【目的】分析东北春大豆种质资源的表型特征并筛选优质材料。【方法】选用209份材料,种植3年,对12个大豆性状进行描述性统计、聚类分析、分段线性回归分析和综合评价等。【结果】表型变异系数及多样性指数范围指出节数、茎粗和百粒重变...【目的】分析东北春大豆种质资源的表型特征并筛选优质材料。【方法】选用209份材料,种植3年,对12个大豆性状进行描述性统计、聚类分析、分段线性回归分析和综合评价等。【结果】表型变异系数及多样性指数范围指出节数、茎粗和百粒重变化幅度较为稳定,分枝数、虫食重比和单株荚数等9个性状变异丰富;所有性状可被主成分分析浓缩为产量、抗虫、百粒重及株型因子,其中产量因子与株型正相关,与百粒重、虫食粒数和虫食重比负相关;种质资源可划分为4个类群,I类群株型适中且荚数多,II类群植株矮小且单株产量低,III类群株型理想、产量最高,IV类群与I类群相似但抗虫性差;分段线性回归得出理想高产大豆范围在株高102.03 cm、19.93个节数、3.5个分枝、茎粗11.39 mm、豆荚99.73个和粒数286.09个左右,且尽可能不受大豆食心虫的取食;在DTOPSIS(dynamic technique for order preference by similarity to ideal solution)法下,种质资源的综合得分在0.59~0.25,平均得分为0.16。【结论】东北春大豆资源表型多样性丰富,I类群、III类群可分别用于株型改良和高产育种。株型适中、粒数较多且抗虫是高产大豆的主要特征。Soy194、Soy052和Soy196可作为优异种质运用于大豆育种中。展开更多
文摘【目的】分析东北春大豆种质资源的表型特征并筛选优质材料。【方法】选用209份材料,种植3年,对12个大豆性状进行描述性统计、聚类分析、分段线性回归分析和综合评价等。【结果】表型变异系数及多样性指数范围指出节数、茎粗和百粒重变化幅度较为稳定,分枝数、虫食重比和单株荚数等9个性状变异丰富;所有性状可被主成分分析浓缩为产量、抗虫、百粒重及株型因子,其中产量因子与株型正相关,与百粒重、虫食粒数和虫食重比负相关;种质资源可划分为4个类群,I类群株型适中且荚数多,II类群植株矮小且单株产量低,III类群株型理想、产量最高,IV类群与I类群相似但抗虫性差;分段线性回归得出理想高产大豆范围在株高102.03 cm、19.93个节数、3.5个分枝、茎粗11.39 mm、豆荚99.73个和粒数286.09个左右,且尽可能不受大豆食心虫的取食;在DTOPSIS(dynamic technique for order preference by similarity to ideal solution)法下,种质资源的综合得分在0.59~0.25,平均得分为0.16。【结论】东北春大豆资源表型多样性丰富,I类群、III类群可分别用于株型改良和高产育种。株型适中、粒数较多且抗虫是高产大豆的主要特征。Soy194、Soy052和Soy196可作为优异种质运用于大豆育种中。
文摘由于电力系统拓扑结构复杂多变,基于数据驱动的静态电压稳定评估通常存在模型泛化能力不足的问题。针对该问题,文中提出了一种基于迁移学习的智能静态电压稳定评估方案。基于最大相关最小冗余(Maximal Relevance Minimal Redundancy,MRMR)准则和shapley值构建S-MRMR特征选择框架,对离线生成的数据集进行数据降维;基于梯度提升分段线性回归树(Gradient Boosting With Piecewise Linear Regression Trees,GBDT-PL)算法构建静态电压稳定评估模型,提取电力系统运行特征与静态电压稳定指标间的映射关系;利用迁移学习对GBDT-PL模型进行实时更新,提高模型的泛化能力。在由电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果表明,文中所提方案对电力系统拓扑结构变化具有较强的鲁棒性,能够满足在线电压稳定评估的要求,为数据驱动方法实际应用于静态电压稳定评估提供了有益的参考。
