CN116485040B - 种子活力预测方法、***、电子设备及存储介质 - Google Patents
种子活力预测方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116485040B CN116485040B CN202310695296.2A CN202310695296A CN116485040B CN 116485040 B CN116485040 B CN 116485040B CN 202310695296 A CN202310695296 A CN 202310695296A CN 116485040 B CN116485040 B CN 116485040B
- Authority
- CN
- China
- Prior art keywords
- seed
- data
- yield index
- vitality
- vigor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 116
- 238000004519 manufacturing process Methods 0.000 claims abstract description 102
- 238000005259 measurement Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 67
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 65
- 235000005822 corn Nutrition 0.000 claims description 65
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 60
- 229910052757 nitrogen Inorganic materials 0.000 claims description 30
- 241000196324 Embryophyta Species 0.000 claims description 28
- 239000002689 soil Substances 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009331 sowing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 241000209149 Zea Species 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 9
- 240000008042 Zea mays Species 0.000 description 65
- 235000013339 cereals Nutrition 0.000 description 38
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000012795 verification Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 208000003643 Callosities Diseases 0.000 description 5
- 206010020649 Hyperkeratosis Diseases 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 3
- 239000003963 antioxidant agent Substances 0.000 description 3
- 230000003078 antioxidant effect Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000002386 leaching Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005562 seed maturation Effects 0.000 description 2
- 230000035899 viability Effects 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—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
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (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
本发明提供一种种子活力预测方法、***、电子设备及存储介质，涉及种子检测技术领域，该方法包括：获取目标时间段内目标田间区域的环境实测数据；根据环境实测数据，对目标田间区域中制种作物的种子产量指标数据进行模拟，得到制种作物对应的种子产量指标模拟数据；根据种子产量指标模拟数据，对制种作物的种子活力进行预测，得到制种作物的种子活力预测。本发明通过获取目标田间区域的环境实测数据，对制种作物的种子产量指标数据进行模拟，得到制种作物对应的种子产量指标模拟数据，进而根据种子产量指标模拟数据，预测制种作物的种子活力预测值，无需进行大量的田间测量与实验室检测工作，即可实现对制种作物的种子活力进行准确快速的评估。
Description
技术领域
本发明涉及种子检测技术领域，尤其涉及一种种子活力预测方法、***、电子设备及存储介质。
背景技术
