CN111612380B - 基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 - Google Patents
基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 Download PDFInfo
- Publication number
- CN111612380B CN111612380B CN202010506159.6A CN202010506159A CN111612380B CN 111612380 B CN111612380 B CN 111612380B CN 202010506159 A CN202010506159 A CN 202010506159A CN 111612380 B CN111612380 B CN 111612380B
- Authority
- CN
- China
- Prior art keywords
- lodging
- stem
- occurrence
- days
- period
- 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
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 58
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 54
- 235000005822 corn Nutrition 0.000 title claims abstract description 54
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 238000013210 evaluation model Methods 0.000 title claims abstract description 8
- 240000008042 Zea mays Species 0.000 title abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 241000209149 Zea Species 0.000 claims 2
- 238000011160 research Methods 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000012271 agricultural production Methods 0.000 abstract description 2
- 238000009331 sowing Methods 0.000 description 30
- 241000196324 Embryophyta Species 0.000 description 10
- 208000003643 Callosities Diseases 0.000 description 9
- 206010020649 Hyperkeratosis Diseases 0.000 description 9
- 238000012795 verification Methods 0.000 description 8
- 235000013339 cereals Nutrition 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 4
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 4
- 235000009973 maize Nutrition 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000035558 fertility Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000220317 Rosa Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003221 ear drop Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用,旨在解决现有技术中缺乏对不同生育阶段易发生的倒伏类型及其比例研判的技术问题。本发明用倒伏灾害当地品种区域试验数据构建了初步的倒伏类型特征曲线,分别建立了抽雄期前和抽雄后的分段拟合模型和涵盖主要发育期的综合曲线模型。分段拟合模型和综合曲线模型平均模拟误差为11.9%和11.1%。本发明是开展倒伏灾害研究的基础,为开展倒伏灾损评估,指导农业生产决策,制定农业保险理赔指数等提供理论支持。
Description
技术领域
本发明涉及作物灾害评估技术领域,具体涉及一种针对河南夏玉米种植区的基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用。
