基于TM和PLS的冬小麦籽粒蛋白质含量预测
小麦籽粒成熟过程中蛋白质含量和蛋白质产量变化规律的研究
蛋 白质 含t
千 粒 蛋 白质 t
矛
千较 盆 平 均 位
天 抽 穗 且 同 一 夫 开 花的标记 单
, 。
` 竺一 竺二 兰 一 } 生 蛋 白质含量 午粒蛋 千 粒重 蛋 白质含 量 千粒 蛋 千粒 重
一色二土
(%
,
一
}
开始 取样 穗
1 次 晒干
。
,
干基 ) ( 克 )
口 。 0 力 U O 口 0 9 n ` ō ù 口 o 廿 , O 通 八
上等
产 量禾
平35 0
、
一
42 5
,
公斤 / 亩
.
每年 于 小 麦抽 穗时 生 长均 匀 一 致 单 茎 挂标 记 茎保 留下 来
开 花 的标 记
,
选取
附表
同 一 天抽 穗 的
旅麦
2
号
、
徐州2 1 籽粒 滋桨成 熟 过程 中籽粒
、
开 花 时再 将 同一 数 后 花 开 夭 拆 除不 是同 一 天
于 开花后 第 四 天 以 后 每隔 两 天 取
于 右表
( 二 ) 生 化分析 把 晒 干 的籽粒 样 品用 9 1 0 1 型 高速样 品 粉碎 机粉碎
,
全部 过 4 0 目筛 按 国 家标 准 G B 2 9 o s 一
. ’
粒 蛋 白质 产量 的 大 小仅 仅决定
于 千粒 重和 籽粒蛋 白质 含量 的
, ,
。
.
.
变化
示
。
因此
本 文 的籽粒蛋 白
3 9 日O
4 5 5
.
二
质产 量用 午粒 蛋 白质 量 来 表 两 品种 籽 粒灌浆成 熟 过程
基于高光谱特征参数的冬小麦氮营养指数估算
麦类作物学报 2023,43(11):1475-1483J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2023.11.12网络出版时间:2023-07-11网络出版地址:h t t ps ://k n s .c n k i .n e t /k c m s 2/d e t a i l /61.1359.S .20230711.1339.018.h t m l 基于高光谱特征参数的冬小麦氮营养指数估算收稿日期:2022-10-23 修回日期:2022-11-21基金项目:国家自然科学基金项目(41701398);中央高校基本科研业务项目(2452017108)第一作者E -m a i l :2018050822@n w a f u .e d u .c n通讯作者:李粉玲(E -m a i l :f e n l i n gl i @n w a f u .e d u .c n )王玉娜,李粉玲,李振发,吕书豪(西北农林科技大学资源环境学院,陕西杨凌712100)摘 要:为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术,利用美国S V C H R -1024I 型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测,获取 三边 参数㊁任意两波段光谱指数和植被指数,通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数,结合偏最小二乘回归(P L S R )㊁随机森林算法(R F R )㊁支持向量机回归(S V R )和梯度增强回归(G B D T )建立冬小麦氮营养指数模型,并对模型估算精度进行验证㊂结果表明,从拔节期到灌浆期,各时期的氮营养指数与任意两波段光谱指数均呈极显著相关,其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大,为0.66㊂拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r 2)和均方根误差(R M S E )分别为0.96和0.05,模型验证的r 2㊁R M S E 和相对预测偏差(R P D )分别为0.95㊁0.12和2.12,模型预测精度最高㊂因此,拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测及后期田间管理㊂关键词:冬小麦;高光谱特征参数;氮营养指数;梯度增强回归;估算模型中图分类号:S 512.1;S 314 文献标识码:A 文章编号:1009-1041(2023)11-1475-09E s t i m a t i o no fN i t r o ge nN u t r i e n t I n d e x i n W i n t e r W h e a t B a s e do nH y p e r s pe c t r a l F e a t u r e s W A N GY u n a ,L I F e n l i n g,L IZ h e n f a ,L ÜS h u h a o (C o l l e g e o fN a t u r a lR e s o u r c e s a n dE n v i r o n m e n t ,N o r t h w e s tA&FU n i v e r s i t y ,Y a n g l i n g,S h a a n x i 712100,C h i n a )A b s t r a c t :I t i s o f g r e a t s i g n i f i c a n c e t o q u i c k l y o b t a i n t h ew i n t e rw h e a t n i t r o ge nn u t r i t i o n i n d e xf o rm o -n i t o r i ng th e ni t r o g e nn u t r i t i o n s t a t u s o fw i n t e rw h e a t a n d g u i d i n g l a t e r f e r t i l i z a t i o n .I n t h i s s t u d y,t h e U.S .S V C H R -1024If i e l ds p e c t r a lr a d i o m e t e r w a su s e df o rr e m o t es e n s i n g m o n i t o r i n g o fw i n t e r w h e a t f i e l d s i nG u a n z h o n g a r e a f r o m2017t o2019t oo b t a i nt h ew i n t e rw h e a t c a n o p y s pe c t r u m ,a n d t h ef i r s t d e r i v a t i v e ,l og a r i th ma n d c o n ti n u o u s r e m o v a l s pe c t r u m w e r e e x t r a c t e d t o c o n s t r u c t t r i l a t e r a l p a r a m e t e r s ,a n y t w o -b a n ds p e c t r a l i n d i c e s a n dv e g e t a t i o n i n d i c e s .T h r o u g hc o r r e l a t i o na n a l y s i s a n d s t e p w i s e r e g r e s s i o na n a l y s i s of t h e t r i l a t e r a l p a r a m e t e r s ,a n y t w o -b a n ds p e c t r a l i n d i c e s ,t h e r e po r -t e dv e g e t a t i o ni n d i c e s a n d t h e n i t r o g e n n u t r i e n ti n d e x ,t h e s e n s i t i v e s p e c t r a l p a r a m e t e r s w e r e s c r e e n e d .C o m b i n e d w i t h P a r t i a lL e a s tS q u a r e s R e g r e s s i o n (P L S R ),R a n d o m F o r e s t R e gr e s s i o n (R F R ),S u p p o r tV e c t o rM a c h i n eR e g r e s s i o n (S V R ),a n dG r a d i e n t B o o s t e dR e g r e s s i o n (G B D T ),t h e n i t r o ge nn u t r i t i o n i n d e xm o d e l o fw i n t e rw h e a tw a s t h e r ef o r e e s t a b l i s h e d .T h e r e s u l t s s h o w e d t h a t t h e n i t r og e nn u t r i t i o n i n d e xo f e a c hk e yg r o w th s t a g ew a s hi g h l y s i g n i f i c a n t l y c o r r e l a t e dw i t h t h e s pe c t r a l i n d i c e s of a n y t w o b a n d s ,a m o ng whi c h t h e c o r r e l a t i o n b e t w e e n t h e n i t r o g e n n u t r i t i o n i n d e x a tj o i n t i n gCopyright ©博看网. All Rights Reserved.s t a g e a n d a n y t w o-b a n d s p e c t r a l i n d i c e sw a s h i g h e r t h a n t h a t a t o t h e r g r o w t h s t a g e s,a n d t h e c o r r e l a-t i o nc o e f f i c i e n t b e t w e e n t h e r a t i o s p e c t r a l i n d e xb a s e d o n t h e f i r s t d e r i v a t i v e s p e c t r u ma n d t h e n i t r o g e n n u t r i t i o n i n d e xw a s t h eh i g h e s t(0.66).T h e d e t e r m i n a t i o n c o e f f i c i e n t(r2)a n d r o o t-m e a n-s q u a r e e r r o r (R S M E)o f t h ew i n t e rw h e a t n i t r o g e nn u t r i e n t i n d e x p r e d i c t i o nm o d e l o nG B D Tw e r e0.78a n d0.87, r e s p e c t i v e l y;t h e d e t e r m i n a t i o n c o e f f i c i e n t r2,R M S Ea n d r e l a t i v e p e r c e n t d e v i a t i o n(R P D)o f t h ev a l i-d a t i o nm o d e l w e r e0.95,0.12,a n d2.12,r e s p e c t i v e l y.W i t h t h e h i g h e s t a c c u r a c y a n d e x c e l l e n t s a m p l e p r e d i c t i o na b i l i t y,t h ew i n t e rw h e a t n i t r o g e nn u t r i e n t i n d e xm o d e l b a s e d o nG B D Tc a n p r o v i d e t e c h n i-c a l s u p p o r t f o r t h e d i a g n o s i s a n dm o n i t o r i n g o fw i n t e rw h e a t n i t r o g e nn u t r i t i o n a n d l a t e r f i e l dm a n a g e-m e n t.K e y w o r d s:W i n t e rw h e a t;H y p e r s p e c t r a l f e a t u r e s;N i t r o g e nn u t r i e n t i n d e x;G r a d i e n t b o o s t i n g r e g r e s-s i o n;E s t i m a t i o nm o d e l氮素是作物生长必需的营养物质之一,与作物的生长状况㊁产量和蛋白质含量息息相关[1-2]㊂氮营养指数(n i t r o g e nn u t r i t i o n i n d e x,N N I)是定量表达作物氮素营养丰缺程度的一个重要指标,能够从作物群体特征出发,较准确地反映作物的氮营养状况[3]㊂实时㊁快速㊁无损监测作物氮营养指数是掌握农田氮素养分分布㊁协调田间管理措施的重要依据[4-5]㊂随着高光谱遥感技术的发展,国内外学者在实时监测叶片叶绿素含量(L C C)㊁叶片氮素含量(L N C)㊁叶片氮素积累(L N A)㊁植株氮素浓度(P N C)㊁植物氮素吸收(P N U)等作物氮素营养方面取得了一定的研究成果[6],但利用高光谱技术对作物N N I实时监测的研究还比较少㊂研究表明,利用线性内插法红边位置(R E P L I)估测冬小麦N N I的精度较高,决定系数可达0.859[7];春玉米N N I与黄边内一阶微分光谱中的最大值相关性较高[8];在可见光至近红外光的冠层光谱反射率区域,对夏玉米N N I最敏感的光谱带位于710和512n m[9]㊂植被指数与作物N N I也密切相关㊂如,植被指数与甜椒N N I在果实生长早期和开花期存在较强的相关性,但相关性在营养阶段和收获阶段变弱[10];Y u等[11]提出了一种基于双植被指数的N N I遥感指数(N N I R S),可用于监测作物氮素状况㊂然而,目前还没有具体的植被指数用于跨多个生长发育时期的N N I反演㊂在目前的高光谱遥感研究中,偏最小二乘回归㊁支持向量机㊁随机森林回归等算法被广泛应用,而且均显示出了强大的模型构建能力,但不同算法在具体实践中应用效果各有千秋,如对玉米冠层原始高光谱信息预处理后,结合随机森林算法反演N N I的精度要优于偏最小二乘回归和B P神经网络回归[9]㊂总体来看,作物冠层高光谱技术结合机器学习算法是N N I估算的潜在途径,但目前基于冠层高光谱的N N I估算精度整体不高,而且对不同生育时期的估算结论有待验证㊂如,基于无人机高光谱成像影像构建了N N I的随机森林估算模型,虽然模型较为稳定,但其解释能力不到80%[12];基于无人机高光谱成像影像和不同时期的植被指数预测冬小麦N N I时,扬花期的解释能力要高于拔节期和孕穗期[13];机器学习算法结合遥感数据㊁土壤㊁气候和田间管理参数会进一步提升作物N N I估算模型的精度[14]㊂有研究者认为,吸光度变换(A B S)[15]㊁连续统去除变换(C R)[16]等光谱变换能在一定程度上减弱作物冠层原始光谱背景噪声,提升作物理化参数的反演精度[17-18]㊂本研究对获取的冬小麦冠层高光谱数据进行光谱变换,构建 三边 参数㊁任意两波段光谱指数和植被指数三类光谱参数,筛选对N N I敏感的光谱特征参数,基于偏最小二乘回归㊁随机森林㊁支持向量机回归和梯度增强回归构建冬小麦N N I模型,并对模型精度进行比较,以期获得最佳N N I估算方法,为诊断调控冬小麦氮素营养㊁实时监测生长状况和后期田间管理提供基础数据㊂1材料与方法1.1试验设计2017-2019年在陕西省咸阳市乾县梁山镇齐南村设置冬小麦小区种植试验(34ʎ38'N,108ʎ07' E)㊂该区土壤类型为壤土,0~40c m耕层有机质含量为13.36g㊃k g-1,全氮含量为0.48g㊃k g-1,速效氮含量为44.86m g㊃k g-1,有效磷含量为13.54m g㊃k g-1,速效钾含量为182.88m g㊃㊃6741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.k g-1㊂供试小麦为当地主栽品种小偃22㊂试验设置不同水平的氮磷钾单因素处理,每个处理重复两次,小区面积90m2(10mˑ9m)㊂氮素处理设置0㊁30㊁60㊁90㊁120和150k g㊃h m-26个施氮水平,各处理均施磷(P2O5)45k g㊃h m-2和钾(K2O)60k g㊃h m-2;磷素处理设置0㊁22.5㊁45㊁67.5㊁90和112.5k g㊃h m-26个施磷(P2O5)水平,各处理均施氮90k g㊃h m-2和钾肥(K2O)60 k g㊃h m-2;钾素处理设置0㊁15㊁30㊁45㊁60和75 k g㊃h m-26个施钾(K2O)水平,各处理均施氮90 k g㊃h m-2和施磷(P2O5)45k g㊃h m-2㊂小区种植管理方式同当地大田㊂1.2光谱数据及处理采用美国S V C H R-1024I型野外光谱辐射仪,分别在2017㊁2018㊁2019年冬小麦生长发育的四个关键时期(拔节期㊁抽穗期㊁开花期和灌浆期)进行冠层高光谱测定㊂调整光谱仪视场角25ʎ,镜头垂直向下距冬小麦冠层1m处,重复测定冠层光谱10次㊂每个样区选取两个样点,取平均值作为该样区的光谱反射率㊂每次冠层光谱测定前进行标准白板校正,以确保良好的光谱测定质量㊂为减弱或消除光谱的背景噪声,提高敏感波段的灵敏度,本研究对350~1350n m范围内高光谱反射率数据分别进行平滑光谱变换(S M)㊁一阶导数光谱变换(F D)㊁吸光度变换(A B S)和连续统去除光谱变换(C R)4种预处理[19]㊂1.3农学参数获取采集冠层高光谱数据后,各小区以测定点为中心,采集0.5mˑ0.5m范围内的植株地上部㊂从样品中随机选取20株称鲜重,放置105ħ烘箱杀青30m i n,然后于80ħ下烘干48h以上,根据范围比例计算记录各小区地上部干物质重㊂烘干的样品粉碎后称取0.2g,使用凯氏定氮法测定冬小麦植株氮浓度(%)㊂N N I定义为作物地上部植株氮浓度与临界氮浓度的比值[20]㊂N N I=N c/ N c t;N c t=4.28W-0.49㊂式中N c为作物植株氮浓度(%),N c t为临界氮浓度(%)㊂临界氮浓度为作物达到最大干物质所需要的最低氮浓度,本研究采用李正鹏基于小偃22建立的关中平原冬小麦临界氮浓度模型[21]:W为作物地上部生物量(t㊃h m-2)㊂1.4光谱参数的提取与选择为充分利用光谱信息构建光谱参数,提高作物高光谱监测精度,本研究构建三类光谱参数进行估算分析:(1) 三边 参数,是在原始光谱和一阶导数光谱的基础上构建的光谱参数,主要包括蓝边内最大一阶导数值(D b)㊁红边内最大一阶导数值(D r)㊁黄边内最大一阶导数值(D y)㊁绿峰反射率最大值(R g)㊁红谷反射率最小值(R r)㊁蓝边面积(S b)㊁黄边面积(S y)㊁红边面积(S r)㊁红边面积和蓝边面积的比(S r/S b)㊁红边面积和黄边面积的比(S r/S y)㊁红边面积和蓝边面积归一化值((S r-S b)/(S r+S b))及红边面积和黄边面积归一化值((S r-S y)/(S r+S y))等12类特征参数;(2)任意两波段光谱指数,是在各变换光谱350~ 1350n m波段范围内计算任意两个光谱反射率之间的差值(D S I)㊁比值(R S I)和归一化指数(N D S I);(3)筛选与N N I相关性较好的植被指数,主要包括红边指数1(V O G1)㊁M E R I S陆地叶绿素指数(MT C I)㊁改进红边比值植被指数(m S R705)㊁改进红边归一化植被指数(N D705)㊁最佳植被指数(V I o p t)㊁修正型三角植被指数(MT-V I2)和土壤调节植被指数(S A V I)等7类[22]㊂1.5模型构建对构建的三类光谱参数与N N I进行皮尔逊相关性分析,利用逐步回归对与N N I呈极显著相关的光谱参数进行敏感性和不存在共线性筛选,筛选出的敏感光谱参数参与N N I建模㊂本研究的建模方法包括偏最小二乘回归(P L S R)㊁随机森林(R F R)㊁支持向量机回归(S V R)和梯度增强回归(G B D T)㊂P L S R是多元线性回归分析㊁典型相关分析和主成分分析集成的建模方法,通过主成分分析对样本数据进行筛选,确定对因变量解释性最强的变量参与建模,克服变量的多重相关性问题[23-24]㊂R F R是通过自助重采样,从原始的训练样本中有放回地随机采样构建决策树进行分类预测的一种算法,具有很好的抗过拟合能力和抗噪声能力[25-26]㊂S V R通过使样本实测值与预测值之间的损失函数最小化和靠超平面最远的样本点之间的间隔最大来确定模型[27-28]㊂G B D T通过样本建立决策树,得到预测值和残差,后面的决策树基于前面决策树进行残差学习,直到样本预测值和实测值的残差为零[29-30]㊂本研究在S P S S20. 