CN117235322B - 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 - Google Patents
作物耐盐高产品种筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117235322B CN117235322B CN202311510312.2A CN202311510312A CN117235322B CN 117235322 B CN117235322 B CN 117235322B CN 202311510312 A CN202311510312 A CN 202311510312A CN 117235322 B CN117235322 B CN 117235322B
- Authority
- CN
- China
- Prior art keywords
- growth
- screened
- salt
- crop
- crops
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 150000003839 salts Chemical class 0.000 claims abstract description 222
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 141
- 230000004044 response Effects 0.000 claims abstract description 129
- 230000002354 daily effect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 238000005211 surface analysis Methods 0.000 claims description 18
- 230000015784 hyperosmotic salinity response Effects 0.000 claims description 16
- 230000003203 everyday effect Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 239000002689 soil Substances 0.000 description 51
- 230000006870 function Effects 0.000 description 26
- 240000008042 Zea mays Species 0.000 description 20
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 20
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 14
- 235000005822 corn Nutrition 0.000 description 14
- 238000009933 burial Methods 0.000 description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 239000003513 alkali Substances 0.000 description 9
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 8
- 230000004907 flux Effects 0.000 description 7
- 230000035800 maturation Effects 0.000 description 7
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 235000009973 maize Nutrition 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 244000038559 crop plants Species 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005068 transpiration Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006808 response to salt stress Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- KWIUHFFTVRNATP-UHFFFAOYSA-N glycine betaine Chemical compound C[N+](C)(C)CC([O-])=O KWIUHFFTVRNATP-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010993 response surface methodology Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 206010015866 Extravasation Diseases 0.000 description 1
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 1
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229960003237 betaine Drugs 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229940099898 chlorophyllin Drugs 0.000 description 1
- 235000019805 chlorophyllin Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036251 extravasation Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Cultivation Of Plants (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供一种作物耐盐高产品种筛选方法、装置、电子设备及存储介质，涉及计算机技术邻域，该方法包括：获取待筛选作物在生育期每日的气象数据；将气象数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；基于待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标；基于待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，对待筛选作物进行动态耐盐高产品种筛选，实现对待筛选作物进行动态耐盐高产品种筛选，筛选周期短，筛选效率高且环境适应性高。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种作物耐盐高产品种筛选方法、装置、电子设备及存储介质。
背景技术
土壤盐碱化问题是限制农业发展的制约性问题，且有逐年增长的趋势。以往的盐碱地治理只注重土壤改良而不注重因地制宜，导致盐碱问题循环往复，没有得到很好的解决。利用盐碱地鉴选和培育耐盐作物，由治理盐碱地适应作物向鉴选耐盐作物适应盐碱地转变，是实现盐碱地生态保护和高质量发展的有效途径。
目前，对耐盐作物品种资源的筛选和鉴定已经有大量研究，因作物和盐碱环境不同，大体可分为直接鉴定和间接鉴定两类。直接鉴定法是将供试材料置于天然或人工模拟的盐碱环境中，以无盐碱条件为对照，以发芽能力、生物体各器官生长量、产量和受害症状等为指标，在不同生育期鉴定记载指标差异。对于无法定量的性状，采用群体目测分级记载或按个体分级记载后计算受害指数。间接鉴定法是以一些生理生化特性为指标，间接判断供测材料的耐盐性，例如脯氨酸、甜菜碱、清蛋白和硼含量测定法，电解质外渗电异法，质壁分离法，水势法，叶绿蛋白损伤法和电溶法等。在鉴定筛选大批量作物时，一般以直接鉴定法为主，基于对照结果确定关键性状的目标作物。
然而，在目前的作物耐盐高产品种筛选过程中，大多数研究作物品种筛选过程需要连续多年对照试验，无法快速实时获取气象、土壤、作物生长动态信息，而且仅针对某一个生长发育时期进行评价，使得筛选周期长、效率低及环境适应性差。
