PDF(1432 KB)
Fitting and Analysis of Growth Model for Potato Pre-elite Seed During Tuber Initiation Stage
LINJinxiu, ZHANGPeng, LINGYongsheng, LIYang, CHENChaowen, ZHENGYachao
Chin Agric Sci Bull ›› 2026, Vol. 42 ›› Issue (16) : 20-24.
PDF(1432 KB)
Abbreviation (ISO4): Chin Agric Sci Bull
Editor in chief: Yulong YIN
PDF(1432 KB)
Fitting and Analysis of Growth Model for Potato Pre-elite Seed During Tuber Initiation Stage
This study investigated the growth patterns of selected traits during the tuber initiation stage in potato pre-elite seed multiplication, aiming to provide a reference for cultivation and management of potato pre-elite seed. Pre-elite seeds of the potato variety ‘Quanshu No.5’ were used as materials, and plant growth during the tuber initiation stage was continuously observed. The logistic regression equation was applied to fit growth indicators including plant height, stem diameter, aboveground fresh weight, and aboveground dry weight, and growth models were subsequently established. The results showed that the coefficients of determination (R2) for all growth models during the tuber initiation stage exceeded 0.95, indicating a good fit for the plant growth dynamics. Based on the two inflection points in each growth curve, the tuber initiation stage for each indicator was divided into three phases: early growth phase, rapid growth phase, and late growth phase. Plant height, stem diameter, aboveground fresh weight, and aboveground dry weight entered the rapid growth phase at 12, 14.6, 18.3 and 22.2 days after planting, respectively. The linear growth rates during this phase were 1.5 cm/d, 0.2 mm/d, 6.4 g/d, and 0.9 g/d, with corresponding linear growth increments of 34.6 cm, 6.4 mm, 144.3 g, and 17.3 g, respectively. Among the indicators, stem diameter had the longest rapid growth phase (28.3 d), while aboveground dry weight had the shortest one (20.3 d). Plant height showed the earliest occurrence of the maximum growth rate (23.7 d after planting), whereas aboveground dry weight showed the latest (32.1 d after planting). The study concludes that the logistic regression model can accurately simulate plant growth dynamics during the potato tuber initiation stage. The growth patterns of the measured indicators are generally consistent and follow an S-shaped growth curve. It is therefore recommended that targeted management practices be implemented during the rapid growth phase based on the growth patterns of each indicator, so as to maximize growth increments and provide a sufficient nutrient foundation for tuber expansion during the tuber bulking stage.
potato / pre-elite seed / ‘Quanshu No.5’ / tuber initiation stage / growth model / logistic regression / phenological period / fast-growing period
| [1] |
姚春光, 杨妍, 隋启君. 美国马铃薯产业发展对中国的启示[C]. 中国作物学会马铃薯专业委员会.2018年中国马铃薯大会.马铃薯产业与脱贫攻坚: 2018:19-26.
|
| [2] |
罗恒春, 张超. 滇中地区云南松林分胸径生长模型[J]. 东北林业大学学报, 2018, 46(3):1-6.
|
| [3] |
牟春燕. 宜兴市毛竹观测与生长模型研建[D]. 北京: 北京林业大学, 2016.
|
| [4] |
邹龙袁, 冯浩. DSSAT-CERES模型在黄土高原丘陵沟壑地区春玉米生产中的适用性评价[J]. 植物营养与肥料学报, 2014, 20(6):1413-1420.
|
| [5] |
李卫国. 水稻生长模拟与决策支持系统的研究[D]. 南京: 南京农业大学, 2005.
|
| [6] |
丁星文, 王慧纯, 李树发, 等. 温室无土栽培切花月季生长发育预测模型及其验证[J]. 西南农业学报, 2024, 37(2):294-301.
|
| [7] |
朱艳, 汤亮, 刘蕾蕾, 等. 作物生长模型(Crop Grow)研究进展[J]. 中国农业科学, 2020, 53(16):3235-3256.
农业信息技术是基于信息技术与农业科学的交叉融合而形成的新兴技术,催生了数字农业和智慧农业的快速发展。作物生长模型作为其核心内容之一,可以动态模拟作物生长发育过程及其与气候因子、土壤特性和管理技术之间的关系,从而有效克服传统农业生产管理研究中较强的时空局限性,为不同条件下的作物生产力预测预警与效应评估等提供量化工具。本文重点介绍笔者团队在作物生长模型的构建与应用方面形成的总体技术方法、最新研究进展及未来发展思考。通过20多年系统深入的探索和实践,本团队以小麦、水稻等作物为主要对象,以“生理机制解析-模型算法构建-生产力动态预测-效应定量评估-模拟平台研发”为主线,综合运用系统分析、动态建模、虚拟现实、情景模拟及决策支持等方法,开展了作物生长模型CropGrow的构建与应用研究。首先,利用系统分析方法与动态建模技术,构建了机理性与预测性兼备的综合性作物生长模型（CropGrow）,包括阶段发育与物候期、器官发生与建成、光合生产与物质积累、同化物分配与产量品质形成、养分动态、水分平衡以及作物三维形态建成与虚拟显示等子模型,可数字化、可视化表征不同条件下作物生长发育与生产力形成过程;然后,结合地理信息系统（GIS）和遥感（RS）技术,构建了基于模型、GIS和RS有效耦合的区域作物生产力预测技术;进一步量化了气候变化、品种更新、土壤改良、措施优化对区域作物生产力形成的影响,拓展了适宜方案生成、理想品种设计、气候效应评估、耕地利用评价以及农业政策制定等应用技术;最后,运用构件化程序设计思想,基于作物生产数据库、作物模型构件库等,集成开发了基于模型的数字化、可视化作物生长模拟系统与决策支持平台,实现了数据管理、参数优化、生长模拟、遥感耦合、区域预测、方案设计、效应评估、安全预警、产品发布等综合功能。未来作物模拟研究将在完善基础数据库的基础上,进一步提升预测能力、量化基因效应、拓展智能决策、耦合多功能模型等,为粮食生产的预测预警、情景效应的量化评估、生产管理的智能决策、作物品种的优化设计等提供数字化支撑,对于保障国家粮食安全和推进数字农业发展具有重要意义。
|
| [8] |
陈露, 王鹏皓, 候雪, 等. 作物生长模型研究进展[J]. 现代农业科技, 2020(14):254-255.
|
| [9] |
赵春江, 李静晨, 吴华瑞, 等. 基于大语言模型推理的数字孪生平台蔬菜作物生长模型研究[J]. 智慧农业(中英文), 2024, 6(6):63-71.
|
| [10] |
赵海文, 周长品, 刘一贞, 等. 粗皮桉早期生长模型拟合以及生长节律研究[J]. 华南农业大学学报, 2025, 46(2):212-221.
|
| [11] |
徐小静, 董瑞玲, 魏立民, 等. 文昌鸡母鸡生长模型的研究[J]. 畜牧兽医学报, 2023, 54(12):4952-4961.
旨在研究、构建文昌鸡母鸡体重和体组分重的生长模型,为文昌鸡的高效养殖提供科学依据。本研究选择体重接近的1日龄健康母雏300只,随机分为6个重复,常规饲养至119日龄。每周以重复为单位测定文昌鸡的体重,每个重复取2只鸡测定体组成。研究发现,随周龄增加,文昌鸡母鸡的体重、胴体重、羽毛重、体蛋白和体脂肪重等显著升高(P<0.001)。分别采用Gompertz、Von Bertalanffy、Logistic和Richards四种非线性函数拟合文昌鸡体重、体蛋白和体脂肪的生长曲线,根据回归模型的决定系数、均方误差、赤池信息准则和残差平方和,发现Gompertz模型的拟合度最高。利用Gompertz函数公式,建立了文昌鸡体重、胴体、羽毛、体蛋白和体脂肪等组分的生长模型,除羽毛水分重外,其他组分生长模型的决定系数接近或超过0.99,其中体重、体蛋白和体脂肪的成熟重分别为2 382 g、696.8 g和1 037.1 g,相对成熟速度分别为0.023 2、0.017 4和0.017 8。利用Gompertz模型可以预测文昌鸡不同日龄的体重和体组分重。这些模型及其微积分公式有助于文昌鸡的遗传选育和生产决策,同时也为今后预测文昌鸡母鸡每日能量和氨基酸需要量提供了基础。
|
| [12] |
姚洋, 董伟, 李海英, 等. 不同羽系拜城油鸡生长发育规律及生长曲线拟合分析[J]. 新疆农业科学, 2024, 61(5):1259-1267.
【目的】研究不同羽系拜城油鸡生长发育规律,为拜城油鸡的科学饲养管理和品种改良提供理论依据。【方法】分别选择0日龄健康的黑麻羽系、黄麻羽系和银灰羽系拜城油鸡雏鸡各200只(公母各半),测定并记录0~22周龄的体重,采用Logistic、Gompertz和Von Bertalanffy生长模型对拜城油鸡公、母鸡的体重进行生长曲线拟合分析。【结果】10、14周龄黑麻羽系公鸡的体重显著高于银灰羽系公鸡的体重(P<0.05),12周龄黑麻羽系公鸡的体重显著高于黄麻羽系和银灰羽系公鸡的体重(P<0.05),16周龄黑麻羽系和黄麻羽系公鸡的体重极显著高于银灰羽系公鸡的体重(P<0.01),20、22周龄黑麻羽系和黄麻羽系公鸡的体重显著高于银灰羽系公鸡的体重(P<0.05);母鸡中,黄麻羽系母鸡的初生重分别显著或极显著高于黑麻羽系和银灰羽系母鸡(P<0.05或P<0.01),6、8周龄黑麻羽系母鸡的体重显著高于银灰羽系母鸡的体重(P<0.05),20、22周龄龄黄麻羽系母鸡的体重显著高于银灰羽系母鸡的体重(P<0.05);3个羽系拜城油鸡的生长曲线均呈现“S”型;3个羽系公鸡均在第10周达到生长高峰,母鸡在第12周达到生长高峰;3种生长模型的拟合曲线与实际曲线基本吻合,Von Bertalanffy模型对公、母鸡的拟合效果最佳(R2>0.998),黑麻羽系、黄麻羽系和银灰羽系公鸡的拐点周龄分别为8.629、9.389、8.947,拐点体重分别为858.207、911.107、842.681 g;母鸡的拐点周龄分别为7.946、8.619、7.936,拐点体重分别为635.543、679.577、609.097 g。【结论】不同羽系拜城油鸡的生长发育存在差异,3个羽系拜城油鸡公、母鸡的最优生长模型均为Von Bertalanffy模型。
|
| [13] |
谭春桃. 基于生长模型预测的豌豆苗低功耗精准灌溉与通风协同控制研究[J]. 农业与技术, 2026, 46(5):79-83.
|
| [14] |
张江涛, 赵蓬晖, 杨淑红, 等. 白榆苗期年生长节律及生长模型研究[J]. 上海农业学报, 2024, 40(6):67-71.
|
| [15] |
叶荣, 向万娥, 许俊强, 等. 基于Logistic模型的上海青生长模拟三维可视化建模技术[J]. 江苏农业科学, 2024, 52(20):49-56.
|
| [16] |
陆思宇, 匡昭敏, 李莉. 基于Logistic模型的广西甘蔗株高生长发育研究[J]. 热带农业科学, 2025, 45(5):58-62.
|
| [17] |
程艳, 魏尊苗, 刘佳遥, 等. 基于Logistic方程的油莎豆生长指标拟合与分析[J]. 东北农业科学, 2024, 49(4):47-51.
|
| [18] |
何小勇, 赵思东, 袁德义, 等. 翅荚木苗期生长模型及其生长参数研究[J]. 江西农业大学学报, 2008, 30(1):81-85.
|
| [19] |
刘慧, 张国桢, 张宏辉, 等. 温室油桃叶片与果实生长模型及其分析[J]. 西北林学院学报, 2010, 25(1):86-89.
|
| [20] |
张大龙, 常毅博, 李建明, 等. 大棚甜瓜蒸腾规律及其影响因子[J]. 生态学报, 2014, 34(4):953-962.
|
| [21] |
陈亚楠, 郭满才, 梁宗锁, 等. 丹参根部生长规律Logistic模型研究[J]. 湖北农业科学, 2014, 53(7):105-110.
|
| [22] |
赵坤, 柳平增, 张泽, 等. 基于Logistic模型的设施番茄生长过程数字化研究[J]. 中国农机化学报, 2023, 44(9):72-78.
|
| [23] |
黄语燕, 王涛, 廖水兰, 等. 基于有效积温的NFT栽培生菜生长模型[J]. 北方园艺, 2021(14):39-45.
|
| [24] |
倪子凡, 张云华. 基于Logistic曲线的草莓生长模型研究[J]. 智能计算机与应用, 2022, 12(11):41-43.
|
| [25] |
高彦萍, 吕和平, 张武, 等. 马铃薯原原种椰糠基质繁育技术规程[J]. 甘肃农业科技, 2021, 52(1):91-94.
|
/
| 〈 |
|
〉 |