0软件中进行偏最小二乘回归,在R软件中实现随机森林算法,在P y t h o n软件中进行S V R和G B D T㊂㊃7741㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.1.6模型精度检验本研究将三年拔节期㊁抽穗期㊁开花期和灌浆期的数据混合,共采集样本数据432个,按照3ʒ1的比例随机划分为建模集和验证集㊂模型精度采用决定系数(r2)㊁均方根误差(R M S E)和相对预测偏差(R P D)检验㊂r2反映模型拟合能力, R M S E和R P D可以衡量预测值与实测值之间的离散程度和偏差,r2越接近1,R M S E越小,模型预测效果越好,R P D大于2时,模型具有极好的预测能力[31]㊂2结果与分析2.1敏感光谱参数筛选2.1.1任意两波段光谱参数筛选利用M a t l a b软件分析350~1350n m波段范围内四种预处理光谱中任意两波段组合的归一化光谱指数(N D S I)㊁差值光谱指数(D S I)和比值光谱指数(R S I)与N N I的相关性,分别选择与N N I相关性最大的波段组合参与显著性检验,入选波段见表1㊂拔节期入选波段集中在可见光区域,随着生育时期的变化,入选波段向长波方向偏移,在可见光和近红外区域均有分布㊂2.1.2三类光谱参数与氮营养指数的相关性相关性分析(图1)表明,各生育时期 三边 参数中,拔节期 三边 参数与N N I相关性最好(图1a),红边内最大一阶导数值㊁红边面积㊁红谷反射率最小值㊁红边面积和蓝边面积的比㊁红边面积和黄边面积的比㊁红边面积和蓝边面积归一化值㊁红边面积和黄边面积归一化值与N N I的相关系数分别为0.33㊁0.27㊁0.25㊁0.41㊁0.32㊁0.42和0.32,均达到极显著水平(P<0.01)㊂总体来看,红边位置计算的光谱参数与N N I的相关性较好,拔节期㊁开花期和灌浆期的红边内最大一阶导数值㊁红边面积与N N I均相关极显著㊂在拔节期,典型植被指数与N N I均极显著相关(图1b)㊂在开花期,V I o p t㊁MT V I2㊁S A V I与N N I的相关系数分别是0.30㊁0.29和0.29,均极显著相关㊂灌浆期的V O G1与N N I也通过了0. 01水平的显著性检验㊂抽穗期各参数与N N I的相关性均未通过0.01水平的显著性检验㊂各生育时期的任意两波段光谱指数与N N I 的相关性均通过0.01水平的显著性检验(图1c)㊂其中,拔节期的任意两波段光谱参数与N N I的相关性最佳,相关系数均大于其他时期,其中基于一阶导数光谱的N D S I和R S I与N N I 的相关系数最大,均为0.66㊂2.1.3基于逐步回归筛选敏感光谱参数从各个生育时期与N N I呈极显著相关的光谱参数中,利用逐步回归法剔除多重共线性的光谱参数,筛选出对模型敏感的解释变量(表2)㊂其中,拔节期敏感光谱为任意两波段光谱参数和 三边 参数,抽穗期㊁开花期和灌浆期的敏感光谱参数均为任意两波段光谱参数,植被指数三个时期均未入选㊂表1各生育期任意两波段光谱参数入选波段T a b l e1O p t i m a l b a n d s s e l e c t i o n i na n y t w o-b a n d s p e c t r a l i n d e x f o r e a c h g r o w t h s t a g e光谱变换S p e c t r a l t r a n s f o r m a t i o n光谱指数S p e c t r a l i n d e x入选波段组合S e l e c t e db a n d c o m b i n a t i o n拔节期J o i n t i n g s t a g e抽穗期H e a d i n g s t a g e开花期F l o w e r i n g s t a g e灌浆期F i l l i n g s t a g eS M N D S I763n m,749n m579n m,700n m955n m,959n m756n m,765n mD S I764n m,754n m1009n m,973n m955n m,959n m1316n m,366n mR S I763n m,749n m579n m,700n m955n m,959n m756n m,765n m F D N D S I422n m,689n m1202n m,1191n m972n m,652n m1066n m,620n mD S I422n m,536n m1014n m,1034n m759n m,956n m761n m,976n mR S I422n m,689n m1014n m,1034n m765n m,821n m500n m,572n m A B S N D S I689n m,688n m696n m,608n m959n m,955n m758n m,764n mD S I749n m,763n m700n m,579n m959n m,955n m756n m,765n mR S I689n m,688n m696n m,608n m959n m,955n m758n m,764n mC R ND S I352n m,734n m575n m,701n m954n m,959n m1009n m,751n mD S I636n m,696n m574n m,706n m954n m,959n m1009n m,751n mR S I353n m,731n m575n m,701n m954n m,959n m1009n m,751n m ㊃8741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.图1光谱参数与氮营养指数的相关性F i g.1C o r r e l a t i o nb e t w e e n s p e c t r a l p a r a m e t e r s a n dn i t r o g e nn u t r i t i o n i n d e x(N N I).表2各生育期敏感光谱参数T a b l e2S e n s i t i v e s p e c t r a l p a r a m e t e r s a t e a c h g r o w t h s t a g e生育时期G r o w t h s t a g e敏感光谱参数S e n s i t i v e s p e c t r a l p a r a m e t e r 拔节期J o i n t i n g F D-R S I㊁(S r-S y)/(S r+S y)抽穗期H e a d i n g C R-D S I㊁S M-D S I开花期F l o w e r i n g F D-R S I㊁C R-D S I㊁F D-N D S I灌浆期F i l l i n g F D-N D S I㊁F D-D S I㊁F D-R S I2.2N N I模型的构建和验证结果基于各生育时期的敏感光谱参数,分别采用偏最小二乘回归(P L S R)㊁随机森林算法(R F R)㊁支持向量机回归(S V R)和梯度增强回归(G B D T)构建冬小麦N N I预测模型㊂从图2来看,拔节期㊁抽穗期㊁开花期和灌浆期基于G B D T构建模型的预测精度均高于其他三个模型,决定系数(r2)分别为0.96㊁0.92㊁0.90㊁0.95,均方根误差(R M S E)分别为0.05㊁0.05㊁0.05㊁0.03,同时基于G B D T验证模型的决定系数(r2)也高于其他三个模型,模型精度相对较高㊂比较四个生育时期,建模集中,拔节期四个模型的决定系数(r2)高于其他生育时期,其中G B-D T模型的建模精度最佳,r2和均方根误差(R M S E)分别为0.96和0.05;其次是R F R模型, r2和R M S E分别为0.89和0.05,其他模型的建模精度相对较低㊂所有模型中,拔节期G B D T模型的验证精度也最佳,r2和R M S E分别为0.95和0.12;其实测值与预测值斜率为0.87,散点空间分布接㊃9741㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.近1ʒ1线(图3)㊂从相对预测偏差(R P D ,实测值和预测值之间标准差和均方根误差之比)(图4)看,拔节期G B D T 模型的R P D 最高,为2.12;其次为S VM 模型,其R P D 为1.92㊂其余模型的R P D 均小于1.5㊂总体来看,各个生育时期G B -D T 模型精度相对较高,拔节期建立的N N I 模型精度优于其他时期,且拔节期基于G B D T 的N N I模型具有较好的预测能力㊂图2 基于P L S ㊁R F R ㊁S V R 和G B D T 的冬小麦N N I 的建模精度F i g .2 M o d e l i n g a c c u r a c y ofw i n t e rw h e a tN N Im o d e l s b a s e do nP L S ,R F R ,S V R ,a n dG B D Tm e t h o ds 图3 拔节期基于G B D T 的N N I 预测值与实测值相关性F i g .3 S c a t t e r p l o t b e t w e e n t h em e a s u r e da n d p r e d i c t e dN N I v a l u e s b a s e do nG B D Tm e t h o da t j o i n t i n g s t a ge ㊃0841㊃麦 类 作 物 学 报 第43卷Copyright ©博看网. All Rights Reserved.图4冬小麦N N I估算模型相对预测偏差对比F i g.4R P Dc o m p a r i s o no fw i n t e rw h e a tN N I e s t i m a t i o nm o d e l s3讨论快速精准实现作物氮素管理对于提高氮肥利用率㊁减少土壤和地下水污染至关重要[32-33]㊂N N I综合植株氮浓度和生物量在诊断氮素营养状况的不同作用,为快速实现作物氮素营养诊断和管理提供支持㊂本研究中,任意两波段筛选出的比值光谱指数位置为749和763n m,与王仁红等得到的冬小麦N N I引用比值指数位置相似[7],也表明了红边参数与农学组分之间的密切关系[34]㊂对原始冠层光谱进行一阶导数㊁吸光度和连续统去除变换,能够在一定程度降低噪声干扰,增强光谱特征[35]㊂本研究基于变换光谱的任意两波段光谱参数与N N I的相关性优于 三边 参数和植被指数,其中由拔节期一阶导数光谱组成的归一化㊁比值光谱指数与N N I相关性最高㊂本研究采用偏最小二乘回归㊁随机森林算法㊁支持向量机回归和梯度增强回归分别建立冬小麦的N N I模型,其中梯度增强回归模型和随机森林模型均未出现过度拟合现象㊂梯度增强回归显著提升了N N I的估算精度,这是因为梯度增强回归通过多个决策树构建更强大的模型,不断迭代,决策树深度小[29],预测速度快,参数设置比随机森林算法和支持向量机回归更敏感,模型精度更高㊂拔节期基于梯度增强回归构建的N N I预测模型决定系数达到0.95,精度优于王仁红等[7]基于线性内插法共边位置对冬小麦N N I的估测(决定系数为0.86,均方根误差为0.08)㊂不同于刘昌华等[13]的研究,本研究中拔节期基于梯度增强回归的N N I模型取得了最佳验证精度㊂如果在拔节期能够准确估测冬小麦N N I,这对于科学精准施肥,对于提高冬小麦产量和改善冬小麦品质有着重要的意义[36]㊂本研究为拔节期冬小麦氮素的评估提供了理论和方法,这一结果还有待更多的数据集进行验证㊂另外,计算N N I时,临界氮浓度采用了同为研究关中平原地区冬小麦氮素的李正鹏等[21]的临界氮浓度稀释曲线模型,该模型是基于小麦品种小偃22所建,因此未来需要针对不同品种建立更为广适的临界氮浓度模型,以进一步增强N N I高光谱监测的普适性㊂4结论本研究通过相关性分析法和逐步回归法,分别筛选出各生育时期与冬小麦N N I敏感的解释变量,利用偏最小二乘回归㊁随机森林算法㊁支持向量机回归和梯度增强回归分别建立冬小麦N N I模型㊂从拔节期到灌浆期,任意两波段光谱参数与N N I均极显著相关,相关性明显优于 三边 参数和植被指数,其中拔节期任意两波段光谱参数与N N I的相关性高于其他生育时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与N N I的相关系数最大㊂在各生育时期中,基于梯度增强回归的N N I模型精度高于其他模型,其中拔节期该模型的精度最高,r2㊁R M S E和R P D 分别为0.95㊁0.12和2.12,说明其具有较好的预测能力㊂㊃1841㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.参考文献:[1]于丰华,邢思敏,郭忠辉,等.基于特征转移植被指数的水稻叶片氮素含量定量估算[J].农业工程学报,2022,38(2):8. Y U F H,X I N GS M,G U OZ H,e t a l.R e m o t e s e n s i n g i n v e r-s i o no ft h en i t r o g e nc o n t e n ti nr i c el e a v e su s i n g c h a r a c t e r t r a n s f e r v e g e t a t i o n i n d e x[J].T r a n s a c t i o n s o f t h eC h i n e s e S o-c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,2022,38(2):8.[2]郭燕,井宇航,贺佳,等.小麦冠层氮素含量光谱估算研究进展[J].麦类作物学报,2021,41(11):7.G U O Y,J I N GY H,H EJ,e t a l.R e s e a r c h p r o g r e s s o f n i t r o g e n c o n t e n t e s t i m a t i o ni n w i n t e r w h e a tc a n o p y b a s e do no p t i c a l s p e c t r u m[J].J o u r n a l o f T r i t i c e a eC r o p s,2021,41(11):7.[3]杨福芹,冯海宽,肖天豪,等.融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算[J].农业现代化研究,2020,41(4): 9.Y A N GFQ,F E N G H K,X I A OT H,e t a l.N i t r o g e nn u t r i t i o n i n d e xe s t i m a t i o ni n w i n t e rw h e a tb y U A Vs p e c t r a l i n f o r m a-t i o na n d t e x t u r e f e a t u r e f u s i o n[J].R e s e a r c ho f A g r i c u l t u r a l M o d e r n i z a t i o n,2020,41(4):9.[4]史培华,王远,袁政奇,等.基于冠层R G B图像的冬小麦氮素营养指标监测[J].南京农业大学学报,2020,43(5):9.S H I P H,WA N G Y,Y U A N Z Q,e ta l.E s t i m a t i o no fw h e a t n i t r o g e nn u t r i t i o ni n d i c e si n w i n t e r w h e a tb a s e do nc a n o p y R G B i m a g e s[J].J o u r n a l o f N a n j i n g A g r i c u l t u r a lU n i v e r s i-t y,2020,43(5):9.[5]徐浩聪,姚波,王权,等.基于叶片反射光谱估测水稻氮营养指数[J].中国农业科学,2021,54(21):15.X U H C,Y A O B,WA N G Q,e t a l.D e t e r m i n a t i o no f s u i t a b l e b a n dw i d t h f o re s t i m a t i n g r i c en i t r o g e nn u t r i t i o n i n d e xb a s e d o n l e a f r e f l e c t a n c es p e c t r a[J].S c i e n t i aA g r i c u l t u r aS i n i c a, 2021,54(21):15.[6]F A N K,L IF L,C H E N X K,e ta l.N i t r o g e nb a l a n c e i n d e x p r e d i c t i o no fw i n t e rw h e a tb y c a n o p y h y p e r s p e c t r a l t r a n s f o r-m a t i o na n d m a c h i n e l e a r n i n g[J].R e m o t eS e n s i n g,2022,14 (14):3504.[7]王仁红,宋晓宇,李振海,等.基于高光谱的冬小麦氮素营养指数估测[J].农业工程学报,2014,30(19):191.WA N G R H,S O N G X Y,L I Z H,e t a l.E s t i m a t i o no fw i n t e r w h e a tn i t r o g e n n u t r i t i o ni n d e x u s i n g h y p e r s p e c t r a lr e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2014,30(19):191.[8]陈志超,蒋贵印,张正,等.基于无人机高光谱遥感的春玉米氮营养指数反演[J].河南理工大学学报(自然科学版),2022, 41(3):81.C H E NZC,J I A N G G Y,Z H A N GZ,e t a l.I n v e r s i o no f n u t r i-t i o n i n d e x o f s p r i n g m a i z e b a s e d o nh y p e r s p e c t r a l r e m o t e s e n s-i n g o nU A V[J].J o u r n a lo f H e n a n P o l y t e c h n i cU n i v e r s i t y (N a t u r a l S c i e n c e),2022,41(3):81.