发明内容
本发明提供一种作物耐盐高产品种筛选方法、装置、电子设备及存储介质，用以解决现有技术中筛选周期长、效率低及环境适应性差的问题。
本发明提供一种作物耐盐高产品种筛选方法，包括：
获取待筛选作物在生育期每日的气象数据；
将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；
基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；
基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标，包括：
确定每日所述作物生长与水盐响应模型中的多个初始盐分电导率值；
将所述气象数据输入至所述作物生长与水盐响应模型，所述作物生长与水盐响应模型对各所述初始盐分电导率值和所述气象数据进行拟合，得到所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述生育期包括苗期、生长期和成熟期；
所述基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选，包括：
基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，分别确定所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值；
根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选，包括：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种；
在确定所述待筛选作物在所述苗期是耐盐高产品种的情况下，根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述生长期是否为耐盐高产品种；
在确定所述待筛选作物在所述生长期是耐盐高产品种的情况下，根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述成熟期是否为耐盐高产品种；
在所述待筛选作物在所述成熟期为耐盐高产品种的情况下，确定所述待筛选作物为耐盐高产品种。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期不同盐分浓度的生长环境中的第一适应度值；
基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
基于各所述第一适应度值，采用响应面分析方法确定所述待筛选作物在所述苗期对应的第一目标适应度值；
将所述第一目标适应度值和第一预设阈值进行比较；
在所述第一目标适应度值小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期不是耐盐高产品种；
在所述第一目标适应度值不小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期是耐盐高产品种。
根据本发明提供的一种作物耐盐高产品种筛选方法，所述基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标，包括：
采用主成分分析方法依次对所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述第一生长指标进行降维处理，得到所述待筛选作物分别在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述目标生长指标。
本发明还提供一种作物耐盐高产品种筛选装置，包括：
获取模块，用于获取待筛选作物在生育期每日的气象数据；
第一确定模块，用于将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；
第二确定模块，用于基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；
筛选模块，用于基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述作物耐盐高产品种筛选方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述作物耐盐高产品种筛选方法。
本发明提供的作物耐盐高产品种筛选方法、装置、电子设备及存储介质，通过获取待筛选作物在生育期每日的气象数据；将气象数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；作物生长与水盐响应模型用于确定待筛选作物在生长过程中的各生长指标；基于待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标；基于待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，对待筛选作物进行动态耐盐高产品种筛选。通过将获取的待筛选作物在生育期每日的气象数据输入至作物生长与水盐响应模型，确定待筛选作物在不同盐分浓度的生长环境中，再对多个第一生长指标进行筛选，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标，实现对待筛选作物进行动态耐盐高产品种筛选，筛选周期短，筛选效率高且环境适应性高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的作物耐盐高产品种筛选方法的流程示意图之一；
图2是本发明提供的作物耐盐高产品种筛选方法的流程示意图之二；
图3是本发明提供的作物耐盐高产品种筛选方法的流程示意图之三；
图4是本发明提供的作物耐盐高产品种筛选装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
为了便于更加清晰地理解本申请各实施例，首先对一些相关知识进行如下介绍。
在筛选大批量材料时，借鉴遗传算法里的适应度函数进行筛选是提高筛选速度的有效选择。适应度函数是基于遗传算法的适应度理念提出的。适应度函数是指在进化算法中用于评估染色体（或个体）适应性的数学表达式。在演化计算中，染色体的适应性（或适应值）是用于比较个体与群体中其他个体的竞争力。将优化问题的目标函数与个体的适应度建立映射关系，即可在群体进化过程中实现对优化问题目标函数的寻优。
适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准，适应度函数通常基于问题的特性定义确定，可以是简单的数学公式，也可以是基于运筹学、统计学和人工智能等方法的复杂算法。
另外，响应面分析是一种最优化方法，将体系的响应作为一个或多个因素的函数，运用图形技术将这种函数关系显示出来，选择试验设计中的最优化条件。
下面结合图1-图3描述本发明的作物耐盐高产品种筛选方法。
图1是本发明提供的作物耐盐高产品种筛选方法的流程示意图之一，如图1所示，方法包括步骤101-步骤104；其中，
步骤101，获取待筛选作物在生育期每日的气象数据。
需要说明的是，本发明提供的作物耐盐高产品种筛选方法适用于耐盐高产品种的作物筛选的应用场景中，该方法的执行主体可以为作物耐盐高产品种筛选装置，例如电子设备、或者该作物耐盐高产品种筛选装置中的用于执行作物耐盐高产品种筛选方法的控制模块。
具体地，气象数据包括以下至少一项：光合有效辐射（PhotosyntheticallyActive Radiation，PAR）、饱和水汽压差（Vapor Pressure Deficit，VPD）、平均温度T a 、摩擦风速u、净辐射R n 、地表热通量G s 、二氧化碳（CO2）浓度（CO 2 c）、降雨+灌溉（I）、最高温度T max 、最低温度T min 。其中，光合有效辐射、饱和水汽压差、平均温度、摩擦风速、净辐射、最高温度和最低温度可以通过气象局获取，降雨+灌溉可以通过实际记录的经验值获取，地表热通量和CO2浓度可以通过测量仪器测量得到，例如，测量仪器为涡度相关系统。
步骤102，将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标。
需要说明的是，作物生长与水盐响应模型结合了S-W农田蒸散发模型、作物干物质分配以及叶面积分配等模型，作物生长与水盐响应模型用于确定待筛选作物在生长过程中的各生长指标。在对作物生长与水盐响应模型使用之前，需要对作物生长与水盐响应模型进行率定，具体过程为：
