CN117391472B - 一种用于小麦生育期预测的装置、方法及其应用 - Google Patents
一种用于小麦生育期预测的装置、方法及其应用 Download PDFInfo
- Publication number
- CN117391472B CN117391472B CN202311397473.5A CN202311397473A CN117391472B CN 117391472 B CN117391472 B CN 117391472B CN 202311397473 A CN202311397473 A CN 202311397473A CN 117391472 B CN117391472 B CN 117391472B
- Authority
- CN
- China
- Prior art keywords
- period
- wheat
- variety
- physiological
- formula
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 180
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 180
- 230000012010 growth Effects 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000005855 radiation Effects 0.000 claims abstract description 97
- 238000009825 accumulation Methods 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 206010057040 Temperature intolerance Diseases 0.000 claims abstract description 10
- 230000008543 heat sensitivity Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 42
- 238000011161 development Methods 0.000 claims description 29
- 230000018109 developmental process Effects 0.000 claims description 29
- 241000219000 Populus Species 0.000 claims description 22
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 14
- 238000009331 sowing Methods 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 239000012636 effector Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 claims 21
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 14
- 230000008542 thermal sensitivity Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000035800 maturation Effects 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000006578 abscission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101100005554 Mus musculus Ccl20 gene Proteins 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 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
- 230000008635 plant growth Effects 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明属于预测目的的处理***或方法领域,具体公开一种用于小麦生育期预测的装置、方法及其应用,所要解决的技术问题是如何准确预测小麦的生育期。本发明公开的预测小麦生育期的装置包括:M1、每日辐热积模块;M2、每日热敏感性模块;M3、每日生理辐热积模块;M4、生理辐热积模块;M5、所需的生理辐热积计算模块和M6、生育期预测模块。本发明还公开了预测小麦生育期的方法和用于执行所述方法的存储有计算机程序的计算机可读存储介质,以及所述装置、所述方法和所述计算机可读存储介质在指导小麦生产中的应用。本发明能针对不同的小麦品种,在不同的环境和技术条件下作出更精准生育期的预测,从而更好地指导农业生产实践。
Description
技术领域
本发明属于预测目的的处理***或方法领域,具体涉及一种用于小麦生育期预测的装置、方法及其应用。
背景技术
小麦是主要的粮食作物之一,准确地预测小麦生育期(例如:顶小穗形成期、抽穗期、开花期、灌浆期、成熟期等)对于合理安排种植、施肥、灌溉以及病虫害防治等农事操作至关重要。
小麦生育期计算模型基于植物生长原理和数学建模技术,旨在模拟和预测不同环境条件和管理措施下不同小麦品种的关键生育期。目前现有的小麦生长模型,采用目标热时间(如APSIM和CERES-Wheat模型)或生理发育时间(如WheatGrow模型)来度量小麦发育阶段。上述模型考虑了小麦生长发育过程中温度和光周期的影响,然而它们尚未考虑光照强度这一因素,使得模型对小麦生育期的预测不够准确。
发明内容
本发明所要解决的技术问题是如何准确预测小麦的生育期。
充足的光照可以促进叶片的光合作用,提供能量供给,加速小麦各器官的生长速率,推进生育进程。辐热积综合考虑了温度和光照强度,是一种综合的光温指标。为解决现有技术中存在的对小麦生育期的预测不够准确的问题,本发明将辐热积与小麦的光周期反应、春化等生理过程结合,针对不同小麦品种,构建了以生理辐热积为尺度的小麦生育期预测模型。通过这一模型,更好地模拟小麦发育过程及其与环境和技术的动态关系,对于不同的小麦品种、在不同的环境和技术条件下作出更精准生育期的预测,从而更好地指导农业生产实践。
本发明首先提供一种预测小麦生育期的装置:
M1、每日辐热积模块,用于获取目标小麦品种的每日辐热积;
所述每日辐热积采用公式1、公式2和公式3计算获得;
所述DTEP为每日辐热积(Daily accumulated product of thermaleffectiveness and PAR,DTEP),单位为MJ/m2/d;所述RTE为每日相对热效应(RelativeThermal Effectiveness,RTE),无量纲,范围在0-1之间;所述PAR为光合有效辐射(photosynthetically active radiation,PAR),单位为MJ/m2/d,由所述气象数据中的太阳辐射乘以转换因子0.5得到;