[9]Z H A O B,D U A N A W,A T A-U l-K A R I M ST,e ta l.E x p l o-r i n g n e ws p e c t r a l b a n d s a n dv e g e t a t i o n i n d i c e s f o r e s t i m a t i n g n i t r o g e nn u t r i t i o ni n d e x o fs u mm e r m a i z e[J].E u r o p e a n J o u r n a l o f A g r o n o m y,2018,93:113.[10]S O U Z AR,P E A F L E I T A SM T,T H OM P S I NRB,e t a l.A s-s e s s i n gp e r f o r m a n c eo fv e g e t a t i o n i n d i c e s t oe s t i m a t en i t r o-g e nn u t r i t i o n i n d e x i n p e p p e r[J].R e m o t eS e n s i n g,2020,12(5):763.[11]Y UZ,WA N GJW,L I Z H,e t a l.A ne n t i r e l y n e wa p p r o a c hb a s e do n r e m o t e-s e n s i n g d a t a t oc a l c u l a t e t h e n i t r o g e nn u t r i-t i o n i nde x o fw i n t e rw h e a t[J].J o u r n a l of I n t eg r a t i v eA g r i-c u l t u r e,2020,19:2.[12]王玉娜,李粉玲,王伟东,等.基于无人机高光谱的冬小麦氮素营养监测[J].农业工程学报,2020,36(22):31.WA N G Y N,L IFL,WA N G W D,e t a l.M o n i t o r i n g o fw i n-t e rw h e a tn i t r o g e n n u t r i t i o n b a s e do n U A V h y p e r s p e c t r a l i m a g e s[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2020,36(22):31.[13]刘昌华,王哲,陈志超,等.基于无人机遥感影像的冬小麦氮素监测[J].农业机械学报,2018(6):207.L I U C H,WA N GZ,C H E NZC,e t a l.N i t r o g e n m o n i t o r i n g o fw i n t e r w h e a tb a s e do nu n m a n n e da e r i a lv e h i c l er e m o t e s e n s i n g i m a g e[J].T r a n s a c t i o n so f t h eC h i n e s eS o c i e t yf o rA g r i c u l t u r a lM a c h i n e r y,2018(6):207.[14]Z HA H N,M I A O Y X,WA N G T T,e ta l.I m p r o v i n g u n-m a n n e da e r i a l v e h i c l e r e m o t e s e n s i n g-b a s e d r i c e n i t r o g e nn u-t r i t i o n i n d e x p r e d i c t i o n w i t h m a c h i n el e a r n i n g[J].R e m o t e S e n s i n g,2020,12(2):215.[15]赵燕东,皮婷婷.北京地区粘壤土全氮含量的光谱预测模型[J].农业机械学报,2016,47(3):143.Z HA O Y D,P IT T.S p e c t r a l p r e d i c t i o n m o d e lo f s o i l t o t a l n i t r o g e nc o n t e n to fc l a y l o a m s o i l i nB e i j i n g[J].T r a n s a c-t i o n so f t h eC h i n e s eS o c i e t yf o r A g r i c u l t u r a l M a c h i n e r y, 2016,47(3):143-149.[16]李粉玲,常庆瑞.基于连续统去除法的冬小麦叶片全氮含量估算[J].农业机械学报,2017,48(7):175.L IFL,C HA N G QR.E s t i m a t i o no fw i n t e rw h e a t l e a f n i t r o-g e n c o n t e n t b a s e d o n c o n t i n u u mr e m o v e d s p e c t r a[J].T r a n s-a c t i o n s o f t h eC h i n e s eS o c i e t yf o rA g r i c u l t u r a lM a c h i n e r y, 2017,48(7):175.[17]L IFL,WA N GL,L I UJ,e t a l.E v a l u a t i o no f l e a fNc o n c e n-t r a t i o n i nw i n t e rw h e a tb a s e do nd i s c r e t ew a v e l e t t r a n s f o r ma n a l y s i s[J].R e m o t eS e n s i n g,2019,11(11):1331.[18]陈晓凯,李粉玲,王玉娜,等.无人机高光谱遥感估算冬小麦叶面积指数[J].农业工程学报,2020,36(22):40.C H E N X K,L I FL,WA N GY N,e t a l.E s t i m a t i o n o fw i n t e r w h e a t l e a fa r e a i n d e xb a s e do n U A V h y p e r s p e c t r a l r e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2020,36(22):40.[19]李粉玲,王力,刘京,等.基于高分一号卫星数据的冬小麦叶片S P A D值遥感估算[J].农业机械学报,2015,46(9):273. L IFL,WA N GL,L I UJ,e t a l.R e m o t e s e n s i n g e s t i m a t i o n o f S P A Dv a l u e f o rw h e a t l e a f b a s e d o nG F-1d a t a[J].T r a n s a c-t i o n so f t h eC h i n e s eS o c i e t yf o r A g r i c u l t u r a l M a c h i n e r y, 2015,46(9):273.[20]L E MA I R E G,J R Y F F R O Y M,G A S T A L F.D i a g n o s i st o o l㊃2841㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.f o r p l a n t a n d c r o p Ns t a t u s i n v eg e t a t i v e s t a g e[J].E u r o p e a n J o u r n a l o f A g r o n o m y,2008,28(4):614.[21]李正鹏,冯浩,宋明丹.关中平原冬小麦临界氮稀释曲线和氮营养指数研究[J].农业机械学报,2015,46(10):178.L IZ P,F E N G H,S O N G M D.C r i t i c a ln i t r o g e n d i l u t i o n c u r v e a n d n i t r o g e n n u t r i t i o n i n d e x o f w i n t e r w h e a t i n G u a n z h o n g P l a i n[J].T r a n s a c t i o n so f t h eC h i n e s eS o c i e t yf o rAg r i c u l t u r a lM a chi n e r y,2015,46(10):178.[22]王玉娜.冬小麦氮营养指数高光谱估算[D].杨凌:西北农林科技大学,2021.WA N G YN.E s t i m a t i o n o f n i t r o g e n n u t r i t i o n i n d e x o fw i n t e r w h e a t b y h y p e r s p e c t r a lr e m o t e s e n s i n g[D].Y a n g l i n g: N o r t h w e s tA&FU n i v e r s i t y,2021.[23]王圆圆,李贵才,张立军,等.利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量[J].光谱学与光谱分析,2010,30 (4):1070.WA N G Y Y,L IG C,Z HA N G LJ,e ta l.R e t r i e v a lo f l e a f w a t e r c o n t e n t o fw i n t e rw h e a t f r o mc a n o p y h y p e r s p e c t r a l d a-t au s i n g p a r t i a ll e a s ts q u a r er e g r e s s i o n[J].S p e c t r o s c o p ya n dS p e c t r a lA n a l y s i s,2010,30(4):1070.[24]付元元,王纪华,杨贵军,等.应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J].光谱学与光谱分析, 2013,33(5):1316.F U Y Y,WA N GJH,Y A NG GJ,e t a l.B a n dd e p t h a n a l y s i s a n d p a r t i a lw h e a tb i o m a s se s t i m a t i o nu s i n g l e a s t s q u a r er e-g r e s s i o n b a s e d w i n t e r h y p e r s p e c t r a l m e a s u r e m e n t s[J]. S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s,2013,33(5):1316.[25]G R I MM R,B E H R E N S T,MA R K E R M,e ta l.S o i l o r g a n i cc a r b o nc o n c e n t r a t i o n sa n ds t o c k so nB a r r oC o l o r ad oI s l a n d-D i g i t a l s o i lm a p p i n g u s i n g r a n d o mf o re s t s a n a l y s i s[J].G e o-d e r m a,2008,146(1):102.[26]岳继博,杨贵军,冯海宽.基于随机森林算法的冬小麦生物量遥感估算模型对比[J].农业工程学报,2016,32(18):175. Y U EJB,Y A N G GJ,F E N G H K.C o m p a r a t i v eo f r e m o t e s e n s i n g e s t i m a t i o nm o d e l s o fw i n t e rw h e a t b i o m a s s b a s e do n r a n d o mf o r e s ta l g o r i t h m[J].T r a n s a c t i o n so f t h eC h i n e s e S o c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,2016,32(18):175.[27]杜军,古军伟,邱士可,等.基于支持向量回归的土壤全氮含量高光谱估测研究[J].河南科学,2020,38(10):6.D UJ,G UJ W,Q I U SK,e ta l.P r e d i c t i o no f t o t a l n i t r o g e n b y u s i n g h y p e r s p e c t r a l d a t ab a s e do ns u p p o r tv e c t o r r e g r e s-s i o n[J],H e n a nS c i e n c e,2020,38(10):6.[28]B A S A K D,S R I MA N T A P,P A T R A N B I SDC.S u p p o r t v e c-t o r r e g r e s s i o n[J].N e u r a l i n f o r m a t i o n p r o c e s s i n g l e t t e r s& r e v i e w s,2007,11:203.[29]F R I E D MA NJH.G r e e d y f u n c t i o n a p p r o x i m a t i o n:A g r a d i e n tb o o s t i n g m ac h i n e[J].A n n a l so f S t a t i s t i c s,2001,29(5): 1189.[30]S C H O N L A U M.B o o s t e d r e g r e s s i o n(b o o s t i n g):A n i n t r o d u c-t o r y t u t o r i a l a n daS t a t a p l u g i n[J].S t a t aJ o u r n a l,2005,5 (3):330.[31]C H A N G C W,L A I R D D A.N e a r-i n f r a r e dr e f l e c t a n c es p e c-t r o s c o p i c a n a l y s i s o f s o i l C a n dN[J].S o i l S c i e n c e,2002,167 (2):110.[32]赵灿,刘光明,戴其根,等.氮肥对水稻产量,品质和氮利用效率的影响研究进展[J].中国稻米,2022,28(1):6.Z HA OC,L I UG M,D A IQG,e t a l.E f f e c t s o f v e r m i c o m p o s t o n c a d m i u ma c c u m u l a t i o n i n r i c e u n d e r d i f f e r e n tw a t e rm a n-a g e m e n t c o n d i t i o n s[J].C h i n aR i c e,2022,28(1):6.[33]刘晓霞,潘贤,张欢.施肥方式及化肥用量对水稻产量和氮肥利用效率的影响[J].中国农学通报,2020,36(34):4.L I U X X,P A N X,Z H A N G H.I m p a c t o f f e r t i l i z a t i o n m e t h-o d s a n d f e r t i l i z e r u s a g e o n r i c e y i e l d a n d n i t r o g e n u s e e f f i c i e n-c y[J].C h i n e s eA g r i c u l t u r a l S c i e n c eB u l l e t i n,2020,36(34):4.[34]高兴,李斐,杨海波,等.基于红边位置的马铃薯植株氮浓度估测方法研究[J].植物营养与肥料学报,2019,25(2):296.G A O X,L IF,Y A N G H B,e ta l.A p p r o p r i a t ec a l c u l a t i o n m e t h o d f o r t h e u s e o f r e d e d g e p o s i t i o n t o e s t i m a t e p o t a t o n i-t r o g e nc o n c e n t r a t i o n[J].J o u r n a lo f P l a n t N u t r i t i o na n dF e r t i l i z e r s,2019,25(2):296.[35]冯子恒,李晓,段剑钊,等.基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测[J].作物学报,2022,48(9):12-13.F E N GZ H,L IX,D U A NJZ,e ta l.H y p e r s p e c t r a l r e m o t e s e n s i n g m o n i t o r i n g o fw h e a t p o w d e r y m i l d e wb a s e do nf e a-t u r eb a n ds e l e c t i o na n d m a c h i n el e a r n i n g[J].A c t a A g r o-n o m i c aS i n i c a,2022,48(9):12-13.[36]吴秀萍.氮肥运筹对豫北冬小麦产量㊁品质及氮素利用率的影响[J].辽宁农业科学,2021(1):4.WU XP.E f f e c t s o f n i t r o g e nm a n a g e m e n t o n t h e y i e l d,q u a l i-t y a n d n i t r o g e n u t i l i z a t i o n e f f i c i e n c y o f w i n t e r w h e a ti n n o r t h e r nh e n a n[J].L i a o n i n g A g r i c u l t u r a lS c i e n c e s,2021 (1):4.㊃3841㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.。
基于新型植被指数对冬小麦蛋白质含量的估算研究
对冬小麦的 蛋 白 质 含 量 进 行 估 算 ，研 究 表 素比率指数 （ Ｐ Ｐ Ｒ） 明这些特征波段和植被指数与冬小麦蛋白质含量存在较好的
１ ０］ 相关性 。李 映 雪 等 ［ 研究表明蛋白质的特征波段为４ ４ ５， ［１］ 和卢艳丽 ６ ６ ０， ６ ８ ０， ７ １ ０， ９ ５ ０ 和 １２ ２ ０ｎ ｍ，而 肖 春 华 等 １ ［３］ １ ２］ 等［ 研究表明特征波段为 ６ 利用 ７ ０和８ ９ ０ｎ ｍ。李 卫 国 等 １
－１ （ ） ，每个处理三次 重 复 ，田 间 实 际 生 产 按 Ｎ ４ １ ６ ５ｋ ａ ｇＮ·ｈ 照大田管理规范进行 。
） 用偏最小二乘法 （ 来估 算 冬 小 麦 蛋 白 质 含 量 ，构 建 一 个 Ｐ Ｌ Ｓ 更稳定 、可靠的冬小麦蛋白质 含 量 估 算 模 型 。为 冬 小 麦 蛋 白 质含量的估算提供一个理论基础和参考 。
１ 实验部分