通过田间试验获得前一年的气象数据、作物数据、土壤指标数据和灌溉量数据，其中，气象数据包括以下至少一项：光合有效辐射、饱和水汽压差、平均温度、摩擦风速、净辐射、地表热通量、CO2浓度、降雨+灌溉、最高温度、最低温度；作物数据包括以下至少一项：株高、叶面积、干物质、气孔导度；土壤指标数据包括土壤水分和/或土壤盐分。将气象数据、作物数据、土壤指标数据和灌溉量数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的农田冠层水碳通量、作物植株蒸腾、土壤水分、土壤盐分电导率（Electrical Conductivity，EC）值和地下水埋深等数据，再通过实际测得的农田冠层水碳通量、茎流计测得的作物植株蒸腾、以及土壤水盐传感器测得的农田各层土壤水分、土壤盐分EC值和地下水埋深等实测数据进行比较，从而不断调整作物生长与水盐响应模型的参数，直至作物生长与水盐响应模型输出的指标数据和实测数据匹配。再采用后一年的试验数据（气象数据、作物数据、土壤指标数据和灌溉量数据）对作物生长与水盐响应模型进行适用性的验证与评价，得到作物生长与水盐响应模型的参数取值。作物生长与水盐响应模型采用回归系数（b）、决定系数（R2）、均方根误差（Root Mean Squared Error，RMSE）和纳什效率系数（Nash-Sutcliffe Efficiency coefficient，NSE）等4个评价指标来评价模型的模拟精度，最终得到率定后的作物生长与水盐响应模型。每个作物品种对应一个率定后的作物生长与水盐响应模型。例如，待筛选的玉米品种有10种，就需要率定和验证对应于这10个品种的作物生长与水盐响应模型。
作物生长与水盐响应模型主要是用于对作物植株蒸腾、冠层光合、干物质累积以及同化物的分配、土壤水分、土壤盐分、地下水埋深以及农田生态系统水分利用效率的拟合。作物生长与水盐响应模型以气象数据为输入，以生育期第一日的土壤水分与土壤盐分电导率（Electrical Conductivity，EC）值为初始值，以1日为时间步长，将前一日作物生长与水盐响应模型输出的土壤盐分EC值、农田生态系统净生产力（Net EcosystemProductivity，NEP）、作物实际耗水量（Evapo Transpiratio，ET）、冠层导度（gc）、土壤含水量（Soil Water Content，SWC）、地下水埋深（Water Table Depth，WTD）、农田水分利用效率（Water Use Efficiency，WUE）以及第二日的气象数据作为第二日的输入变量，实现日尺度上的作物生长与水盐动态过程的耦合。以生育期总日长为判定条件结束循环，作物生长与水盐响应模型利用了S-W农田蒸散发模型、作物干物质分配以及叶面积分配等模型的数学机理通过Python软件编写程序语言，即可输出整个生育期的土壤盐分EC值、农田生态系统净生产力、作物实际耗水量、冠层导度、土壤含水量、地下水埋深、农田水分利用效率在日尺度上的动态变化结果。
实际中，在率定好作物生长与水盐响应模型之后，将待筛选作物在生育期每日的气象数据输入至作物生长与水盐响应模型，可以得到作物生长与水盐响应模型输出的待筛选作物在生育期每日不同盐分浓度的生长环境中分别对应的多个第一生长指标；其中，作物生长与水盐响应模型用于确定待筛选作物在生长过程中的各生长指标；第一生长指标为土壤盐分EC值、农田生态系统净生产力、作物实际耗水量、冠层导度、土壤含水量、地下水埋深或者农田水分利用效率。
步骤103，基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标。
具体地，根据待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，可以对多个第一生长指标进行降维处理，得到待筛选作物在不同盐分浓度的生长环境中的多个目标生长指标。目标生长指标为土壤盐分EC值、农田生态系统净生产力、作物实际耗水量或者冠层导度。多个目标生长指标是从多个第一生长指标中筛选得到的，第一生长指标的数量大于目标生长指标的数量。
步骤104，基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
具体地，根据待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，可以对待筛选作物进行动态耐盐高产品种筛选，得到耐盐高产品种作物。
本发明提供的作物耐盐高产品种筛选方法，通过获取待筛选作物在生育期每日的气象数据；将气象数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；作物生长与水盐响应模型用于确定待筛选作物在生长过程中的各生长指标；基于待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标；基于待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，对待筛选作物进行动态耐盐高产品种筛选。通过将获取的待筛选作物在生育期每日的气象数据输入至作物生长与水盐响应模型，确定待筛选作物在不同盐分浓度的生长环境中，再对多个第一生长指标进行筛选，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标，进而实现对待筛选作物进行动态耐盐高产品种筛选，筛选周期短，筛选效率高且环境适应性高。
可选地，上述步骤102的具体实现方式包括：
（1）确定每日所述作物生长与水盐响应模型中的多个初始盐分电导率值。
具体地，针对生育期的第一日，预先设置步长和盐分电导率值范围，例如，步长为0.2ds/m，盐分电导率值范围为[0-10]ds/m，则第一日作物生长与水盐响应模型中的多个初始盐分电导率值分别为[0,0.2,0.4,···,9.8,10]共计50个初始盐分电导率值，初始盐分电导率值可以看作盐分浓度情景。针对生育期第一日之后的每日作物生长与水盐响应模型中的多个初始盐分电导率值，可以取前一日作物生长与水盐响应模型输出的多个盐分电导率值。
（2）将所述气象数据输入至所述作物生长与水盐响应模型，所述作物生长与水盐响应模型对各所述初始盐分电导率值和所述气象数据进行拟合，得到所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标。
具体地，将每日的气象数据输入至作物生长与水盐响应模型，作物生长与水盐响应模型对每日的各初始盐分电导率值和气象数据进行拟合，得到待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标。
例如，将生育期第一日的气象数据输入至作物生长与水盐响应模型，作物生长与水盐响应模型对第一日的初始盐分电导率值[0,0.2,0.4,···,9.8,10]和气象数据进行拟合，可以分别得到待筛选作物在生育期第一日的盐分浓度0分别对应的各第一生长指标、盐分浓度0.2分别对应的各第一生长指标、···、盐分浓度10分别对应的各第一生长指标，即50个盐分浓度情景分别对应的各第一生长指标。
本发明提供的作物耐盐高产品种筛选方法，通过确定每日作物生长与水盐响应模型中的多个初始盐分电导率值，采用作物生长与水盐响应模型确定每个盐分浓度分别对应的各第一生长指标。通过作物生长与水盐响应模型实现对不同盐分浓度的生长环境的多情景模拟，筛选出多个目标生长指标，进而实现对待筛选作物进行动态耐盐高产品种筛选，筛选周期短，筛选效率高且环境适应性高。
可选地，上述步骤103的具体实现方式包括：
采用主成分分析方法依次对所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述第一生长指标进行降维处理，得到所述待筛选作物分别在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述目标生长指标。
具体地，针对待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标，对各第一生长指标进行相关性分析，并基于主成分分析方法依次对待筛选作物在苗期、生长期和成熟期每个盐分浓度对应的各第一生长指标进行降维处理，筛选作物耐盐高产品种的主成分因子，得到待筛选作物分别在苗期、生长期和成熟期每个盐分浓度对应的各目标生长指标。