所述RTEj表示温度为Tj时的相对热效应,由小麦发育的三基点温度Tb、To和Tm、小麦品种对温度的敏感性TS以及气温Tj计算得到,无量纲;所述表示数学中的圆周率,取值3.14;采用时段法计算温度,将一天24小时平均分为八个时段,每个时段为三小时,每个时段计算一次温度,所述Tj为一天中某时段的温度,单位为℃;Tj可采用公式4和公式5计算:
所述Tfac为影响各时段温度的权重系数,每个时段权重不同,无量纲;所述I表示一天中的第几个时段,如I=1时,表示第1个时段,其取值为,8;所述Tmin为每日最低气温,所述Tmax为每日最高气温,由所述气象数据获取得到,单位为℃;
所述TS为品种参数,表示品种的温度敏感性(Temperature sensibility,TS),无量纲,其范围为0.0-8.0;
所述小麦发育的三基点温度,即小麦生长发育阶段的最低温Tb、小麦生长发育阶段的最适温To和小麦生长发育阶段的最高温Tm在各个生长发育阶段的取值不同:
Tb为小麦生长发育阶段的最低温,To为小麦生长发育阶段的最适温,Tm为小麦生长发育阶段的最高温,Tb、To和Tm是小麦发育的三基点温度,在各个生长发育阶段的取值不同:
出苗期至二棱期的Tb为0.0℃,To为20.0℃,Tm为32.0℃;
二棱期后至抽穗期的Tb为3.3℃,To为22.0℃,Tm为32.0℃;
抽穗期后至灌浆期的Tb为8.0℃,To为25.0℃,Tm为35.0℃;
灌浆期后至成熟期的Tb为8.0℃,To为26.0℃,Tm为35.0℃;
M2、每日热敏感性模块,用于获取目标小麦品种的每日热敏感性;
所述每日热敏感性采用公式6-公式20计算获得;
所述DTS为每日热敏感性(Daily Thermal Sensitivity,DTS),无量纲,范围在0-1之间;所述RPE为每日相对光周期效应(Relative photoperiod effectiveness),无量纲,范围在0-1之间,通过小麦品种的光周期敏感性PS以及日长DL计算得到;所述VP为春化进程(Vernalization Progress,VP),无量纲,范围在0-1之间,由小麦品种的生理春化时间PVT、小麦春化温度以及气温计算得到;所述VD为小麦春化天数(Vernalization Days,VD),单位为天(d);所述PVT表示生理春化时间(Physiological Vernalization Time,PVT),为品种参数,单位为天(d),其范围为0-60 d,极强春性的品种为0 d,极强冬性的品种为60 d;所述PTEP为生理辐热积,单位为MJ/m2,所述PTEP_TS为从出苗时间开始到顶小穗形成期的生理辐热积,所述PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;所述PS为品种参数,表示品种的光周期敏感性(Photoperiod sensitivity,PS),无量纲,其范围为0.0001-0.0100;DL表示日长(Day length,DL),即一天中白天的时长,单位为小时(h);所述RVEj为温度为Tj时的春化效应值(Relative Vernalization Effectiveness,RVE),单位为天;所述vef表示春化效应因子(Vernalization factor, vef);所述Tbv为小麦春化最低温,设置为-1℃;所述Tol为小麦春化最适下限温度,设置为1℃;所述Tou为小麦春化最适上限温度,单位为℃,所述Tmv为小麦春化最高温,单位为℃;所述DVE表示每日春化效应(Daily VernalizationEffectiveness,DVE),单位为天,范围在0-1之间;所述DEVEj表示温度为Tj时的脱春化效应值,单位为天;所述DDEVE表示每日脱春化效应(Daily Devernalization VernalizationEffectivieness,DDEVE),单位为天;所述VD1表示春化前期的累积春化天数,受到春化和脱春化的共同影响;单位为天(d);所述VD2表示春化后期的累积春化天数,只受到春化的影响,单位为天(d);
所述日长DL可通过公式8、公式9和公式10计算:
所述DEC和所述DLV为计算所述日长DL的中间变量;所述DOY为儒历日(Day ofyear,DOY),即一年中的第一天;所述LAT为纬度,单位为°;
M3、每日生理辐热积模块,用于获取目标小麦品种的每日生理辐热积;
所述每日生理辐热积采用公式21计算获得;
所述DPTEP为每日生理辐热积,单位为MJ/m2/d;所述IE为品种参数,表示品种的基本早熟性,无量纲,其范围为0.1-1.5;所述FDF为品种参数,表示品种的基本灌浆因子,无量纲,其范围为0.1-1.5;所述PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;所述PTEP_GF为从出苗时间开始到灌浆期的生理辐热积;所述PTEP_MT为从出苗时间开始到成熟期的生理辐热积;
M4、生理辐热积模块,用于获取目标小麦品种的生理辐热积;
所述生理辐热积采用公式22计算获得;
所述PTEP为生理辐热积,单位为MJ/m2;
M5、小麦从出苗期到其他生育期所需的生理辐热积的计算;
根据目标小麦品种的生育期数据、所述生育期对应的气象数据和所述生育期对应的管理措施数据利用M1、M2、M3和M4这四个模块计算小麦从出苗期到其他生育期所需的生理辐热积;
M6、生育期预测模块,用于目标小麦品种的生育期预测;
所述目标小麦品种的生育期预测,包括根据目标小麦品种的生育期数据、所述生育期对应的气象数据和所述生育期对应的管理措施数据利用M1、M2、M3和M4这四个模块优化品种参数得到品种参数的取值,所述品种参数为IE、FDF、TS、PS和PVT;根据所述品种参数的取值,利用所述所需的生理辐热积和所述四个模块以及当年的播种日期和预报的气象数据预测所述目标小麦品种的生育期。
上述装置中,所述气象数据包括每日最高气温(Tmax,单位℃)、每日最低气温(Tmin,单位℃)、每日降雨量(Rain,单位mm)和每日太阳辐射(Srad,单位MJ/m2/d)等。
上述装置中,所述管理措施数据为实测生育期时的管理措施数据,包括种植地点经纬度、播期和出苗日期、品种名称和种植年份等。
上述装置中,所述其他生育期为除出苗期外的生育期,具体可为二棱期、顶小穗形成期、拔节期、孕穗期、抽穗期、开花期、灌浆期和成熟期中的任一个或多个。
上述装置中,M5所述小麦从出苗期到其他生育期所需的生理辐热积为下述任一或多个:
X1、从出苗期到二棱期的生理辐热积为47 MJ/m2;
X2、从出苗期到顶小穗形成期的生理辐热积为76 MJ/m2;
X3、从出苗期到拔节期的生理辐热积为76 MJ/m2;
X4、从出苗期到孕穗期的生理辐热积为137 MJ/m2;
X5、从出苗期到抽穗期的生理辐热积为185 MJ/m2;
X6、从出苗期到开花期的生理辐热积为223 MJ/m2;
