施N量与西藏野生垂穗披碱草种子产量及产量因子的相关性分析

【目的】探讨施N量对西藏野生垂穗披碱草种子产量及产量因子的影响。【方法】采用随机区组设计,分别设施N量为0(CK),50,90,130,170,210,250,290和330 kg/hm2共9个处理,在不同时期观察并记录各处理垂穗披碱草的每m2生植枝数(X1)、每生植枝小穗数(X2)、每小穗小花数(X3)、每小穗种子粒数(X4)、种子千粒重(X5)和每公顷种子产量(Z),分析施N量与种子产量及产量因子间的相关性。【结果】施N量与西藏野生垂穗披碱草的种子产量、每m2生殖枝数和种子千粒重间极显著相关;每m2生殖枝数和种子千粒重均与种子产量间极显著相关,每m2生殖枝数与种子千粒重极显著相关,每小穗种子粒数与种子产量、每m2生殖枝数、种子千粒重间均达显著相关。【结论】施氮能够显著促进生殖枝和每小穗种子粒数的形成,千粒重也随之增加,但对每生殖枝小穗数、每小穗小花数无显著影响;施氮还可提高西藏野生垂穗披碱草的实际种子产量,其中以施N 250 kg/hm2的效果最好,产量可达2 016.5 kg/hm2。     

6种禾本科牧草种子产量因子与产量的岭回归模型研究

采用多区组多因素正交试验设计,通过大样本岭回归分析求出6种禾本科牧草种子产量因子与产量的岭回归模型。结果表明,除蓝茎冰草的模型外,其他5种禾本科牧草的模型中,提高任1个种子产量因子,均可不同程度提高种子产量。6个模型中,5个种子产量因子每提高1个单位对其种子产量的提高大小排序为单粒种子重>每小穗种子粒数>每小穗小花数>每生殖枝小穗数>生殖枝数。     

蓝茎冰草植株氮磷钾含量与种子产量及产量因子的灰关联熵分析

采用二因素D-饱和最优设计,蓝茎冰草拔节～抽穗期的根氮、磷、钾、茎叶氮、磷和钾的含量对其种子产量和产量因子的灰关联熵分析后表明,在蓝茎冰草拔节～抽穗期植株氮磷钾含量对蓝茎冰草种子产量的影响顺序为:磷>钾>氮;根含氮量对产量因子小花数/小穗、种子粒数/小穗和单粒种子重影响最大;茎叶含磷量和根含磷量对产量因子小穗数/生殖枝影响大;根含钾量对产量因子生殖枝数/m2影响最大。     

施肥对扁穗冰草种子产量及其组成因素的影响

以扁穗冰草为材料，通过肥料的施用与行内疏枝组合处理，2年的试验结果表明：限制扁穗冰草种子产量的主要营养元素依次是氮、磷、钾。连续2年施氮，种子产量显著增加，秋施N45kg／hm^2、春施N90kg／hm^2、行内疏枝到45cm的扁穗冰草种子产量最高达924．3kg／hm^2；同一施氮量下，秋春季2次施氮的扁穗冰草种子产量高于春季一次施氮处理，另外，氮、磷、钾配施可以显著提高扁穗冰草种子产量。单位面积生殖枝数是影响扁穗冰草种子产量的主要组成因素，秋季施氮可以显著增加第二年单位面积生殖枝数，春季施磷有利于生殖枝数、小穗数、种子千粒重增加：春季施钾可以增加每小穗小花数、每小穗种子数及种子千粒重，疏行处理可以提高每生殖枝小穗数和小花数、每小穗种子数、种子千粒重。     

多效唑对蓝茎冰草种子产量的影响

在甘肃省酒泉地区研究较高施氮水平上多效唑不同施用时期和不同施用量对蓝茎冰草种子产量及其构成要素的影响。结果表明,在三叶期喷施多效唑2.40 kg ai./hm2时实际种子产量最高,喷施时期越滞后,喷施量越少,实际种子产量就越低。多效唑的施用显著影响了植株高度、生殖枝数/m2、小花数/小穗和种子数/小穗,最终影响了蓝茎冰草的实际种子产量。     

氮肥及多效唑对蓝茎冰草生长及种子产量的影响

在甘肃省酒泉地区研究氮肥和多效唑(PP333)对蓝茎冰草种子产量及其构成要素的影响.结果表明,施氮量达到90 kg/hm2时,种子产量便开始下降,而喷施多效唑后,有效提高了单位面积的生殖枝数和每个小穗上的小花数以及每个小穗上的种子数,最终影响了蓝茎冰草的种子产量.灌施多效唑对种子产量的效应不及喷施多效唑效果好,两者之间差异显著.     