背景技术
倒伏是由于外界因素引发的茎秆从直立状态到倒折的现象,主要出现在玉米生长中后期。玉米倒伏后群体结构遭到破坏,光合作用降低养分传输受阻,造成玉米产量的大幅度下降,加剧病虫害发生和籽粒霉变,并给机械化收获作业带来了巨大的困难。夏玉米是我国重要的粮食作物,其生长季多雨、多风,极易发生倒伏。而倒伏灾害是制约夏玉米高产、优质的主要因素之一;因此,研究倒伏灾害发生特点,提高品种抗倒性、量化灾损评估等对于保障粮食安全具有重要意义;而明确倒伏发生的类型,是开展倒伏灾害研究的基础。
对作物倒伏类型的理解和划分不同学者存在差异,如根据倒伏状态不同可分为挫折型、弯曲型、扭转型和开张型倒伏,玉米常见为挫折型倒伏;也可根据倒伏发生的部位不同将倒伏分为茎倒、节倒和根倒。目前,通常将玉米穗位叶以下茎节弯曲或折断称为“茎倒”,植株倾角大于30°或45°而茎秆维持挺直的倒伏称作“根倒”。不同类型倒伏对玉米后续生长的影响机制不同,段鹏等研究表明倒伏率与百粒重、穗长、行粒数呈极显著负相关,倒折率与空秆率成极显著正相关。不同类型倒伏造成的产量损失差异很大,已有研究结果表明,大喇叭口期根倒伏平均减产约13.9%,茎倒伏减产约27.5%。薛军等分析倒伏后机械粒收的产量损失,茎折每增加1%,落穗率增加 0.28%;根倒每增加1%,落穗率增加0.17%。因此,确定倒伏类型是开展倒伏灾害研究的基础。
现有技术中对倒伏类型的研究多侧重于不同类型倒伏形态及其对生长发育和产量的影响,而对不同类型倒伏发生的生育期特点关注较少。而处于不同生育阶段的玉米在株型和茎秆抗倒性方面差异很大,在同样的致灾气象条件,造成的倒伏类型和程度亦不同。因此,亟需研究解决不同生育阶段易发生的倒伏类型及其占比研判这一技术难题。
发明内容
本发明要解决的技术问题是提供一种针对生长中后期的基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用,以期解决现有技术中缺乏对不同生育阶段易发生的倒伏类型及其比例研判的技术问题。
为解决上述技术问题,本发明采用如下技术方案:
设计一种基于生育期天数的夏玉米倒伏类型特征评估模型的构建方法,包括如下步骤:
(1)筛选倒伏灾害当地品种区域年份和品种样本;
(2)根据筛选出来的总倒伏率≥5%的样本,计算根倒伏和茎倒折类型发生比例,计算公式如下:
D R = L R /( L R + L s )×100%;
D s =1- D R ;
式中,D R 为根倒伏发生比例,L R 为根倒伏率,L s 为茎倒折率,D s 为茎倒折发生比例;
(3)计算多个试验品种的平均抽雄期日数,并根据平均抽雄期日数,将原有样本数据分为抽雄前和抽雄后两部分,分别建立抽雄前和抽雄后的生育期天数与根倒伏发生比例或/和茎倒发生比例的回归模型。
优选的,在所述步骤(3)中,基于鹤壁品种区域试验中倒伏发生的典型年份所取得对应样本数据,拟合建立如下回归模型:
抽雄前,根倒伏比例回归方程为y = 1.145x + 30.49;茎倒折比例回归方程为y'=-1.145x + 69.51;
抽雄后,根倒伏比例回归方程为y = -1.947x + 201.96;茎倒折比例回归方程为y'= 1.947x - 101.96;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例。
优选的,在所述步骤(3)之后,还包括如下步骤:
(4)计算所得根倒伏发生比例或/和茎倒发生比例的回归模型抽雄前后两条曲线的交叉点,利用生育期日数回代方程,将抽雄前后连接到一起,利用多项式拟合新的数据序列,得三次多项式全生育期回归模型。
优选的,在所述步骤(4)中,基于鹤壁品种区域试验中倒伏发生的典型年份所取得对应样本数据,得如下三次多项式全生育期回归模型:
根倒伏:y = 0.001046x3 - 0.2482x2 + 17.367x - 290.36;
茎倒折:y'= -0.001041x3 + 0.2469x2 - 17.258x + 387.3;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例。
优选的,在所述步骤(3)中:所述平均抽雄期日数为40~60d。
提供一种夏玉米倒伏类型特征评估方法,包括如下步骤:
(1)记录夏玉米播种日期,并于播种后40d后开始监测倒伏灾害发生的日期,计算出夏玉米所对应的生育期天数,及判明灾害是发生在抽雄前,还是抽雄后;
(2)基于灾害发生时所对应的夏玉米生育期天数、是否抽雄,对应的代入如下分段回归模型中,计算出对应的倒伏类型占比:
抽雄前,根倒伏回归方程为y = 1.145x + 30.49;茎倒折回归方程为y'= -1.145x+ 69.51;
抽雄后,根倒伏回归方程为y = -1.947x + 201.96;茎倒折回归方程为y'=1.947x - 101.96;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例。
另提供一种夏玉米倒伏类型特征评估方法,包括如下步骤:
