王志君,李紅宇,2,3,夏玉瑩,范名宇,2,3,趙海成,2,3,許鑫楷,鄭桂萍,2,3
采用葉片光譜反射率預(yù)測寒地水稻稻米蛋白質(zhì)含量
王志君1,李紅宇1,2,3,夏玉瑩1,范名宇1,2,3,趙海成1,2,3,許鑫楷1,鄭桂萍1,2,3
(1. 黑龍江八一農(nóng)墾大學(xué)農(nóng)學(xué)院,大慶 163319;2. 農(nóng)業(yè)農(nóng)村部東北平原農(nóng)業(yè)綠色低碳重點實驗室,大慶 163319;3. 黑龍江八一農(nóng)墾大學(xué)黑龍江省現(xiàn)代農(nóng)業(yè)栽培技術(shù)與作物種質(zhì)改良重點實驗室,大慶 163319)
為實現(xiàn)利用水稻葉片光譜指數(shù)實時預(yù)測稻米蛋白質(zhì)含量,該研究采集了不同年份中氮素、品種差異下寒地水稻主要生育期(T1拔節(jié)期、T2齊穗期、T3結(jié)實期)頂部3片葉(L1、L2、L3)的葉片光譜反射率,探究其變化規(guī)律以及光譜指數(shù)與稻米蛋白質(zhì)含量的關(guān)系,并用P-k、均方根誤差(Root Mean Square Error,RMSE)和對稱平均絕對百分比誤差(Symmetric Mean Absolute Percentage Error,SMAPE)對模型精度進行驗證。結(jié)果顯示:施氮量多則稻米蛋白質(zhì)含量高,蛋白質(zhì)含量高的稻米食味值評分低。提高氮肥投入量,葉片反射率在可見光區(qū)域內(nèi)呈降低趨勢,而在近紅外平臺葉片反射率上升。隨著生育期的推進,可見光區(qū)域內(nèi)的葉片反射率逐漸上升,葉片反射率在近紅外平臺表現(xiàn)出先增加后降低的趨勢,其變化規(guī)律與蛋白質(zhì)營養(yǎng)轉(zhuǎn)運有著密切聯(lián)系。對光譜指標和稻米蛋白質(zhì)含量進行相關(guān)分析,T2時期的L2的光譜指數(shù)與蛋白質(zhì)含量的相關(guān)性優(yōu)于其他時期的葉片,其中T2時期L1葉ARI1指標((1/550)-(1/700))、L2葉CTR1指標((695/420))以及T3時期L3葉g指標(綠光范圍510~560 nm內(nèi)的最大波段反射率)顯示出與蛋白質(zhì)含量良好的擬合關(guān)系,指標驗證的P-k分別為0.01、0.01、0.03,RMSE分別為0.19、0.11、0.14,SMAPE分別為1.56%、1.24%、1.44%,其中以T2時期L2葉CTR1指標表現(xiàn)最優(yōu),蛋白質(zhì)含量擬合方程2為0.75。綜上,借助CTR1指標能夠?qū)崿F(xiàn)快捷、無損和實時預(yù)測稻米蛋白質(zhì)含量的目的,達到按質(zhì)收獲以及品質(zhì)實時監(jiān)測的要求,促進優(yōu)質(zhì)寒地水稻的可持續(xù)發(fā)展。
光譜;反射率;模型;蛋白質(zhì)含量;食味值;寒地水稻
