CN108763634A - 夏玉米机械粒收时机监测模型的构建方法及应用 - Google Patents
夏玉米机械粒收时机监测模型的构建方法及应用 Download PDFInfo
- Publication number
- CN108763634A CN108763634A CN201810348769.0A CN201810348769A CN108763634A CN 108763634 A CN108763634 A CN 108763634A CN 201810348769 A CN201810348769 A CN 201810348769A CN 108763634 A CN108763634 A CN 108763634A
- Authority
- CN
- China
- Prior art keywords
- corn
- time
- grain
- accumulated
- sunshine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 161
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 161
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 151
- 235000005822 corn Nutrition 0.000 title claims abstract description 151
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 230000036512 infertility Effects 0.000 claims abstract description 20
- 208000000509 infertility Diseases 0.000 claims abstract description 20
- 231100000535 infertility Toxicity 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 235000013339 cereals Nutrition 0.000 claims description 84
- 238000000034 method Methods 0.000 claims description 23
- 238000003306 harvesting Methods 0.000 claims description 22
- 239000008267 milk Substances 0.000 claims description 13
- 210000004080 milk Anatomy 0.000 claims description 13
- 235000013336 milk Nutrition 0.000 claims description 13
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 10
- 235000009973 maize Nutrition 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 239000010977 jade Substances 0.000 claims description 9
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 208000003643 Callosities Diseases 0.000 claims description 3
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims 1
- 238000009395 breeding Methods 0.000 claims 1
- 230000001488 breeding effect Effects 0.000 claims 1
- 230000001066 destructive effect Effects 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000018044 dehydration Effects 0.000 description 3
