The Yield Structure Model of Spring Corn Based on Environmental Factors

doi:10.11924/j.issn.1000-6850.casb20200300217

Abstract

Abstract:

The impact of environmental factors on crop yield is one of the important contents of modern agrometeorological research. Establishing a spring corn yield structure model can provide a basis for the scientific production of spring corn. The correlation between environmental factors and yield structure in different growth stages of spring corn in Guigang was analyzed. And multiple linear regression models and BP neural network models with full factors and significant factors were established. The results showed that the growth period that has the greatest impact on the yield structure of spring corn is from jointing to tasseling. The soil water volume and moisture content of 10 cm to 40 cm were the most closely related to the yield structure. The four models of yield structure prediction (R²) comparison showed that the factor model (AF) was superior to the significant factor model (SF).The multiple linear regression (MLR) model was superior to the BP neural network (BPNN) model. The test reported model found that the generalization ability of the MLR model was not as good as that of the BPNN model. Among them, the BPNN_AF model was the most accurate predictor of theoretical yield and ear diameter. The BPNN full factor model (BPNN_AF) can be used as the optimal model for predicting the yield structure of spring corn, it can better capture the non-linear influence law between the crop yield structure and environmental factors, and the prediction results are more reasonable and accurate.

Key words: meteorology, soil, yield structure, correlation analysis, model

CLC Number:

Xu Yixin, Feng Lei, Su Yongxiu, Mo Shenping, Liu Jun. The Yield Structure Model of Spring Corn Based on Environmental Factors[J]. Chinese Agricultural Science Bulletin, 2021, 37(2): 108-115.

Figures/Tables 6

References 30

[1]	吴志祥, 周兆德. 气候变化对我国农业生产的影响和对策[J]. 华南热带农业大学学报, 2004,10(2):7-11.
[2]	曹士亮, 于芳兰, 王成波, 等. 2009 降水量与积温对玉米气象产量影响的综合分析[J]. 作物杂志, 2009(3):62-65.
[3]	方精云. 全球生态学.气候变化与生态响应[M]. 北京高等教育出版社, 2002.
[4]	钱锦霞, 李芬, 奚玉香. 影响山西春玉米适时播种的气象条件变化特征[J]. 中国农业气象, 2007,28(3):246-249.
[5]	葛体达. 夏玉米对干旱胁迫的响应与适应机制的研究[D]. 莱阳:莱阳农学院, 2004.
[6]	刘树堂, 姜德峰. 土壤水分变化动态对夏玉米生理代谢的影响[J]. 玉米科学, 2003,11(1):67-68.
[7]	李长军, 李秀珍, 石军. 日照市玉米产量的预测模型构建[J]. 湖北农业科学, 2018,58(5):101-103.
[8]	季彪俊. 水稻产量影响的主成分分析[J]. 闽西职业大学学报, 2014(4):96-100.
[9]	董智强, 王萌萌, 李鸿怡等. WOFOST模型对山东省夏玉米发育期与产量模拟的适用性评价[J]. 作物杂志, 2019,192(5):159-165.
[10]	米娜, 张玉书, 蔡福等. 干旱胁迫对玉米物候及产量组成的影响及模拟研究[J]. 中国生态农业学报(中英文), 2019,27(12):1779-1788.
[11]	孙扬越, 申双和. 作物生长模型的应用研究进展[J]. 中国农业气象, 2019,40(7):444-459.
[12]	陈斐, 杨沈斌, 申双和等. 基于主成分回归法的长江中下游双季早稻相对气象产量模拟模型[J]. 中国农业气象, 2014,35(5):522-528. doi: 10.3969/j.issn.1000-6362.2014.05.007 URL
[13]	Jiang H, Hu H, Xu J F, et al. A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level[J]. Global Change Biology, 2019(2). URL pmid: 31849159
[14]	于珍珍, 汪春, 李海亮, 等. 基于人工神经网络加注氨气对玉米产量的影响[J]. 农业技术与装备, 2019(2):7-13.
[15]	方惠敏, 张守涛, 丁文珂. 基于BP神经网络的玉米区试产量预测研究[J]. 安徽农业科学, 2007,35(34):10969-10970.
[16]	胡九林, 张清, 韩烈保, 等. 天津泰达高羊茅草坪土壤水分动态研究[J]. 干旱地区农业研究, 2006,24(5):198-201.
[17]	山东农学院. 作物栽培学(北方本):上册[M]. 北京: 农业出版社, 1984: 183.
[18]	白莉萍. 夏玉米不同生育期对干旱胁迫的响应与适应机制[D]. 北京:中国科学院植物研究所, 2007.
[19]	管建慧, 刘克礼, 郭宇. 玉米根系构型的研究进展[J]. 玉米科学, 2006,14(6):162-166.
[20]	黄嘉佑. 气象统计分析与预报方法[M]. 北京: 气象出版社, 2004.
[21]	王福林, 董志贵, 吴志辉. 基于BP神经网络的玉米种植密度和施肥量优化[J]. 2017,33(6):92-97.
[22]	马雅丽, 王志伟, 栾青, 等. 玉米产量与生态气候因子的关系[J]. 中国农业气象, 2009,30(4):565-568.
[23]	孙景生, 肖俊夫, 段爱旺, 等. 夏玉米耗水规律及水分胁迫对其生长发育和产量的影响[J]. 玉米科学, 1999,8(1):45-47.
[24]	林承勇. 人工神经网络在预测PM2.5浓度中的研究[D]. 成都:电子科技大学电子与通信工程, 2016: 3-43.
[25]	李春华, 公芙萍, 崔一杰, 等. 山西中北部春玉米生长季土壤水分动态及对产量的影响[J]. 中国农业通报, 2014,30(24):246-250.
[26]	王宁珍, 张谋草, 黄斌, 等. 陇东地区土壤水分变化与玉米产量关系探讨[J]. 中国农业通报, 2009,25(21):3.
[27]	吴泽新. 干旱胁迫对鲁西北夏玉米生长发育及产量影响的分析[J]. 山东农业大学:自然科学版, 2015(6):817-821.
[28]	赵慧珍, 胡浩云. 用BP神经网络进行作物水分—产量预测研究[J]. 华北水利水电学院学报, 2006,27(2):17-19.
[29]	余焰文, 杨爱萍, 蔡小琴, 等. 三种油菜产量预测模型在江西的应用比较[J]. 气象科技, 2018,46(5):1032-1036.
[30]	任丽雯, 刘明春, 王兴涛, 等. 拔节和抽雄期水分胁迫对春玉米生长和产量的影响[J]. 中国农学通报, 2019,35(1):17-22.