１ １ 研究区域概况 试验 于 ２ ０ ０ ８ 年／ ２ ０ ０ ９ 年， ２ ０ ０ ９ 年／ ２ ０ １ ０年和２ ０ １ １ 年／ ２ ０ １ ２ 年在国家精准农业示范研究基地进行 。基地位于北京市 ，东 经 １ 昌平区小汤山镇东北部 ，边 界 范 围 为 北 纬 ４ ０ ° １ ０ ′ １ ６ ° 。试验地土壤类型为潮土 ，土 壤 中 ０～０ ． ３ｍ 土层中硝态 ２ ６ ′ －１ 氮含量为 ３ ． １ ６～１ ４ ． ８ ２ｍ ． １ ０ ％～ ｇ·ｋ ｇ ，全 氮 含 量 为 ０ ０ ． １ ２ ％ ，有 机 质 含 量 为 １ ． ５ ８％ ～２ ． ０ ０％ ， 有 效 磷 含 量 为 －１ ３ ． １ ４～２ １ ． １ ８ｍ ６ ． ８ ３～ ｇ· ｋ ｇ ，速 效 钾 的 含 量 分 别 为 ８
冬小麦籽粒氮积累量高光谱监测研究
冬小麦籽粒氮积累量高光谱监测研究贾学勤;冯美臣;王超;杨武德;李广信;孙慧;武改红;张松【摘要】为探究冬小麦籽粒氮积累量与冠层光谱反射率的定量关系,实现冬小麦籽粒氮积累量的无损快速监测,以连续2a氮运筹试验为基础,结合偏最小二乘法(PLS)和逐步多元线性回归(SMLR)建立植株氮积累量(PNA)和叶片氮积累量(LNA)光谱监测模型,分析PNA和LNA与籽粒氮积累量(GNA)的定量关系,以PNA和LNA为中间变量建立GNA光谱监测模型.结果表明,基于PLS-SMLR建立的PNA和LNA高光谱模型监测效果均较好,且冬小麦PNA,LNA与GNA均有较好的定量关系;分别以PNA和LNA为中间变量建立的GNA光谱监测模型中,以LNA为中间变量的模型建模集和验证集表现均较佳,可以实现冬小麦GNA高光谱准确监测.%The objective of this study was to explore the quantitative relationship between grain nitrogen accumulation (GNA) and canopy spectral reflectance,and to realize non-destructive and rapid monitor on GNA of winter wheat.This study established the spectral model of plant nitrogen accumulation (PNA) and leaf nitrogen accumulation (LNA) of winter wheat by using partial least squares (PLS) and stepwise multiple linear regression (SMLR).The results showed that there were good quantitative relation between PNA and LNA with GNA.The predictive model of GNA based on the LNA with calibration set and validation set was superior to that of the PNA.It was concluded that LAN as the intermediate variable had potential applications on constructing the predictive model of GNA.This study would provide technical support for hyperspectral monitor of winter wheat.【期刊名称】《山西农业科学》【年(卷),期】2018(046)003【总页数】4页(P335-338)【关键词】冬小麦;高光谱;氮积累量;监测【作者】贾学勤;冯美臣;王超;杨武德;李广信;孙慧;武改红;张松【作者单位】山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西省农业科学院作物科学研究所,山西太原030031;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801【正文语种】中文【中图分类】S512.1+1氮素是作物重要的营养元素，对作物生长具有重要的影响，而且对作物产量和品质形成影响显著。
基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测
摘
要 ：籽粒 蛋 白含量 （ ｇ ｒ ａ ｉ ｎｐ ｒ ｏ ｔ ｅ ｉ ｎ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ，Ｇ Ｐ Ｃ）是衡量小麦 品质 的重要指标 ，及时准确 的预Ｎ ｄ ， 麦Ｇ Ｐ Ｃ有利于小麦
的分类 收割和分级存储 。为了能够选择一个合适的氮素营养指标作 为中间变 量来反演小麦 Ｇ Ｐ Ｃ，该文研究分别 以开花期 植株氮素 累积量 （ ｐ ｌ ａ ｎ ｔ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ａ ｃ ｃ ｕ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ， Ｐ ＮＡ） 、植株氮素含量 （ ｐ ｌ ｎｔ ａ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ，Ｐ ＮＣ） 、叶片氮素累积量 （ １ ｅ ａ ｆ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ａ ｃ ｃ ｕ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ，Ｌ ＮＡ）和叶片氮 素含量 （ １ ｅ ａ ｆ ｎ ｉ ￣ ｏ ｇ ｅ ｎ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ，Ｌ ＮＣ）４个氮素营养指 标为中间变量 ，并运用 支持 向量机 （ ｓ ｕ ｐ ｐ ｏ ￣ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎ ｅ ｓ ，Ｓ Ｖ Ｍ）算法实现 ４ 个氮素营养 指标的估测 ，最后构 建及评价基于 开花 期 “ 植被指 数 （ ｖ ｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｘ ，Ｖ Ｉ ）一 氮素 营养 指标 （ ｎ ｉ ｔ ｒ ｏ ｇ ｅ ｎ ｎ ｕ ｔ ｒ ｉ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｘ ，Ｎ ＮＩ ）． Ｇ Ｐ Ｃ”模式 的冬小麦 Ｇ Ｐ Ｃ预测模型 。结果表 明： １ ）通过分 析植被指 数与氮 素营养指标的相关性 ，选择植被指数 ＭＳ Ａ Ｖ Ｉ 、Ｐ Ｓ Ｒ Ｉ 、Ｄ ＶＩ 、Ｒ Ｄ ＶＩ 和Ｇ ＮＤＶ Ｉ 作为氮 素营养指 标模型 的构建变量 ；２ ）运用 Ｓ ＶＭ 方 法构建的 ＶＩ － ＮＮＩ模型中 Ｌ Ｎ Ｃ 的建模精 度与验证精度相对最优 ，其 建模 决定系数
基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测
麦类作物学报㊀２０２０,４０(３):３７３－３８０J o u r n a l o fT r i t i c e a eC r o ps d o i :１０．７６０６/j．i s s n ．１００９Ｇ１０４１．２０２０．０３．１４网络出版时间:２０２０Ｇ０３Ｇ３０网络出版地址:h t t p ://kn s ．c n k i ．n e t /k c m s /d e t a i l /６１．１３５９．S ．２０２００３２７．１５５１．００２．h t m l 基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测收稿日期:２０１９Ｇ０８Ｇ２１㊀㊀㊀修回日期:２０１９Ｇ０９Ｇ１８基金项目:国家自然科学基金项目(６１１３４０１１,３１３７１５７２,４１７０１３７５,４１４７１２８５)第一作者E Ｇm a i l :z c q０２２９＠１６３．c o m 通讯作者:(杨武德)E Ｇm a i l :s x a u yw d ＠１２６．c o m 赵春奇１,２,３,４,李振海２,３,４,杨贵军２,３,４,段丹丹１,２,３,４,赵钰１,２,３,４,杨武德１(１．山西农业大学农学院,山西太谷０３０８０１;２．国家农业信息化工程技术研究中心,北京１０００９７;３．农业部农业信息技术重点实验室,北京１０００９７;４．北京市农业物联网工程技术研究中心,北京１０００９７)摘㊀要:为优化冬小麦籽粒蛋白含量(G P C )的遥感预测模型,基于２０１２－２０１３㊁２０１４－２０１５和２０１７－２０１８年冬小麦生长季的田间试验,以植株氮代谢过程及G P C 形成规律为依据,构建 植被指数(V I )Ｇ农学参数ＧG P C 的半机理模型,并在此基础上通过引入筋型修正系数λ优化 P N C ＧG P C 模型,修正小麦筋型对模型的影响,进一步提高 V I ＧP N C ＧG P C 模型的精度.结果表明,选取的V I 与植株氮浓度(P N C )均极显著相关,其中比值光谱植被指数(R S I )与P N C 的相关性最高,相关系数达到０．７７７,建立的P N C 估算模型的决定系数(r ２)达到０．６０４,验证n R M S E 为９．９３％;构建的P N C ＧG P C 模型为G P C＝(５．８４３ˑP N C＋４．８４７)ˑλ,r ２＝０．７９２,验证n R M S E 为７．４３％;对比不考虑冬小麦筋型的 R S I ＧP N C ＧG P C 模型,其r ２提高了０．１４５,验证的n R M S E 降低了０．８６％.综合来看,以P N C 为中间变量,通过考虑不同筋型的差异构建的筋型修正系数可以更加准确地预测G P C .关键词:冬小麦;筋型;植被指数;植株氮浓度;籽粒蛋白质含量中图分类号:S ５１２．１;S ３１４㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００９Ｇ１０４１(２０２０)０３Ｇ０３７３Ｇ０８R e m o t e S e n s i n g Pr e d i c t i o no fG r a i nP r o t e i nC o n t e n t i n W i n t e r W h e a t B a s e do nG l u t e nT y peC o r r e c t i o nC o e f f i c i e n t Z H A OC h u n q i １,２,３,４,L IZ h e n h a i ２,３,４,Y A N GG u i j u n ２,３,４,D U A ND a n d a n １,２,３,４,Z H A OY u １,２,３,４,Y A N G W u d e１(１．C o l l e g e o fA g r o n o m y ,S h a n x iA g r i c u l t u r a lU n i v e r s i t y ,T a i g u ,S h a n x i ０３０８０１,C h i n a ;２．N a t i o n a l E n g i n e e r i n g Re s e a r c hC e n t e rf o r I n f o r m a t i o nT e c h n o l og y i nA g r i c u l t u r e ,B e i j i n g １０００９７,Chi n a ;３．K e y L a b o r a t o r y o fA g r i Ｇi n f o r m a t i c s ,M i n i s t r y o fA gr i c u l t u r e ,B e i j i n g １０００９７,C h i n a ;４．B e i j i n g E n g i n e e r i n g R e s e a r c hC e n t e r o fA g r i c u l t u r a l I n t e r n e t o fT h i n g s ,B e i j i n g １０００９７,C h i n a )A b s t r a c t :R e m o t e Ｇs e n s i n g es t i m a t i o no f g r a i n p r o t e i nc o n t e n t (G P C )i nw i n t e rw h e a t p r o v i d e da n i m Ｇp o r t a n t b a s i s f o rw i n t e rw h e a t p r o d u c t i o n a n d q u a l i t y c l a s s i f i c a t i o n ．B a s e d o n f i e l d e x pe r i m e n t s o fw i n Ｇt e rw h e a t d u r i n g t h e g r o w i n g s e a s o n s of ２０１２－２０１３,２０１４－２０１５a n d ２０１７－２０１８,a s e m i Ｇm e c h a n i s m m o d e l o f v eg e t a t i o ni n d e x (V I )Ｇa g r o n o m i c p a r a m e t e r ＧG P C w a sc o n s t r u c t e db a s e do nth eni t r o ge n m e t a b o l i s ma n dG P Cf o r m a t i o n a n d t h e P N C ＧG P C m o d e lw a s o p t i m i z e db y i n t r o d u c i ng a no pt i m i z e d c o e f f i c i e n t (λ)t o c o r r e c t t h e i n f l u e n c e o f d i f f e r e n t g l u t e n t y p e s ．T h e r a t i o s p e c t r a i n d e x (R S I )h a d h i gh Ｇe s t c o r r e l a t i o n c o e f f i c i e n tw i t hP N C (r ＝０．７７７)．B a s e do nR S I ,t h e r ２o f t h eP N C m o d e l r e a c h e dt o ０．６０４i nt h ec a l i b r a t i o n m o d e l ,a n dt h en R M S E w a s９．９３％i nv a l i d a t i o n ．T h e P N C ＧG P C m o d e lw a s c o n s t r u c t e da sG P C ＝(５．８４３ˑP N C ＋４．８４７)ˑλ,r ２＝０．７９２,a n d t h en R M S E w a s v e r i f i e d t ob e７．４３％．C o m p a r e d t o t h e R S IＧP N CＧG P C m o d e l w i t h o u t c o n s i d e r i n g t h e g l u t e n t y p e o fw i n t e rw h e a t, t h e r２o fG P C c o n s i d e r i n g g l u t e n t y p e i n t h e s t u d y w a s i n c r e a s e d b y０．１４５a n d t h e v e r i f i e d n R M S Ew a s r e d u c e db y０．８６％．T h e r e f o r e,i t i s f e a s i b l e t o e s t i m a t e t h eG P C w i t hP N Ca s t h e i n t e r m e d i a t ev a r i aＧb l e．B y c o n s i d e r i n g t h e g l u t e n t y p e o fw i n t e rw h e a t,G P Cc a nb e p r e d i c t e dm o r e a c c u r a t e l y．K e y w o r d s:W i n t e rw h e a t;G l u t e nt y p e;V e g e t a t i o n i n d e x;P l a n tn i t r o g e nc o n c e n t r a t i o n;G r a i n p r oＧt e i n c o n t e n t㊀㊀冬小麦是我国三大粮食作物之一,其高产稳产对我国粮食安全有重要的意义[１].随着科学技术的进步以及国民生活水平的提高,人们在追求冬小麦高产的同时,对其品质的关注度也日渐增加[２].因此,快速无损地实现对冬小麦品质的预测,对后期冬小麦的分类收割㊁分级储存以及进出口贸易政策的制定有重要意义[３].遥感技术作为一种新兴的科技监测手段,具有实时㊁快速㊁无损㊁信息量大等优点[４].自２０世纪末,农业遥感在中国发展迅速,在预测作物长势㊁产量及品质等方面都发挥了重大作用[５].籽粒蛋白质含量(G P C)是影响冬小麦品质的一个重要因素.国内外对基于遥感信息的G P C预测模型进行了大量的研究,其主要分为经验模型㊁半机理模型和机理模型[６].基于 遥感信息ＧG P C 的经验预测模型是通过分析作物某个生育时期或者多个生育时期的遥感信息直接构建G P C的预测模型.B a d r i等[７]发现,小麦开花前２周L a n d s a t T M提取的植被指数与G P C相关性最高.周冬琴等[８]通过分析１６个植被指数与G P C的相关性,建立了水稻成熟G P C的逐步线性回归监测模型.这类模型的优点是操作简单明了且易于实现,模型的相关性较好,缺点是其机理性不强,过度依赖建模样本,稳定性较差,不便于在年际和区域间进行扩展[２].基于 遥感信息Ｇ生长模型 的机理性模型是利用土壤信息㊁气象因素和栽培管理措施等参数来模拟作物生长的动态模型[９],比较常用的生长模拟模型有C E R E SＧw h e a t[１０],A PＧS I MＧW h e a t[１１]等.该类模型可以模拟作物籽粒的实时干重与籽粒蛋白质的积累量,虽然具有较强的机理性,但是需要获得的参数比较多.在小尺度区域,作物生长的环境因素变化幅度较小,参数获取方便,模型精度尚可;然而在大尺度区域,作物生长环境的空间异质性迅速增强,参数获取较为困难,无法保障模型精度[３].基于 遥感信息Ｇ农学参数ＧG P C 的半经验模型根据遥感信息与农学参数和农学参数与G P C之间的关系,建立的一种间接预测模型.薛利红等[１２]利用小麦开花期绿色比值植被指数(G R V I),以农学参数(叶片氮浓度(L N C))为中间变量,实现了冬小麦G P C的预测.屈莎等[１３]通过利用支持向量机的方法,构建了基于植被指数的氮素指标(植株氮浓度(P N C)的预测,最终实现G P C的反演.陈鹏飞等[１４]以氮素营养指数(N N I)为中间变量,建立了 遥感参数ＧN N IＧG P C 的G P C预测模型.贺佳等建立了基于不同生育时期 植被指数ＧP N CＧG P C 的监测模型[１５].该类模型中,农学参数作为一个非常重要的桥梁,与植被指数和G P C均具有较高的相关性.相比于直接预测模型,该预测模型机理解释性较强,模型较稳定.此外,在相同环境条件和土壤肥力水平下,籽粒强筋型的品种大都能保持比一般品种高的籽粒蛋白质含量[１６].X u e 等[２]用冬小麦两个不同筋型品种的L N C反演G P C,结果表明,不同筋型品种在同一L N C条件下得到的G P C结果不同,强筋型品种的G P C比低筋型品种的G P C要高[１２].冬小麦灌浆期间植株体内储存的氮素向籽粒中转运的过程不仅受到外界环境的影响,还受到自身基因型(筋型等)的控制[１７],不同基因型冬小麦植株贮藏氮素的再转运效率和程度不同.基于 遥感信息Ｇ农学参数ＧG P C ,前人对小麦籽粒G P C遥感预测做出了很大的贡献,并且都取得了不错的结果,但在模型中都未曾将冬小麦品种的筋型考虑进去,而品种筋型对模型的估算有很大的影响.