目前对于制种作物的种子活力评估方法主要有两种：一是制种作物收获后获取种子，进行发芽、幼苗生长试验以及种子浸出液电导率和抗氧化物酶活性等指标测定，可以直接评估种子活力水平；二是通过测量与制种作物的种子活力呈显著相关关系的粒数、粒重与籽粒氮等产量指标，对制种作物的种子活力定性分析。
现有种子活力评估方法，均需要在制种作物成熟后进行大量实验检测，耗费时间与人力且具有滞后性。因此，现在亟需一种种子活力预测方法、***、电子设备及存储介质来解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供一种种子活力预测方法、***、电子设备及存储介质。
本发明提供一种种子活力预测方法，包括：
获取目标时间段内目标田间区域的环境实测数据；
根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
根据本发明提供的一种种子活力预测方法，所述获取目标时间段内目标田间区域的环境实测数据，包括：
基于所述制种作物在目标田间区域的播种时间，确定所述目标时间段；
通过所述目标时间段内所述目标田间区域的田间数据、气候数据、土壤数据和农业管理数据，获取所述环境实测数据。
根据本发明提供的一种种子活力预测方法，在所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的产量指标模拟数据之前，所述方法还包括：
获取所述目标田间区域在不同历史时间段内的环境实测历史数据和所述环境实测历史数据对应的样本制种作物的种子产量指标历史数据，其中，所述种子产量指标历史数据至少包括所述样本制种作物的种子粒重、单株粒数和籽粒氮含量；
基于各个所述历史时间段内的所述环境实测历史数据和所述种子产量指标历史数据，构建种子产量模拟模型；
所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据，包括：
基于所述种子产量模拟模型，根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据。
根据本发明提供的一种种子活力预测方法，在所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值之前，所述方法还包括：
根据所述样本制种作物在不同所述历史时间段的所述种子产量指标历史数据，获取各个所述历史时间段内所述样本制种作物对应的种子活力实测值；
基于各个所述历史时间段内的所述种子产量指标历史数据和所述种子活力实测值，构建种子活力预测模型；
所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值，包括：
基于所述种子活力预测模型，根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
根据本发明提供的一种种子活力预测方法，所述种子产量模拟模型是基于所述样本制种作物的作物类型，通过偏最小二乘法构建得到的；
所述种子活力预测模型是基于所述样本制种作物的作物类型，通过农业生产***模拟模型APSIM构建得到的。
根据本发明提供的一种种子活力预测方法，所述方法还包括：
基于决定系数和归一化均方根误差，分别对所述种子产量模拟模和所述种子活力预测模型进行评估，若评估结果满足预设阈值，得到目标种子产量模拟模型和目标种子活力预测模型，以通过所述目标种子产量模拟模型和所述目标种子活力预测模型进行种子活力预测。
根据本发明提供的一种种子活力预测方法，在所述获取目标时间段内目标田间区域的环境实测数据之后，所述方法还包括：
对所述环境实测数据进行预处理，得到预处理后的环境实测数据，以通过所述预处理后的环境实测数据进行种子活力预测。
本发明还提供一种种子活力预测***，包括：
实测数据获取模块，用于获取目标时间段内目标田间区域的环境实测数据；
种子产量指标模拟模块，用于根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
种子活力预测模块，用于根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
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种子活力预测方法。
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种子活力预测方法。
本发明提供的种子活力预测方法、***、电子设备及存储介质，通过获取目标田间区域的环境实测数据，对制种作物的种子产量指标数据进行模拟，得到制种作物对应的种子产量指标模拟数据，进而根据种子产量指标模拟数据，预测制种作物的种子活力预测值，无需进行大量的田间测量与实验室检测工作，即可实现对制种作物的种子活力进行准确且快速的评估。
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进行简单地介绍，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为本发明提供的种子活力预测方法的流程示意图；
图2为本发明提供的种子活力预测模型的率定过程示意图；
图3为本发明提供的种子活力预测模型的验证过程示意图；
图4为本发明提供的种子产量模拟模型对于种子粒重的率定过程示意图；
图5为本发明提供的种子产量模拟模型对于单株粒数的率定过程示意图；
图6为本发明提供的种子产量模拟模型对于籽粒氮含量的率定过程示意图；
图7为本发明提供的种子产量模拟模型对于模拟种子粒重的验证过程示意图；
图8为本发明提供的种子产量模拟模型对于模拟单株粒数的验证过程示意图；
图9为本发明提供的种子产量模拟模型对于模拟籽粒氮含量的验证过程示意图；
图10为本发明提供的种子活力实测值与种子活力预测值的效果对比图；
图11为本发明提供的种子活力预测***的结构示意图；
