作物生长模拟模型研究进展综述

综述了作物生长模拟模型的含义、建模方法、模型作用,在此基础上提出了未来模型应用的主要问题和对策。     

冬小麦生长及根系吸氮的动态模拟研究

建立了冬小麦生长、根系吸氮耦合模拟模型。冬小麦生长动态受到气象、土壤水分、氮肥等外界因素和作物吸氮能力等内在因素的影响，而作物吸氮量与干物质增长量和土壤水分、氮肥条件也有着密切的关系。模拟结果表明：该模型能够较好的反映冬小麦生长动态、叶面积指数变化及作物吸氮过程。     

作物生长模拟模型研究综述

阐述了作物生长模拟模型的概念及其意义、国内外研究进展、存在的问题和发展趋势。国内外作物模拟模型的研究主要以水稻、小麦和玉米作物模拟模型研究为主,近几年也出现了对其他作物模拟模型的研究,如大豆、棉花、烟草、马铃薯、苜蓿以及一些园艺作物。在分析已有作物生长模拟模型研究存在问题的基础上,提出了作物生长模拟模型研究的发展趋势。     

小麦玉米种植中不同品种的生长适应性研究

通过对小麦和玉米不同品种的生长适应性进行研究,探讨了不同品种在不同环境条件下的生长表现。研究结果表明,不同品种的生长适应性存在差异,不同品种在不同环境条件下的生长表现也存在差异。在种植小麦和玉米时,应根据不同品种的生长适应性选择合适的种植环境和种植方式,以提高产量和质量。     

不同灌水定额对北疆小麦生长和产量的影响

通过大田试验,用以探究滴灌下不同灌水定额对小麦生长和产量的影响。初步探究结果表明:总体上小麦的生长指标和产量均随着灌水定额的增加呈先升高后下降的趋势,并在灌水定额为525m~3/(hm~2·次)(T5)时达到最大值。灌水量为525m3/hm~2是一个分界线,当灌水量小于525m~3/hm~2时,灌水量的提升将促进小麦的生长发育和产量的增加;当灌水量高于525m~3/hm~2时,灌水量继续提升将不再有利于小麦的生长发育,甚至可能抑制产量的增加。灌水定额为525m3/hm~2(T5)和600m~3/hm~2(T6)的小麦产量及产量构成因素均无显著差异,但经综合对比表明:525m~3/hm~2(T5)经济效应高于600m~3/hm~2(T6),故525m~3/hm~2(T5)为最佳灌溉制度。同时该试验结果可为北疆地区滴灌小麦探究最优的灌溉制度提供合理的参考依据。     

黄花植株三维动态生长及产量模拟模型

[目的/意义]为探究并表达环境因素对黄花各器官生长发育、形态结构和产量的影响,提出一种基于源库关系的黄花植株三维动态生长及产量模拟模型。[方法]以大同地区黄花主要栽培种植品种大同黄花为研究材料,采集黄花叶片、花葶、花蕾等形态数据和叶片光合生理参数,利用功能-结构植物模型(Functional-Structural Plant Model,FSPM)平台的三维建模技术,建立基于云量的室外地表太阳辐射模型及适配黄花的光合作用模型,同时基于黄花源库关系建立黄花光合产物碳分配模型,利用β生长函数构建黄花各器官生长模拟模型,计算黄花生长期内逐日形态数据,最终实现黄花植株三维动态生长及产量模拟。[结果和讨论]采用实测数据对模型进行检验。结果显示,室外地表太阳辐射实测值和模拟值R²为0.87;剩余标准差(Root Mean Squared Error,RMSE)为28.52 W/m²,黄花各器官模拟模型实测值和预测值R²为0.896～0.984,RMSE为1.4～17.7 cm;平均花蕾产量模拟R²为0.880,...     

我省垦区小麦收获期田间损失的计算机模拟

本文根据黑龙江垦区气象资料及生产统计数字,建立了一个离散型的计算机模拟模型,用以计算小麦收获期的田间损失。模拟结果表明,因降水造成的小麦田间损失率平均每年为测产量的8.5％,最大年损失率为17.47％,最小年损失率为3.53％。     

小麦生长后期干热风的防御技巧

干热风对小麦后期生长危害较重。其主要是通过干燥、高温、热风三种要素共同作用,致使小麦籽粒瘦瘪而减产。一般轻则减产10％～20％,重则减产30％以上。从生产实践看,目前防御干热风的有效途径有三个：即生态法、物理法、化学法。     

种子包衣剂对小麦种子萌发及幼苗生长的影响

以百农207为试验材料,选用35％咯菌腈·精甲霜、31.9％戊唑·吡虫啉、12％吡唑?灭菌唑和12％噻?咯菌腈?苯醚4种种子包衣剂,以清水为对照,通过室内发芽试验和田间试验,研究小麦种子发芽特性和幼苗生长变化特征.室内发芽试验结果表明,种子包衣能够提高种子发芽率,但是降低了发芽势和发芽指数,显著提高了种子贮藏物质的转运...     

