一、小麦蛋白质含量的遗传研究(论文文献综述)
强生军,刘玉荣,张礼军,鲁清林,杨继忠[1](2021)在《白银市主栽大田小麦加工品质实验研究及环境影响评估》文中指出【目的】针对白银市大田小麦加工品质及流变学特性开展研究,评估白银市小麦品质及产业发展现状,定性研究自然环境对小麦品质的影响规律,为当地选种、品种改良、产业规划提供理论参考.【方法】采用大田抽样的方法从白银市小麦主产区基本农田抽取13个品种、27份小麦籽粒样品,基于国家标准系统测定了小麦品质并进行数据相关性分析.【结果】待试小麦籽粒中,仅吸水率变异系数小于10%,籽粒硬度、籽粒蛋白质含量、湿面筋含量、延伸度对应变异系数介于10%~20%,其余品质指标变异系数均大于20%.【结论】白银市大田小麦多项品质指标均高于甘肃省或全国平均值,整体达到中筋水平;各小麦品种之间存在明显的品质差异,同一产区内不同品种"插花"现象十分普遍,小麦品质参差不齐,不利于小麦产业健康发展;白银市大田小麦拉伸特性普遍偏弱,宜于挤压成型、粉碎研磨,适合加工饼干、代餐粉等;小麦品质在样点县间呈明显差异化分布,环境因素对小麦品质存在显着影响,海拔、纬度、降水量越高,小麦蛋白质含量、主要流变学特性呈提升趋势.
王掌军,许娜丽,王新华,马冬花,杨杰,李清峰,刘彩霞,刘凤楼,亢玲,张双喜[2](2021)在《宁春4号与河东乌麦杂交F2:5家系的籽粒品质性状及其QTL分析》文中进行了进一步梳理目的】分析宁春4号与河东乌麦间杂交F2:5家系的籽粒品质性状及其重要QTL,为宁夏小麦品质性状的遗传改良提供优异资源。【方法】以主要籽粒品质性状差异较大的宁春4号与河东乌麦及其杂交的248个F2:5家系为材料,利用方差分析、相关分析、聚类分析和复合区间作图等方法对12个籽粒品质性状及其重要QTL进行研究。【结果】12个籽粒品质性状在F2:5家系中均出现明显分离,其中,水分含量、吸水率、沉降值、稳定时间和硬度指数的群体平均值均超过高亲亲本,超高亲比例为59.27%~92.74%;粗蛋白含量、湿面筋含量、出粉率和形成时间的群体平均值介于双亲之间,超中亲比例为42.34%~50.81%,超高亲比例为12.50%~27.42%;降落值、拉伸面积和容重的群体平均值均低于低亲亲本,超中亲比例为1.61%~33.87%,超高亲比例为1.61%~31.05%。基于籽粒品质性状的测定结果,在欧氏距离为13时,可将248个家系分为六大类群,其中,类群Ⅱ平均湿面筋含量(32.16%)和降落值(363.55 s)最高,类群Ⅲ平均粗蛋白含量(14.89%)、吸水率(62.88%)、拉伸面积(152.28 cm2)、容重(779.20 g/L)、形成时间(4.15 min)和硬度指数(69.93)均居首位,类群Ⅴ平均水分含量最低(11.68%)、稳定时间最长(13.16 min),类群Ⅵ平均出粉率(68.86%)和沉降值(41.31 mL)最高。利用69个SSR分子标记构成的39个区间共检测到68个籽粒品质性状QTL,其中,与水分含量、粗蛋白含量、湿面筋含量、出粉率、吸水率、降落值、沉降值、拉伸面积、容重、稳定时间、形成时间和硬度指数相关的QTL数量分别有5、2、4、9、2、12、4、4、1、9、9和7个,分布在1A~7A、1B、2B、3B、6B、1D、2D、3D、6D和7D共16条染色体上,LOD值最大为3.03,表型贡献率为3.17%~43.81%,加性效应为-14.8275~15.3442,同时,1A、2A、4A、7A、2B、3B、6B、1D、2D、3D、6D和7D染色体上检测到多个籽粒品质性状QTL,表明这12条染色体存在QTL富集区。【结论】小麦的大部分品质性状属于多基因控制的数量性状,宁春4号与河东乌麦间杂交F2:5家系中出现了较多超亲类型,其中类群Ⅲ为籽粒品质性状的最优类群。检测到的68个籽粒品质性状QTL可选择性地用于小麦品质性状的遗传改良。
王掌军,姚明明,余慧霞,王彦青,李清峰,刘凤楼,刘彩霞,张双喜,张晓岗,刘生祥[3](2021)在《宁春4号×河东乌麦F2∶5家系遗传图谱构建与籽粒蛋白质性状QTL分析》文中研究表明为适应宁夏回族自治区小麦绿色优质高效品种选育和产业提质增效的需求,以宁春4号与河东乌麦杂交后代的248个F2∶5家系为材料,对其进行遗传图谱构建与籽粒蛋白质数量性状基因座(quantitative trait locus, QTL)分析,以期为该地区小麦蛋白质性状遗传改良提供育种中间材料和QTL。结果表明:用197个SSR(simple sequence repeats)标记构建了包括小麦21条染色体的分子遗传图谱,总长度为2 342.63 cM,标记间平均距离为11.89 cM;蛋白质性状在F2∶5家系出现较大分离,粗蛋白质含量、湿面筋含量的群体平均值(分别为14.49%、30.96%)介于双亲该性状之间,稳定时间的群体平均值(10.86 min)均超过高亲;粗蛋白质含量、稳定时间、湿面筋含量的超中亲比例分别达50.81%、77.82%、50.00%,超高亲比例分别达21.77%、59.27%、22.98%;籽粒蛋白质性状3个指标间均呈极显着正相关(P﹤0.01)。利用22个标记共检测到36个籽粒蛋白质QTL,分别为14个粗蛋白质含量QTL、6个稳定时间QTL和16个湿面筋含量QTL,涉及1A、2A、3A、5A、7A、1B、2B、6B、1D、2D、3D、4D、5D、6D、7D等15条染色体,36个QTL的连锁系数(LOD值)最大为14.9,表型贡献率为3%~6%,加性效应为-1.71~1.17,有11个标记所在的位点存在籽粒蛋白质性状QTL富集区。
李曼,张晓,刘大同,江伟,高德荣,张勇[4](2021)在《弱筋小麦品质评价指标研究》文中进行了进一步梳理为了确定评价弱筋小麦品质的核心指标,建立弱筋小麦品质评价体系,本研究以长江中下游麦区推广的9个弱筋品种为试验材料,连续进行4年种植试验,测定其籽粒蛋白质含量、籽粒硬度,湿面筋含量、面筋指数、沉淀值和溶剂保持力(SRC)等面粉理化指标,粉质仪和吹泡仪等面团流变学特性参数并制作曲奇饼干测试饼干直径、厚度等品质参数。结果表明,弱筋小麦多数品质性状受基因型和环境共同影响,其中蛋白质含量、硬度、沉淀值、水SRC、碳酸钠SRC、乳酸SRC、吹泡仪参数、粉质仪弱化度以及曲奇饼干直径、厚度均表现为基因效应大于环境效应;弱筋小麦的籽粒蛋白质含量、湿面筋含量、粉质仪吸水率、粉质仪形成时间、粉质仪稳定时间、粉质仪粉质质量指数在各品种间无显着差异;弱筋小麦的硬度、面筋指数、水SRC、碳酸钠SRC、吹泡仪弹性(P值)、吹泡仪弹性/延伸性(P/L值)、粉质仪弱化度在各小麦品种间差异显着(P<0.05),上述指标与曲奇品质呈显着或极显着相关性,可作为评价弱筋小麦品质的重要指标。优质弱筋小麦品质评价标准推荐为:硬度≤25,面筋指数≥80%,水SRC≤60%,碳酸钠SRC≤75%,吹泡仪P值≤40 mm、延伸性(L值)≥95 mm、P/L值≤0.45,75≤弱化度≤95。对连续种植4年的不同弱筋小麦品质性状进行聚类分析,发现扬麦13、扬麦9号、扬麦19为优质弱筋小麦。本研究结果为弱筋小麦品种选育提供了支撑。