X7、从出苗期到灌浆期的生理辐热积为314 MJ/m2;
X8、从出苗期到成熟期的生理辐热积为476 MJ/m2。
上述装置中,M6所述品种参数的取值为下述任一:
A1、所述目标品种为扬麦16,所述IE为0.80,所述FDF为1.05,所述TS为1.20,所述PS为0.0040,所述PVT为12天;
A2、所述目标品种为杨麦158,所述IE为0.70,所述FDF为0.78,所述TS为1.00,所述PS为0.0020,所述PVT为12天;
A3、所述目标品种为杨麦14,所述IE为0.79,所述FDF为0.78,所述TS为1.10,所述PS为0.0033,所述PVT为16天;
A4、所述目标品种为杨麦15,所述IE为0.82,所述FDF为0.82,所述TS为1.18,所述PS为0.0030,所述PVT为24天;
A5、所述目标品种为杨麦20,所述IE为0.75,所述FDF为0.97,所述TS为1.20,所述PS为0.0033,所述PVT为27天;
A6、所述目标品种为杨麦22,所述IE为0.90,所述FDF为1.00,所述TS为1.25,所述PS为0.0050,所述PVT为19天;
A7、所述目标品种为杨麦23,所述IE为0.85,所述FDF为1.05,所述TS为1.20,所述PS为0.0045,所述PVT为25天;
A8、所述目标品种为宁麦13,所述IE为0.90,所述FDF为1.20,所述TS为1.70,所述PS为0.0037,所述PVT为16天;
A9、所述目标品种为新麦45,所述IE为0.75,所述FDF为0.78,所述TS为1.25,所述PS为0.0050,所述PVT为25天;
A10、所述目标品种为新麦29,所述IE为0.90,所述FDF为1.10,所述TS为3.50,所述PS为0.0008,所述PVT为18天。
本发明还提供预测小麦生育期的方法,所述方法包括:
S1、获取小麦生育期的品种信息数据和实测数据;所述实测数据包括实测的生育期数据、所述生育期对应的气象数据和所述生育期对应的管理措施数据;
S2、以S1采集的实测数据,计算小麦从出苗期到其他生育期所需的生理辐热积并优化品种参数得到品种参数的取值;包括如下步骤:
S2-1、采用上述M1中的公式1、公式2、公式3、公式4和公式5获取目标小麦品种的每日辐热积;
S2-2、采用上述M2中的公式6-公式20获取目标小麦品种的每日热敏感性;
S2-3、采用上述M3中的公式21获取目标小麦品种每日生理辐热积;
S2-4、采用上述M4中的公式22获取目标小麦品种的生理辐热积;
S2-5、根据S1所述实测数据利用S2-1、S2-2、S2-3和S2-4四个步骤计算小麦从出苗期到其他生育期所需的生理辐热积;
S2-6、根据目标小麦品种的S1所述实测数据利用S2-1、S2-2、S2-3和S2-4四个四个步骤优化品种参数得到品种参数的取值,所述品种参数为IE、FDF、TS、PS和PVT;
S3、根据S2所述品种参数的取值和所述小麦从出苗期到其他生育期所需的生理辐热积,以所述S2-1、S2-2、S2-3和S2-4四个步骤,以及目标小麦品种当年的播种日期和预报的气象数据,预测所述目标小麦品种的生育期。
上述方法中,所述品种信息数据包括目标品种的春化特性、成熟期特性、灌浆特性等。
上述方法中,所述气象数据包括每日最高气温(Tmax,单位℃)、每日最低气温(Tmin,单位℃)、每日降雨量(Rain,单位mm)和每日太阳辐射(Srad,单位MJ/m2/d)等。
上述方法中,所述管理措施数据为实测生育期时的管理措施数据,包括种植地点经纬度、播期和出苗日期、品种名称和种植年份等。
上述方法中,所述其他生育期为除出苗期外的生育期,具体可为二棱期、顶小穗形成期、拔节期、孕穗期、抽穗期、开花期、灌浆期和成熟期中的任一个或多个。
上述方法中,S5所述小麦从出苗期到其他生育期所需的生理辐热积为下述任一或多个:
Y1、从出苗期到到二棱期的生理辐热积为47 MJ/m2;
Y2、从出苗期到到顶小穗形成期的生理辐热积为76 MJ/m2;
Y3、从出苗期到到拔节期的生理辐热积为76 MJ/m2;
Y4、从出苗期到到孕穗期的生理辐热积为137 MJ/m2;
Y5、从出苗期到到抽穗期的生理辐热积为185 MJ/m2;
Y6、从出苗期到到开花期的生理辐热积为223 MJ/m2;
Y7、从出苗期到到灌浆期的生理辐热积为314 MJ/m2;
Y8、从出苗期到到成熟期的生理辐热积为476 MJ/m2。
上述方法中,所述品种参数的取值为下述任一:
B1、所述目标品种为扬麦16,所述IE为0.80,所述FDF为1.05,所述TS为1.20,所述PS为0.0040,所述PVT为12天;
B2、所述目标品种为杨麦158,所述IE为0.70,所述FDF为0.78,所述TS为1.00,所述PS为0.0020,所述PVT为12天;
B3、所述目标品种为杨麦14,所述IE为0.79,所述FDF为0.78,所述TS为1.10,所述PS为0.0033,所述PVT为16天;
B4、所述目标品种为杨麦15,所述IE为0.82,所述FDF为0.82,所述TS为1.18,所述PS为0.0030,所述PVT为24天;
B5、所述目标品种为杨麦20,所述IE为0.75,所述FDF为0.97,所述TS为1.20,所述PS为0.0033,所述PVT为27天;
B6、所述目标品种为杨麦22,所述IE为0.90,所述FDF为1.00,所述TS为1.25,所述PS为0.0050,所述PVT为19天;
B7、所述目标品种为杨麦23,所述IE为0.85,所述FDF为1.05,所述TS为1.20,所述PS为0.0045,所述PVT为25天;
B8、所述目标品种为宁麦13,所述IE为0.90,所述FDF为1.20,所述TS为1.70,所述PS为0.0037,所述PVT为16天;
B9、所述目标品种为新麦45,所述IE为0.75,所述FDF为0.78,所述TS为1.25,所述PS为0.0050,所述PVT为25天;
B10、所述目标品种为新麦29,所述IE为0.90,所述FDF为1.10,所述TS为3.50,所述PS为0.0008,所述PVT为18天。
本发明还提供存储有计算机程序的计算机可读存储介质,所述计算机程序使计算机执行如上述预测小麦生育期的方法的步骤。
本发明还提供上述预测小麦生育期的装置在指导小麦生产中的应用。
本发明还提供上述预测小麦生育期的方法在指导小麦生产中的应用。
本发明还提供上述存储有计算机程序的计算机可读存储介质在指导小麦生产中的应用。
本发明与现有技术相比,有益效果为:
本发明综合了环境条件、品种特性、管理措施的因素,将辐热积与小麦的光周期反应、春化等生理过程结合,构建了以生理辐热积为尺度的小麦生育期计算模型。通过这一模型,更好地模拟小麦发育过程及其与环境和技术的动态关系;对于不同的小麦品种、在不同的环境和技术条件下作出更精准生育期的预测,从而更好地指导农业生产实践。
附图说明
图1为本发明基于辐热积和品种特性的小麦生育期预测方法的技术路线图。
图2为本发明实施例1中2005年-2006年东台市每日最高气温和每日最低气温数据图,其中,Tmax为每日最高气温,Tmin为每日最低气温。
