近二十年中国冬小麦收获指数时空格局

【目的】揭示近20年中国冬小麦收获指数的总体状况、时空格局和主要影响因子。【方法】利用冬小麦农业气象观测站观测资料,采用统计分析方法,计算中国冬小麦收获指数和相关统计参数;分析冬小麦主产省中时间序列完整(1982—2005年)站点收获指数的年际变化趋势,以及收获指数与产量构成因子、秸秆产量的相关关系。【结果】近20年来,中国冬小麦收获指数总体平均值为0.409(±0.069,n=1522);20世纪80年代为0.378(±0.061,n=428),90年代为0.408(±0.070,n=657),当前为0.440(±0.062,n=437);冬小麦主产省河南、河北和山东的收获指数平均值分别为0.408、0.417和0.410。1982—2005年间,上述冬小麦主产省收获指数在时间序列上显著增加,其中以河南(0.066/10a)最高,山东(0.044/10a)次之,河北(0.032/10a)最小。偏相关分析表明,收获指数与有效穗数、穗粒数和千粒重均呈极显著正相关,收获指数与秸秆产量的偏相关系数最大,与千粒重的相关系数最小,与有效穗数和穗粒数的相关系数介于两者中间,但具有区域差异。【结论】中国冬小麦收获指数表现出明显的时空变化特征。中国冬小麦收获指数增加的主要原因在于秸秆绝对产量的下降,千粒重增加对收获指数的贡献最小,有效穗数和穗粒数对收获指数的贡献介于前两者之间,其贡献率大小有区域差异性。     

基于MODIS NDVI的冬小麦收获指数遥感提取

为研究利用遥感技术反演冬小麦收获指数,以河北省馆陶县为例,使用2016年、2017年、2018年连续3年冬小麦生长期内的MODIS NDVI时间序列数据,并基于农学观点和冬小麦生理机制,提出了一种构建收获指数（HI）相关参数的新模型HI_MEAN,并与已有相关模型HI_NDVI和HI_NDVI＿SUM进行比较,最后建立了收获指数的预测模型。结果表明,与收获指数参数模型HI_NDVI和HI_NDVI＿SUM相比,模型HI_MEAN的精度最高。进一步反演了2018年河北省馆陶县的冬小麦收获指数,与实测冬小麦收获指数对比,其r²为0.632 9,说明收获指数参数模型HI_MEAN在反演冬小麦收获指数时,理论基础更加合理,同时也具有最高的精度。同时,收获指数参数模型HI_MEAN构建也为后续的以及其他作物收获指数提取研究提供了一种可行的思路。     

冬小麦杂种F2代物学产量,收获指数的研究

以６个杂交组合的Ｆ２，Ｆ１群体及相应的亲本为材料，对组合Ｆ２代的生物学产量，收获指数等性状的遗传相关性进行分析，测定了各性状的广义遗传力值，计算和分析了各性状对单株粒重的相关遗传进度。结果表明：（１）生物学产量，收获指数与单株粒重有较高的遗传正相关，生物学产量，收获指数间具有中低度遗传负相关。性状间的遗传相关性表现因组合不同而不同。（２）收获指数，株高的广义遗传力值较高，而生物学产量，单株粒重的广     

大田群体冬小麦氮收获指数变异特征研究

[目的]研究不同小麦品种氮收获指数(NHI)与产量、收获指数、籽粒氮含量、不同器官氮吸收之间的关系,同时探究小麦品种育成年代、株高以及不同芒型对NHI的影响,为高产、高效小麦品种的选育提供理论依据.[方法]于2018—2019年在河南洛阳和南阳及陕西杨凌3个地点进行大田试验,以不同育成年代、不同株高及不同芒型的224个...     

冬小麦杂种F_2代生物学产量、收获指数的研究

以6个杂交组合的F_2、F_1；群体及相应的亲本为材料，对组合F_2代的生物学产量、收获指数等性状的遗传相关性进行了分析，测定了各性状的广义遗传力值，计算和分析了各性状对单株粒重的相关遗传进度。结果表明；（1）生物学产量、收获指数与单株粒重有较高的遗传正相关，生物学产量、收获指数间具有中低度遗传负相关。性状间的遗传相关性表现因组合不同而不同。（2）收获指数、株高的广义遗传力值较高，而生物学产量、单株粒重的广义遗传力值较低。广义遗传力值因组合不同而表现有差异．（3）株高、生物学产量对单株粒重的相关遗传进度（相对值）均小于100％．收获指数对单株粒重的相关遗传进度（相对值）平均为110％．并且在生物学产量表现高的组合，其相关遗传进度（相对值）更高，达140％以上。     