蛋白質(zhì)作為稻米營養(yǎng)品質(zhì)的重要組成部分,其含量僅占稻米的8%左右,但對食味品質(zhì)有著決定性作用[1]。蛋白質(zhì)含量傳統(tǒng)檢測方法(主要為凱氏定氮法)的結(jié)果固然精準可靠,但存在時效性差、耗材多、時間長且破壞性取樣等弊端,致使檢測工作較為繁雜[2];現(xiàn)階段室內(nèi)高光譜成像方法預(yù)測蛋白質(zhì)含量的準確度大幅提高,但所測樣品均為作物成熟后采集,所得結(jié)果具有滯后性,且只能用于收獲后作物的分類評級而無法實時監(jiān)測或預(yù)測未成熟作物品質(zhì)[2]。因此,水稻成熟收獲前對其蛋白質(zhì)含量進行實時、快速、無損檢測顯得尤為重要,不僅能滿足水稻分級分類收獲的要求,還能促進水稻優(yōu)質(zhì)生產(chǎn)。
近幾年地面光譜遙感技術(shù)廣泛興起,光譜技術(shù)已被用于采集作物的冠層光譜信息。冠層光譜曲線因包含的信息量多、波段長且分層清晰[3],被眾多學(xué)者用于診斷作物營養(yǎng)狀況[4]、計算農(nóng)學(xué)參數(shù)[5](如葉綠素含量)、預(yù)測作物產(chǎn)量及收獲品質(zhì)[6],其中在利用光譜信息對作物的籽粒蛋白質(zhì)含量進行預(yù)測,國內(nèi)外學(xué)者做了相關(guān)研究。Rodrigues等[7]基于機載高光譜儀的方式獲取到小麥高分辨率影像數(shù)據(jù)并對不同波長下的冠層反射率建立歸一化光譜指數(shù)(Normalized Difference Spectral Index,NDSI),發(fā)現(xiàn)利用小麥生育前期冠層700 和574nm及生育后期冠層707和523 nm波長的光譜歸一化指數(shù)能夠有效預(yù)測小麥籽粒蛋白質(zhì)含量。屈莎等[8]通過采集小麥開花期冠層光譜反演蛋白質(zhì)含量,發(fā)現(xiàn)以植株氮素含量反演蛋白質(zhì)含量效果最好。周冬琴等[9]建立了水稻不同氮素影響下主要生育期內(nèi)冠層的光譜反射數(shù)據(jù)與成熟收獲后籽粒蛋白質(zhì)含量的關(guān)系,并對蛋白質(zhì)含量進行預(yù)測,結(jié)果表明水稻孕穗期葉片光譜反射率與籽粒蛋白質(zhì)含量相關(guān)性最好。孫雪梅等[10]對葉片葉綠素含量、葉片氮含量、葉片光譜以及籽粒氮含量進行系統(tǒng)分析,基于“葉片葉綠素含量-葉片氮含量-葉片光譜-籽粒蛋白質(zhì)含量”研究路線成功建立了利用葉片光譜預(yù)測水稻籽粒蛋白質(zhì)含量的模型,模型擬合優(yōu)度高達0.99。
前人有關(guān)利用光譜估測水稻籽粒蛋白質(zhì)含量的試驗設(shè)計多為不同施氮水平或不同環(huán)境中水稻葉片氮含量差異所導(dǎo)致的冠層光譜差異和蛋白質(zhì)含量差異,從而建立兩者的關(guān)系和估測模型,但忽略了水稻品種之間或同一品種植株的不同氮素狀態(tài)所造成氮素基礎(chǔ)值不同[11],水稻品種之間的基因型差異以及氮素利用率不同[12]、水稻冠層結(jié)構(gòu)差異等因素所造成的冠層光譜信息采集或分析誤差,致使研究結(jié)果穩(wěn)定性較差,難以推廣和借用。
基于前人的研究基礎(chǔ),本試驗基于手持式單片葉光譜信息采集的方式,采集不同年份間多氮素水平、多品種下水稻關(guān)鍵生育時期頂部3片全展葉的光譜反射信息。分析不同葉位構(gòu)建的特征光譜指數(shù)與稻米氮素營養(yǎng)之間的關(guān)系,通過光譜指數(shù)與稻米蛋白質(zhì)含量相關(guān)性的高低篩選出能指示稻米氮質(zhì)量分數(shù)的優(yōu)等時期、葉位及光譜指數(shù),利用大田的數(shù)據(jù)資料對光譜指數(shù)估算的稻米蛋白質(zhì)含量與真實值進行比較而驗證指標的準確性,實現(xiàn)對稻米蛋白質(zhì)含量的實時、快速、精確判定,以期為稻米蛋白質(zhì)含量的早期預(yù)測和調(diào)控提供理論依據(jù)和技術(shù)支撐。