例如，生育期包括苗期、生长期和成熟期，苗期为发芽期到生长前期，时间为1-27天；生长期为生长前期-生长中期-生长后期，时间为28-52-100天；成熟期为作物成熟期，时间为101-120天。待筛选作物在生育期每日不同盐分浓度的生长环境中分别对应的各第一生长指标分别为土壤盐分EC值、农田生态系统净生产力、作物实际耗水量、冠层导度、土壤含水量、地下水埋深和农田水分利用效率等6个生长指标，盐分浓度数量为50，则针对生育期中的苗期不同盐分浓度的生长环境中对应的土壤盐分EC值为苗期最后一天的土壤盐分EC值与第一天的土壤盐分EC值之差（即第27天的土壤盐分EC值减去第1天的土壤盐分EC值），农田生态系统净生产力为苗期每一天的农田生态系统净生产力的累加值，作物实际耗水量、冠层导度、土壤含水量、地下水埋深和农田水分利用效率均为苗期总天数的实际值的均值。则在生育期中的苗期，待筛选作物对应的生长指标维数均为50*6，采用主成分分析方法进行降维，得到50*4的目标生长指标的生长指标维数，其中，4个指标分别为土壤盐分EC值、农田生态系统净生产力、作物实际耗水量或者冠层导度。
需要说明的是，生长期和成熟期的降维处理过程与苗期类似，对此不再重复描述。
可选地，所述生育期包括苗期、生长期和成熟期；上述步骤104的具体实现方式包括：
（a）基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，分别确定所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值。
具体地，根据待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，可以分别确定待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值。
例如，待筛选作物在苗期不同盐分浓度的生长环境中的EC值为苗期最后一天的EC值与第一天的EC值的差值、农田生态系统净生产力为苗期每一天的农田生态系统净生产力的累加值、作物实际耗水量和冠层导度均为苗期总天数的实际值的均值。生长期和成熟期不同盐分浓度的生长环境中对应的各目标生长指标的指标值的计算方式与苗期的各目标生长指标的指标值的计算方式相同。
（b）根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选。
具体地，根据待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值，依次在苗期、生长期和成熟期对待筛选作物进行动态耐盐高产品种筛选。
可选地，所述根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选，包括：
1）根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种。
具体地，根据待筛选作物在苗期不同盐分浓度的生长环境中的各目标生长指标的指标值，可以确定待筛选作物在苗期是否为耐盐高产品种。
2）在确定所述待筛选作物在所述苗期是耐盐高产品种的情况下，根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述生长期是否为耐盐高产品种。
具体地，在确定待筛选作物在所述苗期是耐盐高产品种的情况下，并不能确定待筛选作物为耐盐高产品种，还需要进一步根据待筛选作物在生长期不同盐分浓度的生长环境中的各目标生长指标的指标值，确定待筛选作物在生长期是否为耐盐高产品种。
可选地，在确定待筛选作物在苗期不是耐盐高产品种的情况下，可以直接确定待筛选作物不是耐盐高产品种，可以对该待筛选作物进行剔除。
3）在确定所述待筛选作物在所述生长期是耐盐高产品种的情况下，根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述成熟期是否为耐盐高产品种。
具体地，在确定待筛选作物在生长期是耐盐高产品种的情况下，并不能确定待筛选作物为耐盐高产品种，还需要进一步根据待筛选作物在成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值，确定待筛选作物在成熟期是否为耐盐高产品种。
可选地，在确定待筛选作物在生长期不是耐盐高产品种的情况下，可以直接确定待筛选作物不是耐盐高产品种，可以对该待筛选作物进行剔除。
4）在所述待筛选作物在所述成熟期为耐盐高产品种的情况下，确定所述待筛选作物为耐盐高产品种。
具体地，在待筛选作物在成熟期为耐盐高产品种的情况下，确定待筛选作物为耐盐高产品种。
可选地，在待筛选作物在成熟期不是耐盐高产品种的情况下，确定待筛选作物不是耐盐高产品种。
本发明提供的作物耐盐高产品种筛选方法，通过逐步对待筛选作物在苗期、生长期和成熟期进行耐盐高产品种的逐步判断淘汰，实现耐盐高产品种的初步筛选、复选和定选，进而实现对待筛选作物的快速动态筛选，能够提升待筛选作物的筛选效率以及筛选准确性，具有灵活性、可行性和适用性。
可选地，所述根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
a）根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期不同盐分浓度的生长环境中的第一适应度值。
具体地，根据待筛选作物在苗期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用适应度函数可以计算待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值。
在关于耐盐高产筛选的适应度函数设计中，采用效果更好的线性关系进行适应度函数的描述，例如，适应度函数表示为：f=aNEP+bg c +cET+dEC，其中，a、b、c和d均表示权重，该权重是通过选用客观赋权法中的变异系数法确定的，满足a+b+c+d=1。
b）基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种。
具体地，根据待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值，可以进一步确定待筛选作物在苗期是否为耐盐高产品种。
可选地，所述基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
（1）基于各所述第一适应度值，采用响应面分析方法确定所述待筛选作物在所述苗期对应的第一目标适应度值。
具体地，响应面分析法即响应曲面设计方法(Response Surface Methodology，RSM)，是利用合理的试验设计方法并通过实验得到一定数据，采用多元二次回归方程来拟合因素与响应值之间的函数关系，通过对回归方程的分析来寻求最优工艺参数，解决多变量问题的一种统计方法。
在确定待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值的基础上，以盐分EC、NEP和ET作为变量，第一适应度值f作为响应量，通过统计分析系统（StatisticalAnalysis System，SAS）软件中响应面回归分析（Design-Expert）程序，对待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值进行响应面分析，生成的响应面顶点即为待筛选作物在苗期对应的第一目标适应度值。
（2）将所述第一目标适应度值和第一预设阈值进行比较。
具体地，第一预设阈值为预先设置的最小适应度值f min ，将第一目标适应度值和第一预设阈值进行比较。
（3）在所述第一目标适应度值小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期不是耐盐高产品种。
具体地，在第一目标适应度值小于第一预设阈值的情况下，可以确定待筛选作物在苗期不是耐盐高产品种。
（4）在所述第一目标适应度值不小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期是耐盐高产品种。
具体地，在第一目标适应度值不小于第一预设阈值的情况下，可以确定待筛选作物在苗期是耐盐高产品种。
本发明提供的作物耐盐高产品种筛选方法，通过确定第一适应度值和响应面分析方法对待筛选作物在苗期进行初步筛选，在苗期不是耐盐高产品种的情况下，可以直接确定待筛选作物不是耐盐高产品种，提升了待筛选作物的筛选速度和筛选效率。
可选地，根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述生长期是否为耐盐高产品种，包括：