变量名称	代码	单位	变量名称	代码	单位
播种—拔节雨量	R₁	mm	抽雄—成熟日照	S₃	h
拔节—抽雄雨量	R₂	mm	播种—拔节10 cm土壤体积含水率	SW₁₁	%
抽雄—成熟雨量	R₃	mm	拔节—抽雄10 cm土壤体积含水率	SW₁₂	%
播种—拔节雨日	D₁	d	抽雄—成熟10 cm土壤体积含水率	SW₁₃	%
拔节—抽雄雨日	D₂	d	播种—拔节20 cm土壤体积含水率	SW₂₁	%
抽雄—成熟雨日	D₃	d	拔节—抽雄20 cm土壤体积含水率	SW₂₂	%
播种—拔节积温	Ts₁	°C	抽雄—成熟20 cm土壤体积含水率	SW₂₃	%
拔节—抽雄积温	Ts₂	°C	播种—拔节30 cm土壤体积含水率	SW₃₁	%
抽雄—成熟积温	Ts₃	°C	拔节—抽雄30 cm土壤体积含水率	SW₃₂	%
播种—拔节平均气温	Tm₁	°C	抽雄—成熟30 cm土壤体积含水率	SW₃₃	%
拔节—抽雄平均气温	Tm₂	°C	播种—拔节40 cm土壤体积含水率	SW₄₁	%
抽雄—成熟平均气温	Tm₃	°C	拔节—抽雄40 cm土壤体积含水率	SW₄₂	%
播种—拔节日照	S₁	h	抽雄—成熟40 cm土壤体积含水率	SW₄₃	%
拔节—抽雄日照	S₂	h

变量名称	代码	单位	变量名称	代码	单位
播种—拔节雨量	R₁	mm	抽雄—成熟日照	S₃	h
拔节—抽雄雨量	R₂	mm	播种—拔节10 cm土壤体积含水率	SW₁₁	%
抽雄—成熟雨量	R₃	mm	拔节—抽雄10 cm土壤体积含水率	SW₁₂	%
播种—拔节雨日	D₁	d	抽雄—成熟10 cm土壤体积含水率	SW₁₃	%
拔节—抽雄雨日	D₂	d	播种—拔节20 cm土壤体积含水率	SW₂₁	%
抽雄—成熟雨日	D₃	d	拔节—抽雄20 cm土壤体积含水率	SW₂₂	%
播种—拔节积温	Ts₁	°C	抽雄—成熟20 cm土壤体积含水率	SW₂₃	%
拔节—抽雄积温	Ts₂	°C	播种—拔节30 cm土壤体积含水率	SW₃₁	%
抽雄—成熟积温	Ts₃	°C	拔节—抽雄30 cm土壤体积含水率	SW₃₂	%
播种—拔节平均气温	Tm₁	°C	抽雄—成熟30 cm土壤体积含水率	SW₃₃	%
拔节—抽雄平均气温	Tm₂	°C	播种—拔节40 cm土壤体积含水率	SW₄₁	%
抽雄—成熟平均气温	Tm₃	°C	拔节—抽雄40 cm土壤体积含水率	SW₄₂	%
播种—拔节日照	S₁	h	抽雄—成熟40 cm土壤体积含水率	SW₄₃	%
拔节—抽雄日照	S₂	h