作物生长过程模拟模型与形态三维可视化关键技术研究

针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求,以提高作物模拟模型的时效性、协同性和真实感为目标,结合物联网技术与作物模拟模型,进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究,以小麦作物为例,进行了田间试验,阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化,采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R ²值在0.772~0.999之间,回归方程的F值在10.153~4359.236之间,且Sig.小于显著水平0.05,模型显著性较好,模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合,实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达,为作物生产数字化系统应用提供了更有效的途径,该技术体系与方法同样适用于玉米、水稻等作物。     

基于作物生长模型的冬小麦灌溉方案研究

利用作物生长模拟模型(PS123),以黄淮海平原曲周砂壤土种植的冬小麦为例,对2 280个不同淡水灌溉方案和2 055个微咸水灌溉方案进行了模拟研究,分析了不同灌溉方案对作物生产力、水分利用效率的影响。结果表明,曲周地区多年冬小麦平均生产潜力为11.27 t/hm2,冬小麦最高生产潜力的最小需水量为240 mm,与目前节水灌溉试验相吻合;通过灌溉方案模拟,提出了在冬小麦生育期淡水灌溉1到4次,获得高产的最佳灌溉方案;在灌溉4次的冬小麦生产体系中,建议冬前用淡水灌溉,返青后可以考虑1～2次微咸水灌。     

基于SHAW模型的冬小麦叶温模拟

叶温是反映冬小麦健康状况的关键指标,但获取麦田叶温动态变化过程及廓线分布存在着较大困难。本文以河南省商丘市为研究区,引入表达土壤-植被-大气能量传输的SHAW模型,对其进行本地化标定,在垂直方向上0~60cm高度以10cm为间隔进行分层,模拟冬小麦拔节期至抽穗期间的叶温时序曲线及廓线,并结合田间同期不同高度的叶温实测数据,对模拟结果进行分析。结果表明：SHAW模型可有效地用于麦田叶温时序曲线和廓线模拟,决定系数达0.8476,夜间模拟效果显著优于白天,决定系数分别为0.8622和0.7602。对叶温日平均值、最低值和最高值的分析表明,均方根误差范围为1.36~4.09℃,且最低温模拟效果最好,平均值次之,最高温误差最大。叶温廓线模拟分析表明,各高度决定系数均达到0.82以上,且随高度的增加而增大,均方根误差范围为2.41~3.35℃,平均误差均小于0℃;叶温总体上呈现出夜间随高度增加而降低的趋势,而白天随高度增加而升高的趋势。     

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×107,平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×108,与FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。     

不同水分胁迫情境下冬小麦生长发育的RZWQM2模拟

为提高水分胁迫条件下作物生长过程的模拟精度,根区水质模型(Root zone water quality model 2,RZWQM2)的开发者改进了原有的水分胁迫指标(Soil water index 1,WSI1)得到2种新的水分胁迫指标WSI2和WSI3。其中,WSI2用Nimah and Hanks方程修正影响光合作用的胁迫系数(Soil water factor,SWFAC)中的根系吸水项;WSI3则在WSI2的基础上加入了土壤蒸发项。为比较上述3种水分胁迫指标模拟水分胁迫条件下冬小麦生长发育的精度,并对其在关中地区的适用性进行评价,首先利用2012—2013年和2013—2014年两年度的冬小麦分段受旱试验对RZWQM2模型进行校准和验证,然后分别选取模型中3种不同的水分胁迫因子对2年(2012—2014年)分段受旱试验进行模拟,评价冬小麦的土壤水分动态、蒸腾总量、最终生物量和籽粒产量的模拟效果。结果表明:3种水分胁迫因子能较好地模拟生育后期轻度受旱条件下冬小麦的生长发育过程,但随着受旱程度的加深和受旱时段的提前,模型的模拟精度降低;相较原有水分胁迫因子WSI1,WSI2提高了各受旱处理的模拟精度,其中2年生物量的平均RRMSE降低了2.84个百分点,籽粒产量的平均ARE降低了1.43个百分点,且在越冬期和拔节期受旱处理的模拟精度提高最为明显。综上,现有RZWQM2模型对冬小麦受旱处理的模拟还存在一定局限性,可从改善物候期和ET模拟精度及加入旱后复水对冬小麦生长的补偿效应等方面进一步研究和改进。如需利用现有模型对水分胁迫条件下冬小麦生长发育过程进行模拟,建议选用WSI2。     