图3为本发明实施例1中2005年-2006年东台市每日降雨量和每日太阳辐射数据图。
图4为本发明实施例1中小麦品种扬麦16、杨麦158、杨麦14、杨麦15、杨麦20、杨麦22、杨麦23、宁麦13、新麦45和新麦29的模型校正预测值与实测值1比1图。其中,图4的a为拔节期的校正结果;图4的b为抽穗期的校正结果;图4的c为拔节期的验证结果;图4的d为抽穗期的验证结果;图4的e为开花期的校正结果;图4的f为成熟期的校正结果;图4的g为抽穗期的验证结果;图4的h为成熟期的验证结果。
图5为本发明实施例1中采集的管理措施数据。
图6为本发明实施例1中采集的不同播期下各品种的各个生育期实测值。其中“/”表示值缺失;数据用途为“校正”的数据构成校正数据集,数据用途为“验证”的数据构成验证数据集。
图7为本发明实施例1中小麦生长发育阶段的三基点温度。
图8为本发明实施例1中不同春化特性小麦品种的春化基点温度。
图9为本发明实施例1中小麦生育期计算模型品种参数表。
图10为本发明实施例1中模型的品种参数。
图11为本发明实施例1中小麦拔节期、抽穗期、开花期和成熟期模型校正的均方根误差(RMSE)。
图12为本发明实施例1中小麦拔节期、抽穗期、开花期和成熟期模型验证的均方根误差(RMSE)。
具体实施方式
下面结合具体实施方式对本发明进行进一步的详细描述,给出的实施例仅为了阐明本发明,而不是为了限制本发明的范围。以下提供的实施例可作为本技术领域普通技术人员进行进一步改进的指南,并不以任何方式构成对本发明的限制。
下述实施例中的实验方法,如无特殊说明,均为常规方法,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
实施例1 :
本实施例中,以扬麦16、杨麦158、杨麦14、杨麦15、杨麦20、杨麦22、杨麦23、宁麦13、新麦45、新麦29共10个品种的生育期预测为例进一步阐述本发明的技术方案。本实施例的基于辐热积和品种特性的小麦生育期预测方法的流程如图1所示,包括:
S1、获取小麦生育期的品种信息数据和实测数据;所述实测数据包括实测的生育期数据、所述生育期对应的气象数据和所述生育期对应的管理措施数据;
所述品种信息数据包括目标品种的春化特性、成熟期特性、灌浆特性等。
所述生育期具体为二棱期、顶小穗形成期、拔节期、孕穗期、抽穗期、开花期、灌浆期和成熟期中的任一个或多个。
所述气象数据为实测生育期时当地对应时段的气象数据,包括每日最高气温(Tmax,单位℃)、每日最低气温(Tmin,单位℃)、每日降雨量(Rain,单位mm)和每日太阳辐射(Srad,单位MJ/m2/d)。
所述管理措施数据为实测生育期时的管理措施数据,包括种植地点经纬度、播期和出苗日期、品种名称和种植年份。
本实施例采集了4组实测生育期数据、相应气象数据和相应管理措施数据,具体为通过文献资料“陈俊才,汤顺英,孙敬东,李亚伟,林佩佩,黄秀芳,朱阳林,播期与密度对扬麦 16号子粒产量和生育期及抗逆性的影响,作物杂志,2007,(5)34-36”、“张艳,刘田,刘福来,韩春龙,不同氮素营养和密度对扬麦16生育期及产量的影响,农业科技通讯,2014,(12)71-74”、“王慧,朱冬梅,王君婵,陈明,张晓,高德荣,扬麦16耐迟播早熟特性研究,麦类作物学报,2016,36(12):1657-1666”、和“王红灿,李好中,郭文婵,刘晓宇,河南省新乡市小麦极限晚播试验研究,中国种业,2023,(3)80-84”获取扬麦16、杨麦158、杨麦14、杨麦15、杨麦20、杨麦22、杨麦23、宁麦13、新麦45和新麦29共10个品种的种植地点、播期等相应管理措施数据(见图5),以及实测出苗期、拔节期、抽穗期、开花期和成熟期等实测生育期数据(见图6)。
本实施例中将生育期的实测数据集划分为校正数据集和验证数据集,划分比例约为2:1,即将同一品种的生育期实测数据平均分成3份,其中2份用于模型的品种参数校正,剩余1份生育期实测数据用于验证,验证时输入的模型品种参数由校正过程得到,数据的具体划分情况见图6,其中“/” 表示值缺失;数据用途为“校正”的数据构成校正数据集,数据用途为“验证”的数据构成验证数据集。
选用试验所在地就近的国家气象站点的气象数据,例如试验地江苏省扬州市采用江苏省南京市气象站点的数据,江苏省姜堰市和如皋市采用江苏省东台市气象站数据,河南省新乡市采用河南省郑州市的气象数据。各站点的气象数据通过美国国家海洋和大气管理局(https://www.ncei.noaa.gov/pub/data/noaa/isd-lite/)获取,包括每日最高气温(Tmax,单位℃)、每日最低气温(Tmin,单位℃)、每日降雨量(Rain,单位mm);通过美国航空航天局(https://power.larc.nasa.gov/data-access-viewer/)获取相同站点相同时段的每日太阳辐射(Srad,单位MJ/m2/d)。每日最高气温和每日最低气温见图2,每日降雨量和每日太阳辐射见图3。
S2、以S1采集的实测数据,利用S2-1、S2-2、S2-3和S2-4这四个步骤优化品种参数得到品种参数的取值;
S2-1、采用公式1、公式2、公式3、公式4和公式5获取目标小麦品种的每日辐热积;
式中,DTEP为每日辐热积(Daily accumulated product of thermaleffectiveness and PAR,DTEP),单位为MJ/m2/d;RTE为每日相对热效应(RelativeThermal Effectiveness,RTE),无量纲;PAR为光合有效辐射(photosynthetically activeradiation,PAR),单位为MJ/m2/d,由气象数据中的太阳辐射(Srad,单位为MJ/m2/d)乘以转换因子0.5得到;
采用公式2计算所述RTE(每日相对热效应):
式中,RTE为每日相对热效应,无量纲,范围在0-1之间;RTEj表示温度为Tj时的相对热效应,无量纲;
采用公式3计算所述RTEj:
式中,RTEj表示温度为Tj时的相对热效应,无量纲;采用时段法计算温度,将一天24小时平均分为八个时段,每个时段为三小时,每个时段计算一次温度,所述Tj为一天中某时段的温度,单位为℃;Tb、To、Tm分别为小麦生长发育阶段的最低温、最适温和最高温,各个发育阶段有所不同,具体见图7,单位为℃;TS为品种参数,表示品种的温度敏感性(Temperature sensibility,TS),无量纲;
采用公式4计算所述Tj:
式中,采用时段法计算温度,将一天24小时平均分为八个时段,每个时段为三小时,每个时段计算一次温度,所述Tj为一天中某时段的温度,单位为℃;Tfac为影响各时段温度的权重系数,每个时段权重不同,无量纲;Tmin为每日最低气温,Tmax为每日最高气温,由气象数据获取得到,单位为℃;
采用公式5计算所述Tfac:
式中,采用时段法计算温度,将一天24小时平均分为八个时段,每个时段为三小时,每个时段计算一次温度,所述Tj为一天中某时段的温度,单位为℃;所述I表示一天中的第几个时段,如I=1时,表示第1个时段,其取值为,8;Tfac为权重系数,每个时段权重不同,无量纲;Tmin为每日最低气温、Tmax为每日最高气温,由气象数据获取得到,单位为℃。