試驗于2020年、2021年在黑龍江省大慶市黑龍江八一農(nóng)墾大學(xué)校內(nèi)盆栽場、大慶市王家圍子試驗基地以盆栽試驗與大田試驗相結(jié)合的形式進行。盆栽試驗,盆缽高度為30 cm,上直徑30 cm,下直徑25 cm,每盆裝黑鈣土12 kg,每處理12盆。大田試驗小區(qū)面積4 m×4 m=16 m2,共計20個小區(qū)。大田土壤為鹽堿土。試驗用土的土壤養(yǎng)分狀況如表1所示。
表1 土壤養(yǎng)分狀況
1.2.1 2020年試驗設(shè)計
試驗①:氮肥梯度盆栽試驗
試驗于校內(nèi)盆栽場進行,參試品種為稻花香2號。試驗采用二因素完全隨機試驗設(shè)計,A因素為前中氮肥施用量,8水平,分別為0(A1)、51.72(A2)、103.45(A3)、155.17(A4)、206.90(A5)、258.62(A6)、310.35(A7)、362.07(A8)kg/hm2,氮肥分配按基肥∶蘗肥∶調(diào)節(jié)肥= 4∶3∶1時期施用。B因素為穗肥氮肥施用量,3水平,分別為 0(B1)、51.72(B2)、103.45(B3)kg/hm2。其中基肥攪漿前一次性施用,分蘗肥分2次施用,第1次(4.1~4.5葉齡)施用分蘗肥的75%,第2次(5.1~5.5葉齡)施用分蘗肥的25%,調(diào)節(jié)肥在倒4葉伸長期施用,穗肥在倒2葉伸長期施用。氮肥采用尿素(N 46.4%)。磷肥采用過磷酸鈣(P2O516%),用量為139.54 kg/hm2,100%作為基肥。鉀肥采用硫酸鉀(K2O50%),施肥量為120.00 kg/hm2,分2次施用,基肥和穗肥各占50%=1∶1。
試驗②:品種盆栽試驗
品種試驗于校內(nèi)盆栽場進行,采用單因素完全隨機試驗設(shè)計,供試品種分別為C1∶松粳22、C2∶松粳16、C3∶龍稻203、C4∶墾粳8號、C5∶三江6號、C6∶龍粳21。氮肥施用按照基肥∶蘗肥∶調(diào)節(jié)肥∶穗肥=4∶3∶1∶2進行施用,氮肥施用量為258.62 kg/hm2,其中分蘗肥分兩次施用,第1次施用分蘗肥的75%(4.1~4.5葉齡),第2次施用分蘗肥的25%(5.1~5.5葉齡)。磷肥和鉀肥施用種類和施用方式同試驗1。6個供試品種的特征特性見表2。
表2 供試品種的特征特性
1.2.2 2021年試驗設(shè)計
試驗③:大田驗證
在重復(fù)2020年試驗①、②的基礎(chǔ)上增加大田試驗③,大田試驗于大慶市王家圍子試驗基地進行,試驗采用單因素完全隨機試驗設(shè)計,供試品種分別為綏粳27(香稻品種、主莖11片葉、葉色較淺)、龍粳31(主莖11片葉、葉色較深),每品種10個小區(qū),小區(qū)面積4 m×4 m=16 m2。氮肥施用按照基肥∶蘗肥∶調(diào)節(jié)肥∶穗肥=4∶3∶1∶2進行施用,氮肥施用量為258.62 kg/hm2,氮肥、磷肥和鉀肥施用種類和施用方式同試驗②。試驗③資料用于檢測模型。
所有試驗秧苗葉齡為3.1進行移栽,盆栽試驗每桶4穴,每穴3苗。大田試驗穴距為15 cm,行距為30 cm。其他管理措施按照當?shù)厮靖弋a(chǎn)栽培技術(shù)進行。