- 238000006297 dehydration reaction Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 239000003181 biological factor Substances 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101100390768 Neisseria gonorrhoeae (strain ATCC 700825 / FA 1090) fitA gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种夏玉米机械粒收时机监测模型的构建方法及应用，旨在解决现有技术中测量玉米籽粒含水量时工作量大、劳动强度高、破坏性大的问题。构建该模型时首先选择夏玉米种植区，并根据当地农业气象站获得玉米全生育期的积温和乳熟后累积日照时数；然后测量玉米籽粒后期的含水量，通过拟合分析，分别建立积温和日照时数与玉米籽粒含水量间的拟合方程，并通过相关性分析，获得适宜粒收的光温指标，作为实时监测夏玉米粒收的监测模型。应用该模型时，只需要根据当地气象站观测的数据，获取玉米全生育期的积温及乳熟后累积的日照时数，并与模型中的光温指标进行对比，从而快速的监测适宜粒收的时机，劳动强度小、工作效率高。
Description
技术领域
本发明涉及玉米机械粒收技术领域，具体涉及一种夏玉米机械粒收时机监测模型的构建方法及应用。
背景技术
玉米作为我国粮食增产的主力军，种植面积已经超过5亿亩，成为面积最大、总产量最多的作物。针对劳动力成本高，玉米市场竞争力差的问题，传统玉米生产方式已经不能适应当前产业发展要求，而面向市场，建立与之相适应的以全程机械化为显著特征的现代玉米生产技术体系是解决这些问题的必然选择。美国等西方国家早在20世纪60年代前后相继实现了全面机械化，其中，50年代玉米收获作业以机械穗收为主，70年代已全面采用大型联合收获机进行田间直接脱粒收获。近年来，我国玉米生产的机械化水平提高较快，机械播种率达80%，但机械收获率仍处于较低水平，且以摘穗为主，直接粒收的比例不足5%，主要分布在新疆、黑龙江和内蒙古东北部玉米产区。因此，籽粒田间机械直接收获是今后我国玉米生产发展的方向。
籽粒破碎率、杂质率和田间损失率是评价玉米机械粒收质量的主要指标。国内外研究都表明，籽粒含水率显著影响籽粒收获质量，且随着含水率越高，籽粒的破碎率就越大。所以收获时籽粒含水率是影响夏玉米机械粒收质量的关键因素。而我国玉米粒收时由于含水率偏高所造成的高破碎率是当前我国玉米机械粒收存在的主要质量问题。因此，玉米机械收获，特别是粒收水平低是制约我国玉米全程机械化的瓶颈。
但是黄淮海区域小麦/玉米一年两作，玉米生长受到光热资源、种植制度、品种特性、收获习惯等的影响，目前玉米收获时籽粒含水率大都在30%以上，有些品种甚至超过40%；而含水率高直接影响机械粒收质量和粒收技术的推广应用。
因此，亟需提供一种能够实时监测玉米适宜机械粒收的时机的方法，以降低粒收对玉米产量和质量的影响，实现玉米高产高效协同发展，提高玉米产业竞争力。
发明内容
本发明提供了一种夏玉米机械粒收时机监测模型的构建方法及\应用，旨在通过测量玉米全生育期内的积温，以及乳熟后累积光照时数间接的测定籽粒含水率，进而提高玉米粒收水平和质量。
由于玉米籽粒收获时的含水率是影响玉米粒收质量的重要因素。而现有技术中，在玉米粒收之前通常采用脱粒、破粒，测量其含水量，以确定是否适宜粒收。由于随机挑选玉米穗才能提高测量结果的参考价值，但实际玉米生产中，玉米种植区域往往较大，需要挑选多个分块、对多个玉米穗进行测量，并且很难只经过一次测量就能确定适宜粒收的时间。因此，这种测量方式工作量大、劳动强度高，测量过程中对玉米植株产生的破坏性大，使得测量难度大大提高。除此之外，测量后的破碎籽粒往往随意丢弃，造成资源浪费，这也将在一定程度上减少玉米产量，降低经济效益，限制了我国玉米机械粒收技术的发展和应用。
发明人研究发现玉米籽粒脱水是个比较复杂的生理生化问题。首先，与玉米品种的自身生物学特征及生理特性有关，其次是受环境条件的影响。生理成熟后，籽粒的自然脱水速率与灌浆速率呈显著正相关，即灌浆历时越短，后期籽粒脱水越快；灌浆历时长，则籽粒脱水慢。玉米籽粒灌浆速率主要受自身遗传特性的影响，但低温延会长籽粒灌浆期，高温缩短籽粒灌浆期，当日平均气温由25℃增加到32℃时，随日均温增高，籽粒灌浆速率加快，有效灌浆期缩短，以利于籽粒快速脱水。
基于上述研究发现，发明人另辟蹊径，不再只局限于直接测量玉米籽粒含水量，以判定玉米是否适宜粒收，而是转向了判定籽粒含水量的其它指标的创新，并经过创新性的尝试和和长期的研究、实践，最终筛选出一种效果显著的设计方案，并产生了预料不到的珍贵、有价值的技术效果。