基于PLS 和组合预测方法的冬小麦收获 指数高光谱估测

【目的】通过遥感反演测量收获指数(HI),可节省时间和人力,但需要提高精度。通过权重最优组合算法改善收获指数估算精度,为基于多时相多光谱信息的HI遥感估算提供新方法参考。【方法】利用测定的冬小麦多个关键生育期的冠层光谱数据,对筛选的44种常用植被指数与实测收获指数进行相关性分析,挑选出每个育期中5种最优的典型植被指数;应用偏最小二乘(PLS)的方法建模,分别得到基于单个生育期光谱信息的HI遥感估测模型;借鉴组合预测原理,应用组合预测方法对全部单生育期的各HI光谱模型赋予最优权重,最终构建基于多生育期数据的HI光谱组合预测模型。【结果】(1)利用PLS后,单一生育期的建模结果较单一植被指数有所改进,但仍有待提高;(2)应用组合预测原理的HI组合预测模型,显著改善了HI的估测精度,R2达到0.55,较单生育期的建模预测,提升了13%。【结论】基于多生育期信息的组合预测方法,对各单一生育期HI预测模型赋予最优权重进行优化组合,实质间接利用了各生育期对作物HI形成的贡献,显著提高冬小麦收获指数的估测精度,是一种新颖的作物HI遥感估测方法。     

中国作物的收获指数

本文对中国300个农业气象试验站各种作物的收获资料进行统计分析,计算了收获指数、谷草比和有关的统计参数。结果指出：1.各作物的平均收获指数差别较大,主要粮食作物的收获指数在0.35—0.45之间,谷草比在0.55—0.80之间。2.收获指数和谷草比的变动范围较大,对于同一作物,绝大多数样本的谷草比都分布在平均值附近,而少数的可以偏离平均值较远。3.由粮食产量推算秸秆量,对于大面积的估算有较满意的结果,而对于个别地块,其误差可能较大。4.一些主要作物谷草比的频率分布曲线接近正态分布,而多数则属正偏类型。5.同一作物在丰、平、歉年的平均谷草比各不相同,一般丰年大,歉年小,平年介于其间。6.谷草比与产量水平有关,随着产量的提高而增加,其关系可用一元回归方程表示。     

浅谈冬小麦生产全程气象保障

本文分析了冬小麦生产过程的气候条件,并对做好冬小麦的全程气象保障进行研究,从而达到有效管理,提高小麦产量。     

冬小麦农业气象保险指数研究——以连云港地区为例

利用连云港市近30年冬小麦产量数据以及相关年份气象要素数据,使用5年直线滑动平均方法,分离出气象产量,将气象产量与各种气象因子进行相关性检验,根据研究结果,选取相关性显著的气象因子,设计气象指数产品.结果显示,不同生育期内,冬小麦产量的影响因子不同,因此可以设计出多种农业气象指数产品,对冬小麦气象指数与相对气象产量进行...     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

小麦品种收获指数与其它多种性状相关性的研究

本研究计算了50个小麦品种的收获指数和其它参数。并对10个有代表性的品种(系)的收获指数进行了复相关分析。结果表明,收获指数呈正态分布,收获指数与其它多种性状的相关在方向上和程度上均有差异。分析结果表明,以收获指数作为高产育种的选择指标可能存在一些问题,并指出在本地条件下选择指标应包括矮秆、大穗、灌浆好及抗赤霉病。同时还应注意群体的冠层结构。     

基于无人机高光谱和数码影像数据的冬小麦生物量反演

生物量是作物生长过程中重要的生物参数之一,能较好地反映作物长势情况。获取了冬小麦开花期数码影像数据、高光谱数据和实测生物量数据,运用相关性分析筛选出对冬小麦生物量相关性高的数码影像指数和植被指数,分别使用多元线性回归分析和逐步回归分析法建立生物量反演估算模型,最后将最优模型估算结果进行可视化空间分析。结果表明：与冬小麦生物量相关性高的数码影像指数有VARI、MGRVI、b等,植被指数有NDVI、SR、LCI、OSAVI等。建立的冬小麦生物量反演模型估算效果较好,其中精度最高的模型为高光谱数据多元线性回归模型,其验证模型均方根误差为0.9041 t/hm²。可视化处理结果能直观地显示试验区冬小麦生物量分布情况,为生长监测及种植管理提供有效依据。     