(1)记录夏玉米播种日期,于夏玉米生育期内监测倒伏灾害发生的日期,计算出夏玉米所对应的生育期天数;
(2)基于灾害发生时所对应的夏玉米生育期天数,代入如下分段回归模型中,计算出对应的倒伏类型占比:
根倒伏:y = 0.001046x3 - 0.2482x2 + 17.367x - 290.36;
茎倒折:y'= -0.001041x3 + 0.2469x2 - 17.258x + 387.3;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例。
与现有技术相比,本发明的主要有益技术效果在于:
1. 本发明用鹤壁市品种区域试验数据构建了初步的倒伏类型特征模型,并参考南阳地区抽雄期前后倒伏试验结果,对构建倒伏类型特征模型进行修订,并分别建立了抽雄期前和抽雄后的分段拟合模型和涵盖主要发育期的综合模型。分段拟合模型和综合模型平均模拟误差为11.9%和11.1%。
2. 本发明为开展倒伏灾损评估,指导农业生产决策,制定农业保险理赔指数等提供技术支持。
附图说明
图1为夏玉米关键生育阶段各倒伏类型发生比例关系图;
图2为夏玉米抽雄期前后各倒伏类型发生比例趋势图;
以上图1和2中,a为根倒伏,b为茎倒折。
图3为抽雄期前后不同倒伏类型拟合特征曲线图;
图中,a1是抽雄前根倒伏,a2是抽雄后根倒伏,b1是抽雄前茎倒折,b2是抽雄后茎倒折。
图4为夏玉米关键生育阶段倒伏类型特征曲线图。
图5为不同生育阶段夏玉米倒伏调查图片;
图中,P1为2010.7.16郑州玉米倒伏;P2为2013.8.13唐河玉米倒伏;P3为2018.8.21太康玉米倒伏;P4为2016.8.27周口黄泛区玉米倒伏。
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;所涉及的试验方法,如无特别说明,均为常规方法。
实施例一:前期试验研究设计及技术基础
1. 夏玉米倒伏试验研究与类型划分
本发明夏玉米倒伏特征评估模型的构建所用数据为鹤壁农科院2003-2019年玉米品种区域试验中关于自然倒伏的观测记载。每年参与试验的品种数量和具体品种名称均不同,且品种名称为保密数据仅用代号表示。
试验前茬作物为小麦,各参试品种同期播种,同期收获。试验小区面积为20m2,密度在52500~75000株/hm2,以60000和67500为主,个别年份稍作调整。各参试品种除草、灌溉、施肥、中耕等田间管理措施保持一致。
倒伏率调查计算。首先将倒伏类型划分为两类:“根倒伏”和“茎倒折”。根倒伏为植株从根部歪斜,主茎不发生折断且与地面夹角小于45°;茎倒折为茎秆在穗位节及以下发生弯折或折断。倒伏率按试验小区调查,75000株组密度一般调查90株,67500株组及以下的小区一般调查81株,分别统计“根倒伏”和“茎倒折”的株数除以总株数即为相应的倒伏率,两种类型的倒伏率相加为总倒伏率。以总倒伏率≥5%的年份为倒伏发生的典型年份。
气象资料记载。根据倒伏观测记录,反查当时的气象资料,气象数据来源于距离较近的淇县地面气象观测站,相距试验田约10km。气象要素包括日最大风速、日最大风速出现时间、日极大风速、日极大风速出现时间、日降水量、逐小时降水量。其中日最大风速为某个时段内出现的最大10分钟平均风速值,日极大风速为某个时段内出现的最大瞬时风速值,在自动气象站中,瞬时风速指3秒钟的平均风速。发生倒伏的典型年份、播种期、受灾日期及参试品种样本数及气象数据如表1所示。
表1鹤壁夏玉米品种区域试验倒伏灾害概况
。
2. 初始倒伏类型特征模型的构建
如前所述,将夏玉米倒伏类型划分为“根倒伏”和“茎倒折”两大类,不同类型倒伏比例的计算方法如下
D R = L R /( L R + L s )×100%
D s =1- D R
D R 为根倒伏发生比例,L R 为根倒伏率,L s 为茎倒折率,D s 为茎倒折发生比例。
利用鹤壁市品种区域试验数据构建倒伏类型特征曲线,由于年份间致灾气象条件和品种抗倒性差异大,所收集样本的倒伏率差别大。为确定不同生育阶段倒伏类型,前提是有倒伏灾害发生,以总倒伏率≥5%作为倒伏灾害发生的标准,筛选总倒伏率≥5%的年份和品种样本来建模。
根据筛选出来的总倒伏率≥5%的样本,计算“根倒伏”和“茎倒折”类型发生比例,如图1所示。倒伏主要发生在播种后45~97 d,其中有6个年份发生在播种后45~55 d,占倒伏发生总年份样本的50%。根倒伏发生比例随生育期推迟呈显著的下降趋势,回归方程通过0.01显著性检验(图1a),茎倒折发生比例的变化趋势与根倒伏相反(图1b)。
实施例二:夏玉米倒伏类型特征模型的修正
1.夏玉米抽雄期前后倒伏类型特征的研究
南阳市2013年8月1日发生大风倒伏灾害。灾害发生时南阳农业气象试验站(33.05°N,112.23 °E,海拔161.5 m) 正开展夏玉米“浚单20”和“郑单958”两个品种的分期播种试验(“浚单20”自6月1日开始第一期播种,每隔5d一个播期,共5期,每播期4个重复,分别于9月13日、9月14日、9月18日、9月21日和9月25日成熟收获;“郑单958”自5月27日开始第一期播种,每隔10d一个播期,共3期,每播期3个重复,分别于9月5日、9月12日和9月16日成熟收获;播种密度均为67500 株·hm-2),强对流天气造成试验田内夏玉米大面积倒伏。灾害发生后,分不同倒伏类型和程度调查各试验小区倒伏率。这次倒伏主要发生在抽雄期前后,对这一阶段大风倒伏特征进行了更细致的表达,可用来修订利用前述倒伏类型特征模型。