为实现上述目的，本发明创造性的设计了如下技术方案：
设计一种夏玉米机械粒收时机监测模型的构建方法，包括以下步骤，
首先，选择夏玉米种植区及对应的玉米品种，并按照常规方法分区域种植玉米，待玉米长至开花期，统一授粉，其余管理方法皆与常规大田种植相同；
其次，自玉米籽粒乳线占籽粒一半至玉米收获期间内，每隔3～5d测量一次玉米籽粒含水量，并根据当地地面气象观测站的实测数据，同步记录播种以来的全生育期积温和乳熟后累积的日照时数；
测量籽粒含水量时，每次随机选取至少2个玉米穗，将籽粒分上、中、下三部分分别测量，并做3次重复测量，以每次测量的平均值作为籽粒含水量；
最后，将所述积温或日照时数与玉米籽粒含水量进行二次多项式拟合分析，建立积温或日照时数与玉米籽粒含水量间的拟合模型：y=a×x2+b×x+c，其中x为玉米籽粒含水量，y为玉米籽粒全生育期内的积温或自进入乳熟期后累积的日照时数，a、b、c为相应的可拟合求解出的系数。
由于玉米籽粒含水率在一定程度上受品种特性的影响，本发明选用了以下具有代表性的玉米品种进行试验：德单5号、登海605、登海662、武科2号、新单26、新单61、新单66、新单80、登海3号、登海518、登海618、登海701、浚单20、浚单29、隆平206、伟科702、先玉335、新单38、新单65、新单68、新单82、益丰29、豫禾988、郑单958，不仅适用品种范围广，还能够筛选出适合机械粒收的品种，从本质上改善我国玉米产量和质量。
该模型的构建产生了以下积极的技术效果：
（1）无需直接测量玉米籽粒含水量，而是基于地面气象站的统计数据获取玉米全生育期内的积温和乳熟后累积的日照时数，并与测量所得的玉米籽粒含水量分别拟合方程，进而建立了拟合效果好、精度高的监测模型；由于该模型适用于黄淮海玉米种植区内绝大部分的玉米品种，是在大范围的玉米品种的基础上建立的，因而具有普适性好、科学性强的优点，对指导实现玉米籽粒机收，提高生产效率具有十分重要的意义；
（2）该模型以玉米全生育期内的积温和乳熟后累积的日照时数反演玉米籽粒含水量，无需破坏玉米籽粒即可实时监测玉米籽粒的含水量情况，为玉米粒收的时间监测提供了一种新的思路和指导，意义明确，思路新颖，促进我国玉米机械化粒收技术的推广和应用。
本发明还公开了一种利用上述构建的监测模型监测夏玉米粒收时机的方法，包括以下步骤，
（1）以籽粒含水量为28%作为适宜粒收时籽粒含水量的最高阈值，将其带入上述构建的监测模型中，获得适宜机械粒收时全生育期积温指标A 0 或自进入乳熟期后累积的日照指标B 0 ；
（2）确定待测玉米种植区，根据待测区内当季地面气象观测站实测数据资料获取待测区域内截至当前的玉米生育期的积温A x 或自玉米乳熟期至当前累积的日照时数B x ；
（3）根据步骤（2）获得的积温A x 或日照时数B x 与步骤（1）获得的适宜粒收的积温指标A 0 或日照指标B 0 进行对比，当A x ≥A 0 ，或B x ≥B 0 时，对应达到A x 或B x 的日期即为适宜玉米机械粒收的日期，由此可以快速的监测出夏玉米粒收是否适合粒收，明显的降低了成本。
优选的，本发明适用的区域为黄淮海夏玉米种植区。综合考虑该区域的地理、气候、种植习惯等因素，在步骤（1）中，所述全生育期积温指标A 0 为2941～3074℃d，或所述乳熟后累积后的日照指标B 0 为179～221h。
与现有技术相比，利用上述模型监测玉米适宜粒收的方法获得了以下有益技术效果：
（1）本发明操作简单，只需根据当地气象站的观测数据即可获得待测区域内玉米籽粒的含水量情况，即可实时监测出待测区内玉米是否适宜田间粒收。该方法操作简单，有效的解决了现有技术中直接测量玉米籽粒含水量时工作劳动强度大、破坏性强，测量不便、资源浪费的问题，本发明工作效率高，适用于监测多类品种玉米的机械粒收。
（2）利用该方法不仅可以实时监测玉米籽粒含水量，掌握种植区玉米是否适宜粒收，还可以筛选出更为适于机械化生产的玉米优良品种，实现我国玉米高产高效协同发展，提高玉米生产竞争力。
本发明还公开了一种筛选适于机械粒收的夏玉米种植品种的方法，包括如下步骤：
（1）在待种植区域按上述方法构建出待筛选品种的监测模型；
（2）以籽粒含水量为28%作为适宜粒收时籽粒含水量的最高阈值，带入所构建的监测模型中，获得该品种适宜机械粒收时全生育期积温指标A 1 或乳熟期后累积的日照指标B 1 ；
（3）获取该待种植区域内地面气象观测站统计的当地传统夏玉米种植季内的历史平均积温A 2 ，或获取自该玉米品种乳熟后至当地最晚收获日期间累积的历史平均日照时数B 2 ；
