一、水稻倒伏研究现状（论文文献综述）
滕祥勇,王金明,李鹏志,林秀云,孙强[1]（2021）在《水稻抗倒伏性的影响因素及评价方法研究进展》文中研究表明为了解水稻（Oryza sativa L.）抗倒伏性的研究动态与现状,对近20年国内外相关文献报道进行整理、归纳与分析,从中总结出影响水稻抗倒伏性的遗传因素、调控措施,以及抗倒伏鉴定与评价方法。提出在抗倒伏育种中,应适当放宽对株高的限制,综合考虑穗部性状、茎秆基部物理强度、根系形态及株型等各方面因素,协调水稻植株抗倒伏能力与群体质量指标间的关系,采用常规杂交技术与分子生物技术相结合的方法培育新品种;同时,从健全配套栽培技术体系,确立统一的抗倒伏鉴定与评价标准,采用模型评价和无人机遥感技术建立数字化倒伏预警系统等方面,加强对水稻抗倒伏技术的研究与综合应用。
王丹丹[2]（2021）在《壮秆剂对水稻抗倒伏及相关基因差异表达的影响》文中研究指明水稻倒伏是影响水稻产量和品质的因素之一。使用植物生长调节剂可以增强茎秆强度,有效的解决倒伏问题,进而达到高产稳产的目的。在水稻拔节期对不同水稻品种喷施壮秆剂,并将施药后15、30、45 d作为试验分组,同时设定未施药对照组。在不同时期采用常规方法进行生理指标、形态指标的测定,从而评判壮秆剂对水稻抗倒伏的影响。选取了四个抗倒伏相关基因OsEXTL、OsPEX1、OsSUS3、OsCESA9,通过qRT-PCR对这四种基因的表达量进行测定,探索了壮秆剂会对基因的表达量产生哪些影响,为日后在分子水平研究水稻抗倒伏提供理论基础和实践依据。主要研究结果如下:1.壮秆剂对生理指标的影响如下,施药后垦稻22在30、45 d的SOD活性显着高于对照（P<0.05）,分别提高了19.67%、51.48%;施药后龙粳31在15 d,垦稻22在15、30 d的POD活性极显着高于对照（P<0.01）,分别提升了28.07%、20.59%、45.97%;施药后龙粳31、垦稻22、绥粳18在15 d,龙粳31在30 d的CAT活性极显着高于对照（P<0.01）,分别提升了70.98%、37.30%、45.29%、112.86%;施药后绥粳18在30、45 d的多糖百分含量极显着高于对照（P<0.01）,分别提高了0.85%、2.89%。2.壮秆剂对抗倒伏指标的影响如下,施药后龙粳31、垦稻22、绥粳18的株高极显着低于对照（P<0.01）,分别降低了11.50%、9.32%、9.30%;施药后3个品种的第2、3节节间长显着低于对照（P<0.05）,分别缩短了7.48%、11.34%、3.82%、13.03%、14.14%、9.26%;施药后龙粳31、垦稻22、绥粳18的倒伏率分别下降了39.8%、39.8%、31.8%;施药后3个品种的2、3节抗折力显着高于对照（P<0.05）,分别提升了40.68%、30.51%、28.21%、21.54%、37.89%、27.78%;施药后龙粳31穿刺力3节（中）、绥粳18穿刺力2节（下）极显着高于对照（P<0.01）,分别提高了17.74%、16.05%;施药后3个品种的2、3节茎秆直径显着高于对照（P<0.05）,分别提升了12.15%、13.44%、4.37%、7.94%、2.96%、13.58%。3.壮秆剂对产量构成因素的影响如下,施药后龙粳31、垦稻22的穗粒数极显着高于对照（P<0.01）,分别提升了10.86%、22.81%;施药后龙粳31结实率极显着高于对照（P<0.01）,提升了7.76%;施药后3个品种的实收产量均极显着高于对照（P<0.01）,分别提升了25.2%、4.1%、9.7%。4.壮秆剂对基因表达量的影响如下,施药后龙粳31、垦稻22在30 d的OsEXTL表达量极显着高于对照（P<0.01）,分别上调了5.49、24.82倍;施药后龙粳31在30 d的OsPEX1表达量极显着高于对照（P<0.01）,上调了7.29倍,绥粳18在30 d的OsPEX1表达量极显着低于对照（P<0.01）,下调了206.58倍;施药后龙粳31在15 d、绥粳18在45 d的OsSUS3表达量极显着低于对照（P<0.01）,分别下调了22.19、4.63倍。垦稻22在15、45 d的OsSUS3表达量极显着高于对照（P<0.01）,分别上调了4.54、4.42倍;施药后龙粳31在30、45 d,绥粳18在45 d的OsCESA9表达量显着高于对照（P<0.05）,分别上调了4.67、3.86、47.49倍。综上所述,施用壮秆剂会使水稻的抗倒伏能力显着增加,倒伏率降低,并显着的增加了水稻的产量。
袁新捷[3]（2021）在《水稻抗倒伏研究及相关性状QTL初步定位分析》文中指出水稻单位面积产量居于我国谷物单位面积产量的首位,水稻倒伏发生影响水稻稳产。研究影响水稻倒伏的关键农艺性状,并对相关性状进行定位,对水稻稳产具有重要意义。本实验采用珍汕97B/IRAT109重组自交系群体（F9）和533份水稻核心种质资源为材料,在齐穗后25天测定21个表型性状。通过对21个表型性状数据的相关性分析和通径分析,研究主要农艺性状和茎秆性状与倒伏指数在2个水稻群体中的关系。采用K-mean聚类法筛选种质资源中高抗倒品种。对2个群体分别进行连锁分析和关联分析,共定位相关性状QTL。1.2017年和2019年测定的21个表型性状在重组自交系群体中表现为正态分布,且表现出不同程度的双向超亲分离,IRAT109在水稻倒伏指数性状中表现为低值亲本。2017年测定的19个表型性状在水稻核心种质资源中,穗长的变异系数最小为13.59%,范围在15.96 cm-37.46 cm,基部节间茎秆短轴、长轴、壁厚的变异系数依次递增,倒伏指数变异系数为46.90%,变异范围在0.63-7.22,遗传变异丰富。2.在相关性分析中,水稻倒伏指数在重组自交系群体和水稻核心种质资源中与株高、茎秆基部抗折力的相关性表现一致,与株高相关系数分别为0.329、0.315,与基部抗折力相关系数分别为-0.534、-0.715,相关性均极显着。基部第2节间长度在核心种质资源矮秆、高秆群体中与倒伏指数相关系数分别为0.346、0.241,基部第1、第2节间干物质含量在重组自交系群体中与倒伏指数相关系数分别为-0.488、-0.471,相关性均极显着。3.在通径分析中,茎秆基部抗折力、基部第2节间长度、单茎干物质重、株高对倒伏指数的直接作用在核心种质资源矮秆、高秆群体中表现一致。单茎干物质重、株高、基部第2节间长度对倒伏指数的直接作用均为正向,直接通径系数由0.495（0.441）、0.463（0.239）、0.129（0.107）依次增强。茎秆基部抗折力对倒伏指数负向作用的直接通径系数分别为-1.283、-1.228。4.水稻核心种质资源高抗倒品种筛选:通过对核心种质资源矮秆、高秆群体茎秆基部抗折力聚类分析,将抗折力等级分为1-4级。矮秆群体中筛选出高抗倒品种23个:白壳花螺、金优1号、成农水晶、IR 238、9311、Type3、Palung 2、Dodda、扬稻2号、ir6、JWR221、452、明恢63、圭630、C70、中413、谷梅2号、中优早81、Buphopa、宁恢21、中超123、木瓜糯-1、2428。高秆群体中筛选出高抗倒品种20个:N-2703、IRAT352、TB154E-TB-2、紫恢100、闽北晚籼、金枝糯、Tarommolai1、木瓜糯-2、红旗5号、八百粒、鱼眼糯-1、GPNO 5055、Sereendan Kuning、Mitak、Lua Chua Chan、Simpor、SAI-BUI-BAO、Uwi、Padi Tarab Arab、Grassy。5.水稻株高、重心高度、基部抗折力、倒伏指数、基部第2节间壁厚、基部第1节间短轴在重组自交系群体和水稻核心种质资源中存在QTL共定位。水稻株高在第1染色体37.60 Mb-38.80 Mb区间,第4染色体28.80 Mb-29.90 Mb区间,第10染色体8.90 Mb-11.50 Mb区间被共同检测到;基部抗折力在第4染色体31.40 Mb-31.90 Mb区间,第10染色体17.70 Mb-18.60 Mb区间被共同检测到;倒伏指数在第1染色体37.60 Mb-39.00 Mb区间和第7染色体16.90 Mb-18.70Mb区间被共同检测到。