图12为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。
现有制种玉米的种子活力评估方法主要有两种：1、将制种玉米收获后，通过对获取到的玉米种子进行发芽、幼苗生长试验以及种子浸出液电导率和抗氧化物酶活性等指标的测定，可以直接评估玉米种子的活力水平；2、通过测量与制种玉米的种子活力呈显著相关关系的粒数、粒重与籽粒氮含量等产量指标，对制种玉米的种子活力定性分析，该方法虽然比第一种直接测定法简单，但只能进行定性分析，无法准确描述种子活力水平。并且，现有两种方法均需要在制种玉米成熟后进行大量实验检测后得出种子活力评估结果，耗费时间与人力且具有滞后性。
本发明基于已有历史田间数据与实验室实测数据，使用偏最小二乘法（PartialLeast Squares，简称PLS），以种子粒重、单株作物粒数以及氮含量为自变量，构建制种玉米的种子活力预测模型（简称PLS种子活力预测模型），并结合APSIM（AgriculturalProduction System Simulator）模型基于田间环境实测数据，模拟输出田间区域的玉米种子的粒重、单株粒数以及氮含量，实现对制种玉米的种子活力的准确、快速评估。需要说明的是，本发明提供的种子活力预测方法，并不限定于制种玉米的种子活力预测，对于其它制种作物的种子活力预测同样适用，例如，大豆种子和小麦种子等。
图1为本发明提供的种子活力预测方法的流程示意图，如图1所示，本发明提供了一种种子活力预测方法，包括：
步骤101，获取目标时间段内目标田间区域的环境实测数据；
在本发明中，首先获取已种植制种玉米的田间区域的环境实测数据，该环境实测数据包括有田间实测数据（如玉米株行距数据）、气候数据、土壤数据和农业管理数据（如施肥数据和灌溉数据等）。在一实施例中，基于制种玉米的播种时间，确定制种玉米的整个生长周期所对应的时间段，如播种时间为4月份，目标田间区域的制种玉米的生长周期为150天（约5个月），进而在目标田间区域的制种玉米成熟后，获取该目标田间区域在目标时间段内（从4月份到9月份）的环境实测数据，从而可根据该环境实测数据预测得到种子活力。优选地，在一实施例中，还可将目标田间区域划分为多个子区域，每个子区域分别对制种玉米的生长过程采取不同措施（如调整农业管理方式，如增加施肥量和灌溉量等），进而在后续种子活力预测时，可根据种子活力预测结果，确定哪种措施适合提高种子活力。
步骤102，根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据。
在本发明中，基于环境实测历史数据与环境实测历史数据对应的种子产量指标历史数据之间的拟合关系，通过当前目标时间段内的环境实测数据，模拟得到制种玉米的种子粒重、单株粒数和籽粒氮含量等种子产量指标模拟数据。优选地，在本发明中，根据环境实测历史数据和种子产量指标历史数据驱动APSIM模型，通过率定模型关键参数并验证其模拟精度，从而在实际种子活力预测时，基于APSIM模型，通过环境实测数据估算制种玉米的种子粒重、单株粒数以及氮含量。
步骤103，根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
在本发明中，通过步骤102模拟得到种子产量指标模拟数据，利用不同历史时间段内的种子产量指标历史数据和种子活力实测值之间的拟合关系，对制种玉米的种子活力进行预测，从而得到制种玉米的种子活力预测值。优选地，在本发明中，通过各个历史时间段内的种子产量指标历史数据和种子活力实测值，构建以制种玉米的种子粒重、单株粒数和氮含量为自变量，以种子活力为响应变量，使用偏最小二乘法，构建制种玉米的种子活力预测模型，进而通过该模型对目标田间区域内制种玉米进行种子活力预测。
在本发明中，根据制种玉米从播种到收获的环境实测数据，从而在未对种子进行相关检测工作的情况下，即可根据环境实测数据实现种子活力评估。
在另一实施例中，通过确定播种时间和预估种子成熟时间，在不种植相应的制种作物的情况下，获取目标时间段内（即播种时间至预估种子成熟时间）的环境实测数据，也可以对制种作物进行种子活力评估，例如，获取目标区域/田块的土壤数据、农业管理数据、天气预报/未来的气候数据，通过步骤102和步骤103，评估目标区域内如果种植了制种玉米（或其他制种作物），对假设得到的种子进行活力评估。
本发明提供的种子活力预测方法，通过获取目标田间区域的环境实测数据，对制种作物的种子产量指标数据进行模拟，得到制种作物对应的种子产量指标模拟数据，进而根据种子产量指标模拟数据，预测制种作物的种子活力预测值，无需进行大量的田间测量与实验室检测工作，即可实现对制种作物的种子活力进行准确且快速的评估。
在上述实施例的基础上，所述获取目标时间段内目标田间区域的环境实测数据，包括：
基于所述制种作物在目标田间区域的播种时间，确定所述目标时间段；
通过所述目标时间段内所述目标田间区域的田间数据、气候数据、土壤数据和农业管理数据，获取所述环境实测数据。
在本发明中，在对目标田间区域的制种玉米进行种子活力预测时，可根据制种玉米的生长周期，选取该目标田间区域内制种玉米从播种时间到成熟时间这段时间内的相关数据，以形成环境实测数据，用于种子活力预测，如田间数据（包括株行距数据和有效株数据等）、气候数据（温度数据、降水量数据和气压数据等）、土壤数据（如土壤水分数据、容重、质地和微生物数据等）以及农业管理数据（如目标田间区域在各个生长时期的施肥数据和灌溉数据等）。
在上述实施例的基础上，在所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作为对应的产量指标模拟数据之前，所述方法还包括：
获取所述目标田间区域在不同历史时间段内的环境实测历史数据和所述环境实测历史数据对应的样本制种作物的种子产量指标历史数据，其中，所述种子产量指标历史数据至少包括所述样本制种作物的种子粒重、单株粒数和籽粒氮含量；