灾害发生时当地地面气象观测站监测,2 h内降水量达41.4 mm,10分钟平均最大风速11.3 m·s-1。
倒伏后第二日,按照“根斜”、“根倒”、“茎倒”和“折断”四种类型进行倒伏率调查,其中“根斜”为茎秆未弯折,与地面夹角大于45°,可将“根斜”和“根倒”统一划分为“根倒伏”,将“茎倒”和“茎折”统一划分为“茎倒折”。
表2南阳夏玉米分期试验倒伏灾害概况
。
2.利用南阳倒伏调查数据修订倒伏类型特征模型
根据南阳倒伏2013年倒伏灾害调查数据,计算不同播期倒伏所处的生育期天数和根、茎倒伏发生比例,进行多项式拟合分析,如图2所示。各播期抽雄期平均在48d,倒伏发生时各播期所处生育期天数在播种后40~64d,而各播期抽雄期平均在播种后48d,所建立的回归模型描述了抽雄期前后倒伏类型的发生特点。“根倒伏”发生比例呈先升后降的变化趋势,在抽雄期达到最高(图2a),“茎倒折”变化趋势与之相反,在抽雄期前后发生比例最低(图2b)。
由实际调查数据可知,抽雄前发生的“茎倒折”主要是“折断”类型,即茎干折断绝收。根抽雄前后倒伏类型发生的这一特点,对实施例1中所构建的倒伏类型特征模型进行修订,即将倒伏样本根据生育期日数划分为抽雄前和抽雄后,分别构建模型。
(1)分段拟合及回归模型
提取的鹤壁品种区域试验中倒伏发生的典型年份,计算多个试验品种的平均抽雄期日数,并进行多年平均为播种后53 d。根据平均抽雄期日数,将原有样本数据分为抽雄前和抽雄后两部分,分别建立回归模型,如图3所示。根倒伏在抽雄前拟合曲线随生育期天数增加而上升(图3a1),在抽雄后呈下降趋势(图3a2)。茎倒折在抽雄前拟合曲线随生育期天数增加而下降(图3b1),在抽雄后呈上升趋势(图3b2),这与图2 的变化趋势是相符的。由此,分别建立抽雄前后夏玉米倒伏类型特征的分段拟合模型,如表3所示,回归方程均通过了显著性检验。
表3 夏玉米抽雄前后倒伏类型的分段拟合模型
。
注:*和**分别表示通过0.05和0.01的显著性检验
(2)综合曲线拟合及回归模型
由表3可知,要计算某阶段各倒伏类型发生比例,首先需要判断倒伏发生时是否达到抽雄期,以便选择不同分段方程,因此为便于实际应用,可建立夏玉米主要生育期倒伏类型判定的综合曲线模型。以根倒伏为例,首先计算抽雄前后两条曲线的交叉点,利用生育期日数回代方程。交叉点之前的数据使用表3中方程(1)回代构建,交叉点之后由方程(3)回代构建,抽雄前后连接到一起,建立新的数据序列,最后利用多项式拟合新的数据序列,经检验三次多项式即可达到较高的拟合精度。
夏玉米根倒伏发生比例的拟合方程为:y = 0.001046x3 - 0.2482x2 + 17.367x -290.36(5),其拟合的R2达到了0.995以上,如图4a所示。同样的方法构建茎倒折曲线模型,拟合方程为:y = -0.001041x3 + 0.2469x2 - 17.258x + 387.3 (6),如图4b所示。
实施例三:夏玉米倒伏特征模型的验证
(1)利用历史灾情信息进行验证
为了验证所构建的倒伏类型特征曲线的准确性,选择农业气象观测报表记载的历史倒伏灾害,根据倒伏灾情的定性描述,对倒伏发生的类型及比例进行估计,并与构建的倒伏类型特征曲线的模拟结果相比较,计算误差。所选代表性倒伏案例如表4所示。
表4 历史倒伏灾情数据
。
根据历史典型倒伏案例数据(表4),统计播种后的发育期日数。通过判定是否抽雄,将播种后的发育期日数,分别代入公式(1)(3)或者公式(2)(4),进行分段拟合模型的精度验证。或不需要判定是否抽雄,直接将播种后的发育期日数直接代入公式(5)(6),分别计算根、茎倒伏的比例,进行综合曲线拟合模型的精度验证。分段模型和综合曲线模型的拟合结果如表5所示。
分段拟合模型与综合曲线模型的平均误差分别为11.9%和11.1%,二者的总体误差接近,但当播种后日数接近抽雄期时,分段拟合模型的精度略高于综合曲线拟合模型,但在应用中分段拟合模型应用时需要判定夏玉米是否抽雄,综合曲线模型可简略使用更方便。
如1987年的三门峡和1988年的永城,分段拟合模型的精度较综合曲线模型提高了5.4%和4.1%。鉴于两种模型的特点,可以在实际应用中选择使用。
表5 夏玉米倒伏类型特征曲线拟合精度验证
。
(2)利用倒伏灾害灾情调查图片进行验证
收集历史倒伏灾害发生时的灾情图片,也可以作为验证资料,可直观了解倒伏发生类型随生育期变化的特征。收集了2010年7月16郑州、2013年8月13唐河县等玉米倒伏的4次灾后调查图片,进行不同生育阶段易发生倒伏类型的验证。