1.3.1 葉片光譜反射率獲取
采用CI-710S(CID,美國) 型光譜儀測定水稻3個關(guān)鍵生育時期(T1:拔節(jié)期、T2:齊穗期、T3:結(jié)實期)主莖頂部第1片(L1)、第2片(L2)、第3片(L3)全展葉的葉片反射率,測量前均用黑白板進行標定。測量部位為主莖葉片上部(近葉尖1/3處)、中部(葉片中間位置)、基部(近葉基1/3處)、葉寬1/4或3/4的位置3部分,3部分的平均值為所測葉片的反射率。測量時葉片反置于葉片夾的葉室中,然后夾緊葉片,保證葉片水平且被測面積相同,避免背景反射、葉片表面彎曲等造成的光譜波動及葉片內(nèi)部變異造成的影響。每個處理(小區(qū))標定測量20穴,每穴測定3個主莖,每間隔90 min用黑白板重新標定,水稻頂部葉位及位點選擇如圖1所示。
圖1 水稻光譜反射率的測量葉位及位點選擇
CI-710S可以非破壞性精確的測量葉片在300~1 100 nm 波長范圍內(nèi)的反射率,內(nèi)置光源,波長數(shù)量增量為0.55~0.7 nm,像素大小為14m×200m,信噪比為330∶1,光譜采樣間隔為1.4 nm。
1.3.2 食味品質(zhì)測定
每處理(小區(qū))標定的20穴水稻于成熟期收獲后各自脫粒(與光譜反射率相對應(yīng)),通風陰干處晾曬1個月,待理化性質(zhì)穩(wěn)定后,用小型碾米機把稻谷加工為精米。每穴稱取10 g精米,按米水質(zhì)量比1∶1.2的比例將精米蒸煮成米飯。采用日本佐竹公司生產(chǎn)的米飯食味計(SATA1A)測定米飯綜合食味值,重復(fù)3次其平均值為該穴食味值(無氮區(qū)A1B1產(chǎn)量不夠,則每穴重復(fù)2次)。
1.3.3 蛋白質(zhì)含量測定
按國家標準食品蛋白質(zhì)測定方法(GB 5009.5-2016)-自動凱氏定氮儀法測定精米的蛋白質(zhì)含量。各處理(小區(qū))標定的20穴水稻測得食味值后,將剩余精米磨成粉,使用0.20 mm孔徑篩篩分以進行分析。每穴稱取0.2 g精米粉,分別注入400 mL消化管中,注入10 mL濃硫酸及4 g K2SO4和0.4 g CuSO4·5H2O的混合催化物,420 ℃下消化1.5 h后,用全自動凱氏定氮儀(kjeltec8400,F(xiàn)OSS 公司,丹麥)測定精米粉的含氮量,再乘以換算系數(shù)5.95,重復(fù)3次,其平均值為該穴蛋白質(zhì)含量。
1.4.1 光譜數(shù)據(jù)預(yù)處理
為最大限度地挖掘光譜數(shù)據(jù)中的有效信息,本研究采用平滑算法(Savizkg-Golag)[13]對采集的光譜進行預(yù)處理,以降低譜線平移、高頻隨機噪聲等因素的干擾,保證所建模型的精度和穩(wěn)定性。
1.4.2 光譜指數(shù)選擇
為減小波長邊界負效應(yīng),波長反射數(shù)據(jù)選取由有效波長300~1 100 nm縮短至350~1 000 nm。通過文獻查閱法,選擇當前光譜指數(shù)相關(guān)研究中出現(xiàn)的指標,相關(guān)指標計算公式如表3所示,其中R1、R2為1、2波段的光譜反射率。
表3 光譜指標及計算公式
注:R1、R2為1、2波長下的光譜反射率,下同。
Note:R1andR2are spectral reflectance at1and2 wavelengths , the same below.