小麦收获指数遗传及其与农艺性状的相关分析

利用8个不同收获指数小麦品种双列杂交的F1及其亲本,探讨小麦收获指数的遗传及其与主要农艺性状的相关。结果表明:宁麦9号收获指数的一般配合力最好,能极显著地提高杂种后代的收获指数;小麦收获指数的遗传符合加性-显性模型,受加性和显性效应的作用,显性程度为完全显性到超显性;控制收获指数遗传的增效等位基因为显性,增减效等位基因频率在亲本中的分配无明显差异;扬麦9号和郑9023具有最多控制收获指数遗传的显性基因,收获指数可能受1对主效基因的控制,狭义遗传力较高。相关分析表明,收获指数与株高、主穗长、每穗粒数、千粒重、生物量呈极显著正相关。     

AquaCrop模型对旱区冬小麦抗旱灌溉的模拟研究

【目的】根据干旱情况及时采取灌溉措施,对旱区抗旱以及提高水分利用效率具有重要意义。从大田农业的实际情况出发,研究AquaCrop模型在旱区的适用性及干旱年份抗旱灌溉模拟,为实现抗旱保产提供依据。【方法】于2012-2014年,在旱区陕西杨凌及杨凌周边区域进行冬小麦大田试验,采用2013-2014年揉谷试验区的冬小麦观测数据进行模型的参数调试,采用2012-2013年揉谷试验区和2013-2014年武功试验区的冬小麦观测数据进行模型的验证,从而获得AquaCrop模型在陕西杨凌及周边地区的模型参数。模型参数包括影响冠层生长的冠层增长系数、冠层衰老系数和最大冠层覆盖度,影响生物量积累的水分生产力,影响产量形成的参考收获指数等。然后根据调查的干旱年份2012-2013年的灌溉情况制定出4种灌溉情景,并利用参数本地化后的AquaCrop模型模拟2012-2013年4种灌溉情景对冬小麦生物量和产量的影响,通过模拟结果得出最优灌溉策略。最后比较2012-2013年揉谷试验区、2013-2014年揉谷试验区和武功试验区冬小麦的产量水分利用效率。【结果】在冬小麦冠层覆盖度方面,AquaCrop模型模拟的冠层覆盖度和实测值之间的决定系数（R²）与均方根误差（RMSE）分别为0.464和8.0%。在冬小麦生物量模拟方面,AquaCrop模型模拟的生物量和实测值之间的R²和RMSE分别为0.889和1.622 t·hm^-2。在冬小麦产量模拟方面,AquaCrop模型模拟的产量与实测产量之间的RMSE为0.377 t·hm^-2。2013年为干旱年份,在播种后第77天进行冬灌并且在播种后第172天的拔节期再进行灌溉的两种情景获得最大的生物量;在播种后第77天进行冬灌、播种后第172天拔节期和播种后第200天抽穗期再分别灌溉,小麦产量最高,达到6.451 t·hm^-2。2012-2013年揉谷试验区、2013-2014年揉谷试验区和武功试验区冬小麦的产量水分利用效率分别为1.84、1.69和1.82 kg·m^-3。【结论】AquaCrop模型能够较好地模拟旱区冬小麦的生物量和产量,并且AquaCrop模型模拟的干旱年份下不同灌溉策略的生物量和产量,基本可以说明不同灌溉时间和灌溉次数对冬小麦最终产量的影响。同时说明2012-2013年增加的2次灌溉使干旱年份冬小麦的产量水分利用效率超过正常年份。以上研究符合当地农业生产实际情况,说明AquaCrop模型可以为旱区抗旱保产提供依据。AquaCrop模型具有很好的应用前景,正逐渐成为一个重要的田间决策工具。     

437个小麦品种钾收获指数的变异特征

[目的]调查437个小麦品种钾收获指数(potassium harvest index,KHI)的变化范围,分析KHI与产量、籽粒钾含量、籽粒、秸秆、颖壳钾吸收量和钾利用效率之间的关系,同时研究不同株高、育成年代、麦芒对KHI的影响,为钾高效小麦品种的选育提供科学依据.[方法]以不同特性的437个小麦品种为试验材料,在...     

气象因素对冬小麦产量的影响

本文主要研究气象因素对舞阳县小麦产量的影响,根据舞阳县2000年来小麦产量和小麦生长期间的降水量、光照、气温等气象因素,利用EXCEL进行统计分析,同时对气象因素间的相关性进行分析。结果表明,每个月降水量与光照之间有很强的负相关;降水量与气温之间负相关不明显;光照与气温之间的相关关系呈正相关。气象因素中,降雨量和光照对产量的影响较小,温度对产量有影响较大,因此,温度最有可能成为决定产量的主要因素。通过气象要素对产量的影响分析,为未来进行冬小麦产量持续高产提供了理论基础。     

基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演

【目的】考虑到利用单一植被指数（VI）反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5 TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以及饱和性问题,联合反演的结果明确优于单一植被指数反演精度。【结论】通过分段选择最佳植被指数形成联合VI可以有效提高LAI反演精度。