如图5所示,图(P1)为2010年7月16郑州玉米倒伏,反查当地发育期观测数据为播种后40d,抽雄前4d,全部为根倒伏;图(P2)为2013年8月13唐河县玉米倒伏,为播种后74d,抽雄后20d,根倒伏和茎倒伏都有发生;图(P3)为2018年8月21太康县玉米倒伏,为播种后82d,抽雄后27d,基本为茎倒伏;图(P4)为2016年8月27日周口黄泛区玉米倒伏,为播种后88d,抽雄后36d,基本为茎倒伏。由图片信息也可知,不同生育阶段易发生倒伏类型与构建的特征曲线总体变化相一致。
本发明研究主要关注对产量影响较大的夏玉米生长中后期;因此,所构建的倒伏类型曲线从播种后40d开始,即抽雄前10~16d左右,没有描述播种后0~40d的倒伏类型特征。由实际调查经验可知,播种后0~40d,株高低发生倒伏的概率小,即使个别年份有倒伏发生,也能很快恢复生长对产量基本无影响。
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,在不脱离本发明技术构思的前提下,还可以对上述实施例中的各个具体参数进行变更,或者是进行相关的等同替代,从而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 (2)
1.一种基于生育期天数的夏玉米倒伏类型特征评估模型的构建方法,其特征在于,包括如下步骤:
(1)基于品种区域试验中倒伏发生的典型年份,筛选倒伏灾害当地品种区域年份和品种样本;
(2)根据筛选出来的总倒伏率≥5%的样本,计算根倒伏和茎倒折类型发生比例,计算公式如下:
D R = L R /( L R + L s )×100%;
D s =1- D R ;
式中,D R 为根倒伏发生比例,L R 为根倒伏率,L s 为茎倒折率,D s 为茎倒折发生比例;
(3)计算多个试验品种的平均抽雄期日数,并根据平均抽雄期日数,将原有样本数据分为抽雄前和抽雄后两部分,分别建立抽雄前和抽雄后的生育期天数与根倒伏发生比例或/和茎倒发生比例的回归模型:
抽雄前,根倒伏比例回归方程为y = 1.145x + 30.49;茎倒折比例回归方程为y'= -1.145x + 69.51;
抽雄后,根倒伏比例回归方程为y = -1.947x + 201.96;茎倒折比例回归方程为y'=1.947x - 101.96;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例;
(4)计算根倒伏发生比例或/和茎倒发生比例的回归模型抽雄前后两条曲线的交叉点,利用生育期日数回代方程,将抽雄前后连接到一起,利用多项式拟合新的数据序列,得三次多项式全生育期回归模型:
根倒伏:y = 0.001046x3 - 0.2482x2 + 17.367x - 290.36;
茎倒折:y'= -0.001041x3 + 0.2469x2 - 17.258x + 387.3;
式中,x为生育期天数,y为根倒伏发生比例,y'为茎倒折发生比例。
2.根据权利要求1所述基于生育期天数的夏玉米倒伏类型特征评估模型的构建方法,其特征在于,在所述步骤(3)中:所述平均抽雄期日数为40~60d。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506159.6A CN111612380B (zh) | 2020-06-05 | 2020-06-05 | 基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506159.6A CN111612380B (zh) | 2020-06-05 | 2020-06-05 | 基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612380A CN111612380A (zh) | 2020-09-01 |
CN111612380B true CN111612380B (zh) | 2023-10-17 |
Family
ID=72202454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010506159.6A Active CN111612380B (zh) | 2020-06-05 | 2020-06-05 | 基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612380B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577951B (zh) * | 2022-10-19 | 2023-09-19 | 北京爱科农科技有限公司 | 一种基于玉米生长机理模型的夏玉米倒伏预警算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106818163A (zh) * | 2017-01-17 | 2017-06-13 | 吉林省农业科学院 | 用于半干旱区的玉米水肥一体化滴灌施肥方法 |
WO2017166566A1 (zh) * | 2016-04-02 | 2017-10-05 | 江苏辉丰农化股份有限公司 | 一种植物生长调节组合物 |