1.4.3 統(tǒng)計方法
采用Excel 2016、SPSS 26統(tǒng)計軟件對數(shù)據(jù)進行整理及統(tǒng)計分析,采用Origin 2021 64bit對光譜曲線圖進行一階導(dǎo)數(shù)以及積分運算。分析光譜指數(shù)與稻米蛋白質(zhì)含量的相關(guān)關(guān)系,建立預(yù)測模型。模型的準確性和適用性采用預(yù)測值和實測值的預(yù)測精度斜率差(P-k)、均方根誤差(RMSE)及對稱平均絕對百分比誤差(SMAPE)等指標進行評定。
斜率差(P-k):真實值與預(yù)測值回歸方程的斜率與真實值等于預(yù)測值的回歸方程斜率1之間差的絕對值,P-k越小,預(yù)測精度越高。
均方根誤差(RMSE),RMSE越小,預(yù)測精度越高。
對稱平均絕對百分比誤差(SMAPE),SMAPE越小,預(yù)測精度越高。
兩年間施氮量對稻米蛋白質(zhì)含量及食味值影響的結(jié)果如表4所示,在A水平下,A因素對稻米的蛋白質(zhì)含量和食味值的影響在兩年間均達到極顯著水平,均以A1水平蛋白質(zhì)含量最低,食味值最高;A8水平蛋白質(zhì)含量最高,食味值最低。2020年A8水平蛋白質(zhì)含量較A1、A2、A3、A4、A5、A6、A7水平分別極顯著增加34.55%、27.44%、26.39%、22.19%、18.07%、14.39%、12.23%;A8水平食味值較A1~A7水平分別極顯著降低8.10%、5.06%、4.99%、4.10%、3.45%、2.96%、2.28%。2021年稻米蛋白質(zhì)含量大小、食味值大小與2020年數(shù)據(jù)表現(xiàn)為同等趨勢,蛋白質(zhì)含量大小關(guān)系為A1
綜上,在水稻生長過程中,增加氮肥的施入量會提高稻米的蛋白質(zhì)含量并降低食味值,食味值與蛋白質(zhì)含量呈現(xiàn)一定負相關(guān)關(guān)系。
表4 兩年間施氮量對稻米蛋白質(zhì)含量及食味值的影響
注:F、F、F分別表示A因素、B因素、AB二因素下顯著性檢驗值;數(shù)據(jù)后不同小、大寫字母表示同一試驗因素不同處理間差異顯著(<0.05)、極顯著(<0.01),*、**分別表示影響顯著(<0.05)、極顯著(<0.01),下同。
Note:F,F,Frepresent the significance testvalues under factor A, factor B, and factor A and B, respectively Different lowercase and uppercase letters within a column indicate significant (<0.05) and extremely significant (<0.01) differences among different treatments under the same experimental factor respectively, * and ** indicate significant (<0.05) and extremely significant (<0.01) influences respectively. The same below.
對兩年間6個品種的蛋白質(zhì)含量及食味值的平均值進行比較。圖2結(jié)果表明,6個品種之間的蛋白質(zhì)含量、食味值差異較大,其中C1蛋白質(zhì)含量最低,食味值最高,C6蛋白質(zhì)含量最高,食味值最低。6個品種蛋白質(zhì)含量由高到低的順序為C6>C5>C2>C3>C4>C1,C6蛋白質(zhì)含量較C5、C2、C3、C4、C1分別極顯著(<0.01)提高2.99%、5.04%、10.43%、12.23%、15.63%,食味值由高到低的順序為C1>C4>C3>C2>C5>C6,C6食味值較C5、C2、C3、C4、C1分別極顯著(<0.01)降低1.17%、2.89%、3.54%、7.93%、12.09%。由此可知,不同品種的稻米蛋白質(zhì)含量差異較大,蛋白質(zhì)含量較低的品種食味值較高。