（4）若A 1 ≤A 2 ，或B 1 ≤B 2 时对应的玉米品种即为适宜机械粒收的玉米品种。
优选的，对于黄淮海夏玉米种植区，较适于机械粒收的玉米品种为新单65、新单68、登海618、新单38、隆平206、登海3号、先玉335和/或新单80。
由该方法可以简单有效的筛选出适宜黄淮海地区适宜粒收的夏玉米品种，解决影响我国夏玉米机械粒收的生物学因素，即玉米品种遗传因素所导致的生物学特征及生理特性，促进我国玉米机械化生产技术的发展和应用，有助于我国夏玉米机械粒收质量的提高和普及。
附图说明
图1为本发明部分品种籽粒含水量动态变化，图中2015a表示2015年度生长季，2016a表示2016年度生长季。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。在以下实施例中所涉及的仪器设备如无特别说明，均为常规仪器设备；所涉及的测试方法，如无特别说明，均为常规方法。
实施例一：通过以下实施例详细的本发明构建黄淮海地区夏玉米机械粒收时机的监测模型，详细试验过程如下：
1.选择试验时间和区域
该试验周期为2015-2016年连续两个生长季，在河南省鹤壁市农业试验基地（114.32E,35.72N）中进行。试验地前茬为冬小麦，土壤类型为黄棕壤，0～20 cm土壤含有机质10.6 gkg-1、全氮 1.09 g kg-1、碱解氮 76.8 mg kg-1、速效磷 31.6 mg kg-1、速效钾79.5 mg kg-1。将该试验基地分成大小、土壤肥力情况接近相同的C、D两区。
2.试验品种：每年度选用17个玉米品种，其中有10个共同品种，两年共计24个品种，品种熟性为中熟，根据品种审定结果夏播发育期在96～102 d范围，具体参见表1。C、D两区试验基地上每年种植品种完全相同。
表1 供试品种
3.品种种植与管理（C、D两区实验基地相同）
各品种试验小区面积6m×8m，间隔1m。播种期与当地大田保持一致，播前根据土壤湿度进行适当灌溉保证全苗。播种时底施氮磷钾（28-6-6）复合肥750kg ·hm-2。三叶期定苗，密度为67500株·hm-2，开花期统一授粉，其余管理方法与当地大田相同。2015年5月30日播种，8月24日前后进入乳熟期，9月28日进入成熟期；2016年6月11日播种，8月26日前后进入乳熟期，9月24日进入成熟期。
4.获取数据
（1）测量C区籽粒含水量，并同步获得日照时数
自乳线占籽粒一半至玉米收获期间内，所有品种每隔3天取样一次，连续取样4～5次，每次随机选取2穗玉米，每次取样分3个重复，将籽粒分上、中、下三部分籽粒分别测定，求平均值作为籽粒含水量，获取自乳熟至收获期内的籽粒含水量，与此同时，根据鹤壁市当地的气象站站的统计数据同步记录每次测定籽粒含水量时对应的累积日照时数。2015年自9月23日开始连续取样测定5次，2016年自9月18日开始连续取样测定4次，如最后一次取样后部分品种含水量仍大于28%，再补取一次，其余测试过程以及日照时数的获取皆与2015年相同。
将测得籽粒含水量的数据应用 SPSS 17.0软件进行方差分析, 利用 MicrosoftExcel 2010 作图，两年度的数据进行t检验比较, 采用Duncan’s 检验进行处理间多重比较。
（2）测量D区玉米籽粒含水量，并同步获取积温数据
自乳线占籽粒一半至玉米收获期间内，所有品种每隔3天取样一次，连续取样5次，每次随机选取2穗玉米，每次取样分3个重复，将籽粒分上、中、下三部分籽粒分别测定，求平均值作为籽粒含水量，获取自乳熟至收获期内的籽粒含水量，与此同时，根据鹤壁市当地的气象站站的统计数据同步记录每次测定籽粒含水量时对应的全生育期积温。2015年自9月23日开始连续取样测定5次，2016年自9月18日开始连续取样测定4次，如最后一次取样后部分品种含水量仍大于28%，再补取一次，其余测试过程以及日照时数的获取皆与2015年相同。
同样，将测量的籽粒含水量数据应用SPSS 17.0软件进行方差分析, 利用Microsoft Excel 2010 作图，两年度的数据进行t检验比较, 采用Duncan’s 检验进行处理间多重比较。
5.分析玉米籽粒含水量的变化
（1）不同部位籽粒含水量动态变化
图1为D区部分品种自理含水量的测定结果。对C、D两区所有品种上、中、下三部分籽粒含水量的动态变化进行分析，除新单38外，籽粒含水量表现趋势为上部<中部<下部，新单38号是下部的籽粒含水量较低。先玉335、登海701、德单5号和新单61几个品种（图略）上、中、下三个部分的籽粒含水量差别较大，其他品种不同部位的籽粒含水量变化差异不明显，如郑单958和新单65。