促丰宝Ⅱ液肥对小麦生长发育及产量构成因素的影响

试验结果表明,促丰宝Ⅱ液肥对小麦生长发育、产量构成因素及产量均有显著的促进作用.平均株高和茎粗比对照增加5.71 cm和0.598 mm,穗长和小穗数增加0.83 cm和1.56个,穗粒数和千粒重增加8.36粒和3.286 g,产量提高23.57%.促丰宝Ⅱ液肥对小麦各测定项目的影响株高、穗长、小穗数和穗粒数X2>X1效应,千粒重X1=X2,茎粗和籽粒产量X1>X2效应.各项目达最佳效果和小麦产量≥5 200 kg/hm2的促丰宝Ⅱ液肥用量为拌种6.91～16.44 mL/kg,叶面喷施浓度为2.99～5.42 mL/kg.     

土壤肥力对扁穗雀麦种子产量及其构成因素的影响

为扁穗雀麦种子生产与新品种培育提供理论依据,在土壤肥力不同的2块地(以第二次全国土壤普查养分含量分级标准,分为高肥区和低肥区),研究肥力对9份扁穗雀麦种质材料生殖枝高(x1)、单株平均穗长(x2)、小穗数(x3)、小穗小花数(x4)、种子数(x5)、每穗节数(x6)、小穗长(x7)、小穗宽(x8)、分蘖数(x9)、生殖枝数(x10)、百粒重(x11)和单株种子产量(y)的影响。结果表明:扁穗雀麦种质间的种子产量存在显著差异(P0.05),在高肥区,最高为9号(来源于福泉市),单株种子产量达8.39g;在低肥区,最高为4号(来源于平坝县天龙镇),产量达5.98g。土壤肥力是影响扁穗雀麦种子产量的主要因素,肥力低降低种子产量及其构成因素的发挥。在高肥区,分蘖数、生殖枝高和小穗宽是影响扁穗雀麦产量的主要因素;在低肥区,主要影响因素是百粒重、种子数、生殖枝数与小穗小花数。其高肥区(y1)与低肥区(y2)的回归方程分别为y1=-4.436+0.078x1-4.089x8+0.597x9,y2=-2.658-0.538x4+0.014x5-0.443x10+4.790x11。在肥力较好地块进行扁穗雀麦种子生产时,其增产的技术关键是增加植株分蘖数与生殖枝高;在肥力较差或土壤贫瘠的地块,要增加种子的饱满度和成熟种子数,同时应保障生殖枝完成生育期和增加小穗小花的结实率。     

猫尾草氮磷钾含量与种子产量及产量因子的灰关联熵分析

采用二因素D-饱和最优设计,通过猫尾草拔节-抽穗期的根氮、磷、钾和茎叶氮、磷、钾的含量对其种子产量和产量因子进行灰关联熵分析.结果表明,在猫尾草拔节-抽穗期,植株氮磷钾含量对猫尾草种子产量的影响顺序为钾>磷>氮;茎叶含钾量和根含钾量对产量因子小穗数/生植枝影响最大;根含氮量对产量因子种子粒数/小穗和单粒种子重影响最大;根含氮量和茎叶含钾量对产量因子生植枝数/m2影响最大.     