根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，采用上述适应度函数确定待筛选作物在生长期不同盐分浓度的生长环境中的第二适应度值；根据待筛选作物在生长期不同盐分浓度的生长环境中的第二适应度值，采用响应面分析方法确定待筛选作物在生长期对应的第二目标适应度值；将第二目标适应度值和第二预设阈值进行比较，在第二目标适应度值小于第二预设阈值的情况下，确定待筛选作物在生长期不是耐盐高产品种；在第二目标适应度值不小于第二预设阈值的情况下，确定待筛选作物在生长期是耐盐高产品种。
可选地，根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述成熟期是否为耐盐高产品种，包括：
根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，采用上述适应度函数确定待筛选作物在成熟期不同盐分浓度的生长环境中的第三适应度值；根据待筛选作物在成熟期不同盐分浓度的生长环境中的第三适应度值，采用响应面分析方法确定待筛选作物在成熟期对应的第三目标适应度值；将第三目标适应度值和第三预设阈值进行比较，在第三目标适应度值小于第三预设阈值的情况下，确定待筛选作物在成熟期不是耐盐高产品种；在第三目标适应度值不小于第三预设阈值的情况下，确定待筛选作物在生长期是耐盐高产品种。
例如，有10个待筛选玉米品种，步长为0.2ds/m，盐分电导率值范围为[0-10]ds/m，每个品种分别可以得到50个盐分浓度，即50种盐分浓度情景。通过划定生育期，如苗期（1-27天）、生长期（28-52-100天）、成熟期（100-120天），分别在苗期、生长期和成熟期，对每一个玉米品种采用主成分分析方法对不同盐分浓度的生长环境中的各第一生长指标进行降维处理，得到在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标；采用适应度函数确定该玉米品种在苗期不同盐分浓度的生长环境中的第一适应度值，再采用响应面分析方法确定第一目标适应度值，将第一目标适应度值和第一预设阈值进行比较，在第一目标适应度值小于第一预设阈值的情况下，确定该玉米品种在苗期不是耐盐高产品种；在第一目标适应度值不小于第一预设阈值的情况下，确定该玉米品种在苗期是耐盐高产品种。
在确定该玉米品种在苗期是耐盐高产品种的情况下，根据该玉米品种在生长期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用上述适应度函数确定该玉米品种在生长期每个盐分浓度对应的第二适应度值；根据该玉米品种在生长期不同盐分浓度的生长环境中的第二适应度值，采用响应面分析方法确定该玉米品种在生长期对应的第二目标适应度值；将第二目标适应度值和第二预设阈值进行比较，在第二目标适应度值小于第二预设阈值的情况下，确定该玉米品种在生长期不是耐盐高产品种；在第二目标适应度值不小于第二预设阈值的情况下，确定该玉米品种在生长期是耐盐高产品种。
在确定该玉米品种在生长期是耐盐高产品种的情况下，根据该玉米品种在成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用上述适应度函数确定该玉米品种在成熟期不同盐分浓度的生长环境中的第三适应度值；根据该玉米品种在成熟期不同盐分浓度的生长环境中的第三适应度值，采用响应面分析方法确定该玉米品种在成熟期对应的第三目标适应度值；将第三目标适应度值和第三预设阈值进行比较，在第三目标适应度值小于第三预设阈值的情况下，确定该玉米品种在成熟期不是耐盐高产品种；在第三目标适应度值不小于第三预设阈值的情况下，确定该玉米品种在生长期是耐盐高产品种。
图2是本发明提供的作物耐盐高产品种筛选方法的流程示意图之二，如图2所示，方法包括步骤201-步骤219；其中，
步骤201，获取待筛选作物在生育期每日的气象数据。
步骤202，确定每日作物生长与水盐响应模型中的多个初始盐分电导率值。
步骤203，确定待筛选作物在生育期每日不同盐分浓度的生长环境中分别对应的各第一生长指标。具体地，将气象数据输入至作物生长与水盐响应模型，作物生长与水盐响应模型对各初始盐分电导率值和气象数据进行拟合，得到待筛选作物在生育期每日不同盐分浓度的生长环境中分别对应的各第一生长指标。
步骤204，确定待筛选作物分别在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标。具体地，采用主成分分析方法依次对待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中分别对应的各第一生长指标进行降维处理，得到待筛选作物分别在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标。
步骤205，确定待筛选作物分别在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值。具体地，基于待筛选作物在所述生育期不同盐分浓度的生长环境中的各目标生长指标，分别确定待筛选作物分别在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值。
步骤206，确定待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值。具体地，根据待筛选作物在苗期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用适应度函数确定待筛选作物在苗期不同盐分浓度的生长环境中的第一适应度值。
步骤207，确定待筛选作物在苗期对应的第一目标适应度值。具体地，基于待筛选作物在苗期每个盐分浓度对应的第一适应度值，采用响应面分析方法确定待筛选作物在苗期对应的第一目标适应度值。
步骤208，判断第一目标适应度值是否小于第一预设阈值。在第一目标适应度值小于第一预设阈值的情况下，转至步骤219；在第一目标适应度值不小于第一预设阈值的情况下，转至步骤209。
步骤209，确定待筛选作物在苗期是耐盐高产品种。
步骤210，确定待筛选作物在生长期不同盐分浓度的生长环境中的第二适应度值。具体地，根据待筛选作物在生长期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用适应度函数确定待筛选作物在生长期不同盐分浓度的生长环境中的第二适应度值。
步骤211，确定待筛选作物在生长期对应的第二目标适应度值。具体地，基于待筛选作物在生长期不同盐分浓度的生长环境中的第二适应度值，采用响应面分析方法确定待筛选作物在生长期对应的第二目标适应度值。
步骤212，判断第二目标适应度值是否小于第二预设阈值。在第二目标适应度值小于第二预设阈值的情况下，转至步骤219；在第二目标适应度值不小于第二预设阈值的情况下，转至步骤213。
步骤213，确定待筛选作物在生长期是耐盐高产品种。
步骤214，确定待筛选作物在成熟期不同盐分浓度的生长环境中的第三适应度值。具体地，根据待筛选作物在成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值，采用适应度函数确定待筛选作物在成熟期不同盐分浓度的生长环境中的第三适应度值。
步骤215，确定待筛选作物在成熟期对应的第三目标适应度值。具体地，基于待筛选作物在成熟期不同盐分浓度的生长环境中的第三适应度值，采用响应面分析方法确定待筛选作物在成熟期对应的第三目标适应度值。
步骤216，判断第三目标适应度值是否小于第三预设阈值。在第三目标适应度值小于第三预设阈值的情况下，转至步骤219；在第三目标适应度值不小于第三预设阈值的情况下，转至步骤217。
步骤217，确定待筛选作物在成熟期是耐盐高产品种。
步骤218，确定待筛选作物是耐盐高产品种。
步骤219，确定待筛选作物不是耐盐高产品种。
图3是本发明提供的作物耐盐高产品种筛选方法的流程示意图之三，如图3所示，方法包括：
1、基于作物生长与水盐响应模型的多情景模拟。
