为明确盐、干旱及盐旱复合胁迫对不同大豆(Glycine max L.)品种(系)生长和光合特性等的影响,本研究以7个大豆品种(系)为材料,设置对照(CK,正常供水,75%田间最大持水量)、盐胁迫(S,土壤含盐量0.44%)、干旱胁迫(D,35%田间最大持水量)和盐...为明确盐、干旱及盐旱复合胁迫对不同大豆(Glycine max L.)品种(系)生长和光合特性等的影响,本研究以7个大豆品种(系)为材料,设置对照(CK,正常供水,75%田间最大持水量)、盐胁迫(S,土壤含盐量0.44%)、干旱胁迫(D,35%田间最大持水量)和盐旱复合胁迫(S+D,35%田间最大持水量,土壤含盐量0.44%)4个处理,采用盆栽方式,研究不同处理对大豆苗期生长、光合特性、叶绿素含量、叶绿素荧光参数和根系构型等31个指标的影响。结果表明,与对照相比,盐和盐旱复合胁迫均显著降低大豆幼苗的数字生物量、叶面积、归一化植被指数和叶片的叶绿素含量、暗反应最大荧光(Fm)、最大光化学效率(Fv/Fm)、PSⅡ的潜在活性(Fv/Fo)、实际光化学效率(ΦPSⅡ)、表观光合电子传递速率(ETR)、非光化学猝灭系数(NPQ),且在盐旱复合胁迫处理下降幅更大,干旱胁迫显著增加大豆幼苗的叶片角度和叶片投影面积;三种胁迫处理均明显降低大豆总根长、根表面积、根体积、根尖数、根分叉数、交叉数和光合速率、气孔导度、胞间CO_(2)浓度及蒸腾速率,且多数指标下降达显著水平,干旱胁迫处理的降幅小于盐和盐旱复合胁迫处理。综上可知,盐旱复合胁迫对大豆幼苗生长的影响最明显,盐胁迫次之,干旱胁迫最轻。由主成分分析和隶属函数综合评价结果得出,21C49为耐盐品系,蒙豆46为耐旱、耐盐旱复合胁迫品种,黑科68为盐敏感、旱敏感品种,龙垦330为盐旱复合胁迫敏感品种。展开更多
为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被...为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被指数作为模型输入量,采用偏最小二乘回归(Partial Least Squares Regression,PLSR)、BP神经网络和遗传算法(Genetic Algorithm,GA)优化BP神经网络(GA-BP)3种方法构建大豆冠层SPAD值反演模型,并对比不同模型反演精度,确定最佳模型。研究结果表明:GA-BP神经网络以6种植被指数估算SPAD值的效果要优于PLSR、BP神经网络方法,其X6施肥水平下利用GA-BP神经网络估算SPAD值精度达到最高,R2和RMSE分别为0.93和0.48。该方法能快速获取不同施肥水平下大豆冠层SPAD值,可为土肥专家合理施肥提供决策依据。展开更多
文摘为明确盐、干旱及盐旱复合胁迫对不同大豆(Glycine max L.)品种(系)生长和光合特性等的影响,本研究以7个大豆品种(系)为材料,设置对照(CK,正常供水,75%田间最大持水量)、盐胁迫(S,土壤含盐量0.44%)、干旱胁迫(D,35%田间最大持水量)和盐旱复合胁迫(S+D,35%田间最大持水量,土壤含盐量0.44%)4个处理,采用盆栽方式,研究不同处理对大豆苗期生长、光合特性、叶绿素含量、叶绿素荧光参数和根系构型等31个指标的影响。结果表明,与对照相比,盐和盐旱复合胁迫均显著降低大豆幼苗的数字生物量、叶面积、归一化植被指数和叶片的叶绿素含量、暗反应最大荧光(Fm)、最大光化学效率(Fv/Fm)、PSⅡ的潜在活性(Fv/Fo)、实际光化学效率(ΦPSⅡ)、表观光合电子传递速率(ETR)、非光化学猝灭系数(NPQ),且在盐旱复合胁迫处理下降幅更大,干旱胁迫显著增加大豆幼苗的叶片角度和叶片投影面积;三种胁迫处理均明显降低大豆总根长、根表面积、根体积、根尖数、根分叉数、交叉数和光合速率、气孔导度、胞间CO_(2)浓度及蒸腾速率,且多数指标下降达显著水平,干旱胁迫处理的降幅小于盐和盐旱复合胁迫处理。综上可知,盐旱复合胁迫对大豆幼苗生长的影响最明显,盐胁迫次之,干旱胁迫最轻。由主成分分析和隶属函数综合评价结果得出,21C49为耐盐品系,蒙豆46为耐旱、耐盐旱复合胁迫品种,黑科68为盐敏感、旱敏感品种,龙垦330为盐旱复合胁迫敏感品种。
文摘为实现不同施肥水平下大豆冠层叶绿素相对含量(Soil and Plant Analyzer Development,SPAD)监测,利用无人机获取大豆始粒期(R5)多光谱遥感图像,提取图像波段反射率,筛选6种植被指数,分析6种植被指数与SPAD值之间的相关性系数,将6种植被指数作为模型输入量,采用偏最小二乘回归(Partial Least Squares Regression,PLSR)、BP神经网络和遗传算法(Genetic Algorithm,GA)优化BP神经网络(GA-BP)3种方法构建大豆冠层SPAD值反演模型,并对比不同模型反演精度,确定最佳模型。研究结果表明:GA-BP神经网络以6种植被指数估算SPAD值的效果要优于PLSR、BP神经网络方法,其X6施肥水平下利用GA-BP神经网络估算SPAD值精度达到最高,R2和RMSE分别为0.93和0.48。该方法能快速获取不同施肥水平下大豆冠层SPAD值,可为土肥专家合理施肥提供决策依据。