班松涛[4]（2020）在《水稻长势无人机遥感监测研究》文中指出无人机遥感作为一种灵活、高效的农田环境信息和作物生长信息获取技术,近年来在农业生产和科研领域得到了广泛的应用。随着农业4.0时代的来临,无人机遥感已经成为智慧农业中的重要组成部分,为智能化农业管理提供数据支持和决策依据。本研究以水稻等作物为研究对象,使用无人机搭载高光谱、多光谱和可见光等不同类型的传感器获取作物低空遥感影像,结合田间调查采样数据,综合使用光谱分析、图像分析、摄影测量、统计分析等技术,研究水稻等作物养分含量、叶绿素、叶面积指数、株高等农学参数的估算理论和方法,以及倒伏、虫害等农业灾害的快速、定量化监测技术,旨在探索了无人机在农作物生长信息获取和长势监测等方面的应用。主要结论如下:（1）使用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,诊断水稻冠层叶片氮、磷、钾元素含量。结果表明:水稻冠层叶片氮含量（LNC）、叶片磷含量（LPC）和叶片钾含量（LKC）的光谱特征具有一致性,三种营养元素含量与无人机影像上水稻冠层光谱反射率在462～718 nm波长范围显着负相关（P<0.001）,与一阶导数光谱在波长478～626nm的可见光范围和782～886nm的近红外范围极显着负相关、在710～754nm范围极显着正相关（P<0.001）。使用经过连续投影算法筛选得到的特征波长对应的光谱值为自变量,构建水稻冠层三种元素含量的估算模型中,验证R2均达到0.8以上。LNC与NDSI(R526,R562)、RSI(R526,R562)、DSI(R582,R502)、NDSI(D542,D666)、RSI(D582,D654)、DSI(D554,D646)6个新建光谱指数具有高相关性;LPC与NDSI(R498,R606)、RSI(R498,R606)、DSI(R498,R586)、NDSI(D642,D650)、RSI(D650,D838)、DSI(D614,D646)6个新建光谱指数具有高相关性;LKC与NDSI(R514,R570)、RSI(R514,R570)、DSI(R498,R582)、NDSI(D638,D654),RSI(D642,D650)、DSI(D618,D642)6个新建光谱指数具有高相关性,相关系数均达到0.85以上;基于新建光谱指数的各模型对LNC、LPC和LKC具有较好的预测能力（验证R2均高于0.8）。基于模型和高光谱影像计算得到各生育期水稻冠层LNC、LPC和LKC空间分布,其结果与实测值相一致,可以用于田间水稻冠层叶片氮、磷、钾元素丰缺状况的监测。（2）使用无人机搭载高光谱和多光谱传感器,分别获取宁夏和上海两个地区不同品种水稻的遥感影像,结合地面实测水稻冠层叶片SPAD值数据,分析SPAD值的光谱响应特征,建立两地通用的模型对SPAD值进行估算。分析结果显示:SPAD值与绿、红、红边波段反射率以及多个植被指数显着相关。基于两地数据,分别使用偏最小二乘、支持向量机和人工神经网络算法建立的通用模型能够较为准确地对两地水稻冠层叶片SPAD值进行预测;其中支持向量回归模型精度最高,验证R2为0.84,RMSE为2.93。结果表明,对于不同条件下获取的无人机遥感影像,存在统一的模型对水稻冠层叶片SPAD值进行反演。（3）分析水稻和小麦叶片叶绿素含量（LCC）和叶面积指数（LAI）在无人机高光谱影像上的光谱特征,结果显示水稻和小麦LCC与光谱反射率的相关性在可见光区域都表现出较为稳定的显着负相关（P<0.01）;两者的LAI在近红外波段范围内与光谱反射率均表现出了强正相关（P<0.01）。使用多自变量对多因变量的偏最小二乘回归方法构建LCC-LAI协同模型,发现在自变量内部自相关性较高的情况下,协同模型对LCC和LAI的估算精度高于单变量模型,表明多因变量协同算法能够提升模型对水稻和小麦LCC和LAI的预测能力。此外构建稻+麦LCC-LAI通用模型,对两种作物的LCC和LAI的预测R2达到了0.65以上,表明无人机高光谱遥感在同时监测小麦和水稻的场景下可以使用通用模型对两种作物的LCC和LAI进行估算。（4）使用高精度测绘无人机获取水稻育种小区多时相DSM,通过对不同时期DSM的分析提取水稻在不同时期的株高信息,计算出各时期每个小区的水稻株高值,得到株高的空间分布。使用地面实测值对DSM提取株高进行验证,各个时期的验证R2均高于0.7,RMSE均小于0.07,最大误差不超过0.1m。（5）使用无人机搭载多光谱和可见光传感器获取倒伏水稻田的多光谱和RGB影像,从多光谱影像中提取的绿、红边和近红外波段反射率表现出对倒伏水稻的敏感。此外,从RGB影像中提取的Mean＿G、Variance＿B、g和Ex G4等纹理和色彩特征是RGB影像上倒伏水稻的敏感参数。这些现象可以通过倒伏水稻和正常水稻的冠层结构来解释。以筛选出的敏感光谱和图像特征为自变量,采用PLS-DA方法分别基于多光谱影像和RGB影像构建倒伏监测模型,并用于分类制图。两种倒伏分类图都表现出较高的精度,分类总精度大于90%,Kappa系数高于0.9。（6）以稻纵卷叶螟虫害为研究对象,使用基于无人机平台的遥感技术获取不同虫害程度水稻的多光谱影像,结合地面卷叶率调查,分析不同虫害程度水稻的冠层光谱和纹理特征,建立稻纵卷叶螟危害下水稻卷叶率的遥感估算模型,用于虫害严重程度的快速诊断。结果表明:在0.01水平上,卷叶率与绿、红边和近红外波段相关性最为显着,与红光波段反射率表现出显着正相关;与NDVI和DVI显着负相关;卷叶率与绿、红、红边和近红外四个波段的Mean、Homogeneity、Contrast和Dissimilarity 4类纹理变量显着相关。基于光谱和纹理综合变量、使用ANN算法构建的卷叶率估算模型能够较为精确地预测卷叶率,验证R2达到0.717、RMSE为0.702。研究结果可以为稻纵卷叶螟虫害快速调查提供理论依据和技术支持,也可以为虫害精准防控提供决策依据。
汪楠[5]（2020）在《水稻新品系东46的产量、品质分析和耐肥性研究》文中研究指明本试验选取津原45和东46为试验材料,设置4个施肥水平,研究不同施肥水平对水稻产量、倒伏性和品质的影响,分析新品系东46的耐肥性。结果如下:（1）在一定范围内,水稻产量随施肥量的增加而增加,当施肥过量时,产量增幅减缓甚至降低,实粒数和结实率随施肥量的不断增加而降低。东46对肥料的利用率较津原45低,津原45在各施肥水平下的产量均大于东46。（2）水稻的倒伏指数随着施肥水平的增加而增大。水稻株高与倒伏指数呈显着正相关关系,株高越高,倒伏指数越大,越容易发生倒伏现象。叶鞘厚度与倒伏指数具有一定的负相关关系,但相关性不强。东46株高与倒伏指数均大于津原45,因此东46较津原45更发生倒伏现象,倒伏的主要原因是株高过高。（3）适当增加施肥量能够在一定程度上提高水稻的品质,但施肥过量时会对水稻碾磨品质、外观品质和食味品质均产生不利影响,施肥过量时水稻精米率下降、精米白度显着降低,稻米中的蛋白质含有率和直链淀粉含有率均显着增加,造成米饭食味劣化。（4）津原45的耐肥性强于东46,施肥量为天津本地常规施肥时,东46的产量和品质各项指标产生不同程度的下降,倒伏指数显着增大,容易发生倒伏现象。因此东46在保证产量和品质的前提下,同时又能够减轻倒伏危害的最佳施肥量为在天津常规施肥水平下减施20%,而津原45的最佳施肥量为天津本地常规施肥量。