（2）不同品种后期籽粒含水量比较
以最后一次全部测定籽粒含水量为依据，比较C、D两区各个品种后期籽粒含水量变化，如表2所示。2015年所有供试品种中，后期籽粒含水量登海605、德单5号较高，郑单958、登海701、新单38、先玉335和新单80籽粒含水量较低。2016年浚单20、郑单958、豫禾988、德单5号和浚单29籽粒含水量较高，新单65和新单68的籽粒含水量显著低于其他品种。表2中仅给出了C区籽粒含水量的分析结果。
6.构建模型
（1）利用统计学原理，将2015-2016连续两个生长季（试验周期）内不同品种玉米全生育期内积温与籽粒含水量作二次多项式拟合分析，并绘制散点图，建立相应的积温指标拟合方程，如表3所示；以同样的方法，建立自乳熟期后累积的日照时数与玉米籽粒含水量间相应的日照指标拟合方程，见表4。
分析表3可知，不同品种各阶段玉米籽粒含水量变化与积温有显著的相关性，积温值越高，籽粒含水量越低，即籽粒含水量随着发育进程的推进不断降低，各品种的拟合方程均通过了0.01的显著性检验，拟合效果很好。
表4中除登海518和武科2号两个品种通过0.05的显著性检验外，其他品种均达到0.01的极显著水平，二次多项式方程的拟合效果很好。
（2）模型的应用
其一：利用上述监测模型监测夏玉米粒收时机，具体为：
1）通过文献查阅等方式及相关经验，确定以籽粒含水量低于28%为适宜机收的指标，以此作为阈值分别代入上述构建测积温监测模型和光照监测模型，获得试验周期内不同品种籽粒含水量达到28%时的光温阈值，并作为理论上适宜粒收的全生育期积温指标A 0 和自乳熟期后累积的日照指标B 0 ，详见表5。
2）在试验区玉米成熟后，根据鹤壁市当季地面气象观测站统计的数据资料，获取该区域内播种至当前的玉米生育期的积温A x 或自乳熟期至当前累积的日照时数B x ；
3）将A x 、B x 分别与A 0 、B 0 进行比较，当首次满足A x ≥A 0 ，或B x ≥B 0 时对应达到A x 或B x 的日期即为适宜玉米机械粒收的日期。
表5中，不同品种籽粒含水量达到28%时所需的积温指标2941～3147 ℃d范围内变化。其中，新单65达到籽粒机收指标所需积温最少，益丰29所需积温最多。各品种达到适宜籽粒机收标准时所需日照时数为乳熟期后累积179～235h。其中，新单65达到籽粒机收标准时所需日照时数最少，登海605所需日照时数最多。约有58%的品种光照指标集中在220～230h范围，表明各品种光照指标的差异较小。其中新单65达到适宜机收标准时所需日照时数最少，新单68、登海618、新单38、隆平206、登海3号、先玉335和新单80几个品种所需的日照时数也较少，在220 h以下，登海662、新单66和登海605所需光照条件较多。
将表5中的光照指标与积温指标进行比较发现，在脱水速率较快的前10个品种中，有8个品种重复出现，分别为新单65、新单68、登海618、新单38、隆平206、登海3号、先玉335和新单80。在脱水速率较慢的10个品种中也有8个品种重复出现，分别为豫禾988、郑单958、登海662、登海518、新单66 、登海605 、德单5号和益丰29。
因此，日照指标与积温指标品种排序趋势较一致，即：日照指标、积温指标作为监测玉米粒收时机的两个并列的监测指标，其监测结果具有较好的一致性。因此，二者可分别或共同作为监测黄淮海夏玉米种植区适宜粒收的指标。
但，由于累积的日照时数越长，玉米籽粒含水量越少；玉米全生育期内的积温越高，玉米籽粒含水量也越少。因此，考虑到该地气候、收获时间、下茬作物的种植时机等因素，在满足籽粒含水量为28%时所对应的日照指标或积温指标的前提下，选取累积日照时数最短或全生育期内积温最少的指标作为适宜粒收的指标，具体为播种期到收获期的积温指标A 0 为2941～3074℃d，或自乳熟期至收获期的日照指标B 0 为179～221h。
因此，可以根据当地地面气象观测站实测的数据资料获得玉米全生育期的积温及乳熟后日照时数，并将该数据直接与上述适宜机械粒收的光温指标进行对比，实时监测待测区玉米是否适宜粒收，明显减少了工作量和工作强度，大大提高了工作效率，同时也为我国玉米机械化生产提供了科学的技术指导。
其二：筛选适宜粒收的夏玉米种植品种，具体方法如下：
首先，在待种植区域按照实施例1中的方法构建出待筛选品种的监测模型；
其次，以籽粒含水量为28%作为适宜粒收时籽粒含水量的最高阈值，带入上步构建的监测模型中，获得该品种适宜机械粒收时全生育期积温指标A 1 或乳熟期后累积的日照指标B 1 ；
再次，获取该待种植区域内农业气象监测站统计的当地传统夏玉米种植季期内的历史平均积温A 2 ，或获取自该玉米品种乳熟后至当地最晚收获日期间累积的历史平均日照时数B 2 ；