本研究以 植被指数ＧP N CＧG P C 为技术路线,探索品种筋型对模型的影响,通过介入品种筋型系数修正小麦品种对G P C估算造成的偏差,实现对传统 植被指数ＧP N CＧG P C 模型进行优化,以期得到更好的预测效果,为冬小麦籽粒蛋白质预测提供技术支持.１㊀材料与方法１．１㊀试验地概况试验于２０１２－２０１３㊁２０１４－２０１５和２０１７－４７３ 麦㊀类㊀作㊀物㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４０卷２０１８年度在北京市昌平区小汤山国家精准农业研究示范基地(北纬４０ʎ１０ᶄ~４０ʎ２１ᶄ,东经１１６ʎ３４ᶄ~１１７ʎ００ᶄ,海拔高度３６m)进行.试验地土壤类型为重壤土,０~０．３m的土壤中有机质含量１５．８~２０．０g k g－１,硝态氮含量３．１６~１４．８２m g k g－１,铵态氮含量１０．０２~１２．３２m g k g－１,速效钾含量８６．８３~１２０．６２m g k g－１,速效磷含量３．１４~２１．１８m g k g－１.１．２㊀试验设计试验一:于２０１２－２０１３年冬小麦生长季进行施氮量和品种的完全随机试验.品种为农大２１１(强筋型)㊁京９８４３(强筋型)㊁中麦１７５(中强筋型)㊁中优２０６(中强筋型).施氮量设０k g h m－２㊁１０３．５k g h m－２(０．５倍正常施氮量)㊁２０７k g h m－２(正常施氮量)和４１４k g h m－２(２倍正常施氮量)４个水平,分别按底肥和追肥各１/２施用.小区面积为９０m２(１０mˑ９m),重复２次.其余各处理与当地小麦生产管理措施一致.试验二:于２０１４－２０１５年冬小麦生长季进行施氮量㊁品种和水分的正交试验L１６(３４).品种为京９８４３(强筋型)㊁中麦１７５(中强筋型).施氮量设０k g h m－２㊁８９．７k g h m－２(０．５倍正常施氮量)㊁１７９．４k g h m－２(正常施氮量)㊁２６９．１k g h m－２(１．５倍正常施氮量)４个水平,分别按底肥和追肥各１/２施用.水分设雨养㊁正常水㊁２倍正常水３个水平.小区共４８个,小区面积为４８m２(８mˑ６m),重复３次.其余各处理与当地小麦生产管理措施一致.试验三:于２０１７－２０１８年冬小麦生长季进行施氮量和品种的完全随机试验.品种为轮选１６７(强筋型)㊁京冬１８(中强筋型).施氮量设０k g h m－２㊁８９．７k g h m－２(０．５倍正常施氮量)㊁１７９．４k g h m－２(正常施氮量)㊁２６９．１k g h m－２(１．５倍正常施氮量)４个水平,分别按分底肥和追肥各１/２施用.小区面积为１３５m２(１５mˑ９m),重复４次.其余各处理与当地小麦生产管理措施一致.１．３㊀数据获取与处理１．３．１㊀冬小麦冠层光谱的测定冬小麦冠层光谱于开花期采用A S D F i e l dＧS p e c３．０型便携式野外高光谱仪(A n a l y t i c a l S p e c t r a lD e v i c e公司,B o u l d e r,美国)测定,波段范围为３５０~２５００n m,传感器视场角为２５ʎ.测定选择在天气晴朗无云㊁无风或风速很小的条件下,于１０:００－１４:００进行.测量时传感器探头垂直向下,距离冠层垂直高度约１．０m.每个小区测量１处,重复测量１０次,其平均值作为该小区的最终光谱测量值.每次测量前用标准白板校正.１．３．２㊀P N C和G P C的测定冬小麦籽粒中的氮素约有７０％~８０％来自开花前植株地上部器官储存氮素的再转运[１８].因此以开花期P N C作为 植被指数Ｇ农学参数ＧG P C 模型构建的中间变量.P N C的测定:于开花期在每个小区高光谱测定的对应位置选取２０茎冬小麦,茎㊁叶㊁穗分离后分别装入纸袋,使用烘箱１０５ħ杀青３０m i n,然后８０ħ烘干至恒重,称干生物量.将各器官干样进行粉碎,用凯氏定氮仪测定其氮浓度,计算P N C.P N C＝(N１ˑB１＋N２ˑB１＋N３ˑB１)/ (B１＋B２＋B３)(１)式中,N１㊁N２和N３分别为叶片氮浓度㊁茎氮浓度和穗氮浓度,B１㊁B２和B３分别为叶片生物量㊁茎生物量和穗生物量.籽粒蛋白含量(G P C)的测定:于收获期在每个小区选取１m２生长均匀㊁整齐度一致的冬小麦收获.将收获后的冬小麦脱粒㊁风干,利用I n f r aＧt e c T M１２４１近红外谷物分析仪(F O S S公司,丹麦)测定得到G P C.１．４㊀植被指数构建在前人对植株氮素状况以及籽粒蛋白含量的遥感估算研究的基础上[１９Ｇ２０],筛选出了１２个常见的植被指数进行模型的构建.１．５㊀G P C模型构建冬小麦不同筋型品种会对模型 P N CＧG P C 这一部分造成影响,从而影响整体模型的精度.本研究的数据分析结果表明,正常氮素处理下冬小麦中强筋型品种的G P C与强筋型品种的G P C 的比值为０．９１,将这个数值作为筋型修正系数λ对模型进行优化,用以提高模型的精度.其G P C 的计算公式:G P C＝f１(P N C)ˑλ(２)式中,λ为筋型修正系数,当冬小麦为强筋型品种时,λ为１,当冬小麦为中强筋型品种时,λ为０．９１.P N C的遥感反演计算公式:P N C＝f２(V I)(３)式中,V I是筛选出来的与P N C相关性最高的植被指数.５７３第３期赵春奇等:基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测表１㊀本文涉及到的植被指数T a b l e１㊀S u m m a r y o f s p e c t r a l v e g e t a t i o n i n d i c e s u s e d i n t h i s s t u d y植被指数V e g e t a t i o n i n d e x计算公式F o r m u l a参考文献R e f e r e n c e 双峰冠层氮素指数D C N I D C N I＝(R７２０－R７００)/(R７００－R６７０)/(R７１０－R６８０)[２１]差值植被指数D V I D V I＝R８００－R６７０[２２]绿色归一化植被指数G N D V I G N D V I＝(R７５０－R５５０)/(R７５０＋R５５０)[２３]修正土壤调整植被指数M S A V I M S A V I＝０．５ˑ[２ˑR８００＋１－(２ˑR８００＋１)２－８ˑ(R８００－R６７０)][２４]归一化植被指数N D V I N D V I＝(R８００－R６７０)/(R８００＋R６７０)[２５]调整土壤植被指数O S A V I O S A V I＝１．１６ˑ(R８００－R６７０)/(R８００＋R６７０＋０．１６)[２６]光化学反射指数P R I P R I＝R６７２/(R５５０ˑR７０８)[２７]重归一化植被指数R D V I R D V I＝N D V IˑD V I[２８]比值光谱植被指数R S I R S I＝R９９０/R７２０[２９]比值植被指数R V I R V I＝R８００/R６７０[３０]土壤调节植被指数S A V I S A V I＝１．５ˑ(R８００－R６７０)/(R８００＋R６７０＋０．５)[３１]结构不敏感指数S I P I S I P I＝(R８００－R４４５)/(R８００＋R６８０)[３２]１．６㊀模型评价本研究以２０１２－２０１３㊁２０１４－２０１５和２０１７－２０１８生长季冬小麦开花期的高光谱植被指数对P N C以及G P C进行模型的构建与验证.总计样本８８个,随机抽取６０个样本(强筋和中强筋类型各３０个)用于模型的构建,剩余样本(强筋和中强筋类型各占１４个)用于模型的验证.利用决定系数(r２)㊁标准均方根误差(n R M S E)来综合评定模型表现.r２＝１－ðn i＝１(X o b s,i－X m o d e l,i)/(n－p－１)ðn i＝１(X o b s,i－X m o d e l,i)２/(n－１)(４)R M S E＝ðn i＝１(X o b s,i－X m o d e l,i)２n(５) n R M S E＝R M S E Xˑ１００％(６)式中X o b s,i㊁X m o d e l,i和 X分别表示G P C的实测值㊁预测值和平均值.n为样本数.p为自变量个数.２㊀结果与分析２．１㊀基于P N C的冬小麦G P C模型构建与验证利用冬小麦开花期P N C与成熟期G P C进行模型构建,结果表明,经回归分析,基于P N C建立的G P C模型以线性函数的拟合效果最好,估算模型为y＝５．６１７x＋４．５６９,r２为０．７２６(图１).由图１可知,若不考虑区分筋型,所建立的模型相对于区分筋型的模型而言,会分别过低和过高估算强筋型和中强筋型冬小麦品种G P C.因此,在构建的基于P N C的G P C估算模型时,需要考虑不同冬小麦品种筋型对模型精度的影响.２．２㊀P N CＧG P C模型的优化综合上述P N CＧG P C估算模型的表现,筋型对G P C预测精度的影响可能是由于灌浆期至成熟期,不同筋型的冬小麦植株体内氮素向籽粒中转运的速度和程度不同.因此,在构建P N CＧG P C估算模型时,通过分析两个不同筋型品种之间的规律发现,正常氮素处理下,冬小麦中强筋型品种的G P C与强筋型品种的G P C的比值为０．９１,将系数λ取值为０．９１,即在模型构建的时候,强筋型品种的冬小麦G P C不变(λ＝１),中强筋型品种的冬小麦G P C除以系数(λ＝０．９１).优化后的模型为y＝(５．８４３ˑP N C＋４．８４７)ˑλ,r２＝０．７９２,其中λ为优化系数(图２a).经残差分析,强筋型和中强筋型品种残差大致均匀分布于两条标准线之间,基本消除了筋型对P N CＧG P C模型的影响(图２b).经过优化后,P N CＧG P C模型中低估和高估的现象得到了很大的改善,模型的精度也得到了极大的提高,由优化前r２＝０．７２６,提高到r２＝０．７９２.模型的验证n R M S E＝７．４３％,预测精较高,说明可以通过P N C较好地预测G P C(图２c).６７３ 麦㊀类㊀作㊀物㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４０卷㊀㊀㊀㊀㊀G P C h 和GP C m 分别代表强筋和中强筋类型.下图同.㊀㊀㊀G P C h an dG P C m r e p r e s e n t h i g h g l u t e na n dm e d i u m Ｇh i g h g l u t e n t y p e s ,r e s p e c t i v e l y ．T h e s a m e i n f i g u r e ２．图１㊀基于P N C 的不同筋型G P C 估算模型残差F i g．１㊀G P Ce s t i m a t i o nm o d e l a n d r e s i d u a l b a s e do nP NC 图２㊀基于优化后P N C 的G P C 估算模型㊁残差与验证精度F i g ．２㊀M o d i f i e dG P Ce s t i m a t i o nm o d e l ,r e s i d u a l e r r o r a n d v e r i f i c a t i o na c c u r a c y ba s e do nP N C 表２㊀各植被指数与P N C 的最佳回归方程(n ＝６０)T a b l e ２㊀B e s t r e g r e s s i o n e q u a t i o no f e a c hv e ge t a t i o n i n d e x t oP N C 植被指数V e g e t a t i o n 回归方程R e g r e s s i o ne qu a t i o n r２植被指数V e g e t a t i o n 回归方程R e g r e s s i o ne qu a t i o n r２G N D V I y ＝２．２７３x ＋０．１２００．４１６M S A V I y ＝１．０２９e ０．８９７x０．３８８R V I y ＝０．０３６x ＋１．２０２０．５２５S I P Iy ＝２．６３７x －０．５１５０．３２９D V Iy ＝２．７９３x ０．４１８０．３４８R D V I y ＝０．８９２e １．２６１x ０．３５４N D V I y ＝１．７７９x ＋０．２５４０．２９５D C N I y ＝－０．８５l n x －１．９４８０．３５０S A V Iy ＝０．９１５e １．１５５x０．３６２P R I y ＝０．０８２x ＋１．０９７０．１６６O S A V Iy ＝０．８０８e １．１x ０．３５０R S I y ＝０．３１３x ＋０．７９４０．６０４㊀㊀x 表示植被指数,y 表示PN C .x r e p r e s e n t s v e g e t a t i o n i n d e x ,a n d y r e pr e s e n t sP N C ．２．３㊀基于V I ＧP N C ＧG P C 的冬小麦G P C 预测模型分析发现,开花期植被指数中,D C N I 与P N C 呈极显著负相关,其余植被指数与P N C 均呈极显著正相关(表２),其中以R S I 构建的P N C 估算模型拟合效果最好(r ２＝０．６０４),其次是R V I (r ２＝０．５２５),P R I 模型拟合效果最差(r ２＝０．１６６),因７７３ 第３期赵春奇等:基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测此选取R S I 作为构建V I ＧP N C 模型的参数.对基于R S I ＧP N C 模型进行验证(图３),n R M S E 为９．９３％,P N C 实测值与预测值较一致,说明利用植被指数R S I 可以很好地预测P N C .㊀㊀最后,整合R S I ＧP N C 模型与P N C ＧG P C 模型,形成基于遥感信息的G P C 预测综合模型(图４):G P C＝(１．８３ˑR S I ＋９．４８９)ˑλ.当λ为１时,该模型适用于强筋型品种;当λ为０．９１时,则适用于中强筋型品种.由图４可知,优化前G P C预测模型的验证r ２为０．４１９,n R M S E 为１０．１％;优化后G P C 预测模型的验证r ２为０．５６４,n R M S E 为９．２４％.二者对比r ２提高０．１４５,误差降低了０．８６％.综合比较结果,考虑冬小麦筋型系数后可以更加准确地预测G P C.图３㊀基于R S I 的P N C 估算模型F i g．３㊀P N Ce s t i m a t i o nm o d e l b a s e do nR SI 图４㊀冬小麦G P C 模型优化前与优化后对比图F i g ．４㊀C o m pa r i s o no fw i n t e rw h e a tG P Cm o d e lb e f o r e a n da f t e rm o d i f ic a t i o n ３㊀讨论冬小麦G P C 是评价冬小麦品质的一个重要指标,快速㊁无损地预测冬小麦G P C 具有非常重要的意义.籽粒中蛋白质合成所需要的氮素７０％~８０％来自开花前植株积累氮的再运转[３３],而遥感信息则可以准确地反演植株的氮素营养状况[３４].因此,本研究基于开花期植被指数R S I 并且以农学参数P N C 为连接点来预测冬小麦G P C ,并且取得了不错的预测效果,进一步验证了 遥感信息Ｇ农学参数ＧG P C 半机理模型的可行性.本研究中λ作为筋型修正系数,是正常施氮情况下,冬小麦中强筋型品种与强筋型品种的G P C 的比值.在实际的模型应用及需要考虑更多品种时,λ的确定可以某一个品种或者以国家强筋型小麦G P C 的标准值１５％为参考来进行折算,以此来确定一个普适性的方法,从而弱化不同冬小麦筋型品种对籽粒蛋白质含量农学预报模型的影响,增强了模型的稳定性,提高了模型预测的精度.λ代表着不同筋型冬小麦品种之间的一种相互关系,本文只考虑了这一因素,至于其他因素的影响,我们还不得而知.因此,下一步考虑将更多的因素引入进去,对λ的多样性进行探索,以期对模型更加完善.此外,本文中考虑的籽粒筋型包括强筋和中强筋型冬小麦,由于数据来源有限,对于弱筋型小麦没有做研究,因而未来也会进一步扩大范围,研究强筋㊁中强筋和弱筋三者之间的关系,进一步丰富 植被指数Ｇ农学参数Ｇ籽粒蛋白含量 模型的构建.开花期后,外界环境因素对G P C 的影响也比较大[３５Ｇ３６],其中灌浆期氮素向籽粒中运输的速度８７３ 麦㊀类㊀作㊀物㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４０卷与程度受温度的影响很大,温度过高和过低都对灌浆不利[３７].另外,光照[３８]以及干热风[３９]等因素都影响着灌浆的速率与程度.G P C的预测是一项很复杂的过程,后期需要将各种因素考虑进去,以期构建更加完整稳定的模型.４㊀结论基于冬小麦开花期植被指数㊁以P N C为中间桥梁构建关于G P C的预测模型,并利用筋型系数λ对模型中 P N CＧG P C 进行优化,最终得到的 V IＧP N CＧG P C 模型为G P C＝(１．８３ˑR S I＋９．４８９)ˑλ,其中当冬小麦为强筋型时,λ为１,当冬小麦为中强筋型时,λ为０．９１.得到的模型相比于不区分筋型的模型r２提高０．１４５,验证n R M S E降低了０．８６％,可用于准侧估测冬小麦G P C.参考文献:[１]成林,张志红,方文松．基于产量灾损的冬小麦干热风综合风险区划[J]．干旱地区农业研究,２０１９,３７(２):２４４．C H E N G L,Z H A N G Z H,F A N G W S．C o m p r e h e n s i v er i s k z o n i n g o fd r yＧh o tw i n do n w i n t e rw h e a tb a s e do n y i e l dl o s s [J]．A g r i c u l t u r a lR e s e a r c hi nt h eA r i d A r e a s,２０１９,３７(２):２４４．[２]李振海,杨贵军,王纪华,等．作物籽粒蛋白质含量遥感监测预报研究进展[J]．中国农业信息,２０１８,３０(１):４６．L I Z H,Y A N G GJ,WA N GJ H,e ta l．R e m o t es e n s i n g o f g r a i n p r o t e i n c o n t e n t i nc e r e a l:Ar e v i e w[J]．C h i n aA g r i c u lＧt u r a l I n f o r m a t i o n,２０１８,３０(１):４６．[３]陈召霞．高光谱遥感的冬小麦籽粒蛋白质含量监测[D]．淮南:安徽理工大学,２０１７．C H E NZX．M o n i t o r i n g o fw i n t e rw h e a t g r a i n p r o t e i n c o n t e n t b a s e do nh y p e r s p e c t r a l r e m o t es e n s i n g[D]．H u a i n a n:A n h u i U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,２０１７．[４]何友铸,张振乾,官春云．高光谱遥感技术在精细农业监测上的应用及展望[J]．作物研究,２０１５(１):９６．H EYZ,Z HA N GZQ,G U A NCY．A p p l i c a t i o na n d p r o s p e c t o f h y p e r s p e c t r a l r e m o t es e n s i n g t e c h n o l o g y i n p r e c i s i o na g r iＧc u l t u r em o n i t o r i n g[J]．C r o p R e s e a r c h,２０１５(１):９６．[５]陈仲新,任建强,唐华俊,等．农业遥感研究应用进展与展望[J]．遥感学报,２０１６,２０(５):７４８．C H E NZX,R E NJQ,T A N G H J,e ta l．P r o g r e s sa n d p e rＧs p e c t i v e s o na g r i c u l t u r a l r e m o t e s e n s i n g r e s e a r c ha n da p p l i c aＧt i o n s i nC h i n a[J]．J o u r n a l o f R e m o t eS e n s i n g,２０１６,２０(５):７４８．[６]李存军．区域性冬小麦籽粒蛋白含量遥感监测技术研究[D]．