周平[6]（2020）在《基于无人机多源信息的水稻倒伏特征分析》文中研究说明水稻是世界三大粮食作物之一,也是我国重要的粮食作物,在我国种植面积广泛。粮食安全会随着水稻产量的波动受到一定的影响,因此水稻的生产能力于粮食安全而言具有重要的意义。倒伏是影响水稻稳产高产的重要因素之一,在水稻生产中普遍存在。倒伏不仅影响水稻的收获,更造成产量和品质的降低。因此,监测倒伏对水稻生产具有重要意义。近年来,随着技术的革新与发展,越来越多的高质量、高精度的传感器面世,也推动着基于无人机的图像信息获取以监测水稻倒伏的技术飞速发展。本研究利用无人机搭载可见光相机,获取水稻的RGB图像并对图像进行处理分析,选择了可见光大气阻抗颜色指数（VARI）,超绿颜色指数（ExG）,超红颜色指数（ExR）,植被颜色指数（CIVE）,改进型绿红颜色指数（MGRVI）和红绿比颜色指数（RGRI）作为研究参考指数。通过无人机搭载热红外成像仪,获取水稻的热红外图像并对图像进行处理与分析。同时,本研究还利用无人机搭载高光谱相机对倒伏与非倒伏区域水稻进行图像获取。选择了归一化植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）、结构不敏感色素指数（SIPI）和大气阻抗植被指数（ARVI）作为高光谱监测水稻倒伏的参考指数。最后利用训练支持向量机（SVM）分类器,构建水稻倒伏监测方法的精度评价模型。结果表明,在利用无人机的RGB影像进行水稻倒伏区域和非倒伏区域的识别时,MGRVI和ExG可被选择为合适的颜色特征参数进行信息参照与数值提取。在进行倒伏程度监测时,可以首选ExG作为信息提取的指标。但是这种方法受氮肥影响较大,且低氮肥对颜色特征值的影响大于高氮肥对颜色特征值的影响。在利用热红外监测水稻倒伏时,水稻的体温在一天中维持一个较小的变化范围,茎干的温度通常高于叶片的温度,倒伏后冠层温度上升,阳光较高的夏季升高5℃左右。利用无人机搭载热红外仪可以成功的区分出倒伏水稻和非倒伏水稻,其中上午10时-下午4时的准确率最高。因此,热红外图像是一种有效的水稻倒伏监测方法,且这种方法受水稻品种、氮肥处理的影响较小。可以选择19℃为最高温度特征值,当大于19℃则为倒伏水稻,小于19℃则为正常水稻;选择17℃为最低温度特征值,当大于17℃则为倒伏水稻,小于17℃则为正常水稻;选择18℃为平均温度特征值,当大于18℃则为倒伏水稻,小于18℃则为正常水稻。水稻倒伏后冠层的组成和透光率及植株自身生理特性发生改变,从而影响高光谱反射率。在NDVI、RVI、EVI、SIPI和ARVI这五个植被指数中可以选择RVI作为评价倒伏水稻的最佳植被指数。在RVI中可以选择1.90为特征值,很好地区分倒伏与非倒伏水稻,当数值大于1.90时则为非倒伏水稻,当数值小于1.90则为倒伏水稻。同时RVI与水稻倒伏程度呈极显着相关,当倒伏级别越高,则数值越低,有很好的水稻倒伏程度表征能力。通过分析单一特征监测倒伏的准确率、单一图像来源倒伏监测准确率以及多源信息融合的倒伏监测准确率得出,在多源信息技术融合下的水稻倒伏监测漏检率和误检率都明显低于单一特征与单一图像来源。
唐乐丹[7]（2019）在《新型专用肥料对水稻生长发育、产量及抗倒性的影响》文中研究表明肥料作为农业生产的重要物资,其施用是否合理直接关系到作物的产量与品质。长期以来,大部分种植区域重视氮磷钾肥的施用,而对水稻生长所需的其他微量元素及有机肥的施用有所忽视。加之市场上肥料种类繁多,农民选择肥料时容易盲目跟风,缺乏针对性,这对粮食产量潜力的发挥极为不利。通过对传统肥料进行再加工,利用新方法、新技术将作物所需的各种成分有机结合,研制出新型专用肥料产品成为肥料产业发展的一大方向。为此,本试验在2017年和2018年,分别以水稻品种“两优8206”、“两优3308”和“隆两优1988”、“黄华占”为试验材料,以普通复合肥为对照,通过田间小区试验,研究了两种新型水稻专用肥料对水稻生长发育、产量形成、抗倒伏相关性状的影响,旨在阐明新型专用肥料对水稻性状改良、增产增效的机理,从而为两种新型肥料的区域推广提供理论依据。主要结果如下:1.“稼好”常微量元素专用肥对水稻产量、干物质积累、抗倒伏特性均有显着影响。（1）专用肥处理使水稻的有效穗数和千粒重平均提高13.09%和2.42%,与常规施肥相比增产7.78%。对于分蘖能力较强的大穗型品种两优8206,在直播种植条件下专用肥增产效果更加显着,与对照相比增产率达14.21%;而分蘖能力较弱的品种两优3308,在移栽条件下施用专用肥增产效果更为明显,较对照提高9.45%。（2）阶段干物质积累上,专用肥表现出前期缓慢、中期稳定、后期加快的特点。播种至分蘖盛期,专用肥处理下水稻干物质重极显着低于对照;分蘖盛期至抽穗期,两种肥料之间差异不明显;抽穗至成熟期,专用肥处理的干物质重高出对照32.08%。（3）光合物质生产上,分蘖盛期以前专用肥处理的叶面积指数、群体生长率和净同化率均显着或极显着低于对照,分蘖盛期至抽穗期,两种肥料处理间差异不显着;抽穗期以后,叶面积指数、群体生长率和净同化率均表现为专用肥处理显着高于对照处理。（4）专用肥处理使水稻成熟期株高和重心高度分别降低4.88%和9.64%,使茎秆基部倒伏敏感节位茎粗增加3.91%-7.83%,茎壁厚增加6.25%-17.05%,显着提高水稻抗折断能力,使倒伏指数下降了19.0%-37.89%,减小倒伏的风险。2.“黑劲道”有机无机复混专用肥在促进水稻增产、提高抗倒伏能力及养分积累方面效果显着。（1）与对照相比,专用肥处理使杂交稻和常规稻分别增产22.70%和9.50%。增产的主要原因是单位面积有效穗数和千粒重显着提高,其中有效穗数分别增加13.07%和25.23%,千粒重增幅分别为2.46%和2.84%。（2）专用肥能够加快水稻苗期叶龄进程和分蘖速率,降低苗高,从而提高叶面积指数、地上部干物质重以及单位苗高干重,有利于培育壮苗。（3）专用肥处理使水稻最高茎蘖数和有效茎蘖数均有明显增加,而最终成穗率与普通复合肥相差不大。表明该专用肥能在增大群体数量的同时保证群体质量不下降。茎蘖数的增加使各生育时期叶面积指数明显高于对照,干物质积累和作物生长也表现出明显的优势,保证光合产物形成。（4）能显着改善水稻抗倒伏相关性状,使各生育时期植株高度均有极显着降低。成熟期优化各节间配比,使隆两优1988和黄华占株高分别降低6.24%和10.35%,重心高度分别下降12.59%和9.10%,基部倒伏敏感节间粗度增加了3.65%-7.76%,茎壁厚增加3.41%-27.06%,进而使基部抗折力分别增加26.10%和32.09%,倒伏指数分别降低30.59%和29.30%,减小倒伏的风险。（5）抽穗期以前叶片中积累了51.92%-72.06%的氮素,为氮素分配中心;幼穗抽出后氮素开始向穗部转运,至成熟期氮含量和分配比例均表现为穗部最高,叶片次之,茎鞘中最少。此时穗部集中了氮素总量的42.92%-54.51%。营养生长阶段磷素主要积累在茎鞘中（分配率为50.53%-58.94%）,进入生殖生长期后大量转移至穗部,至成熟期,穗中磷素占据总含量的61.45%以上,成为磷素分配中心。钾在全生育期内均以茎鞘作为分配中心,且随着生育进程的推进,茎鞘和穗部钾分配率均有逐渐增加的趋势。此外,与对照相比,成熟期专用肥处理下黄华占体内氮积累量增加14.86%;两品种磷积累量分别增加26.28%和20.20%;钾积累量分别提高12.06%和27.08%。分析养分在各器官中的分配比例可知,专用肥处理下,隆两优1988成熟期穗部氮分配率高于对照4.49%,黄华占则低于对照16.72%;两品种的磷分配率分别高出对照5.23%和7.22%;钾分配率分别比对照提高10.21%和27.18%。