环境因子	理论产量	果穗长	果穗粗	株子粒重	百粒重
R₁	-0.006	0.201	0.368	-0.06	-0.388
R₂	-0.015	-0.236	-0.218	0.738^*	-0.446
R₃	0.06	0.074	0.337	0.191	0.275
D₁	0.112	0.01	0.468	0.304	-0.39
D₂	0.266	-0.315	0.359	0.096	0.278
D₃	-0.603	0.861^**	-0.159	0.083	-0.243
Ts₁	0.253	0.094	-0.441	-0.291	-0.497
Ts₂	0.695^*	-0.489	0.747^*	0.513	0.638
Ts₃	-0.224	0.484	-0.142	0.09	0.175
Tm₁	-0.489	0.4	-0.607	-0.396	-0.131
Tm₂	-0.023	0.151	-0.187	-0.063	0.121
Tm₃	0.193	-0.593	-0.22	-0.218	0.165
S₁	-0.316	0.195	-0.577	-0.405	0.078
S₂	0.388	0.187	0.837^**	0.719^*	0.35
S₃	0.157	-0.188	-0.116	-0.006	0.206
SW₁₁	-0.561	0.359	-0.236	-0.265	-0.595
SW₁₂	-0.339	-0.04	-0.303	-0.539	-0.76^**
SW₁₃	-0.373	0.137	-0.217	-0.332	-0.73^*
SW₂₁	-0.802^**	0.729^*	-0.381	-0.157	-0.790^**
SW₂₂	-0.836^**	0.661^*	-0.521	-0.311	-0.853^**
SW₂₃	-0.847^**	0.698^*	-0.517	-0.271	-0.799^**
SW₃₁	0.173	0.282	0.572	0.901^**	0.269
SW₃₂	-0.482	0.792^**	0.151	0.486	-0.299
SW₃₃	-0.603	0.841^**	0.026	0.367	-0.333
SW₄₁	-0.007	0.379	0.462	0.712^*	0.161
SW₄₂	-0.523	0.807^**	0.117	0.434	-0.196
SW₄₃	-0.54	0.749^*	0.006	0.338	0.016

环境因子	理论产量	果穗长	果穗粗	株子粒重	百粒重
R₁	-0.006	0.201	0.368	-0.06	-0.388
R₂	-0.015	-0.236	-0.218	0.738^*	-0.446
R₃	0.06	0.074	0.337	0.191	0.275
D₁	0.112	0.01	0.468	0.304	-0.39
D₂	0.266	-0.315	0.359	0.096	0.278
D₃	-0.603	0.861^**	-0.159	0.083	-0.243
Ts₁	0.253	0.094	-0.441	-0.291	-0.497
Ts₂	0.695^*	-0.489	0.747^*	0.513	0.638
Ts₃	-0.224	0.484	-0.142	0.09	0.175
Tm₁	-0.489	0.4	-0.607	-0.396	-0.131
Tm₂	-0.023	0.151	-0.187	-0.063	0.121
Tm₃	0.193	-0.593	-0.22	-0.218	0.165
S₁	-0.316	0.195	-0.577	-0.405	0.078
S₂	0.388	0.187	0.837^**	0.719^*	0.35
S₃	0.157	-0.188	-0.116	-0.006	0.206
SW₁₁	-0.561	0.359	-0.236	-0.265	-0.595
SW₁₂	-0.339	-0.04	-0.303	-0.539	-0.76^**
SW₁₃	-0.373	0.137	-0.217	-0.332	-0.73^*
SW₂₁	-0.802^**	0.729^*	-0.381	-0.157	-0.790^**
SW₂₂	-0.836^**	0.661^*	-0.521	-0.311	-0.853^**
SW₂₃	-0.847^**	0.698^*	-0.517	-0.271	-0.799^**
SW₃₁	0.173	0.282	0.572	0.901^**	0.269
SW₃₂	-0.482	0.792^**	0.151	0.486	-0.299
SW₃₃	-0.603	0.841^**	0.026	0.367	-0.333
SW₄₁	-0.007	0.379	0.462	0.712^*	0.161
SW₄₂	-0.523	0.807^**	0.117	0.434	-0.196
SW₄₃	-0.54	0.749^*	0.006	0.338	0.016

因变量	预测因子	MLR方程	R²
1理论产量	全因子	Y_1a= -20.653SW₂₃+9.51D₁+0.462Ts₁+633.974	0.996
1理论产量	显著因子	Y_1b= -14.689SW₂₃+1185.303	0.718
2果穗长	全因子	Y_2a= 0.232D₃+0.256SW₃₃+0.05	0.912
2果穗长	显著因子	Y_2b= 0.356D₃+6.637	0741
3果穗粗	全因子	Y_3a= 0.014S₂+3.991	0.700
3果穗粗	显著因子	Y_3b= 0.014S₂+3.991	0.700
4株子粒重	全因子	Y_4a= 2.544SW₃₁-1.918SW₁₃+0.182S₂+58.837	0.993
4株子粒重	显著因子	Y_4b= 2.812SW₃₁+7.784	0.812
5百粒重	全因子	Y_5a= -0.383SW₂₂+1.0.36SW₄₃+4.876	0.929
5百粒重	显著因子	Y_5b= -0.303SW₂₃+37.638	0.728