排序方式: 共有12条查询结果,搜索用时 140 毫秒
1.
杨靖一 《吉林农业大学学报》1988,(1)
本文利用最优回归设计,田间微区试验法对啤酒大麦莫尼斯(Monex)的合理施肥问题进行了研究。提出了其子粒产量、植株干物重和氦、磷、钾化肥用量之间的拟合度较好的二次回归方程,在此基础上导出它的经济最佳施肥量及最高产量施肥量。研究还表明:按照经济最佳施肥量用肥,子粒蛋白质含量>13%,不符合啤酒工业要求;在查明氮素营养是影响啤酒大麦质量的主要因子后,确定了经济效益和优良品质兼顾的综合施肥方案。 相似文献
2.
本文选取英国ADAS.19871989年的三种蔬菜(花茎甘蓝、大白菜、韭葱)氮肥试验为材料,分别选取总产量、干物重和市场产量为因变量,以施N量为自变量,对具有代表性的三种肥料效应函数:二次型Y=b0+b1X+b2X2(M1)、线性加指数Y=a+brx+cX(M2)、倒线性Y=dbX/(8+bX)+cX(M3)进行了系统的比较研究。研究结果指出:用三种模型所配置的60个肥料效应方程均有55个达到了F0.1以上显著水准,其中M2具有最大的平均回归方差贡献率(93%)和最小的平均残差方差(15.9)。进一步t检验指出:用M1所预报的最高平均产量显著高于M2和M3的预报结果。但M2所计算的平均最高施肥量显著低于M1和M3的计算结果。从模型的极值点考虑,M2较适合于模拟花茎计蓝、大白菜的肥料效应曲线;M3较适合于模拟花茎甘蓝、韭葱的肥料效应的曲线;M1的通用性较强。 相似文献
3.
大豆是东北的主要农作物之一,准确地应用模型技术可以辅助田间试验来研究如何提高和改善大豆产量和品质.利用CSM-CROPGRO-Soybean模型,在海伦农业生态站1993~1996年长期定位不同施肥处理实验数据的基础上,建立大豆品种遗传属性和相应数据库,对大豆产量和物候期等重要生长过程和结果进行模拟和验证.结果表明,在对4年不同施肥处理的模拟中,大豆物候期的模拟RMSE为0.58 d,EF为0.92.大豆产量模拟RMSE为101.6 kg hm-2,EF为0.7,取得了较好的模拟效果.模型的方法可以为大豆优化种植提供有效的信息技术手段. 相似文献
4.
洛桑试验站150周年—经典试验研究进展 总被引:5,自引:0,他引:5
本文根据洛桑试验站建站150周年的有关文献,概括总结了洛桑试验站的经典试验给今天农业科学研究带来的福利,其中包括用于监测土壤中碳,氮循环的数学模型在氮肥的有效利用及测试环球温室效应气体方面的应用农业统计及软件发展,农业生态与昆虫调查网络,植物病毒学和线虫学以及除草剂抗性机理方面的研究成果和进展,其研究数据为洛桑乃致全世界的科学家进一步研究农业,环境,生态平衡和分子生物学问题提供了无价的信息资源。 相似文献
5.
应用DSSAT模型对吉林省黑土玉米最佳栽培技术的模拟和校验研究I.模型品种参数校验和产量的敏感性分析 总被引:1,自引:0,他引:1
目前,应用农业模型去寻找改进农业生态系统的最佳农艺措施被认为是比单一的田间试验更为有效的途径之一.在应用和引进模型当中,一个很关键的环节是确定模型的输入参数对产量和土壤养分的敏感性,因为在一个地区的敏感性并不能保证在其他地区具有同样的影响.正因为如此,本文对农业技术转化决策系统(DSSAT)模型的农业管理参数进行敏感性分析.在吉林省黑土(ollisols)地区,于2008年田间试验条件下进行玉米(Zea mays L.)生长模拟(叶面积指数,地上于物质,籽粒重量),应用当地平均产量和生长期对玉米品种参数进行校验.模拟结果的综合分析表明:玉米提前播种8~10d比正常播种减产大约10%;玉米产量随播种密度呈现抛物线趋势,既当低密度下,产量曲线递增,但是当密度大于5株m-2时,产量增加平缓;产量和氮肥施用量呈典型的效应递减曲线,最佳施氮量为200~240 kg hm-2;最佳追肥时间为6月15日至6月28日.本研究证明DSSAT模型能够用于中国其他地区的玉米生长模拟,并且,本研究建立的敏感性分析方法能够用于其他作物,如水稻和小麦.进一步的研究需要包括测试土壤有机碳氮对作物生长管理参数的敏感性. 相似文献
6.
7.
8.
本文结合氮磷钾化肥配施对啤酒大麦子粒产量和品质影响的三年田间试验材料,对吉林省草甸黑土(中等肥力)条件下钾肥施用量与啤酒大麦子粒品质之间的关系进行了研究。结果表明:子粒蛋白质含量随施钾量增加呈倒抛物线关系,而千粒重随钾增加呈曲线上升趋势。三年研究结果规律相一致,但年份间有些变异。研究进一步指出:氮钾和磷钾对品质有交互影响,欲获低蛋白质,则应以低氮—高磷—中钾为施肥结构,欲获高千粒重,则应以中氮—高磷—高钾为施肥结构。 相似文献
9.
10.
DSSAT作物模型的统计和图形校验方法 总被引:2,自引:0,他引:2
本文以玉米, 大豆, 马铃薯和冬小麦试验为例, 详细讨论了DSSAT模型的统计校验和图形校验方法及其支持软件EasyGrapher的应用。结果指出: R2 不是理想的模型校验统计,因为它是测量线性回归y = + x + 的拟合度, 其随机误差建立在正态性、 相互独立和方差同质的假设之上。模型校验主要是检验残差di = yi-xi(y 为测量值, x为模拟值),不是估计回归系数、 。RMSE、 E、 EF 和 d 都是比较好的校验模型残差的统计量, 它们不需要遵循回归模型的基本假设, 统计量的物理意义明确, 大样本容量下统计校验更为可靠。图形校验是模型校验必不可少的辅助工具,当有测量数据时,时间序列和残差校验图形是两种最基本的图形校验方法; 没有测量数据, 模拟图形仍然能够检验模型输出之间或与时间的动态关系, 辨析模拟误差或者错误。应用EasyGrapher 软件可以快速进行DSSAT模型的图形校验和统计校验。 相似文献