基于各个所述历史时间段内的所述环境实测历史数据和所述种子产量指标历史数据，构建种子产量模拟模型；
所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据，包括：
基于所述种子产量模拟模型，根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据。
在本发明中，采样不同历史时间段内（如不同年份）样本制种玉米的田间试验数据与实验室实测数据，包括气候数据、农业管理数据、土壤数据以及对应制种玉米的单株粒数、种子粒重和氮含量，进而可根据这些数据集建立模拟文件并驱动APSIM模型。在一实施例中，基于率定集数据使用CroptimizR率定APSIM模型中制种玉米作物参数，并依据验证集数据检验率定后的APSIM模型对制种玉米的单株粒数、粒重和氮含量的模拟精度，若模拟精度满足预设要求，得到构建好的种子产量模拟模型。
在上述实施例的基础上，在所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值之前，所述方法还包括：
根据所述样本制种作物在不同所述历史时间段的所述种子产量指标历史数据，获取各个所述历史时间段内所述样本制种作物对应的种子活力实测值；
基于各个所述历史时间段内的所述种子产量指标历史数据和所述种子活力实测值，构建种子活力预测模型；
所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值，包括：
基于所述种子活力预测模型，根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
在本发明中，基于上述实施例中得到的不同历史时间段内的样本制种玉米的单株粒数、粒重以及氮含量（即种子产量指标历史数据），获取到对应的种子活力实测值，其中，在本发明中，种子活力实测值也属于历史数据，如通过种子浸出液电导率和抗氧化物酶活性等指标，对样本制种玉米测定得到的。
进一步地，将上述实施例得到的种子产量指标历史数据以及对应的种子活力实测值，按照1:1比例划分为率定集与验证集，以率定集中制种玉米的单株粒数、粒重和氮含量为自变量，以种子活力实测值为响应变量，使用偏最小二乘法构建制种玉米的种子活力预测模型，其公式为：
；
其中，Y为响应矩阵，即种子活力数据矩阵；X为自变量组成的预测矩阵，即制种玉米的种子粒重、单株粒数以及氮含量数据矩阵；B与E为系数矩阵，为待估参数。当种子活力预测模型构建之后，使用验证集数据检验模型精度，在确定预测精度满足预设条件的情况下，得到构建好的种子活力预测模型。
进一步地，将种子活力预测模型和种子产量模拟模型进行结合，基于某一年或多年的环境实测历史数据，通过种子产量模拟模型模拟输出对应年份的制种玉米的种子粒重、单株粒数和氮含量，作为种子活力预测模型的自变量，该年份制种玉米的种子活力进行预测，并根据预测得值和该年份制种玉米的种子实测值，评价两个模型结合后的模拟预测精度。
在上述实施例的基础上，所述种子产量模拟模型是基于所述样本制种作物的作物类型，通过偏最小二乘法构建得到的；
所述种子活力预测模型是基于所述样本制种作物的作物类型，通过农业生产***模拟模型APSIM构建得到的。
由于制种玉米的种子粒重、单株粒数和氮含量三者之间存在相关关系，因此，本发明使用偏最小二乘回归，构建种子活力预测模型，可以避免自变量之间存在的相关性导致预测模型精度降低或失真的问题。
进一步地，采用APSIM模型，基于不同气候、管理和土壤条件，模拟得到的土壤水氮动态、作物生长和产量指标，具有较强的适用性和稳定性。
在上述实施例的基础上，所述方法还包括：
基于决定系数和归一化均方根误差，分别对所述种子产量模拟模和所述种子活力预测模型进行评估，若评估结果满足预设阈值，得到目标种子产量模拟模型和目标种子活力预测模型，以通过所述目标种子产量模拟模型和所述目标种子活力预测模型进行种子活力预测。
在本发明中，制种玉米的种子活力预测模型、种子产量模拟模以及将两者模型结合后的模拟效果，可根据决定系数和归一化均方根误差（Normalized Root MeanSquared Error，简称nRMSE），其计算公式如下：
；
；
其中，n为样本个数，和/>分别为模拟值（预测值）与实测值，/>为实测值的平均值；/>取值范围为0至1，越接近1说明拟合效果越好，当/>时，则认为模型精度是可靠的；当归一化均方根误差nRMSE<15%时，说明模型模拟效果好；当15%<nRMSE<30%时，说明模拟效果较好；当nRMSE>30%时，说明模拟结果差。因此，在本发明中，在对模型的预测精度或模拟进度进行评估时，当/>，nRMSE<30%时，即可判定模型的预测精度已满足预设要求。
在上述实施例的基础上，在所述获取目标时间段内目标田间区域的环境实测数据之后，所述方法还包括：
对所述环境实测数据进行预处理，得到预处理后的环境实测数据，以通过所述预处理后的环境实测数据进行种子活力预测。
在本发明中，对环境实测数据进行数据筛选和补全缺失数据等预处理，从而提高数据质量，进而通过这些数据对模型参数进行率定提高模型的预测准确性。
在一实施例中，对本发明作进一步详细的说明。在本实施例中，收集田间站点A和田间站点B两个实验站点2013年至2019年的制种玉米田间实验与实验室检测实测数据，包括气候数据、农业管理数据、土壤数据以及制种玉米的单株粒数、粒重、氮含量和种子活力实测值。表1为制种玉米田间实验与实验室检测实验数据的收集情况，具体可参考表1所示：
表1
本实施例基于获取到的制种玉米的单株粒数、粒重、氮含量和种子活力实测值，按照1:1比例划分为率定集与验证集，其中，以率定集中的种子单株粒数、粒重和氮含量为自变量，以种子活力实测值为响应变量，使用偏最小二乘法构建制种玉米的种子活力预测模型，公式为：
；
