利用SRAP和SSR标记对汉中地区主要油菜品种的遗传多样性分析

【目的】掌握陕西省汉中地区主要推广油菜品种的遗传多样性,了解其遗传背景,明确各品种间的亲缘关系,为油菜育种提供理论依据。【方法】利用24对有多态性的SRAP标记和17对SSR标记,PCR扩增采用复性变温法,对34份陕西省汉中地区主要推广的油菜品种资源进行遗传多样性分析。【结果】2种不同的复性温度都取得了好的扩增条带,SRAP标记共检测到145个等位变异,平均每个标记检测到6个等位变异,每个SRAP位点的遗传多态性信息含量在0.19⁰.74之间,平均值为0.48。供试材料的遗传相似系数集中在0.560.74之间,平均值为0.48。供试材料的遗传相似系数集中在0.56⁰.94之间。SSR标记共检测到99个等位变异,平均每个标记检测到6个等位变异,每个SSR位点的遗传多态性信息含量在0.120.94之间。SSR标记共检测到99个等位变异,平均每个标记检测到6个等位变异,每个SSR位点的遗传多态性信息含量在0.12⁰.74之间,平均值为0.40,遗传相似系数集中在0.620.74之间,平均值为0.40,遗传相似系数集中在0.62⁰.91之间。【结论】SRAP标记的遗传多态性比SSR标记高,SRAP标记聚类更接近系谱分析。陕西省汉中地区主要推广的油菜品种遗传相似度较高,亲缘关系较近。     

酸枣经济性状关联分析及优异等位基因挖掘

【目的】探寻与酸枣主要经济性状相关联的SSR位点,为酸枣优良性状基因挖掘、优良亲本选育及资源开发利用提供理论依据。【方法】以辽西地区的72份酸枣种质为研究对象,在成熟期调查其单果质量、单核质量、单仁质量、果实横径、果实纵径、果核横径、果核纵径、果仁横径、果仁纵径、果仁侧径、果形指数、核形指数、仁形指数、出核率、出仁率、双仁率及可食率,利用SPSS 22.0软件对上述17个经济性状进行统计分析;选用32个SSR标记,利用Structure 2.3.4软件分析72份酸枣种质的群体结构;利用Tassle 2.0软件进行32个SSR标记间的连锁不平衡分析,采用一般线性模型（GLM）和混合线性模型（MLM）相结合的方法进行各经济性状与SSR标记间的关联分析,并对关联位点等位变异的表型效应进行分析,从而获得典型载体材料。【结果】72份酸枣种质17个经济性状的变异系数为7.84%～85.75%,表明供试种质具有较为丰富的表型多样性;通过群体遗传结构分析将72份酸枣种质分为4个类群,说明群体遗传背景较为单一。32对SSR分子标记间的连锁不平衡水平较低,成对存在的不平衡组合有166个,占组合总数的33.47%。在关联分析中,通过GLM模型检测出21个SSR位点与17个主要经济性状显著相关联（P<0.05）,变异解释率为15.35%～69.14%;通过MLM模型检测出17个SSR位点与16个经济性状显著相关联,变异解释率为0.82%～75.37%。对2种模型中共同检测到的16个SSR关联位点各等位片段的表型效应值进行分析,共挖掘出31个具有最大增效与最大减效的优异等位变异和15个典型载体材料。【结论】基于SSR的关联分析结果,筛选出与酸枣16个经济性状相关联的16个SSR关联位点及15个聚合优异等位变异的典型载体材料。     