步骤301，采用率定数据对作物生长与水盐响应模型进行率定，其中，率定数据包括气象数据、作物数据、土壤指标数据和灌溉量数据。具体地，将气象数据、作物数据、土壤指标数据和灌溉量数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的农田冠层水碳通量、作物植株蒸腾、土壤水分、土壤盐分EC值和地下水埋深等数据，再通过实际测得的农田冠层水碳通量、茎流计测得的作物植株蒸腾、以及土壤水盐传感器测得的农田各层土壤水分、土壤盐分EC值和地下水埋深等实测数据进行比较，从而不断调整作物生长与水盐响应模型的参数，直至作物生长与水盐响应模型输出的指标数据和实测数据匹配。再采用后一年的试验数据（气象数据、作物数据、土壤指标数据和灌溉量数据）对作物生长与水盐响应模型进行适用性的验证与评价，得到作物生长与水盐响应模型的参数取值。作物生长与水盐响应模型采用回归系数（b）、决定系数（R2）、均方根误差（Root MeanSquared Error，RMSE）和纳什效率系数（Nash-Sutcliffe Efficiency coefficient，NSE）等4个评价指标来评价模型的模拟精度，最终得到率定后的作物生长与水盐响应模型
步骤302，确定每日作物生长与水盐响应模型中的多个初始盐分电导率值。具体地，针对生育期的第一日，预先设置步长和盐分电导率值范围，确定第一日作物生长与水盐响应模型中的多个初始盐分EC值；针对生育期第一日之后的每日作物生长与水盐响应模型中的多个初始盐分电导率值，可以取前一日作物生长与水盐响应模型输出的多个盐分电导率值。
步骤303，将气象数据输入至作物生长与水盐响应模型，作物生长与水盐响应模型对各初始盐分EC值和气象数据进行拟合，得到待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标；其中，第一生长指标为土壤盐分EC值、农田生态系统净生产力NEP、作物实际耗水量ET、冠层导度gc、土壤含水量SWC、地下水埋深WTD、农田水分利用效率WUE。
步骤304，采用主成分分析方法依次对待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中分别对应的各第一生长指标进行降维处理，得到待筛选作物分别在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标；其中，目标生长指标为土壤盐分EC值、农田生态系统净生产力NEP、作物实际耗水量ET、冠层导度gc。
2、适应度函数的建立。
步骤305，采用效果更好的线性关系进行适应度函数的描述，例如，适应度函数表示为：f=aNEP+bg c +cET+dEC，其中，a、b、c和d均表示权重，该权重是通过选用客观赋权法中的变异系数法确定的，满足a+b+c+d=1。根据待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中的各目标生长指标的指标值，依次采用适应度函数可以计算待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中的适应度值。
3、响应面分析
步骤306，以盐分EC、NEP和ET作为变量，适应度值f作为响应量，通过统计分析系统（Statistical Analysis System，SAS）软件中响应面回归分析（RSREG）程序，对待筛选作物在苗期、生长期和成熟期不同盐分浓度的生长环境中的适应度值进行响应面分析，生成的响应面顶点即为待筛选作物在苗期、生长期和成熟期对应的目标适应度值，即最大适应度值。
步骤307，待筛选作物在苗期、生长期和成熟期对应的目标适应度值，逐步分别判断待筛选作物在苗期、生长期和成熟期是否为耐盐高产品种，进而确定待筛选作物是否为耐盐高产品种。
下面对本发明提供的作物耐盐高产品种筛选装置进行描述，下文描述的作物耐盐高产品种筛选装置与上文描述的作物耐盐高产品种筛选方法可相互对应参照。
图4是本发明提供的作物耐盐高产品种筛选装置的结构示意图，如图4所示，作物耐盐高产品种筛选装置400包括：获取模块401、第一确定模块402、第二确定模块403和筛选模块404；其中，
获取模块401，用于获取待筛选作物在生育期每日的气象数据；
第一确定模块402，用于将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；
第二确定模块403，用于基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；
筛选模块404，用于基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
本发明提供的作物耐盐高产品种筛选装置，通过获取待筛选作物在生育期每日的气象数据；将气象数据输入至作物生长与水盐响应模型，得到作物生长与水盐响应模型输出的待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；作物生长与水盐响应模型用于确定待筛选作物在生长过程中的各生长指标；基于待筛选作物在不同盐分浓度的生长环境中分别对应的各第一生长指标，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标；基于待筛选作物在生育期不同盐分浓度的生长环境中的各目标生长指标，对待筛选作物进行动态耐盐高产品种筛选。通过将获取的待筛选作物在生育期每日的气象数据输入至作物生长与水盐响应模型，确定待筛选作物在不同盐分浓度的生长环境中，再对多个第一生长指标进行筛选，确定待筛选作物在生育期不同盐分浓度的生长环境中的多个目标生长指标，进而实现对待筛选作物进行动态耐盐高产品种筛选，筛选周期短，筛选效率高且环境适应性高。
可选地，所述第一确定模块402，具体用于：
确定每日所述作物生长与水盐响应模型中的多个初始盐分电导率值；
将所述气象数据输入至所述作物生长与水盐响应模型，所述作物生长与水盐响应模型对各所述初始盐分电导率值和所述气象数据进行拟合，得到所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标。
可选地，所述生育期包括苗期、生长期和成熟期；所述筛选模块404，具体用于：
基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，分别确定所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值；
根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选。
可选地，所述筛选模块404，还用于：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种；
在确定所述待筛选作物在所述苗期是耐盐高产品种的情况下，根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述生长期是否为耐盐高产品种；
在确定所述待筛选作物在所述生长期是耐盐高产品种的情况下，根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述成熟期是否为耐盐高产品种；
在所述待筛选作物在所述成熟期为耐盐高产品种的情况下，确定所述待筛选作物为耐盐高产品种。
可选地，所述筛选模块404，还用于：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期不同盐分浓度的生长环境中的第一适应度值；
基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种。
可选地，所述筛选模块404，还用于：
基于各所述第一适应度值，采用响应面分析方法确定所述待筛选作物在所述苗期对应的第一目标适应度值；
将所述第一目标适应度值和第一预设阈值进行比较；
在所述第一目标适应度值小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期不是耐盐高产品种；
在所述第一目标适应度值不小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期是耐盐高产品种。
可选地，所述第二确定模块403，具体用于：
采用主成分分析方法依次对所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述第一生长指标进行降维处理，得到所述待筛选作物分别在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述目标生长指标。
图5是本发明提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行作物耐盐高产品种筛选方法，该方法包括：获取待筛选作物在生育期每日的气象数据；将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的作物耐盐高产品种筛选方法，该方法包括：获取待筛选作物在生育期每日的气象数据；将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种作物耐盐高产品种筛选方法，其特征在于，包括：