其中，SV为种子活力预测值；KW为制种玉米的种子粒重，单位为mg/粒；KN为制种玉米每一株的种子粒数，单位为粒/株；GNC为籽粒氮含量，单位为%。然后，使用率定集与验证集的数据，通过决定系数和归一化均方根误差，评估制种玉米的种子活力预测模型的模拟精度，图2为本发明提供的种子活力预测模型的率定过程示意图，图3为本发明提供的种子活力预测模型的验证过程示意图，模型率定和验证后的预测效果可参考图2和图3所示。
在本实施例中，基于获取到历史的气候数据、农业管理数据、土壤数据以及对应的制种玉米的种子粒数、粒重和氮含量数据，建立模拟文件并驱动APSIM模型。其中，本实施例基于上述数据构建的率定集数据，在RStudio中使用CroptimizR率定APSIM模型中制种玉米作物参数，图4为本发明提供的种子产量模拟模型对于种子粒重的率定过程示意图，图5为本发明提供的种子产量模拟模型对于单株粒数的率定过程示意图，图6为本发明提供的种子产量模拟模型对于籽粒氮含量的率定过程示意图，图7为本发明提供的种子产量模拟模型对于模拟种子粒重的验证过程示意图，图8为本发明提供的种子产量模拟模型对于模拟单株粒数的验证过程示意图，图9为本发明提供的种子产量模拟模型对于模拟籽粒氮含量的验证过程示意图，种子产量模拟模型的率定和验证后的模拟效果可参考图4、图5、图6、图7、图8和图9所示。
在一实施例中，基于收集的所有历史田间实测数据，通过率定后的APSIM模型模拟输出制种玉米的种子粒重、单株粒数和氮含量为自变量，驱动制种玉米的种子活力预测模型（PLS+APSIM），并将预测得到的种子活力值，与所有实测数据进行比较，以评估其模拟精度。在本实施例中，采取不同的变量（如样本的平均值、最小值和最大值等），利用不同的模型进行种子活力值预测，包括根据样本制种作物的种子产量指标历史数据，仅通过PLS预测得到的种子活力预测值，以及根据APSIM模拟得到种子产量指标模拟数据，再利用PLS根据种子产量指标模拟数据进行种子活力值预测，从而评估模型预测效果。表2为制种玉米的种子活力实测值与种子活力预测值，如表2所示：
表2
图10为本发明提供的种子活力实测值与种子活力预测值的效果对比图，可参考图10所示，本发明提供的制种玉米的种子活力预测模型与APSIM模型相结合的评估方法，可以对制种玉米的种子活力进行快速预测，且精度较高，相比仅基于偏最小二乘法构建的制种玉米种子活力预测模型进行种子活力值预测，可以减少测量制种玉米的种子粒数、粒重和含氮量的工作，且二者模拟精度相似。
本发明提供的种子活力预测方法，通过模拟制种玉米的种子粒重、单株粒数和氮含量，结合种子活力预测模型，评价不同时间、区域和农业管理条件下的制种玉米的种子活力，极大减少了种子活力检测工作的人力物力财力投入，实现制种玉米种子的活力精确、快速评价。
下面对本发明提供的种子活力预测***进行描述，下文描述的种子活力预测***与上文描述的种子活力预测方法可相互对应参照。
图11为本发明提供的种子活力预测***的结构示意图，如图11所示，本发明提供了一种种子活力预测***，包括实测数据获取模块1101、种子产量指标模拟模块1102和种子活力预测模块1103，其中，实测数据获取模块1101用于获取目标时间段内目标田间区域的环境实测数据；种子产量指标模拟模块1102用于根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；种子活力预测模块1103用于根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
本发明提供的种子活力预测***，通过获取目标田间区域的环境实测数据，对制种作物的种子产量指标数据进行模拟，得到制种作物对应的种子产量指标模拟数据，进而根据种子产量指标模拟数据，预测制种作物的种子活力预测值，无需进行大量的田间测量与实验室检测工作，即可实现对制种作物的种子活力进行准确且快速的评估。
本发明提供的***是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图12为本发明提供的电子设备的结构示意图，如图12所示，该电子设备可以包括：处理器（Processor）1201、通信接口（Communications Interface）1202、存储器（Memory）1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信。处理器1201可以调用存储器1203中的逻辑指令，以执行种子活力预测方法，该方法包括：获取目标时间段内目标田间区域的环境实测数据；根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
此外，上述的存储器1203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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的种子活力预测方法，该方法包括：获取目标时间段内目标田间区域的环境实测数据；根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
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实施例提供的种子活力预测方法，该方法包括：获取目标时间段内目标田间区域的环境实测数据；根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值。
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 (7)
1.一种种子活力预测方法，其特征在于，包括：
获取目标时间段内目标田间区域的环境实测数据；
根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值；
在所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的产量指标模拟数据之前，所述方法还包括：
获取所述目标田间区域在不同历史时间段内的环境实测历史数据和所述环境实测历史数据对应的样本制种作物的种子产量指标历史数据，其中，所述种子产量指标历史数据至少包括所述样本制种作物的种子粒重、单株粒数和籽粒氮含量；
基于各个所述历史时间段内的所述环境实测历史数据和所述种子产量指标历史数据，构建种子产量模拟模型；
所述根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据，包括：
基于所述种子产量模拟模型，根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
在所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值之前，所述方法还包括：
根据所述样本制种作物在不同所述历史时间段的所述种子产量指标历史数据，获取各个所述历史时间段内所述样本制种作物对应的种子活力实测值；
基于各个所述历史时间段内的所述种子产量指标历史数据和所述种子活力实测值，构建种子活力预测模型；
所述根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值，包括：
基于所述种子活力预测模型，根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值，所述种子活力预测模型的公式为：
；
其中，SV为种子活力预测值；KW为制种作物的种子粒重，单位为mg/粒；KN为制种作物每一株的种子粒数，单位为粒/株；GNC为籽粒氮含量，单位为%；所述制种作物为制种玉米。
2.根据权利要求1所述的种子活力预测方法，其特征在于，所述获取目标时间段内目标田间区域的环境实测数据，包括：
基于所述制种作物在目标田间区域的播种时间，确定所述目标时间段；
通过所述目标时间段内所述目标田间区域的田间数据、气候数据、土壤数据和农业管理数据，获取所述环境实测数据。
3.根据权利要求1所述的种子活力预测方法，其特征在于，所述方法还包括：
基于决定系数和归一化均方根误差，分别对所述种子产量模拟模和所述种子活力预测模型进行评估，若评估结果满足预设阈值，得到目标种子产量模拟模型和目标种子活力预测模型，以通过所述目标种子产量模拟模型和所述目标种子活力预测模型进行种子活力预测。
4.根据权利要求1至3任一项所述的种子活力预测方法，其特征在于，在所述获取目标时间段内目标田间区域的环境实测数据之后，所述方法还包括：
对所述环境实测数据进行预处理，得到预处理后的环境实测数据，以通过所述预处理后的环境实测数据进行种子活力预测。
5.一种种子活力预测***，其特征在于，包括：
实测数据获取模块，用于获取目标时间段内目标田间区域的环境实测数据；
种子产量指标模拟模块，用于根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
种子活力预测模块，用于根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值；
所述***还用于：
获取所述目标田间区域在不同历史时间段内的环境实测历史数据和所述环境实测历史数据对应的样本制种作物的种子产量指标历史数据，其中，所述种子产量指标历史数据至少包括所述样本制种作物的种子粒重、单株粒数和籽粒氮含量；
基于各个所述历史时间段内的所述环境实测历史数据和所述种子产量指标历史数据，构建种子产量模拟模型；
所述种子产量指标模拟模块具体用于：
基于所述种子产量模拟模型，根据所述环境实测数据，对所述目标田间区域中制种作物的种子产量指标数据进行模拟，得到所述制种作物对应的种子产量指标模拟数据；
所述***还用于：
根据所述样本制种作物在不同所述历史时间段的所述种子产量指标历史数据，获取各个所述历史时间段内所述样本制种作物对应的种子活力实测值；
基于各个所述历史时间段内的所述种子产量指标历史数据和所述种子活力实测值，构建种子活力预测模型；
所述种子活力预测模块具体用于：
基于所述种子活力预测模型，根据所述种子产量指标模拟数据，对所述制种作物的种子活力进行预测，得到所述制种作物的种子活力预测值，所述种子活力预测模型的公式为：
；
其中，SV为种子活力预测值；KW为制种作物的种子粒重，单位为mg/粒；KN为制种作物每一株的种子粒数，单位为粒/株；GNC为籽粒氮含量，单位为%；所述制种作物为制种玉米。
6.一种电子设备，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计算机程序时实现如权利要求1至4任一项所述种子活力预测方法。
7.一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4任一项所述种子活力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695296.2A CN116485040B (zh) | 2023-06-13 | 2023-06-13 | 种子活力预测方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310695296.2A CN116485040B (zh) | 2023-06-13 | 2023-06-13 | 种子活力预测方法、***、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116485040A CN116485040A (zh) | 2023-07-25 |
| CN116485040B true CN116485040B (zh) | 2023-09-08 |
Family
ID=87219842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310695296.2A Active CN116485040B (zh) | 2023-06-13 | 2023-06-13 | 种子活力预测方法、***、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485040B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542443B (zh) * | 2023-09-27 | 2024-05-24 | 中国农业大学 | 权衡产量缓解氮污染的方法、装置和电子设备 |
| CN117744891A (zh) * | 2024-02-08 | 2024-03-22 | 北京市农林科学院智能装备技术研究中心 | 种子引发效果预测方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104237232A (zh) * | 2013-06-24 | 2014-12-24 | 北京林业大学 | 基于红外热图像的林木种子活力快速检测*** |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
| KR20200056520A (ko) * | 2018-11-14 | 2020-05-25 | 아이티컨버젼 주식회사 | 클라우드 기반 토마토 생육진단 및 생산성 예측 방법 |
| CN111328496A (zh) * | 2020-03-07 | 2020-06-26 | 浙江省农业科学院 | 一种向日葵种子活力的测定方法 |
| WO2020209710A1 (en) * | 2019-04-09 | 2020-10-15 | Sime Darby Plantation Intellectual Property Sdn. Bhd. | Process for monitoring oil palm seed processes by tracking and tracing movement of oil palm fresh fruit bunches (ffb) harvested from oil palm mother palms and male inflorescences harvested from oil palm father palms |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司（Cn） | 作物产量估测方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200250593A1 (en) * | 2017-10-26 | 2020-08-06 | Basf Agro Trademarks Gmbh | Yield estimation in the cultivation of crop plants |
-
2023
- 2023-06-13 CN CN202310695296.2A patent/CN116485040B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104237232A (zh) * | 2013-06-24 | 2014-12-24 | 北京林业大学 | 基于红外热图像的林木种子活力快速检测*** |
| CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
| KR20200056520A (ko) * | 2018-11-14 | 2020-05-25 | 아이티컨버젼 주식회사 | 클라우드 기반 토마토 생육진단 및 생산성 예측 방법 |
| WO2020209710A1 (en) * | 2019-04-09 | 2020-10-15 | Sime Darby Plantation Intellectual Property Sdn. Bhd. | Process for monitoring oil palm seed processes by tracking and tracing movement of oil palm fresh fruit bunches (ffb) harvested from oil palm mother palms and male inflorescences harvested from oil palm father palms |
| CN111328496A (zh) * | 2020-03-07 | 2020-06-26 | 浙江省农业科学院 | 一种向日葵种子活力的测定方法 |
| CN112183428A (zh) * | 2020-10-09 | 2021-01-05 | 浙江大学中原研究院 | 一种小麦种植区域分割与产量预测方法 |
| CN115600771A (zh) * | 2022-12-09 | 2023-01-13 | 中化现代农业有限公司（Cn） | 作物产量估测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 种子活力测定与其作物产量因素的关系;李刚毅等;贵州农业科学;第57-60页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116485040A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116485040B (zh) | 种子活力预测方法、***、电子设备及存储介质 | |
| Doré et al. | A diagnostic method for assessing regional variations in crop yield | |
| Hochman et al. | Potential to improve on-farm wheat yield and WUE in Australia | |
| Zhang et al. | Evaluation of the APSIM-Wheat model in terms of different cultivars, management regimes and environmental conditions | |
| Ren et al. | Modeling the effects of plant density on maize productivity and water balance in the Loess Plateau of China | |
| Chisanga et al. | Evaluating CERES-Maize model using planting dates and nitrogen fertilizer in Zambia | |
| Kiniry et al. | Maize yield potential: critical processes and simulation modeling in a high-yielding environment | |
| CN110705182B (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
| Li et al. | Simulation of long-term spring wheat yields, soil organic C, N and water dynamics using DSSAT-CSM in a semi-arid region of the Canadian prairies | |
| CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
| CN115619583A (zh) | 一种复合农业气象灾害监测指标体系的构建方法 | |
| CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
| Beah et al. | Simulation of the optimum planting windows for early and intermediate-maturing maize varieties in the Nigerian savannas using the APSIM model | |
| Bebeley et al. | Evaluation and application of the CROPGRO-soybean model for determining optimum sowing windows of soybean in the Nigeria savannas | |
| CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
| CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
| Amiri et al. | Assessment of CERES-Maize model in simulating maize growth, yield and soil water content under rainfed, limited and full irrigation | |
| Pandžić et al. | Application of the self-calibrated palmer drought severity index and standardized precipitation index for estimation of drought impact on maize grain yield in Pannonian part of Croatia | |
| CN109978265B (zh) | 一种控释肥农田养分释放速率估算方法及*** | |
| CN116629117A (zh) | 一种基于网格化监测的农作物病害发生面积预测方法 | |
| Ritchie et al. | Models of kernel number in maize | |
| Hoang et al. | A robust parameter approach for estimating CERES-Rice model parameters for the Vietnam Mekong Delta | |
| Berghuijs et al. | Catching-up with genetic progress: Simulation of potential production for modern wheat cultivars in the Netherlands | |
| 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 | |
| Ramawat et al. | Simulation, validation and application of CERES-Maize model for yield maximization of maize in North Western Himalayas |
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 |