李玉娟[5](2021)在《花后外源亚精胺喷施对小麦籽粒品质的影响》文中提出
马俊杰[6](2021)在《不同水肥条件下小麦籽粒产量和蛋白质含量对基因型的响应》文中认为在低水肥投入管理条件下,小麦籽粒蛋白质含量和产量的同时提高,有助于可持续地开发高产优质的资源高效利用品种。然而,基因型、管理和生长季的复杂机制以及蛋白质含量与产量之间的负相关关系,使得低水肥投入管理下籽粒蛋白质含量和产量的同步提高变得复杂。为了回答小麦籽粒产量和蛋白质含量对基因型、管理和生长季的响应机制,确定稳定的高产高蛋白含量的小麦品种,从而促进低水肥投入下高产优质小麦品种的开发,保障可持续粮食安全和营养安全,本研究选取了 20世纪80年代至21世纪10年代推广的209个小麦品种进行试验,包括强筋型、中强筋型、中筋型、弱筋型,冬性、半冬性、弱春性和春性。田间试验采用随机完全区组设计,两个生长季处理(2018-2019和2019—2020)和两种管理处理(常规管理和低水肥投入管理),观测了籽粒产量、蛋白质含量、株高、叶绿素含量、冠层温度和归一化植被指数(Normalized Difference Vegetation Index,NDVI)六项指标。另外利用竞争性等位基因特异性聚合酶链反应(Kompetitive Allele Specific PCR,KASP;Polymerase Chain Reaction,PCR)技术进行等位基因分型,在被测材料中发现69种籽粒产量-蛋白质含量等位基因组合。主要结果如下:(1)多环境方差分析显示,相比于生长季和管理,基因型对籽粒产量和蛋白质含量的影响最大,籽粒产量和蛋白质含量均高度可遗传。根据相关性分析,在不同生长季中和不同管理下,籽粒产量和蛋白质含量均呈极显着负相关。在传统管理下,籽粒产量较高;低水肥投入管理下,蛋白质含量较高。在降水量较多的生长季中,籽粒产量较高;在温度较高的生长季中,蛋白质含量较高。(2)根据正态分布的3σ规则发现,强筋小麦的蛋白质含量高于中筋小麦,中国小麦品种的培育对蛋白质含量关注度低于其他国家。在所有被测材料中,小麦品种“良星66”和“新麦18”在低水肥投入管理下籽粒产量稳定在前15.87%的水平,籽粒蛋白质含量达到平均值,并且在常规管理下也稳定表达高产和高蛋白含量,表现出较好的稳定性。(3)高产高蛋白含量等位基因组合与高产低蛋白等位基因组合相比,开花期和灌浆中后期的叶绿素含量、开花期和灌浆期的NDVI较高,开花期的株高、灌浆前期的叶绿素含量和灌浆中后期的冠层温度较低;与低产高蛋白等位基因组合相比,开花期和灌浆期的叶绿素含量、开花期和灌浆期的NDVI较高,开花期和灌浆期的株高、灌浆期的冠层温度较低。(4)在遗传方面,“良星66”和“新麦18”与籽粒产量有关的粒重功能基因TaSus1-7A,TaSus1-7B,TaGW2-6A,TaGW2-6B和与蛋白质含量有关的蛋白质功能基因Glu-B3分别携带了有利等位基因,而其中TaSus1-7A的等位基因Hap-1/2和Glu-B3的等位基因Glu-B3b/d/g/i更稳定。(5)结合结构方程模型发现,在生理方面,“良星66”和“新麦18”表现出了与高产高蛋白含量显着相关的表型性状,即在开花期表现出了较高的归一化植被指数,因此可以作为育种时重要的栽培材料。基于以上结果,得出如下结论:(1)小麦籽粒产量比蛋白质含量更容易受管理和生长季及其交互作用的影响。(2)合理的低水肥投入管理可以达到高产高蛋白含量且提高水氮利用效率的目的。(3)对于中等蛋白含量品种小麦来说,在灌浆期有高温胁迫的生长季中,更容易获得较低的籽粒产量和较高的籽粒蛋白质含量。(4)小麦籽粒产量和蛋白质含量均依赖于基因型,这为筛选优良品种、鉴定有利基因型奠定了基础。(5)尽管目前中国的小麦品种蛋白质含量相对较低,但也存在高产高蛋白含量的资源高效利用品种。综上所述,本研究的结果可为绿色可持续发展和农业提质增效提供重要科学依据。
陈华斌[7](2021)在《小麦粒形、品质和农艺相关性状的全基因组关联分析》文中研究表明小麦是我国三大主要粮食作物之一,在我国粮食安全生产中具有极其重要的地位。农艺性状、籽粒及其品质相关性状是小麦遗传改良的重要目标,也是当前的研究热点。本研究以课题组前期征集的来自中国、澳大利亚等不同国家的272份小麦种质为试验材料,2017~2019年连续两年种植于宁波同一试验田,抽穗期测定株高和旗叶宽度;成熟期收获籽粒,测定籽粒千粒重、粒长、粒宽及籽粒蛋白质、湿面筋和微量营养元素含量等,利用覆盖小麦全基因组的20917个SNP标记进行全基因组关联分析,发掘出与以上表型相关的QTLs和候选基因。主要研究结果如下:1.参试材料千粒重、粒长、粒宽和籽粒长宽比存在显着的基因型差异,且均呈标准正态分布。千粒重变化范围分别为17.2-53.4 g(Year 1:2017-2018年度)和20.4-59.8 g(Year 2:2018-2019年度),平均值分别为33.6 g和37.7 g,变异系数分别为20.7%和19.0%,遗传率84.4%;粒长变幅第1和第2年试验分别为5.5-8.4 mm和5.2-8.3 mm,平均值分别为6.7 mm和6.4 mm,变异系数分别为7.8%和8.8%,遗传率为94.6%;粒宽两年试验变幅相同,均为2.5-3.8 mm,平均值均为3.2 mm,变异系数分别为7.5%和7.2%,遗传率为81.2%;籽粒长宽比变幅分别为1.7-2.7和1.6-2.4,平均值分别为2.1和2.0,变异系数分别为8.6%和7.5%,遗传率为84.9%。株高(2017-2018年度)变幅为70-178 cm,平均值为130 cm,变异系数18.1%,遗传率为83.5%;旗叶宽变幅为0.9-2.9 cm,平均值为1.8 cm,变异系数17.1%,遗传率为82.7%。