获取待筛选作物在生育期每日的气象数据；
将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；
基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；
基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选；
所述将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标，包括：
确定每日所述作物生长与水盐响应模型中的多个初始盐分电导率值；
将所述气象数据输入至所述作物生长与水盐响应模型，所述作物生长与水盐响应模型对各所述初始盐分电导率值和所述气象数据进行拟合，得到所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标。
2.根据权利要求1所述的作物耐盐高产品种筛选方法，其特征在于，所述生育期包括苗期、生长期和成熟期；
所述基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选，包括：
基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，分别确定所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值；
根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选。
3.根据权利要求2所述的作物耐盐高产品种筛选方法，其特征在于，所述根据所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，对所述待筛选作物进行动态耐盐高产品种筛选，包括：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种；
在确定所述待筛选作物在所述苗期是耐盐高产品种的情况下，根据所述待筛选作物在所述生长期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述生长期是否为耐盐高产品种；
在确定所述待筛选作物在所述生长期是耐盐高产品种的情况下，根据所述待筛选作物在所述成熟期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述成熟期是否为耐盐高产品种；
在所述待筛选作物在所述成熟期为耐盐高产品种的情况下，确定所述待筛选作物为耐盐高产品种。
4.根据权利要求3所述的作物耐盐高产品种筛选方法，其特征在于，所述根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
根据所述待筛选作物在所述苗期不同盐分浓度的生长环境中的各所述目标生长指标的指标值，确定所述待筛选作物在所述苗期不同盐分浓度的生长环境中的第一适应度值；
基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种。
5.根据权利要求4所述的作物耐盐高产品种筛选方法，其特征在于，所述基于各所述第一适应度值，确定所述待筛选作物在所述苗期是否为耐盐高产品种，包括：
基于各所述第一适应度值，采用响应面分析方法确定所述待筛选作物在所述苗期对应的第一目标适应度值；
将所述第一目标适应度值和第一预设阈值进行比较；
在所述第一目标适应度值小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期不是耐盐高产品种；
在所述第一目标适应度值不小于所述第一预设阈值的情况下，确定所述待筛选作物在所述苗期是耐盐高产品种。
6.根据权利要求2所述的作物耐盐高产品种筛选方法，其特征在于，所述基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标，包括：
采用主成分分析方法依次对所述待筛选作物在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述第一生长指标进行降维处理，得到所述待筛选作物分别在所述苗期、所述生长期和所述成熟期不同盐分浓度的生长环境中分别对应的各所述目标生长指标。
7.一种作物耐盐高产品种筛选装置，其特征在于，包括：
获取模块，用于获取待筛选作物在生育期每日的气象数据；
第一确定模块，用于将所述气象数据输入至作物生长与水盐响应模型，得到所述作物生长与水盐响应模型输出的所述待筛选作物在不同盐分浓度的生长环境中分别对应的多个第一生长指标；所述作物生长与水盐响应模型用于确定所述待筛选作物在生长过程中的各所述生长指标；
第二确定模块，用于基于所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标，确定所述待筛选作物在所述生育期不同盐分浓度的生长环境中的多个目标生长指标；
筛选模块，用于基于所述待筛选作物在所述生育期不同盐分浓度的生长环境中的各所述目标生长指标，对所述待筛选作物进行动态耐盐高产品种筛选；
所述第一确定模块，具体用于：
确定每日所述作物生长与水盐响应模型中的多个初始盐分电导率值；
将所述气象数据输入至所述作物生长与水盐响应模型，所述作物生长与水盐响应模型对各所述初始盐分电导率值和所述气象数据进行拟合，得到所述待筛选作物在不同盐分浓度的生长环境中分别对应的各所述第一生长指标。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述作物耐盐高产品种筛选方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作物耐盐高产品种筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311510312.2A CN117235322B (zh) | 2023-11-14 | 2023-11-14 | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311510312.2A CN117235322B (zh) | 2023-11-14 | 2023-11-14 | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235322A CN117235322A (zh) | 2023-12-15 |
| CN117235322B true CN117235322B (zh) | 2024-02-02 |
Family
ID=89093329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311510312.2A Active CN117235322B (zh) | 2023-11-14 | 2023-11-14 | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235322B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106508459A (zh) * | 2016-12-07 | 2017-03-22 | 浙江省农业科学院 | 一种作物全生育期耐盐性筛选与鉴定方法 |
| WO2018151196A1 (ja) * | 2017-02-16 | 2018-08-23 | Ｎｅｃソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
| CN112514793A (zh) * | 2020-12-21 | 2021-03-19 | 扬州大学 | 一种耐盐性水稻品种的筛选方法 |
| CN113748787A (zh) * | 2021-09-10 | 2021-12-07 | 海南浙江大学研究院 | 一种发芽期耐盐或盐敏感水稻种子的筛选方法 |
| CN116090914A (zh) * | 2023-02-01 | 2023-05-09 | 中国水利水电科学研究院 | 微咸水用于农业灌溉的矿化度安全阈值识别方法及系统 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
-
2023
