar beet (Beta vulgaris L.)
Scott et al. Bragg soybeans grown on a southern Coastal Plains soil I. Dry matter distribution, nodal growth analysis, and sample variability

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