S2-2、采用公式6-公式20获取目标小麦品种的每日热敏感性;
采用公式6计算每日热敏感性DTS:
式中,DTS为每日热敏感性(Daily Thermal Sensitivity,DTS),无量纲,范围在0-1之间;RPE为每日相对光周期效应(Relative photoperiod effectiveness),无量纲;VP为春化进程(Vernalization Progress,VP),无量纲;VD为小麦春化天数(VernalizationDays,VD),单位为天(d);PVT表示生理春化时间(Physiological Vernalization Time,PVT),为品种参数,单位为天(d),其范围为0-60 d,极强春性的品种为0 d,极强冬性的品种为60 d;PTEP为生理辐热积,单位为MJ/m2,PTEP_TS为从出苗时间开始到顶小穗形成期的生理辐热积,PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;
采用公式7计算所述每日相对光周期效应RPE:
式中,RPE为每日相对光周期效应,无量纲,范围在0-1之间;PS为品种参数,表示品种的光周期敏感性(Photoperiod sensitivity,PS),无量纲;DL表示日长(Day length,DL),即一天中白天的时长,单位为小时(h)。
采用公式8、公式9和公式10计算所述日长DL:
式中,DEC、DLV为计算日长DL的中间变量;DOY为儒历日(Day of year,DOY),即一年中的第一天;LAT为纬度,单位为°;DL为日长,单位为小时(h)。
采用公式11、公式12、公式13、公式14和公式15计算每日春化效应DVE(DailyVernalization Effectiveness,DVE),采用公式16和公式17计算每日脱春化效应DDEVE(Daily Devernalization Vernalization Effectivieness,DDEVE),在此基础上采用公式18、公式19、公式20计算所述春化进程VP:
计算每日春化效应DVE:
式中,RVEj为温度为Tj时的春化效应值(Relative VernalizationEffectiveness,RVE),单位为天;Tj为一天中某个时段的温度,单位为℃,具体见公式4;vef表示春化效应因子(Vernalization factor, vef),由生理春化时间PVT计算得到;Tbv、Tol、Tou、Tmv分别为小麦春化最低温、小麦春化最适下限温度、小麦春化最适上限温度和小麦春化最高温,单位为℃,其中Tbv、Tol一般分别设置为-1℃和1℃,而Tou和Tmv通过生理春化时间PVT计算得到,具体示例见图8。
式中,RVEj表示温度为Tj时的春化效应值,单位为天;DVE表示每日春化效应,单位为天,范围在0-1之间。
计算每日脱春化效应DDEVE:
式中,DEVEj表示温度为Tj时的脱春化效应值(Devernalization Effectiveness,DEVE),单位为天;DDEVE表示每日脱春化效应,单位为天;将一天划分为八个时间段,Tj表示其中一个时段的温度,单位为℃,具体见公式4;PVT为生理春化时间;VD为小麦春化天数。
计算春化进程VP:
将春化进程划分为春化前期和春化后期,春化前期如遇高温可能发生脱春化效应,而春化后期不发生脱春化效应。式中,VD1表示春化前期的累积春化天数,受到春化和脱春化的共同影响;单位为天(d);VD2表示春化后期的累积春化天数,只受到春化的影响,单位为天(d);DVE表示每日春化效应;DDEVE表示每日脱春化效应;VD表示小麦春化天数;PVT表示小麦生理春化时间;VP表示春化进程,范围在0-1之间。
S2-3、采用公式21获取目标小麦品种每日生理辐热积;
式中,DPTEP为每日生理辐热积,单位为MJ/m2/d;DTEP为每日辐热积,单位为MJ/m2/d;DTS为每日热敏感性,无量纲,见公式6;IE为品种参数,表示品种的基本早熟性,无量纲;FDF为品种参数,表示品种的基本灌浆因子,无量纲;PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;PTEP_GF为从出苗时间开始到灌浆期的生理辐热积;PTEP_MT为从出苗时间开始到成熟期的生理辐热积;
S2-4、采用公式22获取目标小麦品种的生理辐热积;
式中,PTEP为生理辐热积(Physiological accumulated product of thermaleffectiveness and PAR,PTEP),单位为MJ/m2;DPTEP为每日生理辐热积(Dailyphysiological accumulated product of thermal effectiveness and PAR,DPTEP),单位为MJ/m2/d。
S2-5、所需的生理辐热积的计算;
根据S1所述实测数据利用S2-1、S2-2、S2-3和S2-4四个步骤计算小麦从出苗期到其他生育期所需的生理辐热积。
模型假定从小麦出苗期到其他生育期所需的生理辐射积是恒定的,不随品种的变化而变化。从出苗期到其他生育期所需的生理辐热积,到二棱期为a MJ/m2,到顶小穗形成期为b MJ/m2,到孕穗期为c MJ/m2,到抽穗期为d MJ/m2,到开花期为e MJ/m2,到灌浆期为fMJ/m2,到成熟期为g MJ/m2,a-g的值通过获取文献中小麦品种杨麦16的数值确定,a、b、c、d、e、f和g分别为47、76、137、185、223、314和476,另外,由于小麦的顶端发育与小麦物候期具有同步性,在小麦顶小穗形成时,小麦通常也开始进入拔节期,因此到拔节期所需的生理辐热积也为76 MJ/m2。
S2-6、根据目标小麦品种的S1所述实测数据(包含校正数据集中实测的生育期数据以及相应气象数据以及相应管理措施数据),利用S2-1、S2-2、S2-3和S2-4四个步骤优化品种参数,得到品种参数的取值,所述品种参数为IE、FDF、TS、PS和PVT。
所述品种参数包括基本早熟性IE,其范围为0.1-1.5;基本灌浆因子FDF,其范围为0.1-1.5;温度敏感性TS,其范围为0.0-8.0;光周期敏感性PS,其范围为0.0001-0.0100;生理春化时间PVT,其范围为0-60 d。具体见图9。
采用试错法进行品种参数的校正,即通过调整品种参数的值,使得小麦生育期计算模型的模拟值与S1所述实测的生育期数据不断接近,进而确定目标品种的品种参数。
本实施例依据图6中的实测的生育期数据以及相应气象数据以及相应管理措施数据,针对扬麦16等10个品种以上七个阶段的生理辐热积PTEP估算,校正后的品种参数值见图10,将其代入小麦生育期计算模型后,参数校正和验证结果见图4。
扬麦16的品种参数的数值输入所述小麦生育期计算模型,得到扬麦16的小麦生育期计算模型;
杨麦158的品种参数的数值输入所述小麦生育期计算模型,得到杨麦158的小麦生育期计算模型;
其余品种以此类推。