杨国俊[8]（2019）在《氮肥运筹和植株配置对湘南双季超级稻产量形成与抗逆能力的影响》文中提出湖南衡阳是我国重要的水稻产区,对确保粮食问题具有重要作用,但该区域水稻生产存在氮肥施用过量与分配不合理、倒伏风险大、灾害较频繁等问题。近年来,超级稻种植面积逐渐扩大。为完善湘南双季超级稻高产稳产栽培技术,设置4种氮肥基肥、蘖肥、穗肥、粒肥比例（4:3:2:1,N1;5:3:1:1,N2;6:3:1:0,N3;7:3:0:0,N4）、2种株行距（16.7cm×16.7cm,X1;16.7cm×20.0cm,X2）和3种基本苗数（2株/穴、4株/穴、6株/穴）,研究了氮肥运筹和植株配置对湘南双季超级稻产量形成与抗逆能力的影响。主要结果如下:（1）氮肥运筹方式影响早晚稻干物质积累,后期穗肥与粒肥对提高总干物质重非常重要,早稻和晚稻N1处理比N4处理分别高1.39 t/hm2和4.06 t/hm2,为水稻的产量提高奠定了基础。（2）氮肥运筹方式显着影响早晚稻产量,N1处理产量最高,早、晚稻分别达到9467.77 kg/hm2和8864.21 kg/hm2,N2处理产量略低于N1,N4和N3处理产量较低。将一定量的氮肥后移用作粒肥,可有效提高湘南双季稻产量。（3）氮肥运筹方式对水稻抗倒伏能力影响显着,总的趋势是前期施氮比例高的处理抗倒伏能力较低（倒伏指数较大）,氮肥后移可提高抗倒伏能力。（4）氮肥运筹方式对水稻保护酶活性与丙二醛（MDA）含量影响显着,N1和N2处理过氧化物酶（POD）和超氧化物歧化酶（SOD）活性较高、MDA含量较低,抗逆能力较强。（5）植株配置方式对水稻的干物质积累具有显着影响,但早晚稻反应不同,从提高成熟期干物质积累的角度,早稻宜采用X1株行距、4-6株基本苗/穴,而晚稻宜采用X2株行距、2-4株基本苗/穴。（6）植株配置方式显着影响水稻产量及其构成因素,早稻在基本苗较多情况下产量较高,确保较多的基本苗数对早稻尤为重要,而晚稻在基本苗较少情况下产量较高。（7）植株配置方式影响水稻茎粗和倒伏指数,一般株行距较大、基本苗数较少时,茎粗较大,倒伏指数较小。（8）植株配置方式显着影响水稻保护酶活性和MDA含量,株行距较大、基本苗数较少有利于提高水稻POD和SOD活性,降低MDA含量。可见,从综合提高湘南双季稻产量与抗逆能力考虑,必须采取适宜的氮肥运筹与植株配置方式,早、晚稻适宜的氮肥运筹方式均为4:3:2:1和5:3:1:1,早稻适宜的株行距与基本苗为16.7 cm×16.7 cm与4株/穴,晚稻适宜的株行距与基本苗为16.7 cm×20 cm与2株/穴。
易艳红[9]（2019）在《机械开沟穴直播及不同施肥方式对早籼稻产量和抗倒伏能力的影响》文中提出我国人口众多,水稻种植面积大,农村劳动力逐年下降,实现水稻机械化有重大意义。机械穴直播是一种水稻轻简化栽培技术模式,虽然省工、省时、省力,但仍存在全苗难、易倒伏等问题。同时,南方稻区早稻直播面积较大,机械化直播趋势日益明显。本试验以早籼稻为研究材料,开展了2年不同直播方式和不同施肥方式对直播早籼稻出苗率、植株抗倒性能及产量与产量构成的影响大田试验研究。主要研究结果如下:（1）机械开沟穴直播、表面穴直播与覆土穴直播试验结果表明,与表面穴直播和覆土穴直播相比,机械开沟穴直播可提高早籼稻供试品种的出苗率和产量,2017年和2018年两品种出苗率和产量增幅分别为5.19%—13.89%和4.92%—9.58%;从产量构成因素分析,产量的提高主要得益于单位面积有效穗数与千粒重的提高。此外,机械开沟穴直播有利于提高供试品种植株的抗折力,降低植株倒伏指数,在第三节间（I3）表现的尤为明显;有利于增加第三节间（I3）茎壁厚度和节间粗度,提高不同节间的单位长度节间干重、单位体积节间干重以及木质素含量。此外,相关分析表明节间干重与抗折力存在显着的正相关关系,但与倒伏指数为显着的负相关,且木质素与各节间抗折力有显着或极显着正相关。说明机械开沟穴直播不仅有利于提高直播早籼稻产量,还显着提高植株抗倒伏能力,降低直播稻倒伏风险。（2）不同施肥方式处理（机械开沟施肥、表面撒施与全层施肥）试验结果表明,与表面撒施相比,播种时进行开沟施肥有利于增加早籼稻品种出苗率和产量,2017年和2018年出苗率和产量增幅分别达5.27%—11.06%和6.50%—34.32%。开沟施肥可以提高供试品种植株抗折力,降低植株倒伏指数,尤其是第三节间;增加第三节间（I3）茎壁厚度和节间粗度,提高不同节间的单位长度节间干重、单位体积节间干重以及木质素含量。相关分析表明,各节间粗度和节间干重与抗折力呈正相关,第一节间（I1）茎壁厚度、单位体积节间干重和单位长度节间干重与抗折力也存在正相关关系;在第三节间（I3）节间粗度、茎壁厚度、节间干重、单位体积节间干重和单位长度节间干重与倒伏指数和抗折力都表现为显着的负相关;第一节间（I1）茎壁厚度和节间干重与倒伏指数呈负相关,在第二节间（I2）不显着。以上结果说明,节间干重、单位长度节间干重与单位体积节间干重对倒伏的影响尤为重要。开沟施肥不仅有利于增加直播水稻产量,还有利于提高直播水稻的抗倒伏能力。
秦博豪[10]（2019）在《水稻生长状态物联网监控与评估算法研究》文中提出智慧农业是当前的研究热点。随着物联网技术的普及,现代农业迫切需要借助先进的技术手段实现农作物生长环境的远程监测监控及生长状态的实时评估。现阶段,农业物联网技术已相对成熟,但倒伏状态及作物需水量的实时评估仍存在一定困难。基于以上现状,本课题将机器学习算法引入到水稻生长状态评估中,以实现基于物联网云服务的水稻自动灌溉和倒伏预警系统。课题工作对于发展现代农业,提升农作物管理技术水平具有重要价值。本文的主要工作包括:1、方案设计。针对农作物生长状态远程监测监控及评估的需求,引入机器学习算法,构建基于物联网的水稻生长状态监控系统。该方案使用ZigBee与4G相结合的方式实现远程数据通信,并通过云服务器存储和解析生长状态数据。2、需水量预测算法。对XGBoost算法进行改进,并利用开源数据集构建模型,同时将改进后的算法与神经网络模型、贝叶斯模型、随机森林模型,以及世界粮农组织推荐使用的彭曼-蒙特斯公式进行了对比,结果表明,改进后的XGBoost模型在预测准确率上有较大提升。3、水稻倒伏状态预警算法。将动态目标跟踪中常用的光流算法应用于水稻稻杆倒伏特征提取中,通过检测摆动特征对倒伏情况进行预警。为了解决Farneback光流算法在PC平台上帧率较低不能满足实时性的问题,将算法封装为FPGA的IP核从而实现并行化处理,使得处理帧率相较于PC平台提升610倍。4、嵌入式软硬件设计。开发了集中控制器和节点控制器板卡及底层软件。集中控制器搭载光流算法并负责转发服务器和节点的通信数据。节点控制器负责采集传感器数据和控制灌溉执行机构。5、服务器设计。为满足用户在线查看水稻生长环境各项数据及在线操控远程农用设备的需求,开发了面向Web应用的后台管理系统,可提供数据、指令及实时图像的可视化界面。6、系统测试。对系统各部分功能进行了测试,包括传感器数据采集、无线通信、服务器等,验证了系统功能的正确性。此外,本文还对系统服务器进行压力测试,以验证系统处理并发请求的能力。实验数据表明,本文所提出的改进XGBoost算法,能够提升水稻需水量的预测准确度。同时,本文针对水稻倒伏状态提出的预警算法,对农作物灾害防治具有重要价值。经测试,搭载智能算法的水稻生长状态物联网监控系统运行良好,能够提升水稻生产的自动化水平。
二、水稻倒伏研究现状（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、水稻倒伏研究现状（论文提纲范文）
（1）水稻抗倒伏性的影响因素及评价方法研究进展（论文提纲范文）
| 1 影响水稻倒伏的因素 |
| 1.1 水稻自身因素 |
| 1.1.1 遗传特性 |
| 1.1.2 茎秆性状 |
| 1.1.3 穗部形态 |
| 1.1.4 根系发育情况 |
| 1.2 栽培因素 |
| 1.2.1 种植方式 |
| 1.2.2 水肥运筹 |
| 1.2.3 化控技术 |
| 2 水稻抗倒伏性鉴定及评价方法 |
| 2.1 力学判定法 |
| 2.2 模型评价法 |
| 2.3 智能遥感法 |
| 3 讨论与展望 |
（2）壮秆剂对水稻抗倒伏及相关基因差异表达的影响（论文提纲范文）
| 摘要 |
| abstract |
| 1 文献综述 |
| 1.1 水稻倒伏的研究概况 |
| 1.1.1 水稻倒伏的原因 |
| 1.1.2 水稻倒伏的类型 |
| 1.1.3 水稻倒伏的危害 |
| 1.2 植物生长调节剂的研究概况 |
| 1.2.1 植物生长调节剂的研究进展 |
| 1.2.2 植物生长调节剂对作物倒伏的影响 |