杭州:浙江大学,２００５．L ICJ．S t u d y o nt h e t e c h n o l o g y o fm o n i t o r i n g w i n t e rw h e a t g r a i n p r o t e i nc o n t e n t o no nr e g i o n a ls c a l eb y r e m o t es e n s i n g [D]．H a n g z h o u:Z h e j i a n g U n i v e r s i t y,２００５．[７]B A D R IBB,A RMA N D O A A,R O B M K．R e l a t i n g s a t e l l i t e i m a g e r y w i t h g r a i n p r o t e i n c o n t e n t[C]//P r o c e e d i n g o f S p a t i a l S c i e n c e sC o n f e r e n c e,２００３:２２Ｇ２７．[８]周冬琴,朱艳,姚霞,等．基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型[J]．作物学报,２００７,３３(８):１２１９．Z H O U D Q,Z HU Y,Y A O X,e t a l．E s t i m a t i n gg r a i n p r o t e i n c o n t e n tw i t h c a n o p y s p e c t r a l r e f l e c t a n c e i n r i c e[J]．A c t aA gＧr o n o m i c aS i n i c a,２００７,３３(８):１２１９．[９]林忠辉,莫兴国,项月琴．作物生长模型研究综述[J]．作物学报,２００３,２９(５):７５０．L I NZ H,MO X G,X I A N G Y Q．R e s e a r c ha d v a n c e so nc r o p g r o w t hm o d e l s[J]．A c t a A g r o n o m i c aS i n i c a,２００３,２９(５):７５０．[１０]R I T C H I EJR,O T T E R S．D e s c r i p t i o na n d p e r f o r m a n c eo fC E R E SＧW h e a t:au s e rＧo r i e n t e d w h e a t y i e l d m o d e l[J]．U SＧD A A R S,A R S,１９８５,３８:１５９．[１１]A S S E N GS,B A RＧT A L A,B OWD E NJ W,e t a l．S i m u l a t i o n o f g r a i n p r o t e i n c o n t e n tw i t hA P S I MＧN w h e a t[J]．E u r o p eＧa nJ o u r n a l o f A g r o n o m y,２００２,１６(１):２５．[１２]X U EL H,C A O W X,Y A N GLZ．P r e d i c t i n g g r a i n y i e l d a n d p r o t e i n c o n t e n t i nw i n t e rw h e a t a t d i f f e r e n tNs u p p l y l e v e l s u s i n g c a n o p y r e f l e c t a n c es p e c t r a[J]．P e d o s p h e r e,２００７,１７(５):６４６．[１３]屈莎,李振海,邱春霞,等．基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测[J]．农业工程学报,２０１７,３３(１２):１８６．Q US,L I Z H,Q I U CX,e t a l．R e m o t e s e n s i n gp r e d i c t i o no f w i n t e rw h e a t g r a i n p r o t e i nc o n t e n t b a s e do nn i t r o g e nn u t r iＧt i o n i n d e x a t a n t h e s i s s t a g e[J]．T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,２０１７,３３(１２):１８６．[１４]陈鹏飞,王吉顺,潘鹏,等．基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演[J]．农业工程学报,２０１１,２７(９):７５．C H E NPF,WA N GJS,P A N P,e ta l．R e m o t ed e t e c t i o no f w h e a t g r a i n p r o t e i nc o n t e n tu s i n g n i t r o g e nn u t r i t i o ni n d e x [J]．T r a n s a c t i o n so f t h eC h i n e s eS o c i e t y o f A g r i c u l t u r a l E n g i n e e r i n g,２０１１,２７(９):７５．[１５]贺佳,刘冰峰,黎世民,等．不同生育时期冬小麦籽粒蛋白质含量的高光谱遥感监测模型[J]．中国生态农业学报,２０１７,２５(６):８６５．H EJ,L I U B F,L IS M,e ta l．W i n t e rw h e a t g r a i n p r o t e i n c o n t e n tm o n i t o r i n g m o d e ld r i v e n b y h y p e r s p e c t r a lr e m o t e s e n s i n g i m a g e s a t d i f f e r e n t g r o w t h s t a g e s[J]．C h i n e s e J o u rＧn a l o f E c oＧA g r i c u l t u r e,２０１７,２５(６):８６５．[１６]黄文江,王纪华,刘良云,等．冬小麦品质的影响因素及高光谱遥感监测方法[J]．遥感技术与应用,２００４(３):１４３．HU A N G WJ,WA N GJH,L I U L Y,e ta l．S t u d y o n g r a i n q u a l i t y e f f e c t i n g f a c t o r sa n d m o n i t o r i n g m e t h o d sb y u s i n g h y p e r s p e c t r a ld a t ai n w i n t e r w h e a t[J]．R e m o t e S e n s i n g T e c h n o l o g y a n dA p p l i c a t i o n,２００４(３):１４３．[１７]李瑞珂,汪洋,安志超,等．不同产量类型小麦品种的干物质和氮素积累转运特征[J]．麦类作物学报,２０１８,３８(１１):１０１．９７３第３期赵春奇等:基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测L IR K,WA N G Y,A NZC,e t a l．T h e t r a n s p o r t c h a r a c t e r i sＧt i c so fd r y m a t t e ra n d n i t r o g e na c c u m u l a t i o ni n d i f f e r e n t w h e a t c u l t i v a r s[J]．J o u r n a lo f T r i t i c e a eC r o p s,２０１８,３８(１１):１０１．[１８]李振海,徐新刚,金秀良,等．基于氮素运转原理和G R AＧP L S 算法的冬小麦籽粒蛋白质含量遥感预测[J]．中国农业科学,２０１４,４７(１９):３７８０．L I Z H,X U X G,J I N X L,e t a l．R e m o t e s e n s i n gp r e d i c t i o n o fw i n t e rw h e a t p r o t e i n c o n t e n t b a s e d o nn i t r o g e n t r a n s l o c aＧt i o na n dG R AＧP L S m e t h o d[J]．S c i e n t i aA g r i c u l t u r aS i n iＧc a,２０１４,４７(１９):３７８０．[１９]贺佳,刘冰锋,李军．不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J]．农业工程学报,２０１４(２４):１４１．H EJ,L I U BF,L I J．M o n i t o r i n g m o d e l o f l e a f a r e a i n d e xo f w i n t e rw h e a t b a s e do nh y p e r s p e c t r a l r e f l e c t a n c e a t d i f f e r e n t g r o w t hs t a g e s[J]．T r a n s a c t i o n so f t h eC h i n e s eS o c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,２０１４(２４):１４１．[２０]李振海．基于遥感数据和气象预报数据的D S S A T模型冬小麦产量和品质预报[D]．杭州:浙江大学,２０１６．L I ZH．P r e d i c t i n g w i n t e rw h e a t y i e l d a n d q u a l i t y b y i n t e g r aＧt i n g o f r e m o t eＧs e n s i n g d a t a a n d t h ew e a t h e r f o r e c a s t d a t a i nＧt o t h eD S S A T m o d e l[D]．H a n g z h o u:Z h e j i a n g U n i v e r s i t y,２０１６．[２１]C H E N P,H A B O U D A N E D,T R E M B L A Y N,e ta l．N e w s p e c t r a l i n d i c a t o ra s s e s s i n g t h ee f f i c i e n c y o fc r o p n i t r o g e n t r e a t m e n t i nc o r na n dw h e a t[J]．R e m o t eS e n s i n g o f E n v iＧr o n m e n t,２０１０,１１４(９):１９８７．[２２]R I C H A R D S O N A,E V E R I T TJ．U s i n g s p e c t r a lv e g e t a t i o n i n d i c e s t o e s t i m a t e r a n g e l a n d p r o d u c t i v i t y[J]．G e o c a r t oI nＧt e r n a t i o n a l,１９９２,７(１):６３．[２３]G I T E L S O N A A,K A U F MA N YJ,M E R Z L Y A K M N．U s e o f a g r e e nc h a n n e l i nr e m o t es e n s i n g o f g l o b a lv e g e t a t i o n f r o m E O SＧMO D I S[J]．R e m o t eS e n s i n g o f E n v i r o n m e n t,１９９６,５８(３):２８９．[２４]Q I J,HU E T E A R,MO R A N M S,I n t e r p r e t a t i o no f v e g e t aＧt i o n i n d i c e s d e r i v e d f r o m m u l t iＧt e m p o r a l S P O T i m a g e s[J]．R e m o t eS e n s i n g o f E n v i r o n m e n t,１９９３,４４(１):８９．[２５]A D AM S M L,P H I L P O T W D,N O R V E L L W A．Y e l l o wＧn e s s i n d e x:A na p p l i c a t i o no fs p e c t r a l s e c o n dd e r i v a t i v e s t o e s t i m a t e c h l o r o s i s o f l e a v e s i n s t r e s s e d v e g e t a t i o n[J]．I n t e rＧn a t i o n a l J o u r n a l o f R e m o t eS e n s i n g,１９９９,２０(１８):３６６３．[２６]S T E V E N M D．T h e s e n s i t i v i t y o f t h eO S A V I v e g e t a t i o n i nＧd e x t o o b s e r v a t i o n a l p a r a m e t e r s[J]．R e m o t e S e n s i n g o f E nＧv i r o n m e n t,１９９８,６３(１):４９．[２７]G AMO NJA,P E N U E L A SJ,F I E L D CB．A n a r r o wＧw a v eＧb a n d s p e c t r a l i n d e x t h a t t r a c k s d i u r n a l c h a n g e s i n p h o t o s y nＧt h e t i c e f f i c i e n c y[J]．R e m o t e S e n s i n g o f E n v i r o n m e n t,１９９２,４１(１):３５．[２８]T U C K E RCJ．R e da n d p h o t o g r a p h i c i n f r a r e d l i n e a rc o m b iＧn a t i o n s f o r m o n i t o r i n g v e g e t a t i o n[J]．R e m o t eS e n s i n g o fE n v i r o n m e n t,１９７９,８(２):１２７．[２９]姚霞,朱艳,冯伟,等．监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数[J]．光谱学与光谱分析,２００９,２９(８):２１９１．Y A O X,Z HU Y,F E N G W,e ta l．E x p l o r i n g n o v e lh y p e rＧs p e c t r a l b a n d a n dk e y i n d e x f o r l e a f n i t r o g e n a c c u m u l a t i o n i n w h e a t[J]．S p e c t r o s c o p y a n d S p e c t r a lA n a l y s i s,２００９,２９(８):２１９１．[３０]J O R D A NCF．D e r i v a t i o no f l e a fＧa r e a i n d e xf r o m q u a l i t y o f l i g h t o n t h e f o r e s t f l o o r[J]．E c o l o g y,１９６９,５０(４):６６３．[３１]HU E T E A R．As o i lＧa d j u s t e dv e g e t a t i o n i n d e x(S A V I)[J]．R e m o t eS e n s i n g o f E n v i r o n m e n t,１９８８,２５(３):２９５．[３２]P E N U E L A SJ,B A R E T F,F I L E L L AI．S e m iＧe m p i r i c a l i n d i cＧe s t oa s s e s s c a r o t e n o i d s/c h l o r o p h y l l a r a t i o f r o ml e a f s p e c t r a l r e f l e c t a n c e[J]．P h o t o s y n t h e t i c a,１９９５,３１(２):２２１．[３３]王志敏．小麦籽粒蛋白质贮积的生理学研究进展[J]．麦类作物学报,１９９６,１６(４):２３．WA N GZM．A d v a n c e s i n p h y s i o l o g y o f g r a i n p r o t e i n s t o r a g e i nw h e a t[J]．J o u r n a l o f T r i t i c e a eC r o p s,１９９６,１６(４):２３．[３４]宋丽娟,叶万军,郑妍妍,等．作物氮素无损快速营养诊断研究进展[J]．中国稻米,２０１７(６):２２．S O N GLJ,Y E W J,Z H E N G Y Y,e ta l．R e s e a r c h p r o g r e s s o nn o n d e s t r u c t i v e r a p i dn u t r i t i o nd i a g n o s i so f g r o p n i t r o g e n [J]．C h i n aR i c e,２０１７(６):２２．[３５]彭羽．花后灌水对两种筋型小麦品种品质及产量影响的研究[D]．郑州:河南农业大学,２００２．P E N G Y．S t u d i e s o n t h e e f f e c t s o f i r r i g a t i o n a f t e r a n t h e s i s o n q u a l i t y a n d y i e l d c h a r a c t e r i s t i c s o f t w o k i n d g l u t e nw h e a t v aＧr i e t i e s[D]．Z h e n g z h o u:H e n a n A g r i c u l t u r a l U n i v e r s i t y,２００２．[３６]汪永钦,杨海鹰,刘荣花,等．试论冬小麦籽粒品质与气象条件的关系[J]．中国农业气象,１９９０,１１(２):１．WA N G YQ,Y A N G H Y,L I UR H,e t a l．T r y t o d i s c u s s t h e r e l a t i o n s h i p s b e t w e e n t h e s e e d q u a l i t i e so fw h e a t a n d m e t eＧo r o l o g i c a l c o n d i t i o n s[J]．C h i n e s e J o u r n a l o f A g r o m e t e o r o lＧo g y,１９９０,１１(２):１．[３７]张玉峰．高温胁迫对小麦籽粒蛋白质含量和淀粉含量影响的研究[D]．北京:中国农业大学,２０１６．Z HA N G Y F．R e s e a r c ho nt h ee f f e c t so fh i g ht e m p e r a t u r e s t r e s s o ns t a r c ha n d p r o t e i nc o n t e n to fw h e a t g r a i n s[D]．B e i j i n g:C h i n aA g r i c u l t u r a lU n i v e r s i t y,２０１６．[３８]E S T R A D AＧC AM P U Z A N O G,M I R A L L E S DJ,S L A F E R G A．Y i e l dd e t e r m i n a t i o n i n t r i t i c a l e a s a f f e c t e db y r a d i a t i o n i n d i f f e r e n t d e v e l o p m e n t p h a s e s[J]．E u r o p e a nJ o u r n a l o f A gＧr o n o m y,２００８,２８(４):５９７．[３９]张志红,成林,李书岭,等．干热风天气对冬小麦生理的影响[J]．生态学杂志,２０１５,３４(３):７１２．Z HA N GZH,C H E N GL,L I SL,e t a l．D r yＧh o tw i n d e f f e c t s o n p h y s i o l o g y o fw i n t e rw h e a t[J]．C h i n e s e J o u r n a l o f E c o lＧo g y,２０１５,３４(３):７１２．０８３ 麦㊀类㊀作㊀物㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４０卷。
