XiaoMi-AI文件搜索系统
World File Search System冬小麦
通过设计单元模板理解
简介：小麦是一种用拖拉机牵引的播种机播种的作物。播种机挖出一条小沟，深度刚好够播下小麦种子。播种机将种子撒入地下，然后用土覆盖。种子播种后开始吸收水分并膨胀。茎开始向土壤表面生长，然后主根开始生长。几周内，茎开始在地面上生长。茎会变长，麦穗就会出现。小麦花授粉后会发育成小麦粒。开花后约 30 至 60 天，麦粒就会成熟。麦粒会继续长大并随着时间的推移变硬。整株植物会变干并变成金褐色。小麦成熟后，水分含量不超过麦粒重量的 14%，农民就会收割小麦。农民有测试设备来检查水分含量。他们还可以将小麦样品带到当地的小麦加工厂进行水分含量测试。小麦可分为两类：冬小麦和春小麦。冬小麦生长在气候较为温和的地区，产量高于春小麦。春小麦生长在寒冷地区，春季播种，夏季成熟。冬小麦在秋季播种，次年夏季收获。冬小麦植株达到分蘖形成阶段，然后随着寒冷天气的到来，植株停止生长。当春季天气转暖时，植株将再次开始生长。根据小麦粒的颜色和质地等品质，小麦可分为七类。这七类分别是：(1) 硬红冬小麦、(2) 软红冬小麦、(3) 硬红春小麦、(4) 硬粒小麦、(5) 红硬粒小麦、(6) 白小麦和 (7) 混合小麦。
从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择 从无人机图像中提取的特征解释冬小麦谷物产量变化的主要变量选择
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法LASSO回归（最小角度和收缩选择算子）和非参数算法随机森林。使用LASSO估计的回归系数和随机森林提供的排列重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有172个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
从无人机图像提取的特征中选择主要变量来解释冬小麦产量的变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种过程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要巨大的精力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计和动态增长率。采用参数算法、LASSO 回归（最小角度和收缩选择算子）和非参数算法、随机森林进行变量选择。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分，从每个算法中确定影响粮食产量的十个最重要的变量。结果：两种选择算法都对灌浆期前后与植物高度相关的变量赋予了最高的重要性得分。还选择了一些与植被指数相关的变量
从无人机图像中提取的特征中选择主要变量来解释冬小麦的产量变化
摘要背景：自动化表型分析技术正在不断推进育种进程。然而，在整个生长季节收集各种次要性状并处理大量数据仍然需要付出巨大的努力和时间。选择具有最大预测能力的最少数量的次要性状有可能减少表型分析工作量。本研究的目的是从无人机图像和关键生长阶段中提取出对解释冬小麦产量贡献最大的主要特征。2018 年春季生长季，无人机系统收集了 5 个日期的多光谱图像和 7 个日期的 RGB 图像。从植被指数和植物高度图中提取了两类特征（变量），共计 172 个变量，包括像素统计数据和动态增长率。变量选择采用参数算法 LASSO 回归（最小角度和收缩选择算子）和非参数算法随机森林。使用 LASSO 估计的回归系数和随机森林提供的置换重要性得分来确定每个算法中影响粮食产量的十个最重要的变量。结果：两种选择算法都将最高重要性得分分配给灌浆期前后与植物高度相关的变量。一些植被指数相关变量也被算法选择，主要在生长早期到中期和衰老期间。与使用从测量表型得出的所有 172 个变量进行产量预测相比，使用选定的变量表现相当甚至更好。我们还注意到，适应性 NE 品系的预测准确度 (r = 0.58–0.81) 高于本研究中具有不同遗传背景的其他品系 (r = 0.21–0.59)。
高效 CRISPR/Cas 介导的靶向诱变......