山西白羊草种子产量主要构成因子分析

为了探明影响白羊草(Bothriochloa ischaemum)种子产量的主要因子,寻求提高种子产量的途径,采用变异性分析、相关性分析、主成分分析以及方差分析方法对山西6个居群的白羊草种子产量及其产量构成因子进行了分析。结果表明,山西白羊草种子产量的主要构成因子在不同居群间差异均达到极显著水平(P0.01);在种子产量及其产量构成因子中,种子产量与花序数呈显著相关(P0.05),与生殖枝节数、小穗数、小花数、种子数和千粒质量呈极显著相关(P0.01);通过9个主要种子产量构成因子的主成分分析,小穗数因子、生殖枝节数因子与千粒质量因子累积贡献率达到85.64%。     

Grain Yield Mapping: Yield Sensing,Yield Reconstruction,and Errors

Research findings are reviewed focusing on yield sensing methods, yield reconstruction, mapping, and errors. Yield sensing methods were explained and yield mapping process was briefly introduced. Grain flow through different combines was explained and the effects of combine dynamics on yield measurement accuracy were discussed. Other errors caused by various sensors that are utilized by a yield monitor were included. It was concluded that with proper installation, calibration, and operation of yield monitors, sufficient accuracy can be achieved in yield measurements to make site-specific decisions. Nevertheless, attention must be paid when interpreting yield maps since yield measurement accuracy can vary depending upon the measurement principle, combine grain flow model, size of management area chosen, and the operator's capabilities and carefulness in following instructions to obtain the best accuracy possible under varying field operating conditions. Some of the errors can be filtered out by careful analysis of the raw yield (or flow rate) data provided by yield monitors. Researchers have focused on crop flow models to improve yield reconstruction process. A yield reconstruction algorithm that effectively handles non-linear combine dynamics has not been developed by researchers yet. More efforts towards yield reconstruction should be encouraged.     

江麦23丰产稳产性及产量构成因素分析

根据江苏省2013—2017年淮北小麦品种试验4年汇总数据,分析了江麦23的丰产性、稳产性、适应性及产量构成要素。结果表明,江麦23是一个具有良好的丰产性(较对照淮麦20增产3.13%～5.79%)、稳产性(3年高稳系数HSC高于对照)、适应能力较强(4年适应度高于对照)的小麦新品种,适宜在淮北地区推广种植。此外,产量构成三要素分析表明千粒重对产量的直接作用最大,其次是穗数,穗粒数对产量的直接作用最小。因此,在稳定穗粒数的前提下,提高千粒重和增加有效穗数是提高江麦23产量的关键。     

Frequency Analysis of Yield for Delineating Yield Response Zones

The yield in any given field or management zone is a product of interaction between many soil properties and production inputs. Therefore, multi-year yield maps may give better insight into determining potential management zones. This research was conducted to develop a methodology to delineate yield response zones by using two-state frequency analysis conducted on yield maps for 3 years on two commercial corn fields near Wiggins, Colorado. A zone was identified by the number of years that yield was equal and greater than the average yield in a given year. Classes producing statistically similar yield were combined resulting in three potential yield zones. Results indicated that the variability of yield over time and space could successfully be assessed at the same time without the drawbacks of averaging data from different years. Frequency analysis of multi-year yield data could be an effective way to establish yield response zones. Seventeen percent of the field #1 consistently produced lower yield than the mean while 43 of the field produced yield over the mean. Corresponding values for field #2 were 6% and 42%.The remainder of the fields produced fluctuating yields between years. These spatially and temporally sound yield response maps could be used to identify the yield-limiting factors in zones where yield is either low or fluctuating. Yield response maps could also be helpful to delineate potential management zones with the help of resource zones such as electrical conductivity and soil maps, along with the directed soil sampling results.     

密度对玉米产量（＞15 000 kg•hm-2）及其产量构成因子的影响

【目的】研究密度对高产玉米（＞15 000 kg•hm-2）产量及其构成因子的影响,揭示高产玉米产量形成机制,为玉米持续稳定高产提供依据。【方法】连续两年在新疆和宁夏高产玉米区,以郑单958为试材,以1.5万株/hm2为一个密度梯度,设置从1.5万株/hm2至18万株/hm2不同密度处理,充分满足水肥需求,进行高产栽培实践,在实现高产基础之上分析其产量及产量构成因子特征。【结果】两年多点共68个处理,最低和最高单产分别为7 675.5和20 503.5 kg•hm-2,其中有47个处理达到15 000 kg•hm-2以上的产量;对产量构成特征的分析表明,要达到15 000 kg•hm-2以上的高产,最低、最高密度分别为5.25万株/hm2和16.28万株/hm2;最低、最高收获穗数分别为6.66万穗/hm2和13.84万穗/hm2;最低、最高穗粒数分别为365和657粒;最低、最高千粒重分别为237和404 g。【结论】密度与单产呈抛物线关系,以10.5万株/hm2密度处理单产最高;随着产量的提高,种植密度、单位面积穗数、穗粒数和千粒重表现出最适值范围变窄的趋势。随种植密度增加,单位面积穗数呈增加趋势,穗粒数和千粒重呈下降趋势,而单位面积粒数呈增加并趋于不变趋势。     