软质冬小麦品种籽粒蛋白质含量的遗传分析
中， 宁麦 ９号籽粒蛋 白质含量的一般配合力最好 ， 能极显 著地 降低 杂种 后代 的籽粒蛋 白质含量 。小 麦籽粒蛋 白质 含量的遗传 符合 加性 一 显性模 型 ， 同时受加性和显性效应 的作用 ， 且加性效应较为重要 ， 显性程度 为部 分显性 。控制 籽粒蛋 白质含量 的减效 等位基 因为显性 ， 亲本 中增效和减效等位基 因频率分 布相 同。宁麦 ９号具有最多控 制籽粒 蛋 白质 含量遗传 的显性基 因 ， 而望水 白和苏麦 ３号具有最多控制籽粒蛋 白质含 量遗传 的隐性 基 因。小麦 籽粒蛋 白 质含量可能受 ３～ ４对 主效基 因的控制 ， 狭义遗传力 中等 。 关键词 ： 软质冬 小麦 ；籽粒蛋 白质含量 ；遗 传
中 图分 类 号 ： ｓ １． １０ ２ ５２ １ ．３ 文献标识码 ： Ａ 文章 编 号 ： １０ － ４ （０ １０ － ６ －６ ００４ ０ ２ １ ） ３０ ９０ ４ ４
Ｉ ｈ ｒｔ ｎ ｅ ｏ ｒ ｉ ｏ ｅ ｎ ｃ ｎｔ ｎ ｎ ｓ ｆ ｅ ｅ ｔ ｃ ｌｉ ａ ｓ ｎ ｅ ｉａ ｃ ｆ ｇ ａ ｎ ｐｒ ｔ ｉ ｏ ｅ ｔｉ ｏ ｔ ｒ ｄ ｗｈ ａ ｕ ｔｖ ｒ
Ｙ Ｏ Ｊ —ａ ， Ｚ Ａ Ｇ Ｐｎ —ｉｇ Ｒ Ｎ Ｌ－ ａ ， Ｙ Ｎ ｕ — ｉｇ Ｍ ｏ ｇｘａｇ Ｙ Ｏ Ｇ ｏｃｉ Ａ ｉ ｂｏ Ｈ Ｎ ｉｇｐｎ ， Ｅ ｉ ｕｎ Ａ Ｇ Ｘ ｅｍ ｎ ， ｎ ｊ Ａ Ｈ ｎ —ｉ ， ｎ Ａ ｕ— ， ａ
ＺＨＡＮＧ ｎ ＺＨＯＵ ｉｏ ｐ ｎ Ｐｅ ｇ， Ｍ ａ — ｉｇ
ｆ ｎ ｗ ｔ ｈ ｄ ｉ ｖ ｏ ｎ ｎ ｅ ｍｏ ｅ ｎ ａ ｏ ｔ ｌ ｄ ｂ ｏ ｈ ａ ｄ ｔ ｅ ａ ｄ ｄ ｍｉａ ｔ ｅ ｅｉ ｆ ｃ ｓ ｎ ｈ ｄ ｉ ｖ ｉ ｉ ｉ ｔ ｅ ａ ｄ ｔ ｅ ｄ ｍｉ ａ ｃ ｄ ｌａ ｄ ｗ ｓ ｃ ｎ ｒ ｌ ｙ ｂ ｔ ｄ ｉ ｖ ｎ ｏ ｎ ｎ ｎ ｔ ｅｆ ｔ ．ａ ｄ ｔ ｅａ ｄ ｔ ｅ ｔ ｈ ｉ ｏｅ ｉ ｇ ｃ ｅ ｉ ｅｆ ｃ ｓｍｏ ｅ ｉ ｏ ｔｎ ｈ ｎ ｔｅ ｄ ｍｉ ａ ｔｅｆｃ ．Ｔ ｅ ｄ ｇ ｅ ｆｄ ｍｉ ａ ｃ ａ ａ ｔ ｌｄ ｍｉ ａ ｃ ． Ｔ ｅ ａｌ ｌｓ ｒ ｄ ｃ ｎ ｆ ｔ ｅ ｗａ ｒ ｍｐ ｒａ ｔ ａ ｈ ｏ ｎ ｎ ｆ ｔ ｈ ｅ ｒ ｅ ｏ ｏ ｎ ｎ ｅ ｗ ｓ ｐ ｒｉ ｏ ｎ ｎ ｅ ｔ ｅ ａ ｈ ｌ ｅ ｅ ｕ ｉｇ ｅ ｇ ａｎ ｐ ｏ ｅｎ ｃ ｎ ｅ ｔｗ ｒ ｏ ｎ ｎ ． Ｉ ｈ ｅ ｕ ｎ ｙ ｄ ｓｒ ｕ ｉ ｎ ｏ ｌ ｌ ｓｉ ｃ ｅ ｓ ｇ ｏ ｅ ｕ ｉ ｇ ｇ ａｎ ｐ ｏ ｅｎ ｃ ｎ ｅ ｔａ ｒ ｉ ｒ ｔｉ ｏ ｔ ｎ ｅ ｅ ｄ ｍｉａ ｔ ｎ ｔ ｅ ｆ ｑ ｅ ｃ ｉ ｉ ｔ ｆａｌ ｅ ｎ ｒ ａ ｉ ｒｒ ｄ ｃｎ ｒ ｉ ｒｔ ｉ ｏ ｔｎ — ｒ ｔｂ ｏ ｅ ｎ
不同小麦品种粒重和蛋白质含量的穗粒位效应分析
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｗ ｈ ｅ ａ ｔ ｓ ｅ ｅ ｄ ｓ ａ ｒ ｅ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｅ ｄ ｉ ｎ ａ ｓ ｐ ａ ｔ ｉ ａ ｌ — ｔ ｅ ｍｐ ｏ ｒ ａ ｌ ｏ ｒ ｄ ｅ ｒ ｒ ｅ ｓ ｕ ｌ ｔ ｉ ｎ ｇ ｉ ｎ ｄ ｉ ｆｅ ｒ ｅ ｎ ｔ ｇ ｒ ａ ｉ ｎ ｗｅ ｉ ｇ ｈ ｔ ｓ ａ ｎ ｄ ｐ ｒ ｏ ｔ ｅ ｉ ｎ ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｓ ｉ ｎ ｄ ｉ ｆ －
作物 学报
Ａ Ｃ Ｔ Ａ Ａ Ｇ Ｒ Ｏ Ｎ Ｏ ＭＩ Ｃ Ａ Ｓ Ｉ Ｎ Ｉ Ｃ Ａ
ｈ ｔ ｔ ｐ： ／ ／ ｚ ｗｘ ｂ． ｃ ｈ ｉ ｎ ａ ｃ ｒ ｏ ｐｓ ． ｏ ｒ ｇ ／
Ｉ ＳＳ Ｎ ０ ４ ９ ６— ３ ４ ９ ０； ＣＯＤＥＮ ＴＳ ＨＰ Ａ９
Ｅ ・ ｍａ ｉ ｌ ： ｘ ｂ ｚ ｗ ＠ｃ ｈ ｉ ｎ ａ ｊ ｏ ｕ ｒ ｎ ａ １ ． ｎ ｅ ｔ ． ｃ ｎ
ＤｏＩ ：１ ０ ． ３ ７ ２ ４ ／ Ｓ Ｐ ． Ｊ ． １ ０ ０ ６ ． ２ ０ １ ７ ． ０ ０ ２ ３ ８
不 同小麦品种 粒重和蛋 白质含量 的穗粒位效应分析
李 豪圣 刘 建军 曹新 有 宋健 民 孙正 娟 刘 鹏 程 敦公 刘 爱 峰 王灿 国
山东省 农业科 学 院作 物研究 所，山东济 南 ２ ５ ０ １ ０ ０ ； 德 州市农 业科学研 究 院，山东德州 ２ ５ ３ ０ １ ５
验， 选用 ３ 种类型 ４ 个品种，分析了不同穗粒位的粒重、 蛋 白质积累和蛋白质含量的动态变化。结果表明，粒重和蛋
白质 积累 量 的穗 粒 位 问变异 大于 年份 （ 环境 ） 问变异 和基 因型间 变异 ； 蛋 白质 含量 的 年份 间变异 大 于基 因型 问变异 和
两个不同籽粒硬度小麦的比较蛋白组学分析
作物学报 ACTA AGRONOMICA SINICA 2020, 46(8): 1275 1282 / ISSN 0496-3490; CN 11-1809/S; CODEN TSHPA9 E-mail: zwxb301@本研究由国家自然科学基金项目(31671683, 31401383), 四川省财政创新能力提升工程(2016ZYPZ-016, 2019QNJJ-007, 2019QYXK034)和四川省科技计划项目(2017JY0077)资助。
This study was supported by the National Natural Science Foundation of China (31671683, 31401383), the Financial Innovation Capacity Improvement Project of Sichuan Province (2016ZYPZ-016, 2019QNJJ-007, 2019QYXK034), and the Science and Technology Planning Pro-ject of Sichuan Province (2017JY0077).*通信作者(Corresponding author): 蒲宗君, E-mail: pzjun68@第一作者联系方式: E-mail: littlefarmer@; Tel: 028-********Received (收稿日期): 2019-11-23; Accepted (接受日期): 2020-03-30; Published online (网络出版日期): 2020-04-26. URL: /kcms/detail/11.1809.S.20200426.1402.006.htmlDOI: 10.3724/SP.J.1006.2020.91068两个不同籽粒硬度小麦的比较蛋白组学分析刘培勋1 马小飞2 万洪深1 郑建敏1 罗江陶1 蒲宗君1,*1四川省农业科学院作物研究所 / 农业农村部西南地区小麦生物学与遗传育种重点实验室, 四川成都 610066; 2 山西省农业科学院小麦研究所, 山西临汾 041000 摘 要: 小麦是全球种植面积最大粮食作物, 为全球45亿人提供日常蛋白和能量摄入的20%。
小麦高产和提高籽粒蛋白质百分率的选育
小麦高产和提高籽粒蛋白质百分率的选育近年来，育种学家正在努力开发高产小麦品种以满足人们对食物的需求。
因此，本文旨在介绍一种通过利用核心育种技术来提高小麦高产以及提高籽粒的蛋白质含量的方法。
首先，利用放射遗传学技术评估多个品种的小麦质量，并从中选择出高质量的品种作为基因池的来源。
然后，利用育种技术将这些品种进行细胞培养，使其成为一个单一的材料来源。
其次，利用育种技术，向这些细胞提供适当的环境条件，以促进小麦发芽和生长，从而提高小麦的数量产量。
最后，利用分子育种技术识别并提高籽粒的蛋白质含量。
总的来看，育种技术结合放射遗传学、育种和分子育种技术，可以有效提高小麦产量、籽粒蛋白质含量以及其他优良品质。
而这些技术可以为小麦种植者提供更多可靠的高品质小麦，从而满足人们对食物的需求。
尽管育种技术已经可以帮助农民提高小麦的效率，但在未来还需要开展更多的研究，以克服影响小麦高产和籽粒蛋白质含量的因素。
例如，改进的栽培技术可以帮助减少小麦的水分损耗，以及抵御风沙和其他恶劣气候条件带来的损害。
此外，科学家还可以开发抗性基因，使小麦对特定虫害和病害具有抵抗力，以便农民能够更有效地收获更高质量的小麦作物。
此外，可以利用基因组学技术研究小麦基因，确定哪些基因可以改善小麦的品质和产量，从而进一步改善小麦的品质。
除此之外，为了进一步提升小麦的产量，应该进行优化的栽培管理技术，如施肥、轮作和水稻移栽等。
此外，还可以利用信息技术来监测小麦的生长情况，并根据实际情况及时采取有效的应对措施。
总的来说，育种技术可以有效提高小麦的产量，提高籽粒蛋白质的含量。
但是，要想获得更好的成效，未来还需要继续开展更多的研究，以及与其他相关技术的结合，才能真正最大化小麦的产量及质量。
小麦作为一种重要的粮食作物，更多的研究和实验有助于提高小麦生物学性能和品质，从而满足人们对粮食的需求。
相关的研究可以从生物信息学和数据挖掘的角度进行，以提高小麦的产量、品质和性能。
小麦籽粒品质遥感预测研究综述
小麦籽粒品质遥感预测研究综述谭昌伟1,2,周清波1,郭文善2(1.农业部资源遥感与数字农业重点开放实验室,北京100081;2.扬州大学江苏省作物遗传生理重点实验室/农业部长江中下游作物生理生态与栽培重点开放实验室,江苏扬州225009)摘要 介绍了小麦籽粒品质的定义、划分标准及评价指标,概括了利用遥感技术预测小麦籽粒品质的生理机制及国内外研究进展,分析和总结了该研究的存在问题,并对其研究前景进行了展望。
关键词 遥感;籽粒品质;小麦中图分类号 S512.1 文献标识码 A 文章编号 0517-6611(2009)17-08292-02R e se a rch R e v iew o n th e Pre d ic tio n o f G ra in Q u a lity o f W h e a t b y U s in g R em o te Se n s in g T AN Ch an g -w e i e t a l (M in is try o f A g ricu ltu re K e y L abo ra to ry o f R e sou rce s R e m o te S en sin g &D ig ita l A gr icu ltu re ,B e ijin g 100081)A b s tra c t T h e de fin ition ,cla ss ifica tion s tanda rds an d eva lu a tionind ices o f w h e a t g ra in qu a lity w e re in trodu ced.T h e ph ys io log ica l m ech an ism s o f pre-d ictin g th e w h ea t g ra in qu a lity by u sin g rem o te sen sin g te chn o logy ,an d its resea rch p ro gre sse s a t h om e an d ab road w e re sum m ar ized.T h e e x istin g prob lem s in th e re sea rch e s w e re an a lyzed an d sum m a r ized .A n d its re sea rchfo reg roun d w a s pred icted.K e y w o rd s R e m o te sen s in g ;G ra in qu a lity ;W h ea t基金项目 农业部资源遥感与数字农业重点开放实验室开放基金项目(RDA 0805);农业部公益性行业专项(200803037);国家自然科学基金(40801122)资助。
基于遥感与气象数据的冬小麦主产区籽粒蛋白质含量预报
摘 要：开展小麦籽粒蛋白质含量的监测预报研究对于指导农户调优栽培、企业分类收储、期货小麦价格、
进口政策调整等具有重要意义。本研究以冬小麦主产区 （河南省、山东省、河北省、安徽省和江苏省） 为
研究区域，构建了冬小麦籽粒蛋白质含量多层线性预测模型，并实现了 2019 年冬小麦蛋白质含量预报。为
了解决预测模型在年际扩展和空间扩展存在偏差的问题，在蛋白质含量估算模型中考虑了气象因素 （温度、
文章编号：202103-SA007
引用格式：王琳, 梁健, 孟范玉, 孟炀, 张永涛, 李振海 . 基于遥感与气象数据的冬小麦主产区籽粒蛋白质含量预 报[J]. 智慧农业(中英文), 2021, 3(2): 15-22. WANG Lin, LIANG Jian, MENG Fanyu, MENG Yang, ZHANG Yongtao, LI Zhenhai. Estimating grain protein con‐ tent of winter wheat in producing areas based on remote sensing and meteorological data[J]. Smart Agriculture, 2021, 3(2): 15-22. (in Chinese with English abstract)
的蛋白质含量遥感估算，得到了 2019 年冬小麦主产区品质预报图，并形成黄淮海地区冬小麦品质分布专题
图。本研究结果可同时为后续小麦种植区划和实现绿色、高产、优质、高效粮食生产提供数据支撑。
关键词：冬小麦；籽粒蛋白质含量；遥感；多层线性模型；气象数据
中图分类号：S127；S512.1+1
文献标志码：A
Copyright©博看网 . All Rights Reserved.
基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测
基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测李振海;徐新刚;金秀良;张竞成;宋晓宇;宋森楠;杨贵军;王纪华【期刊名称】《中国农业科学》【年(卷),期】2014(000)019【摘要】【目的】及时、有效地预测籽粒蛋白质含量，能够为优质小麦品种的收购和加工提供科学合理的决策支持信息。
本研究从籽粒蛋白质形成的氮素运转规律出发，研究冬小麦籽粒蛋白质遥感预测的可行性及在区域与年际间的扩展性，为高分辨率遥感卫星进行大面积蛋白质预测提供理论依据。
【方法】利用2012-2013年4个冬小麦品种×4个氮肥梯度的试验数据和地面高光谱数据进行建模；基于小麦籽粒蛋白质形成的氮素运转机理，通过分析籽粒氮素累积量的两个主要来源及其之间的比例关系，重点抓住开花前的植株氮素累积量再运转这一主要来源，而灌浆期根际的氮素直接吸收则通过其与前者的比例关系来确定，通过相关农学参数模型的耦合，同时加入温度影响因子对籽粒氮素运转的影响，初步阐明了利用开花期小麦叶片氮含量可以预测籽粒蛋白质含量的应用机理；然后选择与叶片氮含量相关的植被指数，利用灰色关联分析-偏最小二乘算法（GRA-PLS）选择与叶片氮含量关联度较高的植被指数并进行小麦叶片氮含量的估算，通过与氮素运转模型的耦合构建了基于氮素运转原理的籽粒蛋白质含量遥感预测模型；最后利用2009-2010年的品种×播期×肥料试验和2012-2013年的其他品种氮肥处理试验进行验证。
【结果】（1）通过GRA方法对叶片氮含量和植被指数间的关联度进行计算，选择关联度较大的前5个植被指数进行叶片氮含量建模，其植被指数分别为mND705、NDVIcanste、Readone、DCNI和NDCI；（2）通过 PLS 方法构建的叶片氮含量模型，建模结果的预测值与实测值的决定系数（R2）和均方根误差（RMSE）分别为0.859和0.257%，验证结果的R2和RMSE分别为0.726和0.063%，利用GRA-PLS方法估算叶片氮素含量具有较好的稳定性；（3）构建的蛋白质预测模型，建模结果和验证结果的预测值与实测值的R2和RMSE分别为0.713、1.30%和0.609、1.19%，预测模型具有较高的精度与可靠性。
基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演
0引言
小麦是中国主要的粮食作物之一，其生产状况直接 影响国家的农产品安全。随着人民生活水平的提高，对 优质粮食产品的需求呈快速上升趋势[1]。但目前，中国优 质专用小麦的生产还远远达不到国内需求[2-3]。发展优质专 用小麦，实现小麦产业化是中国小麦生产发展的趋势[4]。
遥感技术作为一种可快速、无损、大面积同步监测 的手段，已被证明可用于作物多种生理、生化参数反演， 进而估测作物氮素营养亏缺、旱情状况等生境条件[5-8]。 基于遥感实现籽粒品质预测，既有利于合理调控施肥， 促进优质籽粒的形成，又有利于实现籽粒按不同等级分 别进行收获和加工，充分开发其经济价值，实现优质优 价[9]。
照。变量施肥处理在小麦播种期施氮肥 20 kg/hm2，在拔 节期（04-23）根据各小区长势施用不同量的氮肥，施肥 量在 155～280 kg/hm2 之间变化。零施肥对照在小麦整个 生育期内不施氮肥。饱和施肥对照在小麦播种期施氮肥
150 kg/hm2，拔节期施氮肥 150 kg/hm2。除氮肥不同外， 其他管理条件完全相同。
Chen Pengfei, Wang Jishun, Pan Peng, et al. Remote detection of wheat grain protein content using nitrogen nutrition index[J]. Transactions of the CSAE, 2011, 27(9): 75－80. (in Chinese with English abstract)
1.2 数据获取
各处理小区选择代表性区域，挑旗期（05-06）进行 光谱测定，并采集样品测定其地上生物量和植株氮浓度；
收获期（06-23）测定小麦籽粒蛋白质含量。 1.2.1 遥感数据获取
基于高光谱的大麦籽粒蛋白质含量遥感预测