CRISPR/Cas 技术近期已成为植物基因功能研究和作物改良的首选分子工具。小麦是一种全球重要的主粮作物，其基因组已被充分注释，使用基因组编辑技术（如 CRISPR/Cas）有很大空间改善其重要的农业性状。作为本研究的一部分，我们针对六倍体小麦 Triticum aestivum 中的三个不同基因：春季品种 Cadenza 中的 TaBAK1-2 以及冬季品种 Cezanne、Goncourt 和 Prevert 中的 Ta- eIF4E 和 Ta-eIF(iso)4E。已成功生成所有目标基因的携带 CRISPR/Cas 诱导的插入/缺失的原代转基因系。由于冬小麦品种通常不太适合遗传转化，本研究中介绍的冬小麦转化和基因组编辑的成功实验方法将引起研究该作物的研究界的兴趣。
土壤微生物组和环境微生物学的DostDoc研究助手
该项目旨在通过利用碳同位素追踪技术来优化覆盖作物的土壤健康益处，以提高对各种农作物系统中土壤有机碳（SOC）形成的了解。这项工作将在印第安纳州的长期现场试验中支持碳管理实验，研究覆盖作物，例如盖c，谷物黑麦，三叶草和冬小麦等覆盖作物的贡献。
春季和冬季小麦品种有效的CRIS/CAS介导的靶向诱变
摘要：CRISPR/CAS技术最近已成为植物中基因功能研究以及作物改善的基因功能研究的分子工具。小麦是具有良好注释基因组的全球重要主食作物，并且使用基因组编辑技术（例如CRISPR/CAS）有足够的范围来改善其在农业上重要的特征。作为本研究的一部分，我们针对了六叶小麦小麦的三种不同基因：春季品种卡登扎的tabak1-2以及冬季品种CEZANNE，GONCOURT和PREPERT的TA-EIF4E和TA-EIF4E和TA-EIF4E和TA-EIF（ISO）4E。携带CRISPR/CAS诱导的indels的主要转基因线成功地为所有靶向基因生成。虽然BAK1是植物免疫和发育的重要调节剂，但TA-EIF4E和TA-EIF（ISO）4E的作用是Potyviridae家族所需的植物病毒所需的易感性（S）因素，才能完成其生命周期。我们预计由此产生的纯合TABAK1-2突变线将有助于研究Bak1参与小麦的免疫反应，而Ta-Eif4e和Ta-eif（ISO）4E突变线有可能成为对小麦跨度摩西（Wsoic of wirs of wire of wirs of wirs）的潜力小麦。由于冬小麦品种通常不太适合遗传转化，因此在本研究中提出的冬小麦中转化和基因组编辑的成功实验方法将使研究社区感兴趣。
美国小麦品种中 α-麦胶蛋白基因的沉默
1 美国农业部农业研究服务处西部地区研究中心，美国加利福尼亚州奥尔巴尼，2 Takara Bio USA, Inc.，美国加利福尼亚州山景城，3 美国纽约州纽约市哥伦比亚大学医学系，4 美国纽约州纽约市哥伦比亚大学人类营养研究所，5 德国汉堡汉堡大学食品科学学院、食品化学研究所，6 美国堪萨斯州曼哈顿市美国农业部农业研究服务处谷物与动物健康研究中心硬质冬小麦品质实验室，7 美国纽约州纽约市哥伦比亚大学乳糜泻中心，8 美国纽约州瓦尔哈拉纽约医学院医学系
改善社区土地模型（CLM）版本5.0
摘要。在土地表面模型中融合了全面的作物模型，可以研究农业土地使用和土地管理对陆地水，能源和生物地球化学周期的影响的影响。在气候和土地使用变化框架内，在区域和全球尺度上对生物地球物理和生物地球化学过程的模拟可能有助于改善。在这项研究中，评估了通用土地模型第5版（CLM5）的作物模块的性能，并使用现场特定的数据进行了数据，该数据侧重于模拟季节性和年间差异，对农作物生长，植物植物和收获周期以及农作物产量，以及水的产量以及水，能量和能量，以及能量，以及能量，以及能量，以及能量，以及能量，以及能量和能量。为了更好地代表农业地点，该模型是通过（1）在Lu等人之后实现冬小麦子例程来修饰的。（2017）在CLM5中； （2）针对甜菜，土豆和冬小麦实施植物特异性参数，从而将甜菜的两种农作物功能类型（CFT）添加到Clm5中主动管理的农作物清单中； （3）引入一个盖子编写子例程，该子例程允许在1年内在同一列上进行多种农作物类型。后一种修改允许在冬季进行裁剪的模拟，这是春季开始的现金作物种植，这是一种农业管理技术，具有悠久的历史，由于它可以减少侵蚀并改善土壤健康和碳的储存，并且在这项研究中评估。我们比较了模拟重新 -