| 1.2.3 植物生长调节剂对作物生理指标的影响 |
| 1.2.4 植物生长调节剂对作物茎秆结构的影响 |
| 1.2.5 植物生长调节剂对作物产量构成因素的影响 |
| 1.3 水稻抗倒伏的分子机制 |
| 1.3.1 抗性基因对水稻抗倒伏性的影响 |
| 1.3.2 水稻抗倒伏的调控机制 |
| 1.4 研究的目的及意义 |
| 2 材料与方法 |
| 2.1 试验材料 |
| 2.1.1 供试材料 |
| 2.1.2 试验地概况 |
| 2.1.3 试验处理 |
| 2.1.4 仪器设备 |
| 2.2 生理指标的测定方法 |
| 2.2.1 取样方法及酶液提取 |
| 2.2.2 SOD活性的测定 |
| 2.2.3 POD活性的测定 |
| 2.2.4 CAT活性的测定 |
| 2.2.5 多糖百分含量的测定 |
| 2.3 形态指标测定方法 |
| 2.3.1 取样方法 |
| 2.3.2 水稻形态指标的测定 |
| 2.3.3 水稻抗倒伏指标的测定 |
| 2.4 产量构成因素的测定方法 |
| 2.4.1 取样方法 |
| 2.4.2 室内考种 |
| 2.4.3 理论测产 |
| 2.5 抗性基因的定量分析 |
| 2.5.1 抗倒伏相关基因的筛选及引物设计 |
| 2.5.2 RNA提取 |
| 2.5.3 植物基因组总RNA的鉴定 |
| 2.5.4 反转录步骤 |
| 2.5.5 qRT-PCR步骤 |
| 2.6 数据统计分析 |
| 3 结果与分析 |
| 3.1 壮秆剂对不同水稻品种抗性酶活性及物质代谢的影响 |
| 3.1.1 壮秆剂对不同水稻品种超氧化物歧化酶(SOD)活性的影响 |
| 3.1.2 壮秆剂对不同水稻品种过氧化物酶(POD)活性的影响 |
| 3.1.3 壮秆剂对不同水稻品种过氧化氢酶(CAT)活性的影响 |
| 3.1.4 壮秆剂对不同水稻品种多糖百分含量的影响 |
| 3.2 壮秆剂对不同水稻品种抗倒伏指标的影响 |
| 3.2.1 壮秆剂对不同水稻品种株高、节间长的影响 |
| 3.2.2 壮秆剂对不同水稻品种抗倒伏性的影响 |
| 3.3 壮秆剂对不同水稻品种产量构成因素的影响 |
| 3.4 壮秆剂对水不同稻品种基因表达量的影响 |
| 3.4.1 水稻总RNA的鉴定 |
| 3.4.2 壮秆剂对不同水稻品种Os EXTL基因表达量的影响 |
| 3.4.3 壮秆剂对不同水稻品种Os PEX1 基因表达量的影响 |
| 3.4.4 壮秆剂对不同水稻品种Os SUS3 基因表达量的影响 |
| 3.4.5 壮秆剂对不同水稻品种Os CESA9 基因表达量的影响 |
| 4 讨论 |
| 4.1 壮秆剂对水稻抗性酶活性的影响 |
| 4.2 壮秆剂对水稻物质代谢的影响 |
| 4.3 壮秆剂对水稻形态指标的影响 |
| 4.4 壮秆剂对水稻抗倒伏性的影响 |
| 4.5 壮秆剂对水稻产量构成因素的影响 |
| 4.6 壮秆剂对水稻抗倒伏基因的影响 |
| 5 结论 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（3）水稻抗倒伏研究及相关性状QTL初步定位分析（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语表 |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 水稻抗倒伏评价方法 |
| 1.2.2 水稻倒伏有关的形态学研究进展 |
| 1.2.3 水稻抗倒伏相关性状遗传研究 |
| 1.3 选题的意义及目的 |
| 2 试验材料与方法 |
| 2.1 试验材料 |
| 2.2 材料种植与田间管理 |
| 2.3 测定项目与方法 |
| 2.4 数据分析 |
| 2.4.1 表型数据统计分析 |
| 2.4.2 水稻核心种质资源全基因组关联分析(GWAS) |
| 2.4.3 重组自交系群体抗倒伏相关性状QTL定位 |
| 3 结果与分析 |
| 3.1 水稻重组自交系群体抗倒伏相关性状表型分析 |
| 3.1.1 水稻重组自交系群体抗倒伏相关性状描述性统计 |
| 3.1.2 水稻重组自交系群体数量性状相关性分析 |
| 3.2 水稻核心种质资源抗倒伏相关性状表型分析 |
| 3.2.1 水稻核心种质资源抗倒伏相关性状描述性统计 |
| 3.2.2 水稻抗倒伏能力与株高的关系 |
| 3.2.3 水稻核心种质资源矮秆群体抗倒伏品种筛选 |
| 3.2.4 水稻核心种质资源高秆群体抗倒伏品种筛选 |
| 3.3 水稻重组自交系群体抗倒伏相关表型性状QTL定位 |
| 3.3.1 水稻重组自交系群体倒伏指数QTL定位 |
| 3.3.2 水稻重组自交系群体主要农艺性状QTL定位 |
| 3.3.3 水稻重组自交系群体基部茎秆性状QTL定位 |
| 3.4 水稻核心种质资源抗倒伏相关表型性状GWAS分析 |
| 3.4.1 水稻核心种质资源倒伏指数与主要农艺性状关联到的位点 |
| 3.4.2 水稻核心种质资源茎秆性状关联到的位点 |
| 3.4.3 水稻连锁分析与关联分析的共定位 |
| 4 讨论 |
| 4.1 水稻倒伏指数QTL |
| 4.2 水稻株高对倒伏的影响 |
| 4.3 水稻穗部性状对倒伏的影响 |
| 4.4 水稻基部抗折力对倒伏的影响 |
| 4.5 水稻茎秆性状对倒伏的影响 |
| 4.6 展望 |
| 参考文献 |
| 附录 Ⅰ |
| 附录 Ⅱ |
| 致谢 |
（4）水稻长势无人机遥感监测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 无人机遥感监测技术简介 |
| 1.2.1 无人机平台 |
| 1.2.2 机载传感器 |
| 1.3 农作物无人机遥感监测研究进展 |
| 1.3.1 农作物营养元素无人机遥感监测研究进展 |
| 1.3.2 农作物色素和叶面积指数监测 |
| 1.3.3 农作物株高监测 |
| 1.3.4 倒伏监测 |
| 1.3.5 病虫害监测 |
| 1.3.6 存在的问题与不足 |
| 1.4 研究内容 |
| 第二章 材料与方法 |
| 2.1 研究区概况 |
| 2.2 无人机-传感器系统 |
| 2.2.1 无人机高光谱成像系统 |
| 2.2.2 无人机多光谱成像系统 |
| 2.2.3 无人机RGB成像系统 |
| 2.3 无人机遥感数据获取 |
| 2.3.1 无人机测量环境要求 |
| 2.3.2 航线规划 |
| 2.3.3 传感器设置 |
| 2.4 数据处理 |
| 2.4.1 影像拼接 |
| 2.4.2 影像信息提取 |
| 2.4.3 光谱数据处理 |
| 2.5 建模和分类方法 |
| 2.5.1 多元线性回归 |
| 2.5.2 偏最小二乘回归 |
| 2.5.3 支持向量机回归 |
| 2.5.4 人工神经网络 |
| 2.5.5 偏最小二乘判别分析 |
| 2.6 模型精度检验方法 |
| 2.6.1 回归模型精度检验 |
| 2.6.2 分类模型精度检验 |
| 第三章 基于无人机高光谱影像的水稻冠层氮、磷、钾含量估算 |
| 3.1 材料与方法 |
| 3.1.1 试验田概况 |
| 3.1.2 高光谱影像获取与处理 |
| 3.1.3 LNC、LPC和 LKC测定 |
| 3.1.4 光谱信息提取及数据集划分 |
| 3.2 结果与分析 |
| 3.2.1 LNC、LPC、LKC高光谱特征 |
| 3.2.2 基于SPA特征波长的LNC、LPC、LKC估算模型 |
| 3.2.3 基于光谱指数的LNC、LPC、LKC估算模型 |
| 3.2.4 水稻LNC、LPC、LKC空间分布的高光谱遥感反演 |
| 3.3 讨论 |
| 3.4 结论 |
| 第四章 无人机遥感监测不同区域水稻冠层叶片SPAD |
| 4.1 材料与方法 |
| 4.1.1 研究区及试验田概况 |
| 4.1.2 数据获取与处理 |
| 4.1.3 研究方法 |
| 4.2 结果与分析 |
| 4.2.1 不同氮肥施入量水平下水稻冠层叶片SPAD值差异性分析 |
| 4.2.2 水稻冠层叶片SPAD值与光谱反射率、植被指数相关性分析 |
| 4.2.3 水稻冠层叶片SPAD值反演模型构建 |
| 4.2.4 水稻冠层叶片SPAD值反演模型精度检验 |
| 4.3 讨论 |
| 4.4 结论 |
| 第五章 基于无人机高光谱影像的稻麦冠层LCC-LAI协同估算 |
| 5.1 材料与方法 |
| 5.1.1 数据获取与处理 |
| 5.1.2 植被指数选取 |
| 5.1.3 模型构建与检验 |
| 5.2 结果与分析 |
| 5.2.1 稻、麦LCC-LAI与光谱反射率相关性分析 |
| 5.2.2 稻、麦LCC-LAI与一阶导数光谱相关性分析 |
| 5.2.3 稻、麦LCC-LAI与植被指数相关性分析 |
| 5.2.4 变量多重相关性分析 |
| 5.2.5 水稻、小麦LCC-LAI估算模型 |
| 5.2.6 稻+麦LCC-LAI与光谱及植被指数相关性分析 |
| 5.2.7 稻+麦LCC-LAI通用估算模型 |
| 5.3 讨论 |
| 5.4 结论 |
| 第六章 基于无人机遥感的水稻株高提取 |
| 6.1 试验设计与技术流程 |
| 6.2 结果与分析 |
| 6.2.1 图像拼接与融合 |
| 6.2.2 影像校正 |
| 6.2.3 株高提取 |
| 6.2.4 精度检验 |
| 6.3 讨论 |
| 6.4 结论 |
| 第七章 无人机遥感监测水稻倒伏 |
| 7.1 材料与方法 |
| 7.1.1 无人机影像获取与处理 |
| 7.1.2 地面调查 |
| 7.1.3 倒伏/正常水稻光谱和图像特征提取 |
| 7.1.4 倒伏监测模型构建方法 |
| 7.1.5 倒伏监测模型检验方法 |
| 7.2 结果与分析 |
| 7.2.1 倒伏/正常水稻冠层光谱反射特征 |
| 7.2.2 倒伏/正常水稻植被指数特征 |
| 7.2.3 基于多光谱影像的区分倒伏/正常水稻的最优参数选择 |
| 7.2.4 倒伏/正常水稻纹理特征 |
| 7.2.5 倒伏/正常水稻色彩特征 |
| 7.2.6 基于RGB影像的区分倒伏/正常水稻的最优参数选择 |
| 7.2.7 倒伏/正常水稻分类模型 |
| 7.2.8 倒伏/正常水稻分类制图与统计 |
| 7.3 讨论 |
| 7.4 结论 |
| 第八章 无人机遥感监测水稻稻纵卷叶螟危害程度 |
| 8.1 材料与方法 |
| 8.1.1 水稻虫害调查 |
| 8.1.2 多光谱影像数据获取与处理 |
| 8.1.3 光谱变量提取 |
| 8.1.4 图像纹理变量提取 |
| 8.1.5 模型构建与检验 |
| 8.2 结果与分析 |
| 8.2.1 稻纵卷叶螟为害的水稻冠层光谱特征 |
| 8.2.2 水稻卷叶率与光谱变量相关性分析 |
| 8.2.3 水稻卷叶率与纹理变量相关性分析 |
| 8.2.4 水稻卷叶率估算模型 |
| 8.2.5 水稻卷叶率分布图 |
| 8.3 讨论 |
| 8.4 结论 |
| 第九章 结论与展望 |
| 9.1 主要结论 |
| 9.2 主要进展 |
| 9.3 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）水稻新品系东46的产量、品质分析和耐肥性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1.1 引言 |
| 1.2 施肥量对水稻产量和品质的影响 |
| 1.2.1 研究现状 |
| 1.2.2 施肥量对水稻产量的影响 |
| 1.2.3 施肥量对水稻品质的影响 |
| 1.3 水稻倒伏的研究现状 |
| 1.3.1 倒伏的危害 |
| 1.3.2 倒伏的类型 |
| 1.3.3 倒伏的原因 |
| 1.4 本研究的目的意义与拟解决的问题 |
| 1.4.1 本研究的目的意义 |
| 1.4.2 本研究拟解决的问题 |
| 第二章 试验设计与测定方法 |
| 2.1 田间设计 |
| 2.2 试验设计 |
| 2.2.1 试验材料 |
| 2.2.2 施肥水平及方法 |
| 2.3 测定项目及方法 |
| 2.3.1 产量测定 |
| 2.3.2 倒伏指标测定 |
| 2.3.3 碾磨品质测定 |
| 2.3.4 外观品质测定 |
| 2.3.5 营养成分测定 |
| 2.3.6 物理特性测定 |
| 2.3.7 食味品尝评鉴 |
| 2.3.8 数据处理与分析 |
| 第三章 不同施肥水平对水稻产量的影响 |
| 3.1 不同施肥水平对津原45 产量及产量构成要素的影响 |
| 3.2 不同施肥水平对东46 产量及产量构成要素的影响 |
| 3.3 小结 |
| 第四章 不同施肥水平对水稻倒伏性的影响 |
| 4.1 不同施肥水平下水稻倒伏指数的变化 |
| 4.2 不同施肥水平下水稻叶鞘厚度的变化 |
| 4.3 小结 |
| 第五章 不同施肥水平对水稻碾磨品质的影响 |
| 5.1 不同施肥水平下水稻碾磨品质的变化 |
| 5.2 小结 |
| 第六章 不同施肥水平对水稻外观品质的影响 |
| 6.1 津原45 外观品质在不同施肥水平下的变化 |
| 6.2 东46 外观品质在不同施肥水平下的变化 |
| 6.3 小结 |
| 第七章 不同施肥水平对水稻营养品质的影响 |
| 7.1 不同施肥水平下水稻营养品质的变化 |
| 7.2 小结 |
| 第八章 不同施肥水平对水稻物化特性的影响 |
| 8.1 不同施肥水平下津原45 物化特性的变化 |
| 8.2 不同施肥水平下东46 物化特性的变化 |
| 8.3 小结 |
| 第九章 不同施肥水平对水稻食味评鉴的影响 |
| 9.1 不同施肥水平对津原45 米饭食味的影响 |
| 9.2 不同施肥水平对东46 米饭食味的影响 |
| 9.3 小结 |
| 第十章 倒伏指标与倒伏指数的关系 |
| 10.1 株高与倒伏指数的相关性 |
| 10.2 叶鞘厚度与倒伏指数的相关性 |
| 10.3 小结 |
| 第十一章 水稻各因素对食味的贡献率 |
| 11.1 津原45 各因素对食味的贡献率 |
| 11.2 东46 各因素对食味的贡献率 |
| 11.3 小结 |
| 第十二章 讨论与结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间发表的论文 |
（6）基于无人机多源信息的水稻倒伏特征分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1 研究背景 |
| 2 研究现状 |
| 2.1 水稻倒伏对产量品质的影响 |
| 2.2 作物倒伏监测方法与评价 |
| 2.3 无人机发展现状 |
| 2.4 多源图像获取技术研究现状 |
| 3 研究目的与意义 |
| 参考文献 |
| 第二章 材料与方法 |
| 1 田间试验设计 |
| 1.1 试验1 |
| 1.2 试验2 |
| 1.3 试验3 |
| 2 图像获取与处理 |
| 2.1 图像获取设备 |
| 2.2 图像获取过程 |
| 2.3 图像处理与特征值提取 |
| 3 模型构建与验证 |
| 3.1 模型计算 |
| 3.2 模型评价 |
| 4 技术路线 |
| 参考文献 |
| 第三章 倒伏区域颜色特征分析 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 不同品种水稻倒伏与非倒伏的颜色特征差异 |
| 2.2 不同倒伏程度水稻的颜色特征差异 |
| 3 不同氮肥处理下倒伏与非倒伏区域RGB图像差异 |
| 4 本章小结 |
| 参考文献 |
| 第四章 倒伏区域温度特征分析 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 水稻温度特征 |
| 2.2 倒伏图像温度特征 |
| 2.3 水稻倒伏区域与非倒伏区域的最高温度差异 |
| 2.4 水稻倒伏区域与非倒伏区域的最低温度差异 |
| 2.5 水稻倒伏区域与非倒伏区域的平均温度差异 |
| 3 本章小结 |
| 参考文献 |
| 第五章 倒伏区域植被指数特征分析 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 倒伏与非倒伏区域的高光谱反射率的共同特征 |
| 2.2 相同密度下不同品种水稻倒伏与非倒伏区域光谱反射率的差异 |
| 2.3 相同水稻品种不同密度下倒伏与非倒伏区域光谱反射率差异 |
| 2.4 不同倒伏程度光谱反射率差异 |
| 3 倒伏后光谱信息变化原因 |
| 4 倒伏后植被指数差异 |
| 4.1 不同品种水稻倒伏后指数变化差异 |
| 4.2 不同倒伏级别的指数差异 |
| 5 本章小结 |
| 参考文献 |
| 第六章 水稻倒伏监测模型及评价 |
| 1 引言 |
| 2 结果与分析 |
| 2.1 模型构建 |
| 2.2 基于单一特征监测倒伏的精度评价 |
| 2.3 基于单一图像监测倒伏的精度评价 |
| 2.4 多源信息融合监测倒伏的精度评价 |
| 2.5 基于多源信息融合的不同品种水稻倒伏监测精度评价 |
| 3 本章小结 |
| 参考文献 |
| 第七章 结论与讨论 |
| 1 结论 |
| 2 讨论 |
| 3 本研究的创新点 |
| 4 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文及科研成果目录 |
| 致谢 |
（7）新型专用肥料对水稻生长发育、产量及抗倒性的影响（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第一章 前言 |
| 1 研究背景 |
| 2 国内外研究现状及分析 |
| 2.1 中国水稻生产现状及发展趋势 |
| 2.2 肥料在农业生产中的作用和地位 |
| 2.2.1 肥料使用现状 |
| 2.2.2 肥料与农业生产的关系 |
| 2.2.3 肥料在水稻生产上的应用 |
| 2.3 专用肥国内外研究进展 |
| 2.4 专用肥在水稻上应用现状 |
| 3 研究目的与意义 |
| 第二章 “稼好”新型常微量元素专用肥对水稻生长发育、产量及抗倒性的影响 |
| 1 材料与方法 |
| 1.1 试验地点与材料 |
| 1.2 试验设计及田间管理 |
| 1.3 测定项目及方法 |
| 1.3.1 土壤基础理化性质 |
| 1.3.2 分蘖动态及成穗率 |
| 1.3.3 植株高度 |
| 1.3.4 叶片SPAD值 |
| 1.3.5 叶面积指数 |
| 1.3.6 干物质重 |
| 1.3.7 抗倒伏相关指标 |
| 1.3.8 考种与测产 |
| 2 数据分析 |
| 3 结果与分析 |
| 3.1 产量及构成因子 |
| 3.2 生长发育特性 |
| 3.2.1 茎蘖成穗率 |
| 3.2.2 植株高度 |
| 3.2.3 叶片SPAD值 |
| 3.2.4 干物质积累 |
| 3.2.5 叶面积指数 |
| 3.2.6 群体生长率 |
| 3.2.7 净同化率 |
| 3.3 抗倒伏相关指标 |
| 3.3.1 成熟期株高及各节间长度 |
| 3.3.2 重心高度 |
| 3.3.3 茎秆粗度 |
| 3.3.4 茎壁厚 |
| 3.3.5 水稻茎秆力学特性 |
| 3.3.6 茎秆性状与倒伏指数之间的相关性分析 |
| 4 讨论 |
| 4.1 专用肥对水稻产量及产量形成过程的影响 |
| 4.2 专用肥对水稻抗倒伏能力的影响 |
| 第三章 新型有机无机复混专用肥“黑劲道”对直播稻产量、抗倒性及养分吸收动态的影响 |
| 1 材料与方法 |
| 1.1 试验地点与材料 |
| 1.2 试验设计及田间管理 |
| 1.3 测定项目及方法 |
| 1.3.1 土壤基础理化性质 |
| 1.3.2 分蘖动态及成穗率 |
| 1.3.3 秧苗素质考察 |
| 1.3.4 植株高度 |
| 1.3.5 叶面积和干物质测定 |
| 1.3.6 抗倒伏相关指标的测定 |
| 1.3.7 考种与测产 |
| 1.3.8 养分吸收动态 |
| 2 数据分析 |
| 3 结果与分析 |
| 3.1 产量及构成因子 |
| 3.2 生长发育特性 |
| 3.2.1 茎蘖成穗率 |
| 3.2.2 秧苗素质考察 |
| 3.2.3 植株高度 |
| 3.2.4 干物质积累 |
| 3.2.5 叶面积指数 |
| 3.2.6 群体生长率和净同化率 |
| 3.3 抗倒伏相关指标 |
| 3.3.1 成熟期株高及节间配置 |
| 3.3.2 重心高度 |
| 3.3.3 茎秆粗度 |
| 3.3.4 茎壁厚 |
| 3.3.5 水稻茎秆力学特性 |
| 3.4 养分吸收动态 |
| 3.4.1 氮素吸收及分配比例 |
| 3.4.1.1 专用肥对水稻氮素含量的影响 |
| 3.4.1.2 专用肥对水稻不同生育时期各器官氮素分配比例的影响 |
| 3.4.2 磷素吸收及分配比例 |
| 3.4.2.1 专用肥对水稻磷含量的影响 |
| 3.4.2.2 专用肥对水稻不同生育时期各器官磷素分配比例的影响 |
| 3.4.3 钾素吸收及分配比例 |
| 3.4.3.1 专用肥对水稻钾素含量的影响 |
| 3.4.3.2 专用肥对水稻不同生育时期各器官钾素分配比例的影响 |
| 3.5 养分积累量 |
| 3.5.1 专用肥对水稻氮素积累量的影响 |
| 3.5.2 专用肥对水稻磷积累量的影响 |
| 3.5.3 专用肥对水稻钾积累量的影响 |
| 4 讨论 |
| 4.1 专用肥对水稻产量及产量形成过程的影响 |
| 4.2 专用肥对水稻苗期秧苗素质的影响 |
| 4.3 专用肥对水稻抗倒伏能力的影响 |
| 4.4 专用肥对水稻养分吸收积累的影响 |
| 第四章 结论 |
| 参考文献 |
| 致谢 |
（8）氮肥运筹和植株配置对湘南双季超级稻产量形成与抗逆能力的影响（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 氮肥运筹研究进展 |
| 1.2.2 水稻抗倒伏研究进展 |
| 1.2.3 水稻植株配置方式研究进展 |
| 1.2.4 研究展望 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 第2章 氮肥运筹对湘南双季超级稻产量形成与抗逆能力的影响 |
| 2.1 材料与方法 |
| 2.1.1 试验材料 |
| 2.1.2 试验地点 |
| 2.1.3 试验设计 |
| 2.1.4 测定项目与方法 |
| 2.1.5 实验器材 |
| 2.1.6 数据处理 |
| 2.2 结果与分析 |
| 2.2.1 氮肥运筹对湘南双季超级稻产量形成特性的影响 |
| 2.2.2 氮肥运筹对湘南双季超级稻抗逆能力的影响 |
| 2.3 小结与讨论 |
| 2.3.1 氮肥运筹对湘南双季超级稻分蘖动态的影响 |
| 2.3.2 氮肥运筹对水稻SPAD值的影响 |
| 2.3.3 氮肥运筹对湘南双季超级稻地上部分干物质积累的影响 |
| 2.3.4 氮肥运筹对水稻叶面积指数的影响 |
| 2.3.5 氮肥运筹对湘南双季超级稻抗倒伏能力的影响 |
| 2.3.6 氮肥运筹对湘南双季超级稻抗逆生理特性的影响 |
| 2.3.7 氮肥运筹对湘南双季超级稻产量及其构成因素的影响 |
| 第3章 植株配置对湘南双季超级稻产量形成与抗逆能力的影响 |
| 3.1 材料与方法 |
| 3.1.1 试验材料 |
| 3.1.2 试验地点 |
| 3.1.3 试验设计 |
| 3.1.4 测定项目与方法 |
| 3.1.5 实验器材 |
| 3.1.6 数据处理 |
| 3.2 结果与分析 |
| 3.2.1 植株配置对湘南双季超级稻产量形成特性的影响 |
| 3.2.2 植株配置对湘南双季超级抗逆能力的影响 |
| 3.3 小结与讨论 |
| 3.3.1 植株配置对水稻分蘖动态的影响 |
| 3.3.2 植株配置对水稻SPAD值的影响 |
| 3.3.3 植株配置对水稻叶面积指数的影响 |
| 3.3.4 植株密度对水稻地上干物质的影响 |
| 3.3.5 植株配置对水稻产量及产量构成的影响 |
| 3.3.6 植株密度对水稻抗倒伏能力的影响 |
| 3.3.7 植株配置对水稻抗逆生理特性的影响 |
| 第4章 全文总结 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）机械开沟穴直播及不同施肥方式对早籼稻产量和抗倒伏能力的影响（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 文献综述 |
| 1 研究意义和目的 |
| 2 研究现状 |
| 2.1 直播稻的发展历程 |
| 2.2 影响直播稻产量的因素 |
| 2.3 机械穴直播产量形成的优势 |
| 3 直播稻倒伏的问题研究 |
| 3.1 倒伏的机理 |
| 3.2 倒伏的影响因素 |
| 3.3 茎秆木质素与倒伏的关系 |
| 3.4 目前研究的不足及发展方向 |
| 4 研究内容 |
| 5 技术路线 |
| 第二章 机械开沟穴直播对早籼稻产量形成和抗倒伏能力的影响 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 试验材料与设计 |
| 2.2 测定指标及方法 |
| 2.3 数据处理与统计分析 |
| 3 结果与分析 |
| 3.1 机械开沟穴直播对早籼稻出苗率的影响 |
| 3.2 机械开沟穴直播处理对早籼稻产量及产量构成因子的影响 |
| 3.3 机械开沟穴直播处理下的茎秆形态特征和倒伏指数的关系 |
| 3.3.1 机械开沟穴直播处理下各节间的节间长度 |
| 3.3.2 机械开沟穴直播处理下各节间的茎壁厚度 |
| 3.3.3 机械开沟穴直播处理下各节间的节间粗度 |
| 3.3.4 机械开沟穴直播处理下的各节间的节间干重 |
| 3.3.5 机械开沟穴直播处理下的各节间的单位长度节间干重 |
| 3.3.6 机械开沟穴直播处理下各节间的单位体积节间干重 |
| 3.4 机械开沟穴直播处理下的茎秆的木质素含量 |
| 3.5 机械开沟穴直播处理对早籼稻倒伏指数及相关力学指标 |
| 3.5.1 单茎各节间的倒伏指数 |
| 3.5.2 单茎的各个节间的倒伏指数的F值 |
| 3.5.3 单茎各个节间的抗折力 |
| 3.5.4 单茎倒伏指数及其相关指标的相关分析 |
| 4 小结 |
| 第三章 不同施肥方式对早籼稻产量形成和抗倒伏能力的影响 |
| 1 前言 |
| 2 材料与方法 |
| 2.1 试验材料与试验地基本状况 |
| 2.2 试验设计 |
| 2.3 测定项目及方法 |
| 2.4 数据处理与统计分析 |
| 3 结果与分析 |
| 3.1 不同施肥方式对早籼稻出苗率的影响 |
| 3.2 不同施肥方式对早籼稻产量及产量构成因子的影响 |
| 3.3 不同施肥方式下的茎秆形态特征和倒伏指数的关系 |
| 3.3.1 不同施肥方式下各节间的节间长度 |
| 3.3.2 不同施肥方式下各节间的茎壁厚度 |
| 3.3.3 不同施肥方式下各节间的节间粗度 |
| 3.3.4 不同施肥方式下的各节间的节间干重 |
| 3.3.5 不同施肥方式下的各节间的单位长度节间干重 |
| 3.3.6 不同施肥方式下的各节间的单位体积节间干重 |
| 3.4 不同施肥方式下的茎秆的各节间的木质素含量 |
| 3.5 不同施肥方式对早籼稻倒伏指数及相关力学指标的影响 |
| 3.5.1 单茎各节间的倒伏指数 |
| 3.5.2 单茎的各个节间的倒伏指数的F值 |
| 3.5.3 单茎各节间的抗折力 |
| 3.5.4 单茎倒伏指数及其相关指标的相关分析 |
| 4 小结 |
| 第四章 结论和讨论 |
| 1 讨论 |
| 1.1 机械开沟穴直播对早籼稻产量形成的影响 |
| 1.2 机械开沟穴直播对早籼稻倒伏能力的影响 |
| 1.3 不同施肥方式对早籼稻产量形成的影响 |
| 1.4 不同施肥方式对早籼稻倒伏能力的影响 |
| 1.5 双季稻区水稻机械化直播高产途径 |
| 2 结论 |
| 3 创新点 |
| 4 本研究存在的问题及进一步研究内容 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（10）水稻生长状态物联网监控与评估算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要工作和创新点 |
| 1.4 论文组织架构 |
| 第二章 系统方案设计 |
| 2.1 需求分析 |
| 2.2 系统架构 |
| 2.3 通讯方案 |
| 2.4 传感器方案 |
| 2.5 本章小结 |
| 第三章 水稻生长状态评估算法 |
| 3.1 水稻需水量预测算法 |
| 3.1.1 作物需水量预测算法介绍 |
| 3.1.2 XGBoost算法原理 |
| 3.1.3 XGBoost算法的改进 |
| 3.1.4 需水量预测算法验证 |
| 3.2 水稻倒伏预警算法 |
| 3.2.1 水稻倒伏算法介绍 |
| 3.2.2 Farneback光流法原理 |
| 3.2.3 光流法实现 |
| 3.2.4 倒伏特征提取 |
| 3.3 本章小结 |
| 第四章 嵌入式软硬件设计 |
| 4.1 节点控制器硬件设计 |
| 4.1.1 电源管理模块 |
| 4.1.2 传感器模块 |
| 4.1.3 ZigBee通信模块 |
| 4.1.4 灌溉执行模块 |
| 4.2 集中控制器硬件设计 |
| 4.2.1 嵌入式集中控制器外设 |
| 4.2.2 嵌入式集中控制器PL端硬件设计 |
| 4.3 嵌入式软件设计 |
| 4.3.1 节点控制器软件设计 |
| 4.3.2 集中控制器软件设计 |
| 4.4 本章小结 |
| 第五章 服务器设计 |
| 5.1 设备服务器设计 |
| 5.2 数据库设计 |
| 5.3 RTMP服务器设计 |
| 5.4 WEB服务器设计 |
| 5.5 本章小结 |
| 第六章 系统测试 |
| 6.1 硬件测试 |
| 6.1.1 传感器测试 |
| 6.1.2 ZigBee通信测试 |
| 6.2 服务器测试 |
| 6.3 系统联调 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、水稻倒伏研究现状（论文参考文献）
- [1]水稻抗倒伏性的影响因素及评价方法研究进展[J]. 滕祥勇,王金明,李鹏志,林秀云,孙强. 福建农业学报, 2021
- [2]壮秆剂对水稻抗倒伏及相关基因差异表达的影响[D]. 王丹丹. 黑龙江八一农垦大学, 2021(09)
- [3]水稻抗倒伏研究及相关性状QTL初步定位分析[D]. 袁新捷. 华中农业大学, 2021
- [4]水稻长势无人机遥感监测研究[D]. 班松涛. 西北农林科技大学, 2020(03)
- [5]水稻新品系东46的产量、品质分析和耐肥性研究[D]. 汪楠. 天津农学院, 2020(07)
- [6]基于无人机多源信息的水稻倒伏特征分析[D]. 周平. 扬州大学, 2020(04)
- [7]新型专用肥料对水稻生长发育、产量及抗倒性的影响[D]. 唐乐丹. 华中农业大学, 2019(02)
- [8]氮肥运筹和植株配置对湘南双季超级稻产量形成与抗逆能力的影响[D]. 杨国俊. 湖南农业大学, 2019(08)
- [9]机械开沟穴直播及不同施肥方式对早籼稻产量和抗倒伏能力的影响[D]. 易艳红. 江西农业大学, 2019
- [10]水稻生长状态物联网监控与评估算法研究[D]. 秦博豪. 东南大学, 2019(05)