基于高光谱的大麦籽粒蛋白质含量遥感预测顾志宏【摘要】利用高光谱信息检测作物籽粒蛋白质含量具有无损、快速的特点,而当前国内外开展大麦籽粒蛋白质含量高光谱遥感预测的研究并不多见.以内蒙古自治区海拉尔农垦大麦为研究对象,利用地面高光谱数据寻找大麦植株氮素含量的特征波段,分析了多种典型光谱植被指数与大麦植株氮素含量的相关关系；然后根据氮素运转规律,利用植株氮含量与大麦籽粒蛋白质含量之间的相关关系,构建了基于高光谱数据的大麦籽粒蛋白质含量遥感预测模型.结果表明:(1)550～590nm与670～710nm是大麦植株氮含量的敏感波段区域；(2)植被指数(green-red vegetation index,GRVI)与大麦植株含氮量的相关性最好,R2达到0.665 1.(3)大麦籽粒蛋白质含量与植株氮含量相关性高,建立了基于GRVI的大麦籽粒蛋白质含量的预测模型,R2达到0.658 1.最后,对构建的预测模型进行了验证,其精度达到了一定要求.该研究表明运用高光谱信息来预测大麦籽粒蛋白质含量是可行的,这将为大面积“按质论价”的大麦订单收购提供科学支撑.%The prediction of crop grain protein by hyperspectral data has the nondestructive and quick advantages. At present, there are only a few reports about the prediction of barley grain protein by remote sensing. The present research focuses on the malt barley of Northeast China. Firstly, we analyzed the sensitive band area, compared many vegetation indexes related with the plant nitrogen. According to the mechanism of nitrogen transfer, the authors built the prediction model based on the hyperspectral vegetation indexes. Finally, we validated the results. It can meet the standard. The outcome shows that (1) the sensitive band region of barley plant nitrogen is 550～590 nm and670～710 run. (2) GRVI was significantly correlated with plant nitrogen. The relationship between GRVI and barley plant nitrogen had a coefficient of determination of R2 =0. 665 1. The results indicated that the prediction of barley grain protein by hyperspectral data is feasible. This research will bea strong scientific support for barley purchase.【期刊名称】《光谱学与光谱分析》【年(卷),期】2012(032)002【总页数】4页(P435-438)【关键词】高光谱;GRVI;大麦;籽粒蛋白质【作者】顾志宏【作者单位】北京师范大学地理学与遥感科学学院,遥感科学国家重点实验室,北京100875【正文语种】中文【中图分类】TP79大麦作为古老的禾谷类栽培作物之一，用途很广，可以食用、用作饲料以及酿造啤酒。
区域冬小麦籽粒蛋白含量遥感预测研究
区域冬小麦籽粒蛋白含量遥感预测研究王琦;宋晓宇;杨贵军;李振海;冯海宽【期刊名称】《中国农业信息》【年(卷),期】2018(030)006【摘要】[目的]籽粒蛋白含量是衡量小麦品质优劣的重要标准,快速准确预测小麦GPC有利于其品质评价和分级管理.[方法]文章分别以卫星光谱参数、农学氮素参数以及气象因子为影响因素,并运用多元线性回归模型、极限学习机算法、地理加权回归模型3种方法实现对冬小麦GPC的预测,最终构建及评价基于不同自变量和不同方法的GPC预测模型.[结果](1)小麦开花期氮素参数,小麦冠层光谱参数与小麦籽粒蛋白品质的关系显著相关,影响小麦籽粒蛋白品质的关键性气象因子包括5月26-30日降雨和、5月中旬至6月上旬日照和、3月上旬至6月上旬积温和;(2)以卫星光谱参数、农学氮素参数和气象因子为自变量,分别采用多元线性回归、极限学习机和地理加权回归3种方法构建小麦GPC的预测模型;其中,基于多元线性回归模型构建的GPC模型决定系数R2为0.598,验证集标准均方根误差nRMSE和平均绝对误差MAE分别为10.36％、1.091,验证结果较稳定;基于ELM构建的GPC模型R2为0.483,验证nRMSE和MAE分别为10.895、1.111;基于GWR的GPC模型建模精度及验证精度相对最优,其建模R2为0.616,验证nRMSE及MAE 分别为8.58％、0.956,为最优选择.[结论]综合分析模型的精度评价指标可知,考虑空间数据不稳定性构建的地理加权回归模型的预测精度最好,能更加准确地预测冬小麦籽粒蛋白含量,为精确反演冬小麦GPC区域间和年际间的预测提供可靠依据,具有广泛的应用前景.【总页数】18页(P35-52)【作者】王琦;宋晓宇;杨贵军;李振海;冯海宽【作者单位】农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心北京100097;山东农业大学,泰安271018;国家农业信息化工程技术研究中心,北京100097;北京市农业物联网工程技术研究中心,北京100097;农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心北京100097;国家农业信息化工程技术研究中心,北京100097;北京市农业物联网工程技术研究中心,北京100097;农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心北京100097;国家农业信息化工程技术研究中心,北京100097;北京市农业物联网工程技术研究中心,北京100097;农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心北京100097;国家农业信息化工程技术研究中心,北京100097;北京市农业物联网工程技术研究中心,北京100097;农业部农业遥感机理与定量遥感重点实验室,北京农业信息技术研究中心北京100097;国家农业信息化工程技术研究中心,北京100097;北京市农业物联网工程技术研究中心,北京100097【正文语种】中文【相关文献】1.基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测 [J], 李振海;徐新刚;金秀良;张竞成;宋晓宇;宋森楠;杨贵军;王纪华2.基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测 [J], 屈莎;李振海;邱春霞;杨贵军;宋晓宇;陈召霞;刘畅3.区域性冬小麦籽粒蛋白含量遥感监测技术研究 [J], 蔡新;何玲敏4.区域性冬小麦籽粒蛋白含量遥感监测技术研究 [J], 蔡新;何玲敏;;5.基于冬小麦筋型修正系数的籽粒蛋白质含量遥感预测 [J], 赵春奇;李振海;杨贵军;段丹丹;赵钰;杨武德因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第27卷第3期农业工程学报V ol.27 No.3388 2011年3月Transactions of the CSAE Mar. 2011 基于TM和PLS的冬小麦籽粒蛋白质含量预测谭昌伟1，王纪华2，黄文江2，王君婵1，朱新开1，郭文善1※（1．扬州大学江苏省作物遗传生理重点实验室/农业部长江中下游作物生理生态与栽培重点开放实验室，扬州 225009；2．国家农业信息化工程技术研究中心，北京 100089）摘 要：为进一步提高遥感预测冬小麦籽粒蛋白质含量精度，分析了卫星遥感变量与冬小麦籽粒蛋白质含量间的定量关系，运用偏最小二乘法构建了遥感预测籽粒蛋白质含量模型，制作了冬小麦籽粒蛋白质含量空间等级分布图，结果表明，该模型的最佳主成分数为5，且归一化植被指数、冠层结构不敏感色素指数、比值植被指数、氮反射指数和植被衰减指数为预测籽粒蛋白质含量的敏感变量；籽粒蛋白质含量预测的均方根误差为0.307%，决定系数为0.642，为提高遥感预测小麦品质的精度提供了一种有效途径，有利于大面积应用和推广。
关键词：模型，预测控制系统，蛋白质，Landsat TM，冬小麦doi：10.3969/j.issn.1002-6819.2011.03.070中图分类号：S127 文献标志码：A 文章编号：1002-6819(2011)-03-0388-05谭昌伟，王纪华，黄文江，等. 基于TM和PLS的冬小麦籽粒蛋白质含量预测[J]. 农业工程学报，2011，27(3)：388－392.Tan Changwei, Wang Jihua, Huang Wenjiang, et al. Predicting grain protein content in winter wheat based on TM images and partial least squares regression[J]. Transactions of the CSAE, 2011, 27(3): 388－392. (in Chinese with English abstract)0 引 言籽粒蛋白质含量（grain protein content，GPC）是衡量小麦品质的关键指标，目前的检测方法成本高、效率低、样点代表性差，难以及时掌握小麦“面状”品质信息，然而，遥感技术凭借快速、准确、范围广的优势为提前获得小麦品质状况提供了一种有效途径。
多年来，农业遥感主要集中在作物长势监测以及产量估算等方面，并已形成一套比较完整的技术体系[1-3]，但关于作物品质遥感预测研究报道较少，主要是利用地面光谱对作物品质进行预测[4-6]。
近年来，不少学者基于空间卫星遥感平台预测作物品质进行了研究[7-9]。
Badri等[10]发现在小麦开花前两周从TM提取的植被指数与GPC关系较显著；Zhao 等[11]利用TM和ETM数据预测小麦GPC，效果较好；Reyniers等[12]认为利用KODAK-CIR和Cropscan数据在小麦收获前一个月预测冬小麦GPC是可行的。
中国内外有关基于偏最小二乘（partial least squares，PLS）法进行农情遥感监测已有许多报道，主要集中在作物病虫害及长势方面[13-19]。
有些关于小麦品质遥感预测的研究，仍基于传统算法，精度受到影响。
本研究以卫星遥感变量与小麦GPC收稿日期：2010-10-28 修订日期：2011-03-10基金项目：国家自然科学基金资助项目（40801122）；江苏高校优势学科建设工程资助项目；公益性行业（农业）科研专项经费资助项目（200803037）作者简介：谭昌伟（1980－），男，博士，研究方向为农业遥感与信息技术应用。
杨州扬州大学江苏省作物遗传生理重点实验室，225009。
Email：tanwei010@※通信作者：郭文善（1961－），男，教授，博士，研究方向为作物栽培生理与信息农业。
杨州扬州大学江苏省作物遗传生理重点实验室，225009。
Email：guows@ 间的定量关系为基础，采用TM数据和PLS算法，构建及验证冬小麦GPC遥感预测模型，旨在进一步提高小麦品质遥感预测精度。
1 材料与方法1.1 试验设计与数据获取试验于2008年在江苏省泰兴、姜堰、仪征、兴化、大丰、赣榆、灌云、宿迁8县进行，每县设置采样点15～20个，共计163个采样点，每个采样点均采用美国Trimble 公司生产的Juno ST手持式GPS定位，调查冬小麦品种类型、生育期、群体长势及与病虫害。
冬小麦品种为中弱筋类型，主要有扬麦13、扬麦15、扬麦16和扬辐麦2，这些品种在试验县均有分布。
取样时期为拔节期、抽穗期、开花期和成熟期，具体取样时间根据卫星过境周期和实验区实际情况确定，一般在试验地块中间，选长势均匀的植株，取4行50 cm，同时用GPS定位。
成熟期取样后及时在实验室用凯氏定氮法测定GPC。
遥感数据为TM 2008-05-02（开花期）。
2009年在江苏省泰兴、姜堰、仪征、兴化、大丰5县进行，每县设置采样点15～20个，共计82个采样点。
遥感数据为TM 2009-04-26（开花期）影像。
1.2 影像预处理采用ENVI对卫星影像进行预处理。
首先利用江苏地区1∶100 000地形图对卫星影像进行几何粗校正，然后再利用地面实测的GPS控制点对卫星影像进行几何精校正，确保几何校正精度优于1 个像元。
大气校正和反射率转换是采用经验线性法转换进行[7]。
1.3 卫星遥感变量依据作物光谱特性和结合光谱指数的物理意义，选第3期谭昌伟等：基于TM和PLS的冬小麦籽粒蛋白质含量预测389用7个TM波段和12种常用光谱植被指数（表1），作为PLS分析构建遥感预测模型的入选自变量。
表1 遥感植被指数的计算公式Table 1 Formulas of remote sensing vegetation indices植被指数计算公式归一化植被指数NDVI NDVI=(B4－B3)/(B4+B3)土壤调整植被指数SAVI SAVI=(B4－B3)/(B4+B3+0.5) (1+0.5)调整土壤亮度植被指数OSAVI OSAVI=(1+0.16)(B4－B3)/(B4+B3+0.16)作物氮反射指数NRI NRI=(B2－B3)/(B2+B3)绿色归一化植被指数GNDVI GNDVI=(B4－B2)/(B4+B2)冠层结构不敏感色素指数SIPI SIPI=(B4－B1)/(B4+B1)植被衰减指数PSRI PSRI=(B3－B1)/B4湿度指数WI WI=(B7－B5)/(B7+B5)差值植被指数DVI DVI= B4－B3比值植被指数RVI RVI= B4/B3归一化差异水体指数NDWI NDWI=(B4－B5)/(B4+B5)归一化差异水体指数NDWI2NDWI2=(B4－B7)/(B4+B7)注：B1，B2，B3，B4，B5，B6，B7分别代表各波段的反射率。
利用ENVI和ArcGIS提取对应GPS定位采样点光谱波段DN（digital number）值，反演为反射率，结合表1提供的植被指数算法计算出卫星遥感变量。
1.4 偏最小二乘回归法PLS最早应用于化学计量学领域，是一种新型的多元分析方法，适用性较广，它集中了主成分回归分析（princlple component regression，PCR）、线性回归分析（linear regression，LR）以及多元回归分析（multiple linear regression，MLR）的特点，可以有效地解决许多用普通多元回归难以解决的问题，尤其当变量多且存在多重相关性时，能有效分解和筛选出对因变量解释性最强的综合变量，建立的模型比普通回归分析更可靠。
PLS先提取称之为成分的新变量作为自变量，建立因变量与自变量间的线性组合关系，其系数由PLS计算确定，然后构建因变量的回归方程。
利用PLS算法建立模型，主成分数增加会提高模型精度，但主成分过多又会造成过度拟合现象，误差增加，因此，确定PLS模型的最佳主成分数非常关键。
本研究通过交互验证法（cross validation）来计算预测残差平方和（predicive residual error sum of square，PRESS），PRESS 值越小则模型的预测能力越强，因此，依据PRESS的最小值可确定最佳主成分数。
PRESS可表达为2,1()ki i iiPRESS y y−==−∑（1）式中，y i为第i个样本对应的实测值；y i,-i为剔除第i个样本的估计值；k为验证循环次数。
PLS算法和PRESS的具体做法详见文献[20]。
PLS和PRESS处理过程均由自编的MATLAB程序完成。
1.5 模型的评价分别用建模集和验证集的样本，通过绘制GPC预测值与实测值间的1：1关系图进行模型评价，评价指标为决定系数R2和均方根误差RMSE。
2 结果与分析2.1 GPC分布整理试验中测定的GPC数据，按籽粒样本中GPC的大小顺序排列，为增强所建预测模型的稳定性，在保证GPC最大值和最小值置于建模样本集的前提下，将120个样本按3∶1的比例随机分成建模集和验证集。
由表2可知，建模集和验证集GPC的变幅、平均值和标准差均相近，建模集和验证集样本具有较好的一致性。
表2 建模集和验证集样本GPC分布Table 2 Distribution of grain protein content of wheat incalibration and validation datasets样本集样本数变幅/% 平均值/% 标准差建模集90 9.76～13.56 11.96 0.99 验证集30 9.81～13.29 11.36 0.92 2.2 遥感变量与GPC间的定量分析建模集中90个样本的GPC与遥感变量间定量分析表明（表3），GPC与大多数遥感变量间都存在显著或极显著关系，其中与NDVI关系最密切，其次与NRI，相关系数分别为0.74和0.7，与宋晓宇等[7]研究结果一致，由于籽粒蛋白质来源于氮素运转和积累，因此也与Serrano等[2]利用遥感变量对叶片全氮含量的研究结果一致；大多数植被指数与GPC间的相关性明显好于单波段；多数遥感变量两两间存在严重的多重相关性，特别是植被指数间更突出，其相关系数几乎介于0.85与0.99之间，说明用PLS算法建立模型比用传统统计算法和普通最小二乘法更为合理，可能会获得比较好的预测结果。
表3 遥感变量与GPC相关系数Table 3 Correlation between remote sensing variables and grain protein content GPC B1 B2 B3 B4 B5 B6 B7 NDVI OSAVI SAVI SIPI NDWI NDWI2PSRI NRI WI RVI TVI NSI B1 -0.42 1.00B2 -0.35 0.97 1.00B3 -0.53 0.89 0.96 1.00B4 0.52 -0.47 -0.63 -0.68 1.00B50.310.250.280.360.33 1.00B6 -0.39 0.660.380.280.060.281.00B7 -0.14 0.60 0.68 0.77 -0.180.830.341.00NDVI 0.74 -0.68 -0.84 -0.86 0.950.23 -0.02 -0.28 1.00OSAVI 0.60 -0.68 -0.84 -0.86 0.950.23 -0.02 -0.280.93 1.00转下页农业工程学报2011年390接上页GPC B1 B2 B3 B4 B5 B6 B7 NDVI OSAVI SAVI SIPI NDWI NDWI2PSRI NRI WI RVI TVI NSI SAVI 0.56 -0.68 -0.84 -0.86 0.950.23 -0.02 -0.280.920.95 1.00SIPI 0.67 -0.68 -0.74 -0.74 0.960.36 -0.05 -0.160.980.980.98 1.00NDWI-0.27 -0.65 -0.75 -0.87 0.58-0.56 -0.17 -0.860.940.890.980.92 1.00NDWI2 0.39 -0.36 -0.80 -0.91 0.57-0.54 -0.24 -0.890.950.900.970.930.98 1.00PSRI 0.50 -0.66 -0.29 -0.20 0.710.660.370.290.830.920.980.900.950.94 1.00NRI 0.70 0.65 -0.85 -0.90 0.61-0.36 -0.10 -0.710.720.720.720.890.890.850.961.00WI-0.49 -0.66 0.79 0.89 -0.560.46 0.29 0.85-0.86-0.86-0.87-0.82-0.90-0.960.88 0.87 1.00RVI 0.59 0.63 -0.81 -0.82 0.920.30 0.58 -0.200.990.990.990.980.930.940.80 0.85 -0.82 1.00TVI-0.66 0.76 0.75 -0.87-0.37 0.43 0.10-0.96-0.96-0.96-0.95-0.92-0.920.81 0.87 0.81 0.99 1.00NSI 0.60 -0.63 -0.77 -0.77 0.950.34 0.39 -0.160.990.990.990.990.920.930.90 0.81 -0.82 0.990.97 1.00注：样本数n=90，其他同表1。