最后，将A 1 、A 2 ，B 1 、B 2 进行对比，若A 1 ≤A 2 ，或B 1 ≤B 2 时所对应的玉米品种即为适宜机械粒收的玉米品种。该方法可以简单有效的筛选出适宜黄淮海地区适宜粒收的夏玉米品种，解决影响我国夏玉米机械粒收的生物学因素，即玉米品种遗传因素所导致的生物学特征及生理特性，促进我国玉米机械化生产技术的推广应用，提高我国夏玉米粒收质量。
上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。
Claims (8)
1.一种夏玉米机械粒收时机监测模型的构建方法，包括以下步骤，
第一步，选择夏玉米种植区及对应的玉米品种，并按照常规方法分区域种植玉米，待玉米长至开花期，统一授粉，其余管理方法皆与常规大田种植相同；
第二步，自玉米籽粒乳线占籽粒一半至玉米收获期间内，每隔3～5d测量一次玉米籽粒含水量，并同步记录累积的日照时数；
或在玉米全生育期内，根据当地农业气象监测站的统计数据，每隔3～5d记录玉米对应生育期的积温，并同步测量玉米的籽粒含水量；
第三步，将所述积温或日照时数与玉米籽粒含水量进行二次多项式拟合分析，建立积温或日照时数与玉米籽粒含水量间的拟合模型：y=a×x2+b×x+c，其中x为玉米籽粒含水量，y为玉米籽粒全生育期内的积温或自进入乳熟期后累积的日照时数，a、b、c为相应的系数。
2.根据权利要求1所述的夏玉米机械粒收时机监测模型的构建方法，其特征在于，所选玉米品种为德单5号、登海605、登海662、武科2号、新单26、新单61、新单66、新单80、登海3号、登海518、登海618、登海701、浚单20、浚单29、隆平206、伟科702、先玉335、新单38、新单65、新单68、新单82、益丰29、豫禾988、郑单958中的至少一种。
3.根据权利要求1所述的夏玉米机械粒收时机监测模型的构建方法，其特征在于，在第二步中，每次随机选取至少2个玉米穗，将籽粒分上、中、下三部分分别测量，并重复测量，以每次测量的平均值作为籽粒含水量。
4.一种夏玉米机械粒收时机的监测方法，包括如下步骤：
（1）以籽粒含水量为28%作为适宜粒收时籽粒含水量的最高阈值，将其带入权利要求1所构建的监测模型中，获得适宜机械粒收时全生育期积温指标A 0 或自进入乳熟期后累积的日照指标B 0 ；
（2）确定待测玉米种植区，在玉米成熟后期根据待测区内当季农业气象监测站统计的数据资料获取待测区域内截止当前的玉米生育期的积温A x 或自玉米乳熟期至当前累积的日照时数B x ；
（3）将步骤（2）获得的积温A x 或日照时数B x 与步骤（1）获得的适宜粒收的积温指标A 0 或日照指标B 0 进行对比，当A x ≥A 0 ，或B x ≥B 0 时，首次对应达到A x 或B x 的日期即为适宜玉米机械粒收的日期。
5.根据权利要求4所述的夏玉米机械粒收时机的监测方法，其特征在于，该方法适用于黄淮海夏玉米种植区。
6.根据权利要求4所述的夏玉米机械粒收时机的监测方法，其特征在于，在步骤（1）中，对于黄淮海夏玉米种植区而言，适宜机械粒收的玉米全生育期积温指标A 0 为2941～3074℃d，或所述乳熟后累积后的日照指标B 0 为179～221h。
7.一种筛选适于机械粒收的夏玉米种植品种的方法，包括如下步骤：
（1）在待种植区域按照权利要求1所述的方法构建出待筛选品种的监测模型；
（2）以籽粒含水量为28%作为适宜粒收时籽粒含水量的最高阈值，带入所构建的监测模型中，获得该品种适宜机械粒收时全生育期积温指标A 1 或乳熟后累积的日照指标B 1 ；
（3）获取该待种植区域内农业气象监测站统计的当地传统夏玉米种植季期内的的历史平均积温A 2 ，或获取自该玉米品种乳熟后至当地最晚收获日期间累积的历史平均日照时数B 2 ；
（4）若A 1 ≤A 2 ，或B 1 ≤B 2 时即为机械粒收的玉米品种。
8.根据权利要求7所述的筛选适于机械粒收的夏玉米种植品种的方法，其特征在于，对于黄淮海夏玉米种植区而言，适于机械粒收的玉米品种为新单65、新单68、登海618、新单38、隆平206、登海3号、先玉335和/或新单80。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810348769.0A CN108763634A (zh) | 2018-04-18 | 2018-04-18 | 夏玉米机械粒收时机监测模型的构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810348769.0A CN108763634A (zh) | 2018-04-18 | 2018-04-18 | 夏玉米机械粒收时机监测模型的构建方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108763634A true CN108763634A (zh) | 2018-11-06 |