2.籽粒蛋白质和湿面筋含量均表现出显着的基因型差异。蛋白质含量变化范围分别为10.0%-21.7%(2017-2018年度)和8.2%-20.4%(2018-2019年度),平均值分别为15.3%和12.9%,变异系数分别为14.4%和18.1%,遗传率为33.5%;湿面筋含量变幅分别为20.3%-37.5%和12.1%-36.3%,平均值分别为28.1%和27.3%,变异系数分别为9.6%和9.4%,遗传率为39.9%。籽粒铁、锰、锌和铜含量(2017-2018年度)变幅分别为15.5-85.0、17.9-58.9、24.8-83.4和2.5-9.8μg/g,变异系数分别为33.2%、22.3%、24.0%和24.6%,平均值分别为30.1、37.7、44.0和4.6μg/g,遗传率分别为54.6%、90.2%、92.9%和94.6%。3.相关分析结果表明,千粒重与粒长、粒宽表现为极显着正相关,与蛋白质、湿面筋含量为极显着负相关,与锰含量为显着负相关;蛋白质含量与湿面筋含量表现为极显着正相关,与锰、锌、铜含量也为极显着正相关。株高与千粒重为极显着负相关,和蛋白质含量为极显着正相关;旗叶宽与千粒重为极显着正相关,和蛋白质含量表现为不显着负相关。4.通过GWAS关联分析对粒形、品质和农艺相关性状进行全基因组关联分析,共鉴定到97个显着性MTAs,分布于除5D外的其余染色体上,分属于75个QTLs,并筛选到154个目标性状相关基因。对于千粒重,共鉴定到5个显着性MTAs,分布在1D、3B、4D、6B和7A上,这些位点平均可解释6.8%的表型变异。粒长共鉴定到9个MTAs,集中分布于染色体6B上,以上位点平均表型变异解释率为6.9%。粒宽共鉴定到3个MTAs,分布在1B、1D和3B上,平均表型变异解释率为6.7%。籽粒长宽比共鉴定到11个MTAs,集中分布于染色体4A上,平均表型变异解释率为6.9%。籽粒蛋白质含量,共检测到11个MTAs,分布在1D、2D、3D、4D、5B和7D上,表型变异解释率最高达8.5%。湿面筋含量共检测到29个MTAs,平均表型变异解释率为6.8%。4个微量营养元素含量共鉴定到21个MTAs,主要位于2D和6A上。株高和旗叶宽共鉴定到8个MTAs。分析发现有6个QTLs共定位,存在多个一因多效位点,8个SNP在两个环境中均被鉴定到,较为稳定。优势等位效应分析表明,随着优势等位基因个数的增加,千粒重和籽粒蛋白质含量均显着提高,值得注意的是至少有7个优势等位基因在群体内占比极低。Traes CS3B02G144800和Traes CS3D02G511300候选基因分别编码产生糖基转移酶和泛素连接酶,推测可能为调控籽粒相应表型的关键基因,但需进一步功能验证。研究结果丰富了小麦复杂数量性状遗传解析基础,为培育高产优质小麦新品种提供理论依据,相应分子标记还可开发用于标记辅助选择育种。
孙晶京[8](2021)在《基于近红外光谱技术的小麦籽粒蛋白质含量模型构建及优化研究》文中研究指明小麦籽粒蛋白质含量是评价小麦品质的主要指标,快速检测籽粒蛋白质含量,能够为小麦籽粒的按质收购和分类加工提供科学合理的决策。近红外光谱具有分析速度快、分析效率高、适用范围广、样品不需要预处理、测量过程无污染、分析成本低、对样品无损害、容易实现在线分析等特点被广泛应用于产品快速检测。利用近红外光谱技术在快速获取目标属性丰富信息时,常会产生大量的高维数据,导致无法轻易对这些数据做出分析和解释。化学计量学作为一种常用的光谱学分析工具,其方法的实现是基于数据驱动的,当面对不同类型的数据时往往会呈现出不同的结果。为了尽可能降低不同类型数据的影响,针对特定目标属性开展近红外光谱预测模型的构建及优化的研究是必要的。本文以小麦籽粒蛋白质为研究对象,对其光谱建模过程中涉及到的几个方面(预处理方法、变量选择和模型选择等)进行分析研究。首先分析了不同光谱预处理方法(光谱区间选择、数据集划分、光谱变换和光谱变换与数据集划分的顺序等)对光谱模型的影响。接着基于模型集群分析思想,建立了两种不同变量选择算法,并在多组实验数据集上进行了验证。在此基础上,研究了预处理和变量选择的组合对模型的影响。最后,综合对比了基于不同建模方法建立的光谱模型的性能。研究结论如下:(1)本研究从不同方面详细地比较了小麦籽粒光谱数据预处理方法,结果表明数据集划分策略对其所建偏最小二乘回归(partial least square regression,PLSR)模型影响较大,相比Kennard-Stone(KS)算法,基于联合x-y距离的样本集划分(sample set partitioning based on joint x-y distances,SPXY)和基于核的联合x-y距离的样本集划分(kernel sample set partitioning based on joint x-y distances,KSPXY)算法在模型精度和模型稳定性方面占绝对优势,而SPXY算法虽在模型性能上略逊于KSPXY算法,但在计算量上占绝对优势。其中KS、SPXY和KSPXY算法基于数据集B所建模型性能较优,且其模型的验证集均方根误差(root mean squared error of prediction,RMSEP)分别为0.239、0.129和0.131。光谱区间的选择对模型性能的影响也较大,尤其是在数据样本较少的时候。针对同组样品,选用波段范围在730-1100 nm的数据集B模型精度和稳定性最好,表明在光谱建模时,对光谱数据区间的初步筛选也是非常重要的。在光谱变换方法对模型性能的影响方面,光谱变换操作先于数据集划分操作时,有利于提高模型精度和模型稳定性;相比其他光谱变换方法,分数阶导数和小波变换处理提高了模型的性能及稳定性,但在运算上复杂一些,需要通过调优找出最佳预处理参数。基于数据集B,采用分数阶导数的最优模型,其模型校正集均方根误差(root mean squared error of calibration,RMSEC)和RMSEP分别为0.104和0.097,采用小波变换的最优模型,其模型RMSEC和RMSEP分别为0.109和0.089。在此基础上,对比了两者的模型迁移能力,发现采用导数预处理方法的模型迁移能力要优于小波变换预处理方法。(2)本研究基于模型群分析和重加权bootstrap重采样方法,提出了 一种新的变量选择方法,称为自适应变量重加权和收缩方法(adaptive variable reweighting and shrinking approach,AVRSA)。在三个近红外光谱数据集上,利用AVRSA能有效减少光谱变量的个数(至少84%),并降低模型的误差。此外,通过与竞争自适应重加权采样,蒙特卡洛-无信息变量消除和迭代变量子集优化三种变量选择方法的对比,发现AVRSA在高维度的光谱数据中能快速地找出最佳信息变量子集,有效地改善了模型性能。(3)本研究提出了 一种基于随机蛙跳的区间变量选择方法,称为随机蛙跳区间变量选择方法(interval selection based on random frog,ISRF)。在三个近红外光谱数据集上,通过与遗传算法PLS,随机蛙跳算法、区间随机蛙跳和区间变量迭代空间收缩方法四种变量选择方法的对比,发现ISRF可以有效地找到最佳区间变量,提高模型的性能和解释能力。(4)本研究以一个小麦籽粒蛋白质光谱数据集(数据集A)为研究对象,对比分析了光谱变换方法(均值中心化、Savitzky-Golay(SG)平滑处理、SG一阶导数、SG二阶导数、多元散射校正、标准正态变换、去趋势法、连续统去除法和连续小波变换等)和变量选择方法(竞争自适应重加权采样、连续投影算法、ISRF和AVRSA)的不同组合对PLSR光谱模型的影响,发现当使用不同变量选择方法时,基于最优光谱变换方法建立的模型不一定是最优的;基于最优光谱变换和最优变量选择算法组合构建的模型不一定是最优的。此外,光谱变换方法对变量选择的影响较大,所选取的变量分布差异较大。在不同的变量选择方法中,AVRSA算法耦合不同光谱变换的模型有较好的稳定性,且特征变量的分布差异最小,基于SG二阶导数处理和AVRSA变量选择算法构建的模型性能最佳,其模型RMSEC和RMSEP分别为0.203和0.176,能较好地用于小麦籽粒蛋白质含量模型的构建。(5)本研究采用SPXY算法对数据集进行划分,然后对划分后的训练集样本进行数据扩增,基于扩增后的训练样本构建卷积神经网络(convolutional neural network,CNN)模型。基于两组小麦籽粒蛋白质光谱数据,对比了该模型与传统的机器学习算法(支持向量回归和随机森林)和PLSR构建的模型性能,发现CNN模型在不进行光谱变换的情况下可达到基于最优光谱变换方法的PLSR模型性能。基于数据集A所构建的CNN模型,其模型训练集RMSE和测试集RMSE分别为0.192和0.161,基于数据集B所构建的CNN模型,其模型训练集RMSE和测试集RMSE分别为0.081和0.100。此外,CNN模型精度优于传统机器学习算法建立的模型,且表现出较好的模型迁移能力。表明采用CNN算法能简单而有效的实现小麦籽粒蛋白质含量的估测。
张晓蕾[9](2021)在《卷积神经网络光谱分析方法及其在农产品品质检测中的应用》文中研究说明农产品品质检测和分级以为市场供给优质的农产品作为首要目标,是推动农产品产后处理高质量发展,实现农业农村现代化的关键环节。光谱分析技术由于其无损的特性,在农产品品质检测领域具备重要的研究与应用价值。以化学计量学方法为主要手段的光谱分析模式虽然在现阶段被广泛应用,但是还存在程序繁琐和模型对未知样本的预测能力下降的问题,不能较好地满足农产品品质快速无损检测过程中对精准化和智能化的需求。以卷积神经网络为代表的深度学习方法减少了光谱分析中对专家经验和先验知识的依赖,可以从原始光谱数据中分层次提取有用信息,提高模型预测精度。本文构建了以定性、定量分析及其机理解释为主体的端对端的卷积神经网络光谱数据分析方法,并以多品种梨的可溶性固形物含量预测为例建立了一种其在水果品质无损检测中应用的方案。本文的主要研究内容和结果如下:(1)提出了一种端对端的卷积神经网络光谱定性分析模型,并将其应用于20个葡萄品种的鉴别。模型的平均分类准确率达到87.81%;配对检验结果表明该方法相较于传统化学计量学建模方法中的偏最小二乘回归–线性判别分析和主成分分析–逻辑回归模型有显着的精度提升(p<0.001);蒙特卡洛交叉验证结果表明,该模型的变异系数为4%,稳定性优于传统化学计量学模型偏最小二乘回归–线性判别分析的变异系数5%。(2)提出了一种端对端的卷积神经网络光谱定量分析模型Deep Spectra,并在玉米蛋白质、药片活性物质、小麦蛋白质和土壤有机质含量等四个公开数据集中验证模型的有效性。结果表明:Deep Spectra模型相比其他三种结构的CNN模型,平均精度提高了15.4%;Deep Spectra模型在四个数据集的原始光谱中取得最低的RMSEP,分别是0.12%、0.35%、0.20%和8.88 g/kg;数据量的增加有利于提高卷积神经网络模型的稳定性和精度,在土壤数据集中选取10%–100%的数据进行训练时,模型的平均RMSEP从11.43 g/kg降低到8.88 g/kg,精度提升22%。(3)提出了一种用于解释深度卷积神经网络光谱分析模型特征提取机理的方法。采用类激活映射方法获取模型的特征波段,并与理论光谱特征峰进行对比;采用逐层特征图可视化方法表示模型逐层特征提取过程。结果表明,卷积神经网络模型提取的特征波段和理论光谱特征波段的位置一致。深层卷积特征提取的过程是:第一层进行光谱数据预处理,隐藏层提取并加强特征峰信息,最后一层学习主要特征波形。蒙特卡洛交叉验证结果表明,卷积神经网络模型在不同数据集划分下的精度稳定,准确率变化仅为0.59%,在拉曼数据集中三个与化学键相关的特征峰624、652和735 cm-1未发生变化,特征波段稳定。(4)针对光谱分析模型在不同品种的水果品质检测中预测精度低的问题,以多品种的梨为研究对象,将本研究提出的卷积神经网络模型应用于梨的可溶性固形物含量检测中,建立全局和局部卷积神经网络模型,并与支持向量回归和偏最小二乘回归模型进行比较。结果表明,局部卷积神经网络模型在皇冠梨、初夏绿梨、圆黄梨等三个品种的可溶性固形物含量预测中取得了最低的RMSEP,分别为0.33°Brix、0.36°Brix和0.37°Brix,全局卷积神经网络模型在水晶梨数据集中取得了最低的RMSEP为0.46°Brix。全局模型在降低模型选择需求,提升模型预测性能方面具有一定优势。
徐俊[10](2021)在《密肥组合对不同专用型小麦产量和品质的影响》文中进行了进一步梳理江苏苏中地区由于其优越的自然条件,普遍适宜小麦的种植。但在当前小麦生产上存在产量和品质稳定性差等问题,因此在小麦大田生产上确保小麦产量和品质的协调发展尤其重要,这就需要协调好不同专用型小麦适宜的密度和施氮量,在确保小麦产量稳定的同时,提高小麦的品质。本试验以优质强筋小麦品种镇麦12、优质弱筋小麦品种宁麦13为供试品种,通过构建不同密度、施氮量组合,研究不同密肥组合对小麦产量结构以及品质形成的关系,分析其不同产量水平下群体参数指标、籽粒品质、氮素积累,可溶性糖和淀粉含量、抗衰老酶活性等差异,探索出强筋小麦和弱筋小麦优质高产群体的大田栽培模式,为实现不同专用型小麦大田栽培模式提供理论依据和技术支撑。试验主要结果如下:1.密度增加会提高宁麦13穗数、粒数和千粒重最终提高小麦的产量,但基本苗超过240×104/hm2后,继续增加基本苗会导致小麦穗数和粒数的下降,最终导致小麦产量的下降。穗数、粒数和千粒重也会随着施氮量的增加而增加,但施氮量超过240 kg/hm2后继续增加施氮量,小麦的穗数、粒数和千粒重均会有所下降,最终导致产量的下降;密度对镇麦12产量及其构成因素的影响为增加密度可明显提高成熟期穗数,穗粒数先增加后下降,千粒重则会有下降的趋势。施氮量对镇麦12的影响为施氮量范围在180-300 kg/hm2时,施氮量的增加会增加小麦穗数、粒数和粒重,从而提高镇麦12的产量2.宁麦13群体参数指标均保持着中密度处理>高密度处理>低密度处理,即在240×104/hm2达到最大值,低于或超过这个值都会导致群体质量的降低;施氮量对群体参数指标的影响为,在相同密度条件下,中施氮量处理的群体质量均会高于高施氮量和低施氮量的处理。强筋小麦镇麦12在相同施氮量水平条件下,中密度处理下镇麦12群体质量高于高密度处理和低密度处理;施氮量对镇麦12群体质量的影响为相同密度条件下,高施氮量处理农艺性状高于中施氮量和低施氮量的处理。3.在相同施氮量水平条件下,宁麦13高密度处理下籽粒蛋白质含量及组分和湿面筋含量高于中、低密度处理,容重和沉降值在高密度条件下低于中密度处理,籽粒硬度和出粉率则表现为低密度处理高于中、高密度处理;在相同密度条件下,小麦籽粒蛋白质及其组分和湿面筋含量,沉降值、容重和出粉率呈现出高施氮量处理大于中、低施氮量处理,硬度却相反。镇麦12籽粒蛋白质及其组分和湿面筋含量、沉降值和硬度在相同施氮量水平下,高密度处理均低于中、低密度处理,籽粒容重在中密度处理下达到最高,出粉率则高密度处理下最大。镇麦12的蛋白质及其组分和湿面筋含量均表现为高施氮量处理大于中、低施氮量处理。容重和出粉率在中施氮量处理下最高。小麦的面粉品质同样也会因密肥组合的变化产有所改变,宁麦13和镇麦12的RVA特性在相同施氮量水平条件下,低密度处理均高于中、高密度处理,而密度相同时,高施氮量处理下粘度参数均会高于中、低施氮量处理下粘度参数。因此密肥组合可以调节小麦的面粉品质以此来达到优质。4.宁麦13抗衰老活性酶的表现为中密度处理下CAT、POD、SOD和剑叶与籽粒GS酶活性高于高、低密度处理,MDA含量则相反,中密度处理下低于高。低密度处理。在相同密度水平条件下,中施氮量处理下CAT、POD、SOD、剑叶和籽粒GS酶活性大于高、低施氮量处理,MDA含量同样相反。镇麦12抗衰老酶活性的表现为中密度处理下CAT、POD和SOD、剑叶和籽粒GS酶活性均高于高、低密度处理,MDA含量则表现为高、低密度处理条件下大于中密度处理。相同密度条件下,高施氮量处理下CAT、POD、SOD、剑叶和籽粒GS酶活性大于中、低施氮量处理,MDA含量表现为低施氮量处理>中施氮量处理>高施氮量处理。5.针对本试验特定气候条件下,初步形成不同专用型小麦优质高产群体的构建,其中弱筋小麦宁麦13优质稳产的要求为适当增加种植密度与降低施氮量,因此宁麦13优质稳产的栽培措施为:种植密度240 × 104/hm2、施氮量180 kg/hm2,氮肥运筹7:1:2:0的密肥组合,同时配合磷钾肥各90 kg/hm2,随基肥一次性底施。强筋小麦镇麦12的优质高产需要的条件为适当降低种植密度和提高施氮量以此来达到优质高产,本试验条件下,种植密度为240×104/hm2,施氮量300 kg/hm2,氮肥运筹5:1:2:2的栽培模式。搭配磷钾肥各150 kg/hm2,基肥与拔节肥5:5施用,可以协调发展镇麦12的产量与品质。
二、小麦蛋白质含量的遗传研究(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、小麦蛋白质含量的遗传研究(论文提纲范文)
(1)白银市主栽大田小麦加工品质实验研究及环境影响评估(论文提纲范文)
1 材料与方法 |
1.1 供试材料 |
1.2 检测方法 |
1.3 数据分析 |
2 结果与分析 |
2.1 白银市小麦籽粒品质特性 |
2.1.1 蛋白质特性 |
2.1.2 粉质特性 |
2.1.3 拉伸特性 |
2.1.4 总体评价 |
2.2 白银市小麦蛋白质品质指标与流变学特性的相关性分析 |
2.3 白银市小麦品质在样点县间的差异化分布特性 |
2.3.1 纬度与海拔对小麦品质的影响 |
2.3.2 降水量对小麦品质的影响 |
2.3.3 温度与光照对小麦品质的影响 |
3 结论 |
(2)宁春4号与河东乌麦杂交F2:5家系的籽粒品质性状及其QTL分析(论文提纲范文)
0引言 |
1材料与方法 |
1.1试验材料 |
1.2组配杂交组合 |
1.3小麦籽粒品质性状测定 |
1.4 SSR分子标记扩增 |
1.5统计分析 |
2结果与分析 |
2.1宁春4号与河东乌麦杂交F2:5家系籽粒品质性状变异分析结果 |
2.2宁春4号与河东乌麦杂交F2:5家系籽粒品质性状的聚类分析结果 |
2.3宁春4号与河东乌麦杂交F2:5家系籽粒品质性状的相关性分析结果 |
2.4宁春4号与河东乌麦杂交F2:5家系籽粒品质性状QTL定位结果 |
3讨论 |
4结论 |
(3)宁春4号×河东乌麦F2∶5家系遗传图谱构建与籽粒蛋白质性状QTL分析(论文提纲范文)
1 材料与方法 |
1.1 材料 |
1.2 小麦籽粒蛋白质性状的测定 |
1.3 小麦蛋白质性状的分子标记分析 |
1.4 数据分析 |
2 结果与分析 |
2.1 宁春4号×河东乌麦F2∶5家系遗传图谱构建 |
2.2 宁春4号×河东乌麦F2∶5家系籽粒蛋白质性状QTL分析 |
2.3 宁春4号×河东乌麦F2∶5家系籽粒蛋白质性状QTL分析 |
3 结论与讨论 |
(4)弱筋小麦品质评价指标研究(论文提纲范文)
1 材料与方法 |
1.1 试验材料 |
1.2 主要仪器与设备 |
1.3 田间设计 |
1.4 品质性状测定 |
1.5 饼干加工品质 |
1.6 统计分析 |
2 结果与分析 |
2.1 供试品种品质性状基因型和环境效应 |
2.2 供试品种的品质性状差异 |
2.3 曲奇饼干品质与品质指标相关性 |
2.4 供试品种曲奇饼干品质聚类分析 |
3 讨论 |
4 结论 |
(6)不同水肥条件下小麦籽粒产量和蛋白质含量对基因型的响应(论文提纲范文)
摘要 |
Abstract |
主要符号对照表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 小麦籽粒产量和蛋白质含量响应的生理生态机制 |
1.2.2 不同基因型小麦籽粒产量和蛋白质含量的应答机制 |
1.2.3 小麦籽粒蛋白质组分含量与淀粉含量的关系 |
1.3 研究目标、内容及技术路线 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 技术路线 |
第二章 材料与方法 |
2.1 站点说明 |
2.2 试验设计与材料 |
2.3 基因分型 |
2.3.1 高盐低PH法提取DNA |
2.3.2 PCR扩增与基因分型 |
2.4 表型测定与统计分析 |
2.5 高产高蛋白含量且稳定的等位基因组合筛选 |
第三章 结果与分析 |
3.1 小麦籽粒产量和蛋白质含量的差异性分析 |
3.2 高产或高蛋白含量的等位基因组合的分布 |
3.3 高产、高蛋白含量和高稳定性等位基因组合的筛选 |
3.4 小麦籽粒产量和蛋白质含量与其他表型性状的相关性 |
3.5 不同类型等位基因组合之间的表型性状差异 |
3.6 小麦籽粒产量和蛋白质含量对生长季和管理措施的响应路径 |
第四章 讨论 |
4.1 小麦籽粒产量和蛋白质含量的差异性分析 |
4.2 管理对小麦籽粒产量和蛋白质含量的影响 |
4.3 生长季对小麦籽粒产量和蛋白质含量的影响 |
4.4 低水肥投入条件下高产高蛋白含量小麦品种的筛选 |
4.5 等位基因对小麦籽粒产量和蛋白质含量的影响 |
4.6 小麦籽粒产量和蛋白质含量的稳定性 |
4.7 与小麦籽粒产量和蛋白质含量相关的表型性状 |
第五章 结论与展望 |
参考文献 |
致谢 |
作者简历 |
(7)小麦粒形、品质和农艺相关性状的全基因组关联分析(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩略词表 |
1 文献综述 |
1.1 小麦粒形相关性状研究进展 |
1.1.1 小麦粒长研究进展 |
1.1.2 小麦粒宽研究进展 |
1.1.3 小麦粒重研究进展 |
1.2 小麦品质相关性状研究进展 |
1.3 小麦农艺性状和产量、品质性状的关系 |
1.3.1 农艺性状间的相关性 |
1.3.2 品质性状间的相关性 |
1.3.3 农艺性状与品质性状间的相关性 |
1.4 全基因组关联分析 |
1.4.1 全基因组关联分析概述 |
1.4.2 全基因组关联分析在小麦农艺性状研究方面的应用 |
1.4.3 全基因组关联分析在小麦品质性状研究方面的应用 |
1.5 本研究的目的意义 |
2 材料与方法 |
2.1 供试材料与试验设计 |
2.2 分析测定项目 |
2.2.1 株高和旗叶宽 |
2.2.2 粒长、粒宽、籽粒长宽比和千粒重 |
2.2.3 籽粒蛋白质和湿面筋含量 |
2.2.4 籽粒金属含量 |
2.3 数据分析 |
2.4 全基因组关联分析 |
2.5 关联位点的优势等位效应分析 |
2.6 候选基因筛选 |
3 结果与分析 |
3.1 小麦自然群体粒形和品质性状的基因型差异 |
3.1.1 籽粒粒长、粒宽、长宽比和千粒重的表型变异 |
3.1.2 籽粒蛋白质和湿面筋含量的表型变异 |
3.1.3 籽粒金属含量的表型变异 |
3.2 小麦群体株高和旗叶宽的基因型差异及其与籽粒性状的相关性分析 |
3.3 籽粒性状和品质性状的相关性分析 |
3.3.1 籽粒性状间的相关性分析 |
3.3.2 品质性状间的相关性分析 |
3.3.3 小麦籽粒性状与品质性状的关系 |
3.4 小麦自然群体籽粒性状和品质性状的全基因组关联分析 |
3.4.1 小麦籽粒性状的全基因组关联分析 |
3.4.2 蛋白质含量和湿面筋含量的全基因组关联分析 |
3.4.3 微量营养元素含量的全基因组关联分析 |
3.5 小麦自然群体株高和旗叶宽的全基因组关联分析 |
3.6 优势等位效应分析 |
3.7 籽粒和品质相关性状关键基因发掘 |
4 讨论 |
4.1 小麦自然群体的表型变异 |
4.2 小麦籽粒性状与品质性状的关系 |
4.3 GWAS鉴定到的位点比较 |
4.4 小麦中调控籽粒性状和品质性状的基因 |
参考文献 |
作者简历 |
(8)基于近红外光谱技术的小麦籽粒蛋白质含量模型构建及优化研究(论文提纲范文)
摘要 |
第一章 文献综述 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 异常值检测 |
1.2.2 数据预处理 |
1.2.3 特征提取 |
1.2.4 模型建立 |
1.2.5 小麦籽粒蛋白质含量光谱模型研究进展 |
1.3 存在的问题 |
1.4 本研究的目的和意义 |
1.5 研究内容与技术路线 |
1.5.1 研究内容 |
1.5.2 技术路线 |
参考文献 |
第二章 数据预处理对小麦籽粒蛋白质含量PLSR模型的影响研究 |
2.1 引言 |
2.2 材料与方法 |
2.2.1 数据获取 |
2.2.2 光谱变换方法简介 |
2.2.3 数据集划分算法介绍 |
2.2.4 模型评价指标 |
2.3 结果与分析 |
2.3.1 小麦籽粒光谱及其蛋白质含量数据统计分析 |
2.3.2 数据集划分策略对小麦籽粒蛋白质含量PLSR模型的影响 |
2.3.3 光谱区间的选择对小麦籽粒蛋白质含量PLSR模型的影响 |
2.3.4 光谱变换方法对小麦籽粒蛋白质含量PLSR模型的影响 |
2.3.5 模型迁移能力分析 |
2.4 讨论 |
2.5 结论 |
参考文献 |
第三章 基于自适应变量重加权和变量空间收缩的变量选择方法研究 |
3.1 引言 |
3.2 原理与算法 |
3.2.1 回归系数和变量重要性 |
3.2.2 WBS法 |
3.2.3 变量权重的迭代更新规则 |
3.2.4 AVRSA算法描述 |
3.3 数据获取 |
3.4 结果与讨论 |
3.4.1 基于数据集1 的不同变量选择方法运行结果 |
3.4.2 基于数据集2 的不同变量选择方法运行结果 |
3.4.3 基于数据集3 的不同变量选择方法运行结果 |
3.4.4 SVM和 PLSR模型的比较 |
3.5 结论 |
参考文献 |
第四章 基于随机蛙跳的区间变量选择方法研究 |
4.1 引言 |
4.2 原理与算法 |
4.2.1 随机蛙跳耦合PLSR模型 |
4.2.2 ISRF算法描述 |
4.2.3 其他变量选择方法简介 |
4.3 数据获取 |
4.4 结果与讨论 |
4.4.1 基于数据集1 的不同变量选择方法运行结果 |
4.4.2 基于数据集2 的不同变量选择方法运行结果 |
4.4.3 基于数据集3 的不同变量选择方法运行结果 |
4.4.4 算法性能比较 |
4.5 结论 |
参考文献 |
第五章 预处理和变量选择的不同组合对小麦籽粒蛋白质含量PLSR模型的影响研究 |
5.1 引言 |
5.2 材料与方法 |
5.2.1 数据获取 |
5.2.2 预处理方法 |
5.2.3 变量选择算法 |
5.2.4 模型评估 |
5.3 结果与分析 |
5.3.1 不同预处理和变量选择算法对PLSR模型的影响 |
5.3.2 不同预处理对变量选择算法特征变量选择的影响 |
5.4 讨论 |
5.5 结论 |
参考文献 |
第六章 基于卷积神经网络的小麦籽粒蛋白质含量模型构建方法研究 |
6.1 引言 |
6.2 材料与方法 |
6.2.1 数据获取 |
6.2.2 建模方法简介 |
6.2.3 模型评估 |
6.2.4 数据扩增技术 |
6.2.5 卷积神经网络结构设计 |
6.2.6 卷积神经网络训练 |
6.2.7 其他建模方法参数优化 |
6.3 结果与分析 |
6.3.1 网络参数比较 |
6.3.2 CNN模型结果分析 |
6.3.3 不同建模方法性能比较 |
6.3.4 模型验证 |
6.4 讨论 |
6.5 结论 |
参考文献 |
第七章 总结与展望 |
7.1 全文讨论与总结 |
7.2 本文研究创新点及研究展望 |
7.2.1 主要创新点 |
7.2.2 不足之处及研究展望 |
Abstract |
攻读博士研究生期间主要研究成果 |
附录Ⅰ 部分算法描述 |
1 分数阶导数 |
2 KS算法 |
3 SPXY算法 |
4 KSPXY算法 |
致谢 |
(9)卷积神经网络光谱分析方法及其在农产品品质检测中的应用(论文提纲范文)
致谢 |
摘要 |
Abstract |
缩写表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 农产品品质检测光谱分析技术现状及问题 |
1.2.1 光谱分析在农产品品质检测中的应用 |
1.2.2 光谱分析存在的问题 |
1.2.2.1 预处理 |
1.2.2.2 特征选择 |
1.2.2.3 建模方法 |
1.2.2.4 全局模型、局部模型和模型传递 |
1.3 深度学习光谱分析 |
1.3.1 深度学习简介 |
1.3.2 卷积神经网络模型特点 |
1.3.3 卷积神经网络建模及训练过程 |
1.4 深度学习光谱分析在农产品品质检测中的应用 |
1.4.1 定性分析 |
1.4.1.1 种类判别 |
1.4.1.2 产地鉴别 |
1.4.1.3 掺假鉴别 |
1.4.1.4 瘀伤检测 |
1.4.2 定量分析 |
1.4.2.1 水果和果汁 |
1.4.2.2 谷物和饲料 |
1.4.2.3 作物 |
1.5 深度学习光谱分析中存在问题和可借鉴之处 |
1.6 研究目的、内容和技术路线 |
1.7 本章小结 |
第二章 基于卷积神经网络的光谱定性分析方法研究 |
2.1 引言 |
2.2 实验与方法 |
2.2.1 卷积神经网络光谱定性分析模型 |
2.2.2 CNN模型与传统化学计量学模型精度比较 |
2.2.3 光谱分析数据集 |
2.2.4 模型评价指标 |
2.3 结果与讨论 |
2.3.1 CNN模型与传统化学计量学模型精度 |
2.3.2 模型稳定性分析 |
2.4 本章小结 |
第三章 基于卷积神经网络的光谱定量分析方法研究 |
3.1 引言 |
3.2 实验与方法 |
3.2.1 DeepSpectra模型 |
3.2.2 DeepSpectra模型与三种卷积神经网络模型比较 |
3.2.3 DeepSpectra模型与传统化学计量学建模方法比较 |
3.2.4 光谱分析数据集 |
3.2.5 模型评价指标 |
3.3 结果与讨论 |
3.3.1 DeepSpectra模型与三种卷积神经网络模型精度比较 |
3.3.2 光谱预处理对DeepSpectra模型精度的影响 |
3.3.3 DeepSpectra模型与传统化学计量学模型精度 |
3.3.4 DeepSpectra模型稳定性分析 |
3.4 本章小结 |
第四章 卷积神经网络光谱分析模型的解释机理研究 |
4.1 引言 |
4.2 实验与方法 |
4.2.1 卷积神经网络模型 |
4.2.2 光谱特征波段 |
4.2.3 光谱特征提取过程 |
4.2.4 CNN模型与PLS-LDA模型的精度及特征波段比较 |
4.2.5 光谱分析数据集 |
4.3 结果与讨论 |
4.3.1 CNN模型与PLS-LDA模型准确率 |
4.3.2 CNN模型与PLS-LDA模型特征波段 |
4.3.2.1 大肠杆菌表面增强拉曼光谱 |
4.3.2.2 肉中红外光谱 |
4.3.3 CNN模型特征提取过程分析 |
4.3.4 CNN模型与PLS-LDA模型稳定性分析 |
4.4 本章小结 |
第五章 梨的可溶性固形物含量预测应用研究 |
5.1 引言 |
5.2 梨的近红外光谱数据集 |
5.3 实验与方法 |
5.3.1 卷积神经网络模型 |
5.3.2 全局模型与局部模型 |
5.3.3 光谱数据分析 |
5.3.4 模型评价指标 |
5.4 结果与讨论 |
5.4.1 原始光谱数据分析 |
5.4.2 模型精度对比 |
5.4.2.1 五种梨的全局模型 |
5.4.2.2 单品种梨的局部模型 |
5.4.2.3 全局模型与局部模型精度比较 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 主要研究结论 |
6.2 主要创新点 |
6.3 进一步展望 |
参考文献 |
作者简历 |
(10)密肥组合对不同专用型小麦产量和品质的影响(论文提纲范文)
摘要 |
Abstract |
第1章 文献综述 |
1 当今小麦发展现状 |
1.1 不同专用型小麦发展遇到的问题 |
1.2 当前国内不同专用型小麦发展策略 |
2 密度对小麦产量和品质的影响 |
2.1 对小麦群体参数指标的影响 |
2.2 对小麦产量及构成因素的影响 |
2.3 对小麦品质的影响 |
2.3.1 对营养品质的影响 |
2.3.2 对加工品质的影响 |
3 施氮量对小麦产量和品质的影响 |
3.1 对小麦群体参数指标的影响 |
3.2 对小麦产量及其构成因素的影响 |
3.3 对小麦品质的影响 |
3.3.1 对营养品质的影响 |
3.3.2 对加工品质的影响 |
3.4 不同专用型小麦生理特性和小麦品质的关系 |
4 密肥组合模式对小麦产量和品质的协同调控 |
5 目的和意义 |
参考文献 |
第二章 密肥组合对弱筋小麦宁麦13产量和品质的影响 |
1 材料与方法 |
1.1 试验材料与设计 |
1.2 测定项目与方法 |
1.2.1 产量及其构成要素 |
1.2.2 叶面积指数和花后干物质积累量 |
1.2.3 花后旗叶SPAD值 |
1.2.4 籽粒品质 |
1.2.5 籽粒加工品质 |
1.2.6 籽粒面粉品质 |
1.3 数据处理与统计分析 |
2 结果与分析 |
2.1 密肥组合对宁麦13产量及其构成的影响 |
2.2 密肥组合对宁麦13群体参数指标的影响 |
2.2.1 对LAI的影响 |
2.2.2 对群体茎蘖动态的影响 |
2.2.3 对群体干物质积累量的影响 |
2.2.4 对SPAD值的影响 |
2.3 密肥组合对籽粒品质的影响 |
2.3.1 对籽粒加工品质的影响 |
2.3.2 对面粉溶剂保持力的影响 |
2.2.3 对面粉糊化特性的影响 |
3 小结 |
参考文献 |
第三章 密肥组合对强筋小麦镇麦12产量和品质的影响 |
1 材料与方法 |
1.1 试验材料与设计 |
1.2 测定项目与方法 |
1.2.1 产量及其构成要素 |
1.2.2 叶面积指数和花后干物质积累量 |
1.2.3 花后旗叶SPAD值 |
1.2.4 籽粒品质 |
1.2.5 籽粒加工品质 |
1.2.6 籽粒面粉品质 |
2 结果与分析 |
2.1 密肥组合对镇麦12产量及其因素的影响 |
2.2 密肥组合对镇麦12群体参数指标的影响 |
2.2.1 对LAI的影响 |
2.2.2 对群体茎蘖动态的影响 |
2.2.3 对群体干物质积累量的影响 |
2.2.4 对SPAD值的影响 |
2.3 密肥组合对镇麦12籽粒品质的影响 |
2.3.1 对籽粒加工品质 |
2.3.2 对面粉糊化特性(RVA特性)的影响 |
3 小结 |
参考文献 |
第四章 密肥组合对不同专用型小麦碳、氮含量及衰老特性的影响 |
1 材料与方法 |
1.1 试验地点与材料 |
1.2 试验设计 |
1.3 测定项目及方法 |
1.3.1 氮素积累量 |
1.3.2 籽粒蛋白质含量及其组分 |
1.3.3 可溶性糖含量 |
1.3.4 籽粒淀粉含量 |
1.3.5 衰老酶(SOD、POD、CAT及MDA含量)活性测定 |
1.3.6 剑叶与籽粒代谢酶(GS)活性测定 |
1.4 数据处理与分析 |
2 结果与分析 |
2.1 密肥组合对不同专用型小麦对氮素积累的影响 |
2.2 密肥组合对不同专用型籽粒蛋白质及其组分含量的影响 |
2.3 密肥组合对不同专用型小麦可溶性糖含量的影响 |
2.4 密肥组合对不同专用型小麦籽粒淀粉含量的影响 |
2.5 密肥组合对不同专用型小麦花后剑叶抗氧化酶活性的影响 |
2.5.1 对花后剑叶超氧化物歧化酶(SOD)的影响 |
2.5.2 对花后剑叶过氧化物酶(POD)活性的影响 |
2.5.3 对花后剑叶过氧化氢酶(CAT)活性的影响 |
2.5.4 对花后剑叶丙二醛(MDA)含量的影响 |
2.6 密肥组合对不同专用型小麦谷氨酰胺合成酶(GS)的影响 |
2.6.1 对花后剑叶GS的影响 |
2.6.2 对籽粒GS活性的影响 |
3 小结 |
参考文献 |
第5章 讨论与结论 |
1 讨论 |
1.1 密肥组合对弱筋小麦产量及其品质的影响 |
1.1.1 密肥组合对宁麦13农艺性状的影响 |
1.1.2 密肥组合对宁麦13生理特性的影响 |
1.1.3 密肥组合对宁麦13品质的影响 |
1.1.4 密肥组合对宁麦13产量及其构成的影响 |
1.2 密肥组合对强筋小麦产量及其品质的影响 |
1.2.1 密肥组合对镇麦12农艺性状的影响 |
1.2.2 密肥组合对镇麦12生理特性的影响 |
1.2.3 密肥组合对镇麦12品质的影响 |
1.2.4 密肥组合对镇麦12产量及其构成的影响 |
2 结论 |
2.1 弱筋小麦宁麦13优质稳产的密肥组合 |
2.2 强筋小麦镇麦12优质高产的密肥组合 |
参考文献 |
攻读学位期间发表的学术论文目录 |
致谢 |
四、小麦蛋白质含量的遗传研究(论文参考文献)
- [1]白银市主栽大田小麦加工品质实验研究及环境影响评估[J]. 强生军,刘玉荣,张礼军,鲁清林,杨继忠. 甘肃农业大学学报, 2021
- [2]宁春4号与河东乌麦杂交F2:5家系的籽粒品质性状及其QTL分析[J]. 王掌军,许娜丽,王新华,马冬花,杨杰,李清峰,刘彩霞,刘凤楼,亢玲,张双喜. 南方农业学报, 2021
- [3]宁春4号×河东乌麦F2∶5家系遗传图谱构建与籽粒蛋白质性状QTL分析[J]. 王掌军,姚明明,余慧霞,王彦青,李清峰,刘凤楼,刘彩霞,张双喜,张晓岗,刘生祥. 浙江农业学报, 2021(08)
- [4]弱筋小麦品质评价指标研究[J]. 李曼,张晓,刘大同,江伟,高德荣,张勇. 核农学报, 2021(09)
- [5]花后外源亚精胺喷施对小麦籽粒品质的影响[D]. 李玉娟. 西北农林科技大学, 2021
- [6]不同水肥条件下小麦籽粒产量和蛋白质含量对基因型的响应[D]. 马俊杰. 中国农业科学院, 2021
- [7]小麦粒形、品质和农艺相关性状的全基因组关联分析[D]. 陈华斌. 浙江大学, 2021(01)
- [8]基于近红外光谱技术的小麦籽粒蛋白质含量模型构建及优化研究[D]. 孙晶京. 山西农业大学, 2021
- [9]卷积神经网络光谱分析方法及其在农产品品质检测中的应用[D]. 张晓蕾. 浙江大学, 2021
- [10]密肥组合对不同专用型小麦产量和品质的影响[D]. 徐俊. 扬州大学, 2021