陆地棉抗黄萎病性状与SSR标记的关联分析

【目的】对186份陆地棉种质资源的抗黄萎病性状进行关联分析,为抗黄萎病棉花育种材料的利用、分子标记辅助选择提供参考。【方法】采用分布于26条染色体上的140个SSR(Simple sequence repeat)标记,采用GLM(General line model)(P<0.001)模型和 MLM(Mixed linear model)(P<0.01)模型,检测186份陆地棉种质资源的基因型。【结果】(1)2个亚群一个含有96份种质资源,另一个含有90份种质资源;(2)平均每对引物的等位变异为2.54,平均值为0.76,引物多态性信息含量变化范围:0.50~0.99;(3)与棉花抗黄萎病性状相关的SSR位点22个中,能同时在两个以上环境出现的位点有2个,为NAU998和CGR5258,表型变异解释率分别为5.53%和12.07%。【结论】该群体结构,可以分为2个亚群,使用140对 SSR引物做分子标记,共检测出355个等位变异,存在于两个模型下且与棉花抗黄萎病性状相关的SSR位点有22个。     

大麦SSR标记遗传多样性及其与农艺性状关联分析

【目的】分析大麦亲本材料的遗传多样性,寻找与部分农艺性状相关联的分子标记,为大麦杂交组合的配置及分子标记辅助育种提供依据。【方法】利用86个SSR标记对113份大麦亲本材料进行多态性扫描,并进行遗传多样性分析。挑选57个标记进行群体遗传结构分析,在此基础上采用Tassel 2.1 GLM（general linear model）和MLM（mixed linear model）方法进行标记与农艺性状的关联分析。【结果】86个标记共检测出200个等位变异,变异范围为1—5个;基因频率的变异范围为0.0088—1.0000,Shannon指数变异范围为0.0000—1.2236;遗传相似系数（GS）变异范围在0.5504—0.9897,平均值为0.7477。通过群体遗传结构分析将供试材料分为4个亚群。以GLM分析,发现9个与株高、穗长、芒长、穗粒数和小穗着生密度相关联的标记,各标记对表型变异的解释率在0.0507—0.2766;以MLM分析,发现6个与株高、芒长和小穗着生密度相关的标记,各标记对表型变异的解释率在0.0238—0.1999。【结论】利用SSR标记分析了113份大麦亲本材料的遗传多样性及群体遗传结构,并通过2种关联分析模型,分别寻找到了9个与株高、穗长、芒长、穗粒数相关联,6个与株高、芒长和小穗着生密度相关联的标记,这些标记位于1H、2H、3H、4H和7H染色体。     

苎麻自交纯合进度研究

【目的】研究苎麻自交后代群体的遗传多样性和群体结构,探究自交纯合进度,对自交后代群体的纯合趋势进行判断。【方法】以中苎1号为材料,采用筛选出的多态性高的31对SSR引物和48对SRAP引物对3个自交后代群体的基因组DNA进行扩增。通过DNA位点纯合率和遗传多样性参数分析群体的遗传多样性。用Structure、NTSYS和AMOVA软件对群体结构进行分析。并用标记指数来比较SSR和SRAP标记方法的标记效率。【结果】SSR和SRAP标记得到的多样性指标变化明显,从S₃代到S₅代,平均扩增出57条和157条多态性条带,DNA位点纯合率上升了5.2%和4.61%,多态性位点减少了13个和44个,有效等位基因数降低了0.7883个和2.1629个,基因多样性下降了0.1143和0.0684,多样性指数降低了0.0465和0.1207。用Structure软件对群体结构分析表明S₅代群体中蓝色组分最多,均在65%以上。主成分分析表明,S₃群体的分散程度最高,S₄和S₅群体比较集中,而且S₃群体包含了S₄和S₅群体的大部分。2种标记方法得到的群体结构和主成分分析表明,经过连续自交,后代群体的一致性越来越好。用AMOVA软件对群体内和群体间的分子变异情况分析表明2种标记方法都显示群体内变异（94.69%和99.02%）明显大于群体间变异（5.31%和0.98%）,均达到整体变异的94%以上。SSR标记得到的位点平均信息量（H_av=0.4689）高于SRAP的估计值（H_av=0.4197）,而平均有效复合指数（EMR=3.2781）SRAP标记大于SSR标记（EMR=1.8562）,标记效率值SRAP标记（MI=1.3758）大于SSR标记（MI=0.8704）。【结论】SSR和SRAP两种分子标记适于苎麻资源的遗传多样性和群体结构分析。随着自交代数的增多,后代群体的一致性不断提高,杂合度逐渐降低。     

陆地棉叶片叶绿素含量与SSR标记的关联分析及优异等位变异的挖掘

【目的】筛选与陆地棉叶片叶绿素含量性状相关联的分子标记,挖掘其优异等位变异及典型材料,为陆地棉分子标记辅助育种提供技术支持。【方法】在3年6个环境中,对185份陆地棉品种(系)组成的自然群体进行倒4叶叶绿素相对含量(soil and plant analyzer development,SPAD)的测定,每年分3个时期(打顶后0、10和20 d)。采用Power Marker 3.25软件计算各位点的多态性信息含量,以分析群体的遗传多样性。利用STRUCTURE 2.3.4软件计算群体结构矩阵(Q),利用TASSEL 3.0软件计算亲属关系矩阵(K),通过GLM(general linear model,Q)和MLM(mixed linear model,Q+K)2种方法,同时对SPAD与SSR标记进行关联分析。依据计算的等位位点表型效应值,挖掘优异的等位变异及典型材料。【结果】137对SSR多态性引物共扩增出355个等位变异,平均每对引物扩增到2.6个多态性位点,PIC平均值为0.67,变化范围为0.01—0.95,高度多态性引物(PIC0.5)占85%,其中PIC最高的标记为HAU2146(PIC=0.95)和NAU2083(PIC=0.93)。当(35)K取得最大值时,K=2,因此,将185份陆地棉材料划分为2个亚群。通过GLM方法共检测到22个显著性位点(P0.001),表型变异解释率为5.28%—10.85%,平均为7.24%,贡献率最高的等位变异位点是SWU0529a(R2=10.85%)和NAU998c(R2=10.48%);通过MLM方法共检测到17个显著性位点(P0.01),表型变异解释率为3.72%—8.58%,平均为4.72%,贡献率最高的等位变异位点是SWU0923b(R2=8.06%)和SWU0662d(R2=6.74%);2种方法共同检测到的显著性位点有12个,等位变异NAU998c在3个时期2种方法能同时被检测到。通过等位变异的表型效应分析,找到2个增效效应最大的等位变异(HAU3318b和SWU0987b),利用找到的等位变异对材料进行筛选,获得携带2个增效效应等位变异的材料53份,2个增效效应位点都未检测到的材料有46份,统计结果显示,在打顶后10和20 d 2个时期,53份材料的SPAD均值显著高于46份材料的SAPD均值。【结论】检测到12个与SPAD值相关的显著性位点,并挖掘到2个增效效应优异等位变异,获得携带优异等位变异的载体材料53份,获得携带2个优异等位变异的典型材料1份。     

板栗总苞和坚果主要性状与SSR标记的关联分析

【目的】通过测定113份板栗品种（系）的数量、质量和假质量性状,分析其遗传变异,比较不同组群之间的性状差异,将SSR标记与性状进行关联,获得更多与SSR标记显著关联的性状,挖掘优异的等位变异位点,为开展板栗分子辅助育种的研究提供参考。【方法】测定并分析板栗总苞和坚果的38个数量、质量和假质量性状,利用SPSS和Graphpad软件对数量性状进行差异显著性和相关性分析,基于SSR标记进行遗传多样性分析,最后用TASSEL 2.1软件通过一般线性模型（general linear model,GLM）和混合线性模型（mixed linear model,MLM）分别对性状和标记进行关联分析。【结果】在遗传多样性分析中,21对SSR引物的有效等位基因数（N_e）、Shannon指数（I）、多态性信息含量（PIC>0.5）、观察杂合度（H_o）和期望杂合度（H_e）的平均值分别为3.164、1.269、0.589、0.593和0.635。根据群体结构分析分为2个主要组群,为了更好地比较性状差异,在聚类分析时将中间类型的品种单独划分为一组。在质量和假质量性状分析中,多样性指数变化范围为0.139—1.567,遗传多样性最高的性状是坚果光泽,最低的是底座接线;坚果形状、光泽、颜色等性状组群间频率分布差异明显。在数量性状分析中,变异系数的范围在3.96%—36.31%,苞重、总苞重和单粒重的变异系数均在30%以上,遗传变异程度高;果形指数和含水量变异系数均在10%以下,具有稳定的遗传特性;总苞和坚果的外观性状之间有强相关性,相关系数均在0.6以上;组1-组2和组2-组3在果实形状和重量中存在显著差异（P<0.05）。在关联分析中,GLM模型中有13个标记位点与18个表型性状极显著关联,表型变异解释率范围为15.12%—54.99%;MLM模型中有6个标记位点与7个表型性状极显著关联,表型变异解释率范围在8.66%—26.93%。【结论】本研究将SSR标记与表型性状进行关联分析,共发现13个标记位点与坚果单粒重等20个表型性状极显著关联,为开展板栗分子辅助育种的研究奠定了基础。     

茄子SSR遗传多样性及其农艺性状的关联分析

为分析茄子的遗传多样性,并挖掘与茄子农艺性状和品质性状相关的分子标记位点,选用18对高多态性SSR引物对70份国内外茄子材料进行多态性扫描、遗传多样性分析和群体结构分析。在此基础上采用Tassel2.1 GLM方法进行标记位点与农艺性状和品质性状的关联分析。结果显示,18对SSR引物共检测到130个等位变异位点,平均每个引物7.2个等位变异。各种质遗传相似系数为0.56~0.93,平均0.68。基因多样性指数和Shannon指数变幅分别为0.070 0~0.404 4和0.103 6~0.584 8。通过群体遗传结构分析将供试材料分为5个亚群。与农艺相关性状显著相关(P0.05)的位点有17个。供试材料之间存在一定的遗传差异,但遗传基础比较狭窄。     

芝麻种质资源成株期抗旱性关联分析

【目的】利用33个多态性SSR分子标记分别与18个不同的抗旱性状进行关联分析,发掘与抗旱相关的主要基因位点,为抗旱基因定位和功能标记开发提供基础;通过对100份芝麻种质资源进行抗旱性鉴定,发掘优异的耐旱种质,为芝麻抗旱育种提供指导。【方法】采用盆栽和反复干旱法,对芝麻种质资源群体进行成株期抗旱性鉴定获得表型指标测定值,利用SAS、SPSS和隶属函数等进行统计分析,综合评价其抗旱性,利用GLM模型和MLM模型,将表型数据与分子标记进行关联分析。【结果】研究群体干旱胁迫处理后,材料间响应差异明显,考察的表型性状测定值均小于对照;干旱胁迫条件下18个性状值的变异系数平均为0.31,高于对照(平均为0.19);处理与对照间各性状指标经配对t检验,均达极显著水平;通过连续变数的次数分布统计方法、主成分分析和隶属函数分析,筛选出10个与抗旱性响应关系密切的指标,并筛选出12份高抗旱种质;基于芝麻基因组筛选出的33个多态性SSR标记扫描供试材料,共检测到170个等位变异,平均每个标记5.15个;利用structure数学模型对供试群体进行遗传结构分析,可分为2个亚群;利用GLM模型和MLM模型分别检测到120个和63个标记位点与供试群体抗旱系数显著关联(P0.05),表型变异解释率分别为3.85%—14.30%和4.00%—12.5%,解释率大于10%的标记位点分别有12个和3个,其中,位点4033-3和4033-2均与第一主成分因子第2次复水前萎蔫叶片数显著关联,且变异解释率均为最高,分别达14.3%和12.5%,2个模型共同检测到的标记位点有5个。通过引物序列在基因组上的位置比对,发现3个可能存在芝麻抗旱相关基因的基因组区段。【结论】利用综合评价方法,筛选出柳林芝麻3号、g80、8602-2等12份高抗旱芝麻种质,同时利用GLM和MLM2个模型检测到与第2次复水前萎蔫叶片数显著关联的标记位点(位点4033-3和位点4033-2),且变异解释率最高,分别达14.3%和12.5%。     

谷子种质资源遗传多样性研究

利用谷子基因组序列开发出SSR引物205对,其中171对可以稳定扩增出目的条带,149对有多态性。利用30个多态性SSR标记对41份谷子种质资源进行遗传多样性分析,共检测出291个等位变异,平均每个位点9.7个。谷子地方品种基因多样性指数平均为0.7907,育成品种基因多样性指数平均为0.7571。对41个谷子品种进行聚类,在遗传相似系数为0.164时聚为6组,与生态型基本一致。     

Associated Loci Detection and Elite Allelic Variations Analysis of Main Agronomic Traits in Foxtail Millet (Setaria italica L.) Based on SSR Markers

【Objective】Through the investigation of 10 major traits in foxtail millet at Ledong, Hainan province, Luoyang, Henan province, Jilin and Gongzhuling, Jilin province, totally four different geographical environments, association analysis between SSR markers and the ten traits was performed to obtain loci expressed in single environment or multiple environments, excavate elite allelic variations, explore the probable mechanism forming ecological adaptation and provide foundation for launching molecular-assistant selection breeding in foxtail millet.【Method】Based on the survey of ten traits (plant height, panicle length, number of leaves, panicle diameter, heading stage, spikelet number, grain number per branch, spike weight, grain weight per panicle and 1000-grain weight) from 102 foxtail millet varieties at Jilin and Gongzhuling, Jilin province, Luoyang, Henan province and Ledong, Hainan province for two consecutive years, correlation analysis of ten traits at each geographical environment was first performed by SPSS 19.0 software, then the 102 foxtail millet varieties were genotyped by 70 polymorphic SSR markers, and further genetic diversity and population genetic structure of these varieties were analyzed. Finally, linkage disequilibrium analysis among markers and association analysis between molecular markers and phenotypic traits were carried out by GLM and MLM models of TASSEL 5.0 software. 【Result】There existed significant or very significant positive correlations among most of the nine agronomic traits except 1000-grain weight across four geographical environments. Only significant or very significant positive correlations were found between 1000-grain weight and grain weight per panicle, plant height, panicle length, spike weight at Jilin, Gongzhuling and Luoyang, no significant correlations were found between 1000-grain weight and other nine traits at Ledong environment. Totally 397 alleles were detected in 70 pairs of SSR primers, giving average observed allele number, effective allele number, expected heterozygosity, Shannon index of 6, 2.24, 0.4637 and 0.7738 per marker respectively. Both genetic diversity analysis and population structure analysis divided 102 foxtail millet materials into 4 groups, and the varieties from Henan province scattered in each of the four groups, showing more abundant genetic diversity. Linkage disequilibrium analysis showed that no obvious LD structures were found among 70 SSR markers. Totally 10 associated markers were detected by GLM and MLM models, combined with allele effect analysis results, it could be determined that b115, MPGC13, b227, b194 and p56 were associated with spike weight, panicle length, number of leaves and heading stage at Jilin, Gongzhuling, sigms9034 and b125 were associated with panicle length and spikelet number at Luoyang, P18 and p59 were associated with spike weight at Ledong, p6 was associated with number of leaves and spikelet number at Jilin, Gongzhuling and Luoyang respectively. The average contribution rates of single marker to phenotypic variation ranged from 7.76% to 34.05%. Three alleles, sigms9034-168, P18-166 and p56-244, could increase panicle length and spike weight, shorten heading stage significantly, which would be used to improve panicle traits and shorten growth period by marker-assisted selection breeding.【Conclusion】Five marker loci (b115, MPGC13, b227, b194 and p56) were steadily detected at Jilin and Gongzhuling, two marker loci (sigms9034, b125), two marker loci (P18, p59) were steadily detected at Luoyang and Ledong respectively for two consecutive years. One marker locus (p6) was steadily detected at Jilin, Gongzhuling and Luoyang, three geographical environments for two consecutive years. Three elite alleles (sigms9034-168bp, P18-166bp, p56-244bp) that could be used to carry out marker-assisted selection for panicle traits and growth period were obtained.     

肉用绵羊生长期甲烷排放特点与预测模型的建立

【目的】通过探索生长期肉用绵羊的甲烷（CH₄）排放规律,旨在建立相关的CH₄预测模型。【方法】采用单因素试验设计,以饲粮NFC/NDF（非纤维性碳水化合物/中性洗涤纤维）为0.78自由采食组的平均日增重作为饲粮NFC/NDF为1.03组和2.17组的限饲标准,在此基础下测定肉用绵羊的生长性能、营养物质消化率和甲烷产量,并分析肉用绵羊不同体重阶段的甲烷产量与饲粮干物质基础下的营养物质含量、营养物质摄入量、可消化营养物质摄入量及营养物质消化率间的回归关系。【结果】预测肉用绵羊生长早期（25—35 kg）CH₄产量的最佳一元和多元回归模型分别为：CH₄（L·d ^-1）= -26.58×NFC/NDF + 92.7（R ² = 0.772,P <0.001）;CH₄ (L·d ^-1)=2.71×NDFD-2.45×DMD-0.97 CPD+124.46（R ²=0.846,P=0.001）。预测肉用绵羊生长后期（48-55 kg）CH₄产量的最佳一元和多元回归模型分别为：CH₄ (L/d)=-57.00×GE (MJ·kg ^-1)+1076.0（R ²=0.581,P=0.002）;CH₄/BW ^0.75(L/kg ^0.75)=-0.013×NDF intake (g/d)-0.13×CP intake (g/d)+0.02×DM intake (g/d)+0.84（R ²=0.652,P=0.019）。而肉用绵羊生长期整体CH₄产量的最佳一元和多元预测模型分别为：CH₄(L/d)=-26.94×NFC/NDF+90.71（R ²=0.655,P <0.001）;CH₄/BW ^0.75(L/kg ^0.75)=0.005×Digestible NDF intake (g·d ^-1)+0.011×Digestible DM intake (g·d ^-1) - 0.097×Digestible CP intake (g·d ^-1)-4.78 （R ²=0.722,P <0.001）。 【结论】建立了肉用绵羊独立生长阶段（25—35 kg、48—55 kg）和整体生长阶段（25—55 kg）的CH₄预测模型。研究表明,处于不同体重阶段的肉用绵羊的最佳甲烷预测因子不尽相同,且甲烷产量受饲粮NFC/NDF影响较大。这可为今后评估我国饲养模式下的甲烷产量提供理论依据,也可为肉用绵羊饲粮的合理配制提供技术参考。     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

长江下游稻区不同类型双季晚粳稻产量与生育特性差异

【目的】明确不同类型粳稻在长江下游作双季晚稻种植的产量和生育特性,为筛选适宜长江下游双季晚粳品种提供理论依据。【方法】2017—2018年在浙江省杭州市中国水稻研究所实验农场,以高产晚籼稻品种（IR）为对照,并选择大面积应用的常规粳稻（IJR）、杂交粳稻（HJR）和籼粳杂交稻（IJHR）品种,研究比较晚季温光条件下常规粳稻、杂交粳稻、籼粳杂交稻和晚籼稻在产量、生育期以及温光资源配置上的差异。【结果】（1）籼粳杂交稻产量（8.3—10.0 t·hm ^-2）显著高于其他晚稻类型,分别增产2.9%—29.3%（晚籼稻）,30.9%—35.3%（常规粳稻）和13.4%—14.0%（杂交粳稻）;常规粳稻产量最低,较晚籼稻分别减产24.0%（2017年）和1.2%（2018年）;而杂交粳稻与晚籼稻产量差异随年份不同而不同。与晚籼稻相比,籼粳杂交稻有效穗少、穗型大、库容高、千粒重和结实率相似;而常规/杂交粳稻则表现为有效穗近似,千粒重大,穗型小。全生育期总体上表现为籼粳杂交稻>杂交粳稻>常规粳稻>籼稻。与籼稻相比,粳型（籼粳杂、常规和杂交粳稻）水稻营养生长期变化较小;穗发育期略有缩短（1—6 d）,而灌浆期显著延长（12—22 d）;全生育期温光资源积累量显著提高,其中主要贡献来自灌浆期的延长。（2）利用主成分分析（PCA）,将供试双季晚稻产量构成与生育特性降维为主成分一（穗粒型因子,37.7%）和主成分二（生育期因子,24.7%）。结果表明籼粳杂交稻为少穗多粒、长灌浆期;晚籼稻为穗粒兼顾、短灌浆期;常规和杂交粳稻的品种特征无显著差异,均为多穗少粒、长灌浆期。（3）相关分析表明,双季晚粳稻产量与每穗粒数（R ²=0.607,P<0.001）、库容（R ²=0.779,P<0.001）和灌浆期（R ²=0.505,P<0.001）呈极显著正相关关系。此外,与双季晚籼稻相比,双季晚粳稻产量对环境变化较敏感,品种间、年度间变异系数较大,这就需要品种的属地化和因种栽培。【结论】双季晚稻“籼改粳”最主要的优势在于延长灌浆期,从而提高全生育期温光资源积累量。与其他类型水稻相比,籼粳杂交稻产量高,表现为大穗型、高库容及长灌浆期,更适宜于长江下游双季晚稻种植。选用籼粳杂交稻,对于提高双季晚稻产量和温光资源利用率、保证双季稻生产安全性具有十分重要的意义。     

基于无人机多光谱和热红外影像信息融合的小麦白粉病监测

[目的]白粉病严重危害小麦生长及制约产量形成,确立实时监测小麦白粉病的多源数据融合方法,为精确防控及保证国家粮食安全提供技术支撑.[方法]在小麦开花和灌浆期,使用同时搭载多光谱仪和热成像仪的六旋翼无人机作为遥感数据获取平台,通过ENVI软件从小麦白粉病遥感影像中提取植被指数、纹理特征以及冠层温度信息,进而利用多元线性回...     

紫花苜蓿秋眠性的SSR标记关联分析

【目的】发掘紫花苜蓿秋眠性关联位点,为揭示紫花苜蓿秋眠性状的遗传规律和分子机制提供理论依据。【方法】紫花苜蓿关联群体由75份321个四倍体紫花苜蓿基因型构成,其中中国紫花苜蓿品种每份材料选取6-8个基因型;其余材料每份选取3-4个基因型。利用紫花苜蓿基因组均匀分布的85对SSR（Simple sequence repeats）标记,对321个紫花苜蓿基因型进行扫描。于2014-2015年连续两年对紫花苜蓿秋眠性开展调查,并利用一般线性模型（GLM）及混合线性模型（MLM）2种方法,开展秋眠性与SSR分子标记的关联分析。【结果】紫花苜蓿秋眠性表现出极显著的基因型、年际及基因型×年际互作效应。2014年,表型变异幅度为5.1-55.1 cm,平均值为22.4 cm,变异系数为45.5%。2015年,变异幅度在3.5-44.9 cm,平均为15.2 cm,变异系数为43.7%。秋季株高两年均呈现接近正态分布特征。广义遗传力为0.71。MLM模型很好的控制了紫花苜蓿秋眠性的假阳性关联。基于MLM模型,在2014年共找到12个显著关联的SSR位点,表型贡献率为2.42%-6.73%。2015年共找到11个,表型贡献率为2.45%-4.81%。在这些关联位点中,分布于Chr 2的m83_157、Chr 3的m525_230和m525_231、及Chr 4的m429_245,在两种模型及两年内均被重复检测到。【结论】通过两种模型发掘到4个与紫花苜蓿秋眠性显著相关的位点,经过验证后可以用于紫花苜蓿秋眠性分子标记辅助选择育种。