Family
ID=64011366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810348769.0A Pending CN108763634A (zh) | 2018-04-18 | 2018-04-18 | 夏玉米机械粒收时机监测模型的构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108763634A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784164A (zh) * | 2020-07-01 | 2020-10-16 | 内蒙古自治区农牧业科学院 | 一种鉴定玉米品种是否适宜机械粒收的方法 |
| CN113592193A (zh) * | 2021-08-19 | 2021-11-02 | 中化现代农业有限公司 | 一种作物收获期时间预测方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130096004A1 (en) * | 2011-10-14 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Methods for improving seed production in maize |
| CN105940932A (zh) * | 2016-05-30 | 2016-09-21 | 河北省农林科学院旱作农业研究所 | 一种冬小麦夏玉米两熟稳夏增秋的节水高效栽培方法 |
| CN106342545A (zh) * | 2016-11-10 | 2017-01-25 | 塔里木大学 | 一种粮、饲一年两季玉米的栽培方法 |
| CN107079697A (zh) * | 2017-05-08 | 2017-08-22 | 河南农业大学 | 黄淮区光热资源合理利用小麦‑玉米双早双晚连作栽培方法 |
-
2018
- 2018-04-18 CN CN201810348769.0A patent/CN108763634A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130096004A1 (en) * | 2011-10-14 | 2013-04-18 | Pioneer Hi-Bred International, Inc. | Methods for improving seed production in maize |
| CN105940932A (zh) * | 2016-05-30 | 2016-09-21 | 河北省农林科学院旱作农业研究所 | 一种冬小麦夏玉米两熟稳夏增秋的节水高效栽培方法 |
| CN106342545A (zh) * | 2016-11-10 | 2017-01-25 | 塔里木大学 | 一种粮、饲一年两季玉米的栽培方法 |
| CN107079697A (zh) * | 2017-05-08 | 2017-08-22 | 河南农业大学 | 黄淮区光热资源合理利用小麦‑玉米双早双晚连作栽培方法 |
Non-Patent Citations (3)
| Title |
|---|
| 宁夏水利科学研究院等编: "《宁夏优势特色作物农机节水农艺一体化生产技术规程》", 31 December 2017 * |
| 济南市农业科学研究所编: "《农业科技资料汇编》", 31 December 1982 * |
| 雷晓鹏: "黄淮海地区玉米机械收获籽粒可行性研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784164A (zh) * | 2020-07-01 | 2020-10-16 | 内蒙古自治区农牧业科学院 | 一种鉴定玉米品种是否适宜机械粒收的方法 |
| CN113592193A (zh) * | 2021-08-19 | 2021-11-02 | 中化现代农业有限公司 | 一种作物收获期时间预测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Manevski et al. | Biomass productivity and radiation utilisation of innovative cropping systems for biorefinery | |