- 2023-11-14 CN CN202311510312.2A patent/CN117235322B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106508459A (zh) * | 2016-12-07 | 2017-03-22 | 浙江省农业科学院 | 一种作物全生育期耐盐性筛选与鉴定方法 |
| WO2018151196A1 (ja) * | 2017-02-16 | 2018-08-23 | Ｎｅｃソリューションイノベータ株式会社 | 作物生育の推定装置、作物生育の推定方法、プログラム、および記録媒体 |
| CN112514793A (zh) * | 2020-12-21 | 2021-03-19 | 扬州大学 | 一种耐盐性水稻品种的筛选方法 |
| CN113748787A (zh) * | 2021-09-10 | 2021-12-07 | 海南浙江大学研究院 | 一种发芽期耐盐或盐敏感水稻种子的筛选方法 |
| WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
| CN116090914A (zh) * | 2023-02-01 | 2023-05-09 | 中国水利水电科学研究院 | 微咸水用于农业灌溉的矿化度安全阈值识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于SWAP模型同化遥感数据的黑龙江南部春玉米产量监测;王利民;姚保民;刘佳;杨玲波;杨福刚;;农业工程学报(22);293-303 * |
| 紫花苜蓿苗期耐盐指标筛选及耐盐性综合评价;田小霞;毛培春;李杉杉;郭强;孙建明;张琳;孟林;;草地学报(第03期);104-112 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235322A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hoogenboom et al. | The DSSAT crop modeling ecosystem | |
| Adhikari et al. | Simulating future climate change impacts on seed cotton yield in the Texas High Plains using the CSM-CROPGRO-Cotton model | |
| Bouman et al. | Description and evaluation of the rice growth model ORYZA2000 under nitrogen-limited conditions | |
| CN116485040B (zh) | 种子活力预测方法、系统、电子设备及存储介质 | |
| CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
| Radanielson et al. | Varietal improvement options for higher rice productivity in salt affected areas using crop modelling | |
| CN114128608A (zh) | 一种果园灌溉管理方法及系统 | |
| Santos et al. | Path analysis of phenotypic traits in young cacao plants under drought conditions | |
| Moreno-Cadena et al. | Importance of genetic parameters and uncertainty of MANIHOT, a new mechanistic cassava simulation model | |
| Poulton et al. | Applying simulation to improve rice varieties in reducing the on-farm yield gap in Cambodian lowland rice ecosystems | |
| Himanshu et al. | Evaluation of growth-stage-based variable deficit irrigation strategies for cotton production in the Texas High Plains | |
| Liu et al. | Influences of agricultural phenology dynamic on land surface biophysical process and climate feedback | |
| US11864552B2 (en) | Digital detection method and system for predicting drug resistance of transgenic maize | |
| CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| CN116704356B (zh) | 基于卷积神经网络的玉米耐盐碱鉴定方法及系统 | |
| Casanova et al. | Testing the performance of ORYZA1, an explanatory model for rice growth simulation, for Mediterranean conditions | |
| Sailaja et al. | Validation of Oryza2000 model under combined nitrogen and water limited situations | |
| 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 | |
| Hoang et al. | A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta | |
| Branch | Validation of the Ceres-Wheat for prediction of wheat varieties in irrigation and terminal drought stress | |
| Sun et al. | Combining functional physiological phenotyping and simulation model to estimate dynamic water use efficiency and infer transpiration sensitivity traits | |
| Linkevičius et al. | Generic applicability of non-destructive biomass yield models for willow short rotation coppice: A case study for Germany and Lithuania | |
| Berghuijs et al. | Catching-up with genetic progress: Simulation of potential production for modern wheat cultivars in the Netherlands | |
| Tanno | Analysis of changes in topdressing application effect on rice by NDVI using hierarchical Bayesian model | |
| Amiri et al. | Comparison of the AquaCrop and CERES‐Maize models for simulating maize phenology, grain yield, evapotranspiration and water productivity under different irrigation and nitrogen levels |
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 |