采用决定系数R2、均方根误差RMSE和nRMSE归一化均方根误差评价扬麦16等10个品种的小麦生育期计算模型,其中R2表示回归平方和占总离差平方和的比重,反映回归直线与样本观测值拟合优度,其值越接近1,表明模拟效果越好;RMSE表示所有观 测值与真值偏差的平方和与观测次数n比值的平方根,用来表示估测值的精度,其值越接近于0,表示模拟值与实测值愈接近,模拟效果越好,一般认为生育期的RMSE在5天以内,结果较好。nRMSE为归一化的均方根误差,表示RMSE占实测值平均值的比例,其值越接近于0,表示模拟值与实测值越接近,且一般认为nRMSE<10%以内,模型模拟的效果较好。
模型校正的结果表明,10个品种在拔节期、抽穗期、开花期和成熟期的平均RMSE分别为4.17、3.46、2.78和2.79天 ,平均nRMSE分别为3.65%、2.38%、1.85%和1.46%,平均R2均高于0.90,表明模型校正得到的品种参数能够代表该品种的生理特性,可用于后续模型的验证,具体见图4的a、b、e、f;各个品种模型校正的RMSE值见图11。
S3、根据所述品种参数的取值,以S2所述所需的生理辐热积和所述四个步骤,以及目标小麦品种当年的播种日期和气象数据,预备预测所述目标小麦品种的生育期。
在实际应用中,进行小麦生育期预测时,应当获取对应田块预报的气象数据。但由于本实施例中的实测数据来源于文献资料,其气象数据均有历史记录,因此本实施例采用验证数据集中实测的生育期数据以及相应气象数据以及相应管理措施数据进行预报准确性的验证。
模型验证的结果表明,10个品种在拔节期、抽穗期、开花期和成熟期的平均RMSE分别为2.74、2.75、2.42和2.70天,平均nRMSE分别为1.46%、2.45%、1.90%、1.34%和1.05%,平均R2均高于0.90,具体见图4的a、b、e、f,表明模型能够准确地模拟不同种植年份、不同种植地点、不同播期下的小麦拔节期、抽穗期、开花期和成熟期。各个品种模型验证的RMSE值见图12。
本发明将辐热积与小麦的光周期反应、春化等生理过程结合,构建了以生理辐热积为尺度的小麦生育期计算模型。通过这一模型,更好地模拟小麦发育过程及其与环境和技术的动态关系;对于不同的小麦品种、在不同的环境和技术条件下作出更精准生育期的预测,从而更好地指导农业生产实践。
以上对本发明进行了详述。对于本领域技术人员来说,在不脱离本发明的宗旨和范围,以及无需进行不必要的实验情况下,可在等同参数、浓度和条件下,在较宽范围内实施本发明。虽然本发明给出了特殊的实施例,应该理解为,可以对本发明作进一步的改进。总之,按本发明的原理,本申请欲包括任何变更、用途或对本发明的改进,包括脱离了本申请中已公开范围,而用本领域已知的常规技术进行的改变。按以下附带的范围,可以进行一些基本特征的应用。
Claims (5)
1.预测小麦生育期的装置,其特征在于,所述装置包括:
M1、每日辐热积模块,用于获取目标小麦品种的每日辐热积;
所述每日辐热积采用公式1、公式2和公式3计算获得;
公式1,
公式2,
公式3,
所述DTEP为每日辐热积,单位为MJ/m2/d;所述RTE为每日相对热效应,无量纲,范围在0-1之间;所述PAR为光合有效辐射,单位为MJ/m2/d,由气象数据中的太阳辐射乘以转换因子0.5得到;所述RTEj表示温度为Tj时的相对热效应,无量纲;所述表示数学中的圆周率,取值3.14;所述Tj为一天中某时段的温度,单位为℃,所述时段为三小时;TS为品种参数,表示品种的温度敏感性,无量纲,其范围为0.0-8.0;Tb为小麦生长发育阶段的最低温,To为小麦生长发育阶段的最适温,Tm为小麦生长发育阶段的最高温,Tb、To和Tm是小麦发育的三基点温度,在各个生长发育阶段的取值不同:
出苗期至二棱期的Tb为0.0℃,To为20.0℃,Tm为32.0℃;
二棱期后至抽穗期的Tb为3.3℃,To为22.0℃,Tm为32.0℃;
抽穗期后至灌浆期的Tb为8.0℃,To为25.0℃,Tm为35.0℃;
灌浆期后至成熟期的Tb为8.0℃,To为26.0℃,Tm为35.0℃;
M2、每日热敏感性模块,用于获取目标小麦品种的每日热敏感性;
所述每日热敏感性采用公式6、公式7、公式11-公式20计算获得;
公式6,
公式7,
公式11,
公式12,
公式13,
公式14,
公式15,
公式16,
公式17,
公式18,
公式19,
公式20,
所述DTS为每日热敏感性,无量纲,范围在0-1之间;所述RPE为每日相对光周期效应,无量纲,范围在0-1之间;所述VP为春化进程,无量纲,范围在0-1之间;所述VD为小麦春化天数,单位为天;所述PVT表示生理春化时间,为品种参数,单位为天,其范围为0-60 天;所述PTEP为生理辐热积,单位为MJ/m2,所述PTEP_TS为从出苗时间开始到顶小穗形成期的生理辐热积,所述PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;所述PS为品种参数,表示品种的光周期敏感性,无量纲,其范围为0.0001-0.0100;DL表示日长,单位为小时;所述RVEj为温度为Tj时的春化效应值,单位为天;所述vef表示春化效应因子;所述Tbv为小麦春化最低温,设置为-1℃;所述Tol为小麦春化最适下限温度,设置为1℃;所述Tou为小麦春化最适上限温度,单位为℃,所述Tmv为小麦春化最高温,单位为℃;所述DVE表示每日春化效应,单位为天,范围在0-1之间;所述DEVEj表示温度为Tj时的脱春化效应值,单位为天;所述DDEVE表示每日脱春化效应,单位为天;所述VD1表示春化前期的累积春化天数,受到春化和脱春化的共同影响;单位为天;所述VD2表示春化后期的累积春化天数,只受到春化的影响,单位为天;
M3、每日生理辐热积模块,用于获取目标小麦品种的每日生理辐热积;
所述每日生理辐热积采用公式21计算获得;
公式21,
所述DPTEP为每日生理辐热积,单位为MJ/m2/d;所述IE为品种参数,表示品种的基本早熟性,无量纲,其范围为0.1-1.5;所述FDF为品种参数,表示品种的基本灌浆因子,无量纲,其范围为0.1-1.5;所述PTEP_HD为从出苗时间开始到抽穗期的生理辐热积;PTEP_GF为从出苗时间开始到灌浆期的生理辐热积;所述PTEP_MT为从出苗时间开始到成熟期的生理辐热积;
M4、生理辐热积模块,用于获取目标小麦品种的生理辐热积;
所述生理辐热积采用公式22计算获得;
公式22,
M5、所需的生理辐热积计算模块;
根据目标小麦品种的生育期数据、生育期对应的气象数据和生育期对应的管理措施数据利用M1、M2、M3和M4这四个模块计算小麦从出苗期到其他生育期所需的生理辐热积;
所述气象数据为每日最高气温、每日最低气温、每日降雨量和每日太阳辐射;
所述管理措施数据为种植地点经纬度、播期和出苗日期、品种名称和种植年份;
所述其他生育期为二棱期、顶小穗形成期、拔节期、孕穗期、抽穗期、开花期、灌浆期和成熟期中的任一个或多个;
M6、生育期预测模块,用于目标小麦品种的生育期预测;
所述目标小麦品种的生育期预测包括根据目标小麦品种的生育期数据、生育期对应的气象数据和生育期对应的管理措施数据利用M1、M2、M3和M4这四个模块优化品种参数得到品种参数的取值,所述品种参数为所述IE、所述FDF、所述TS、所述PS和所述PVT;根据所述品种参数的取值,利用所述所需的生理辐热积和所述四个模块以及当年的播种日期和预报的气象数据预测所述目标小麦品种的生育期。
2.根据权利要求1所述的装置,其特征在于,M5所述小麦从出苗期到其他生育期所需的生理辐热积为下述任一或多个:
X1、从出苗期到二棱期的生理辐热积为47 MJ/m2;
X2、从出苗期到顶小穗形成期的生理辐热积为76 MJ/m2;
X3、从出苗期到拔节期的生理辐热积为76 MJ/m2;
X4、从出苗期到孕穗期的生理辐热积为137 MJ/m2;
X5、从出苗期到抽穗期的生理辐热积为185 MJ/m2;
X6、从出苗期到开花期的生理辐热积为223 MJ/m2;
X7、从出苗期到灌浆期的生理辐热积为314 MJ/m2;
X8、从出苗期到成熟期的生理辐热积为476 MJ/m2。
3.根据权利要求1或2所述的装置,其特征在于,M6所述品种参数的取值为下述任一:
A1、所述目标小麦品种为扬麦16,所述IE为0.80,所述FDF为1.05,所述TS为1.20,所述PS为0.0040,所述PVT为12天;
A2、所述目标小麦品种为杨麦158,所述IE为0.70,所述FDF为0.78,所述TS为1.00,所述PS为0.0020,所述PVT为12天;
A3、所述目标小麦品种为杨麦14,所述IE为0.79,所述FDF为0.78,所述TS为1.10,所述PS为0.0033,所述PVT为16天;
A4、所述目标小麦品种为杨麦15,所述IE为0.82,所述FDF为0.82,所述TS为1.18,所述PS为0.0030,所述PVT为24天;
A5、所述目标小麦品种为杨麦20,所述IE为0.75,所述FDF为0.97,所述TS为1.20,所述PS为0.0033,所述PVT为27天;
A6、所述目标小麦品种为杨麦22,所述IE为0.90,所述FDF为1.00,所述TS为1.25,所述PS为0.0050,所述PVT为19天;
A7、所述目标小麦品种为杨麦23,所述IE为0.85,所述FDF为1.05,所述TS为1.20,所述PS为0.0045,所述PVT为25天;
A8、所述目标小麦品种为宁麦13,所述IE为0.90,所述FDF为1.20,所述TS为1.70,所述PS为0.0037,所述PVT为16天;
A9、所述目标小麦品种为新麦45,所述IE为0.75,所述FDF为0.78,所述TS为1.25,所述PS为0.0050,所述PVT为25天;
A10、所述目标小麦品种为新麦29,所述IE为0.90,所述FDF为1.10,所述TS为3.50,所述PS为0.0008,所述PVT为18天。
4.预测小麦生育期的方法,采用权利要求 1-3 之一的装置,其特征在于,所述方法包括:
S1、获取小麦生育期的品种信息数据和实测数据;所述实测数据包括实测的生育期数据、所述生育期对应的气象数据和所述生育期对应的管理措施数据;
S2、以S1采集的实测数据,计算小麦从出苗期到其他生育期所需的生理辐热积并优化品种参数得到品种参数的取值;
S2-1、采用所述M1中的公式1、公式2和公式3获取目标小麦品种的每日辐热积;
S2-2、采用所述M2中的公式6、公式7、公式11-公式20获取目标小麦品种的每日热敏感性;
S2-3、采用所述M3中的公式21获取目标小麦品种每日生理辐热积;
S2-4、采用所述M4中的公式22获取目标小麦品种的生理辐热积;
S2-5、根据S1所述实测数据利用S2-1、S2-2、S2-3和S2-4四个步骤计算小麦从出苗期到其他生育期所需的生理辐热积;
S2-6、根据目标小麦品种的S1所述实测数据,利用S2-1、S2-2、S2-3和S2-4四个步骤优化品种参数,得到品种参数的取值,所述品种参数为IE、FDF、TS、PS和PVT;
S3、根据S2所述品种参数的取值和所述小麦从出苗期到其他生育期所需的生理辐热积,以所述S2-1、S2-2、S2-3和S2-4四个步骤,以及目标小麦品种当年的播种日期和预报的气象数据,预测所述目标小麦品种的生育期。
5.存储有计算机程序的计算机可读存储介质,其特征在于:所述计算机程序使计算机执行如权利要求4所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397473.5A CN117391472B (zh) | 2023-10-26 | 2023-10-26 | 一种用于小麦生育期预测的装置、方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311397473.5A CN117391472B (zh) | 2023-10-26 | 2023-10-26 | 一种用于小麦生育期预测的装置、方法及其应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391472A CN117391472A (zh) | 2024-01-12 |
CN117391472B true CN117391472B (zh) | 2024-02-13 |
Family
ID=89464471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311397473.5A Active CN117391472B (zh) | 2023-10-26 | 2023-10-26 | 一种用于小麦生育期预测的装置、方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391472B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893817A (zh) * | 2012-10-10 | 2013-01-30 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
CN108377867A (zh) * | 2018-02-27 | 2018-08-10 | 中国水稻研究所 | 一种温度影响水稻结实的估测方法 |
CN110264018A (zh) * | 2019-07-09 | 2019-09-20 | 北京兴农丰华科技有限公司 | 一种基于历年有效积温的冬小麦生育期预测方法 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN113988376A (zh) * | 2021-09-29 | 2022-01-28 | 南京物链云农业科技有限公司 | 一种水稻生育期预测方法、***及装置 |
CN115310680A (zh) * | 2022-07-15 | 2022-11-08 | 华中农业大学 | 一种番茄种苗模型建模与生长预测方法 |
CN116561952A (zh) * | 2022-10-27 | 2023-08-08 | 南京农业大学 | 一种基于大豆生育期模型的大豆生育期预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
-
2023