| Vasilakoglou et al. | Sweet sorghum productivity for biofuels under increased soil salinity and reduced irrigation | |
| Ma et al. | Effects of root pruning on competitive ability and water use efficiency in winter wheat | |
| CN107494259B (zh) | 一种田间节水高产小麦品种鉴定筛选方法 | |
| CN103238397B (zh) | 耐深播玉米种质的筛选方法 | |
| CN104081994A (zh) | 一种机械化采收棉花品种的筛选与试验方法 | |
| CN107018891B (zh) | 一种快速高效低成本的小麦育种方法 | |
| CN111436368A (zh) | 一种抗旱小麦选育方法 | |
| CN108763634A (zh) | 夏玉米机械粒收时机监测模型的构建方法及应用 | |
| Sulas et al. | Biomass characteristics in Mediterranean populations of Piptatherum miliaceum—A native perennial grass species for bioenergy | |
| Arlauskienė et al. | Competitiveness and productivity of organically grown pea and spring cereal intercrops | |
| Nichols et al. | Phosphate responses of some Trifolium repens× T. uniflorum interspecific hybrids grown in soil | |
| Schneiter | Production of semidwarf and dwarf sunflower in the northern Great Plains of the United States | |
| CN104458593A (zh) | 油橄榄叶片营养诊断的方法 | |
| CN110089421A (zh) | 小麦杂交后代选拔育种的方法 | |
| CN109006469A (zh) | 小麦品种区域性品质表现型鉴定方法及小麦区域性优化种植方法 | |
| CN108782225A (zh) | 一种高产早熟优质多抗棉花的育种方法 | |
| Paredes et al. | Perennial warm-season grass monocultures and mixtures: Biomass production and soil improvement in semiarid and shallow soil conditions | |
| CN107581061B (zh) | 一种油菜种子灌浆期高温耐受性高效筛选鉴定方法 | |
| CN105284591A (zh) | 适应长江流域棉区种植的有限果枝型短季棉的育种方法 | |
| CN115152624A (zh) | 一种抗逆高产冬小麦新品种快速培育方法 | |
| CN111771637B (zh) | 一种油菜氮高效种质的筛选及油菜氮高效品种的选育方法 | |
| CN107251834A (zh) | 一种早熟中粳稻品种的选育方法 | |
| CN106706579A (zh) | 一种利用叶绿素荧光技术筛选耐高温玉米品种的方法 | |
| Hgaza et al. | Leaf growth and photosynthetic capacity as affected by leaf position, plant nutritional status and growth stage in Dioscorea alata 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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |