排序方式: 共有30条查询结果,搜索用时 468 毫秒
1.
2.
3.
【目的】研究水氮运筹对化学封顶棉花二次生长形态及发生规律,优化水肥调控结合化学封顶技术,有效控制棉花二次生长,为塑造棉花株型、调控采收的吐絮时间奠定理论与技术基础。【方法】以新陆早57号为试验材料,采用裂区试验设计,主区为施氮(纯 N)量,设3个施氮(纯 N)水平:N1、N2、N3分别为150、300、450 kg/hm2,副区为灌溉量,设3个灌水水平:W1、W2、W3分别为3 000 、4 500、6 000 m3/hm2。分析水氮处理对化学封顶棉花二次生长前后农艺性状、干物质积累及产量和纤维品质的影响。【结果】灌水量增加延长棉花生育期,增加棉花植株株高、果枝数、二次生长率;施氮量(是)控制棉花干物质和产量形成因素。灌水处理为4 500和6 000 m3/hm2时,化学封顶棉花株高和果枝台数较高,易发生二次生长;施氮量在300 kg/hm2时,产量及其构成均高于其他。水氮处理组合以处理N2W2、N2W3表现较优,产量分别为6 349.21、6 203.54 kg/hm2。【结论】对化学打顶棉花,适当水氮运筹可控制棉花二次生长现象,且对棉花产量及品质无显著影响。 相似文献
4.
7.
基于随机森林偏差校正的农业干旱遥感监测模型研究 总被引:1,自引:0,他引:1
以3个月尺度的标准化降水蒸散指数(SPEI3指数)为因变量,采用融合多源遥感数据的随机森林(RF)算法构建淮河流域2001—2014年作物生长季(4—10月)的农业干旱监测模型,采用简单线性回归、偏差估算法、旋转残差法和最优角度残差旋转法4种方法进行模型结果校正,以决定系数(R2)、均方根误差(RMSE)及干旱等级监测准确率对模型监测能力进行评估。选取最优校正方法,构建随机森林偏差校正干旱监测模型(Bias-correcting random forest drought condition,BRFDC),通过站点实测土壤相对湿度及干旱事件记录对模型干旱监测能力进行验证。结果表明:采用最优角度残差旋转法校正后,模型模拟精度指标R2和RMSE分别为0.897、0.874和0.335、0.362,优于其他校正方法;偏差估算法对各类干旱等级监测更为准确,尤其是对极端干旱的监测准确率最高,达到33.3%~50.0%,最终采用偏差估算法作为最优校正方法,构建BRFDC模型;相比SPEI3,BRFDC模型计算指数与大部分站点土壤相对湿度的相关性更加显著(P 0.01),适于农业干旱监测; BRFDC模型能够准确监测淮河流域2001年严重干旱事件的时空演变过程,并能有效识别极端旱情。该模型可为淮河流域农业抗旱工作的有效开展提供科学依据。 相似文献
8.
滴施缩节胺与氮肥对棉花生长发育及产量的影响 总被引:3,自引:0,他引:3
为探明缩节胺与氮肥对棉花农艺性状的互作效应,试验采用双因素随机区组设计,设置150 (N1)、300 (N2)、450 kg hm–2 (N3) 3个施氮(纯N)水平, 525 (D1)、1050 (D2)、2100 g hm–2 (D3) 3个缩节胺水平,交互共9个处理。研究滴施不同剂量氮肥与缩节胺对棉花农艺性状、棉铃时空分布、干物质积累及分配、产量及纤维品质的影响。结果表明,缩节胺与氮肥互作效应对棉花农艺性状影响显著,在低氮状态下缩节胺对棉花生长的延缓作用减弱甚至消失。N1处理下, D3处理相比D1处理棉株的株高、果枝始节高、第4果枝长、第7果枝长分别增加12.07、1.54、1.28和1.20cm。在正常或高氮状态下缩节胺对棉花生长产生一定的延缓作用,其控制效果并不随缩节胺剂量增加而增强,N3处理下,D3处理相比D1处理棉株的株高、第1果枝长、第2果节间平均长度分别降低1.05、1.68和1.52cm。棉株的株高、茎粗与果枝数随施氮量增加而增加, N3处理相比N1处理分别增加3.30 cm、0.75 mm与0.29台;其果枝长与果节间长在不同施氮量间无明显差异。D2处理相比D1与... 相似文献
9.
以‘新陆早57号’棉花品种为试验材料,研究了不同施氮量(0、100、200、300、400 kg·hm-2)对化学封顶与人工打顶下棉花营养积累与分配等的影响。结果表明:在施氮量达到300 kg·hm-2后,化学封顶棉花地上部分干物质积累量和氮素积累量仍有小幅增长,而人工打顶棉花呈现下降趋势。棉花干物质快速积累期化学封顶处理为出苗后59~109 d,而人工打顶为出苗后56~100 d。在棉花生育后期(打顶后30~60 d),同等施氮量条件下化学封顶棉花地上部分干物质积累量及氮素积累量高于人工打顶棉花。该研究最佳施氮量为300 kg·hm-2时,可显著增加棉花单株结铃数0.66~1.66个,平均增产26.72%。 相似文献
10.
为减小径流时间序列的非线性及非平稳性带来的预测误差,提高多种预见期下的月径流预测精度,将变模态分解(VMD)和长短期记忆神经网络(LSTM)模型相结合,建立了VMD-LSTM组合预测模型,并将大气环流因子作为模型输入的增加项,预测未来1~3个月的月径流。将模型应用于黄河流域上游唐乃亥、民和、享堂、红旗及折桥站的月径流预测以验证模型的适用性,并与VMD-BP(BP神经网络)、VMD-SVR(支持向量回归)及单一LSTM模型相比较。结果表明:VMD-LSTM组合模型的预测误差最小、精度最高,相比单一LSTM模型,其纳什效率系数(NSE)约从0.6~0.7提高到0.9以上;融合大气环流因子后VMD-LSTM模型预测精度进一步提高,NSE保持在0.91~0.96之间;随着预见期的增长,VMD-LSTM模型预测精度衰减较VMD-BP和VMD-SVR模型明显变缓,在3个月预见期时NSE仍能保持在0.84~0.95之间。VMD-LSTM模型是月径流预测的一种有效方法,结果可为研究区月径流预测提供参考。 相似文献