- 2023-10-26 CN CN202311397473.5A patent/CN117391472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893817A (zh) * | 2012-10-10 | 2013-01-30 | 南京信息工程大学 | 一种基于指数线性方程的设施作物干物质生产模拟方法 |
CN108304973A (zh) * | 2018-02-11 | 2018-07-20 | 中国农业大学 | 基于积温、辐射和土壤含水量的区域作物成熟期预测方法 |
CN108377867A (zh) * | 2018-02-27 | 2018-08-10 | 中国水稻研究所 | 一种温度影响水稻结实的估测方法 |
CN110264018A (zh) * | 2019-07-09 | 2019-09-20 | 北京兴农丰华科技有限公司 | 一种基于历年有效积温的冬小麦生育期预测方法 |
CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
CN113988376A (zh) * | 2021-09-29 | 2022-01-28 | 南京物链云农业科技有限公司 | 一种水稻生育期预测方法、***及装置 |
CN115310680A (zh) * | 2022-07-15 | 2022-11-08 | 华中农业大学 | 一种番茄种苗模型建模与生长预测方法 |
CN116561952A (zh) * | 2022-10-27 | 2023-08-08 | 南京农业大学 | 一种基于大豆生育期模型的大豆生育期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117391472A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | The impact of global dimming on crop yields is determined by the source–sink imbalance of carbon during grain filling | |
Singels et al. | A new method of simulating dry matter partitioning in the Canegro sugarcane model | |
Zhang et al. | Responses of rice yields to recent climate change in China: An empirical assessment based on long-term observations at different spatial scales (1981–2005) | |
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 | |
Sun et al. | Stage-dependent temperature sensitivity function predicts seed-setting rates under short-term extreme heat stress in rice | |
Mauget et al. | Modeling the effects of management and elevation on West Texas dryland cotton production | |
CN108921351A (zh) | 基于趋势产量和气象产量的作物产量预测方法 | |
Tian et al. | Improving performance of Agro-Ecological Zone (AEZ) modeling by cross-scale model coupling: An application to japonica rice production in Northeast China | |
CN109615148B (zh) | 一种确定玉米气象产量的方法和*** | |
CN105117787A (zh) | 一种温室能耗的模型优化预测方法 | |
Zou et al. | Quantifying the compensatory effect of increased soil temperature under plastic film mulching on crop growing degree days in a wheat–maize rotation system | |
CN112154904A (zh) | 一种温室有机基质栽培番茄的精准灌溉控制方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN114139790A (zh) | 一种作物区域生产力预测方法、***及装置 | |
CN105993720B (zh) | 一种日光温室基质袋培作物灌水量的模拟计算方法 | |
Yu et al. | Simulation of rice biomass accumulation by an extended logistic model including influence of meteorological factors | |
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 | |
CN106875067B (zh) | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 | |
CN116595333A (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
CN117391472B (zh) | 一种用于小麦生育期预测的装置、方法及其应用 | |
Kawakita et al. | Winter wheat phenological development model with a vernalization function using sigmoidal and exponential functions | |
CN116561952A (zh) | 一种基于大豆生育期模型的大豆生育期预测方法 | |
Amiri et al. | Performance of WOFOST model for simulating maize growth, leaf area index, biomass, grain yield, yield gap, and soil water under irrigation and rainfed conditions | |
CN109615149B (zh) | 一种确定甜菜气象产量的方法和*** |
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 |