基于SHAW模型的冬小麦近地面层气温模拟

利用一维多层水热耦合SHAW（The simultaneous heat and water）模型,在田间实验的基础上,模拟河南省商丘地区2015年冬小麦拔节后近地面层0~40 cm垂直方向上的每小时气温变化特征。结果表明,冬小麦近地面层气温模拟整体效果较好,其中48%模拟的绝对误差低于1℃,75%模拟的绝对误差低于2℃,不同高度上模型效率ME均大于0.94;夜晚气温的模拟效果优于白天的模拟效果,白天11:00—14:00气温被过低估计,并随着近地面层高度的增加,模拟值误差越大;近地面层内3种气温特征值模拟效果的优劣依次为：日平均气温、日最低气温、日最高气温,其中,日平均气温模拟值与实测值基本吻合,日最低气温被略微高估,日最高气温被过低估计。此外,SHAW模型在冬小麦拔节后6个生育期的模拟效果均存在差异,拔节期、灌浆期和乳熟期模拟效果较好,孕穗期和开花期次之,抽穗期模拟效果相对较差。     

冬小麦生育早期长势反演模型通用性研究

分析了生育早期(返青期、拔节前期、拔节后期)各阶段的冠层叶片光谱特性与叶绿素含量的关系,基于单波段反射率构建了一元预测模型,同样基于植被指数构建了多元叶绿素含量的反演模型,对两类建模方法构建的叶绿素含量预测模型进行了同生长阶段预测(SPV)和后续生长阶段的交叉预测(CPV),比较了模型的预测效果,得出了构建冬小麦生育早期冠层叶片叶绿素含量的通用预测模型的建模策略。研究结果表明:以返青期冠层叶片单波段反射率构建的一元反演模型,具有一定的模型通用性,能够较为准确的预测拔节前期的叶片叶绿素含量。利用偏最小二乘原理构建多元反演模型具有良好的通用性和较强的鲁棒性,能够较好地反演冬小麦生育早期冠层叶片叶绿素含量。而以MPRI、NDVI、RVI为组合构建的多元模型兼具通用性和简练性,可以作为多元预测模型构建的参考组合。     

施氮对缓解冬小麦盐分胁迫的影响

氮素是影响作物生长发育和产量的重要因素。【目的】研究氮素对缓解冬小麦盐分胁迫的作用。【方法】通过盆栽实验,分别设置土壤含盐量为4、6、8 g/kg(轻度S0、中度S1、重度S2),施氮量为150、200和250 kg/hm~2(低氮N150、中氮N200、高氮N250),进行正交试验,共9个处理,分析了相同盐分胁迫下不同施氮量对冬小麦株高、叶面积指数(LAI)、SPAD值、干物质及千粒质量的影响。【结果】S2处理中株高呈:N200>N250>N150,成熟期时N200较N150高出9.53 cm;S0、S1和S2处理的叶面积指数均呈:N250>N200>N150,且不同施氮量下差异显著;S0处理的千粒质量呈:N200>N250>N150,S1和S2处理的千粒质量呈N250>N200>N150,N250比N150分别增长了11.64%和52.61%。【结论】适宜的土壤施氮量可以缓解盐胁迫对冬小麦株高、叶面积及千粒质量的影响,其中缓解盐胁迫叶面积的作用较为显著。S0下最佳施氮量为200 kg/hm~2,S1、S2下最佳施氮量均为250 kg/hm~2。     

冬小麦株高和叶面积指数变化动态分析及模拟模型

在试验的基础上,分析了冬小麦株高及叶面积指数的变化动态,并分别以播后天数和积温为自变量,建立多项式和扩充的Logistic模型对二者的变化动态进行模拟。结果表明,基于播后天数的多项式,能较好的反应LAI的变化动态,但对于株高后期的不变情况描述不够理想;基于积温的扩充Logistic模型能得到更高的精度,该模型为通过天气预报中的温度预报值,对株高和LAI的变化进行预测奠定了基础。     

基于无人机高光谱长势指标的冬小麦长势监测

为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。