-
2020
- 2020-06-05 CN CN202010506159.6A patent/CN111612380B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017166566A1 (zh) * | 2016-04-02 | 2017-10-05 | 江苏辉丰农化股份有限公司 | 一种植物生长调节组合物 |
CN106818163A (zh) * | 2017-01-17 | 2017-06-13 | 吉林省农业科学院 | 用于半干旱区的玉米水肥一体化滴灌施肥方法 |
Non-Patent Citations (3)
Title |
---|
抽雄期前后大风倒伏对夏玉米生长及产量的影响;李树岩;《应用生态学报》;20150831;第26卷(第8期);第2405-2413页 * |
玉米茎秆弯曲性能与抗倒能力的研究;勾玲等;《作物学报》;20080412(第04期);第653-661页 * |
结实阶段不同时期倒伏对水稻产量及稻米品质的影响;郎有忠等;《中国水稻科学》;20110710(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111612380A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760978B (zh) | 一种基于温度植被干旱指数(tvdi)的农业旱灾等级监测方法 | |
Tisseyre et al. | Whithin-field temporal stability of some parameters in viticulture: Potential toward a site specific management | |
CN110909973B (zh) | 考虑下垫面条件的旱情综合监测评估方法 | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
CN111612380B (zh) | 基于生育期天数的夏玉米倒伏类型特征评估模型的构建与应用 | |
CN110245444B (zh) | 一种基于作物对环境的响应与适应机制的发育期模拟方法 | |
CN113469112A (zh) | 农作物生长状况图像识别方法及*** | |
CN114254964A (zh) | 水稻区域气候品质评估方法及*** | |
CN114330931A (zh) | 一种基于气象条件的桂平荔枝产量大小年年型等级区域预测模型的构建方法 | |
Carter et al. | Estimating regional crop potential in Finland under a changing climate | |
CN115688997A (zh) | 一种基于积温的茶叶采摘时期预测方法及*** | |
CN111582742A (zh) | 一种基于气象评价农产品品质的方法及*** | |
CN109325630B (zh) | 一种基于形态参数的高温胁迫下水稻产量预测方法 | |
CN114568239B (zh) | 一种棉花高温热害预测方法 | |
CN111626638B (zh) | 夏玉米倒伏气象等级评估模型的构建与应用 | |
CN113902215B (zh) | 一种棉花延迟型冷害动态的预报方法 | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
Lovatt et al. | Yield characteristics of ‘Hass’ avocado trees under California growing conditions | |
CN114219183A (zh) | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 | |
CN113487127A (zh) | 一种茶叶秋冬干旱灾害损失动态评估方法 | |
CN114128511B (zh) | 一种玉米苗期根系抗倒伏力测定方法及成熟期预测方法 | |
Oliveira et al. | Inter-relationships of resistance to penetration, moisture and soil organic matter with irrigated bean yield in Mato Grosso do Sul, Brazil | |
CN116152006B (zh) | 一种甘薯气候品质评估方法及*** | |
CN117981673A (zh) | 一种筛选玉米吐丝后抗根倒指标的方法 | |
CN114358442A (zh) | 一种基于气象条件的合浦荔枝产量大小年年型等级区域预测模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |