【目的】建立寒地水稻移栽至成熟期抗旱综合评价指标体系,筛选抗旱水稻种质资源。【方法】以穗重、穗粒数、结实率等13个性状为指标,采用主成分分析法及聚类分析等方法对30个寒地水稻种质资源(样本)进行抗旱性综合评价。用25个样本以抗...【目的】建立寒地水稻移栽至成熟期抗旱综合评价指标体系,筛选抗旱水稻种质资源。【方法】以穗重、穗粒数、结实率等13个性状为指标,采用主成分分析法及聚类分析等方法对30个寒地水稻种质资源(样本)进行抗旱性综合评价。用25个样本以抗旱力特征指标值为输入,对应抗旱综合评价值为输出,利用误差反向传播(Error Back Propagation,BP)神经网络算法构建学习模型;其余5个样本为验证样本,评价学习模型的预测准确性。变换3组学习样本构建3个学习模型,对比3个模型的预测准确性,验证建模方法的合理性与稳定性。【结果】利用主成分分析将干旱胁迫下13个单项指标转化为5个相互独立的综合指标,累积贡献率达83.761%。依据参试材料抗旱综合评价值进行聚类分析,将30个参试样本划分为强抗旱型、抗旱型、中间抗旱型、旱敏感型4类。第1类强抗旱型的有1个(农丰3055),第2类抗旱型的有12个,第3类中间抗旱型的有6个,第4类旱敏感型的有11个。基于水稻性状指标与抗旱综合评价值相关性分析结果,筛选出穗重、穗粒数、结实率、产量、生物产量和经济系数6项指标作为水稻抗旱适宜性评价的特征指标。以特征指标值为输入层,综合评价值为输出层,建立BP神经网络学习模型,可实现水稻抗旱指标适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%,实际值与模型预测值线性拟合后决定系数R^2均大于0.9。【结论】构建的BP神经网络学习模型,可以实现水稻抗旱指标适宜性的定量预测,且具有较高的预测准确性与稳定性,可比单一的回归分析更准确地预测水稻抗旱适宜性评价的特征指标;穗重、穗粒数、结实率、产量、生物产量和经济系数可作为水稻农业抗旱能力鉴定的综合指标;参试的30个寒地水稻样本中,农丰3055为强抗旱种质资源。展开更多
文摘【目的】建立寒地水稻移栽至成熟期抗旱综合评价指标体系,筛选抗旱水稻种质资源。【方法】以穗重、穗粒数、结实率等13个性状为指标,采用主成分分析法及聚类分析等方法对30个寒地水稻种质资源(样本)进行抗旱性综合评价。用25个样本以抗旱力特征指标值为输入,对应抗旱综合评价值为输出,利用误差反向传播(Error Back Propagation,BP)神经网络算法构建学习模型;其余5个样本为验证样本,评价学习模型的预测准确性。变换3组学习样本构建3个学习模型,对比3个模型的预测准确性,验证建模方法的合理性与稳定性。【结果】利用主成分分析将干旱胁迫下13个单项指标转化为5个相互独立的综合指标,累积贡献率达83.761%。依据参试材料抗旱综合评价值进行聚类分析,将30个参试样本划分为强抗旱型、抗旱型、中间抗旱型、旱敏感型4类。第1类强抗旱型的有1个(农丰3055),第2类抗旱型的有12个,第3类中间抗旱型的有6个,第4类旱敏感型的有11个。基于水稻性状指标与抗旱综合评价值相关性分析结果,筛选出穗重、穗粒数、结实率、产量、生物产量和经济系数6项指标作为水稻抗旱适宜性评价的特征指标。以特征指标值为输入层,综合评价值为输出层,建立BP神经网络学习模型,可实现水稻抗旱指标适宜性的定量预测。该方法建立的学习模型有较高的预测准确性与稳定性,变换学习样本得到的3个学习模型的预测值与实际值相对误差均不超过10%,实际值与模型预测值线性拟合后决定系数R^2均大于0.9。【结论】构建的BP神经网络学习模型,可以实现水稻抗旱指标适宜性的定量预测,且具有较高的预测准确性与稳定性,可比单一的回归分析更准确地预测水稻抗旱适宜性评价的特征指标;穗重、穗粒数、结实率、产量、生物产量和经济系数可作为水稻农业抗旱能力鉴定的综合指标;参试的30个寒地水稻样本中,农丰3055为强抗旱种质资源。