高产、稳产小麦新品种——邢麦6号

介绍了刑麦6号小麦品种的特征特性、生物学特性、产量表现、适宜区域和栽培技术要点。     

水稻产量构成因素与产量的分析

通过对辽宁省14个水稻栽培品种的产量与产量构成因素进行相关分析、通径分析和多元回归分析。结果表明:.每穗粒数、结实率、千粒重与产量均呈正相关,而穴穗数与产量成负相关。除穴穗数以外,其它任何性状的提高都将不同程度地促进产量增加;4个因素与产量的偏相关系数均为正值。通径分析表明:四个产量构成因素与产量的直接通径系数均为正值,其中穗粒数对产量的直接效应最大(2.2387),其次是穴穗数(1.4853)。但穴穗数通过穗粒数对产量的间接负向效应较大。所以通径分析能够较客观的反映各因素对产量影响的大小。因此在今后的高产水稻新品种的选育中,应注重穗粒数的选择,同时保证一定的结实率和千粒重,穴穗数可以适当放宽。     

芝麻产量性状与产量的灰色关联度分析

对芝麻9个品种9个数量性状与产量灰色关联度分析结果表明,产量与各产量性状的关联度大小顺序为:单株蒴果数》每蒴粒数>千粒重>始蒴高度>株高>全生育期>分枝数>空稍高度。芝麻产量主要取决于与其关联度较高的单株蒴果数、每蒴粒数、千粒重等性状。     

利用灰色关联度评价玉米新组合产量与产量构成因子的关系

通过对11个杂交组合的产量和8个产量因素进行灰色关联分析,以明确玉米产量和产量构成因素之间的关系。结果表明:影响产量的8个因素中,其大小顺序为出籽率>穗长>行粒数>穗位高>株高>穗粗>穗行数>百粒重。     

小麦5个产量性状与产量的灰色关联度分析

应用灰色关联度分析法,对小麦9个组合的5个主要数量性状与籽粒产量进行分析.结果表明:小麦的产量与各产量性状关联度的大小顺序为穗数＞生育期＞穗粒数＞株高＞千粒重.     

一种基于趋势单产和遥感修正模型的混合估产模型

【目的】在分析国内外农作物估产方法的相关研究进展基础上,将传统统计估产方法和遥感估产方法相结合,提出一种新的混合估产模型。【方法】该模型由趋势单产、遥感修正单产和随机误差项三部分组成,其中趋势单产利用历史长时间序列的单产统计数据,通过多项式回归的方法结合ARIMA模型修正得到,遥感修正单产利用3个作物关键生育期NDVI和实测单产多元回归得到。为验证所提出估产方法的可行性和精度,利用2015年冬小麦关键生育期的三景环境卫星遥感影像和冬小麦实测地块单产数据以及近30年(1985—2014年)北京市各区县的冬小麦单产数据,对2015年的北京市的冬小麦单产进行估算,与真实值(2015年单产统计数据)对比。【结果】混合估产模型对北京市的冬小麦单产预测精度达到98.7%,各区县估产精度均超过90%,除房山(90.3%)外,各县单产预测相对精度均超过95%;传统趋势单产模型对北京市的冬小麦单产预测精度达到94.75%,但在区县尺度上,传统估产模型预测精度较低,对房山区的估产精度不足80%;引入ARIMA模型可以提高传统趋势单产模型的精度。修正后的趋势单产模型冬小麦单产预测精度平均提高了1.59%。本文建立的遥感修正模型,利用三景遥感影像修正结果最优,此方法使冬小麦估产精度整体提升3.55%,尤其是房山、平谷等区县,精度明显提升。【结论】该模型在市级尺度和县级尺度上预测冬小麦单产均取得较高精度,充分考虑冬小麦时间尺度和空间尺度上的变化,对农作物估产有一定的指导意义。