注:數(shù)據(jù)后不同小、大寫字母表示同一試驗因素不同處理間差異顯著(P<0.05)、極顯著(P<0.01),*、**分別表示影響顯著(P<0.05)、極顯著(P<0.01),下同;品種名稱見表2。
利用試驗①、試驗②以及試驗③數(shù)據(jù)資料對稻米蛋白質(zhì)含量和食味值進行回歸分析,圖3表明食味值與蛋白質(zhì)含量呈線性關(guān)系,即:稻米蛋白質(zhì)含量越高,水稻食味值評分越低。線性回歸方程的擬合優(yōu)度2=0.93,達到極顯著水平(<0.01)。
圖3 稻米蛋白質(zhì)含量與食味值的關(guān)系
圖4 拔節(jié)期不同施氮水平下水稻頂部葉片光譜的時空變化特征
注:T1、T2、T3分別表示水稻的拔節(jié)期、齊穗期、結(jié)實期;L1、L2、L3分別表示水稻頂部的第1、2、3片葉;
2.2.1不同施氮水平下水稻葉片光譜差異
葉片光譜的時空變化特征以拔節(jié)期2 a的平均反射率數(shù)據(jù)(圖4)為例,結(jié)果表明,不同氮素水平下水稻拔節(jié)期的頂部3片葉光譜反射率曲線均呈現(xiàn)相同趨勢。在可見光區(qū)域內(nèi),水稻葉片光譜反射率均隨著施氮水平的增加而降低,此現(xiàn)象在約560 nm反射“綠峰”至約685 nm吸收“紅谷”處尤為明顯,葉片反射率大小整體表現(xiàn)為A1>A2>A3>A4>A5>A6>A7>A8,在近紅外區(qū)域,隨著施氮水平的增加,其反射率也增大,在波段760~1 000 nm“反射平臺”較為明顯,反射率大小整體表現(xiàn)為A8>A7> A6>A5>A4>A3>A2>A1。施氮量對3個時期水稻頂部3片葉的影響整體相似,施氮量與可見光區(qū)域內(nèi)的葉片反射率負相關(guān),與近紅外區(qū)域內(nèi)的葉片反射率正相關(guān)。
2.2.2 不同水稻品種的葉片光譜差異
2 a品種試驗中6個供試品種(品種名稱詳見表2)的葉片平均反射值分析結(jié)果如圖5所示:6個供試品種頂部葉片在不同時期的反射值分布規(guī)律差異較大,在可見光區(qū)域內(nèi),3個時期中頂部3片葉反射率大小均為T1
本研究2 a共采集了1 600份水稻樣品和4 800份葉片光譜反射數(shù)據(jù)(表5),其中試驗①、試驗②的數(shù)據(jù)資料作為校正集建立模型,以排除年限誤差、品種基因型、生育期以及葉色差異等因素的影響;試驗③的數(shù)據(jù)資料作為預(yù)測集,以驗證模型在大田中預(yù)測蛋白質(zhì)含量的穩(wěn)定性和準確性。對光譜特征指數(shù)和蛋白質(zhì)含量進行相關(guān)分析,圖6表明,T2、T3時期光譜指數(shù)與蛋白質(zhì)含量的相關(guān)性高于T1時期,以T2時期的光譜指數(shù)表現(xiàn)最佳;圖7結(jié)果則表明L2葉的光譜特征指數(shù)與蛋白含量的相關(guān)性優(yōu)于L1、L3葉。依據(jù)不同時期下不同葉位的光譜指數(shù)與蛋白質(zhì)含量的相關(guān)性進行指標篩選并建立兩者的回歸方程,在95%置信條件下計算光譜指數(shù)預(yù)測蛋白質(zhì)含量的置信帶和預(yù)測帶。回歸分析結(jié)果如表6、表7、表8所示,結(jié)果表明齊穗期光譜指數(shù)與蛋白質(zhì)含量回歸方程的擬合優(yōu)度(2)以及顯著性水平優(yōu)于其他時期;各時期頂2葉(L2)的光譜指數(shù)與蛋白質(zhì)含量回歸方程的擬合優(yōu)度(2)以及顯著性水平優(yōu)于同一時期的其他葉位,以齊穗期定頂2葉指標Ctr1為最優(yōu),2為0.75**(<0.01)。綜上,利用單張葉片的光譜特征指數(shù)預(yù)測蛋白質(zhì)含量應(yīng)當優(yōu)先選擇T2時期的L2葉。
表5 水稻稻米樣品蛋白質(zhì)百分含量統(tǒng)計表
注:紅、黑色分別代表正、負相關(guān),顏色深,則表明相關(guān)性較好。
依據(jù)大田試驗③的數(shù)據(jù)資料進行指標驗證。利用表6、7、8中光譜指標的回歸方程計算出大田試驗各處理的稻米蛋白質(zhì)含量預(yù)測值,結(jié)果如圖8稻米蛋白質(zhì)含量真實值與預(yù)測值的1∶1關(guān)系圖所示,T1時期指標L1葉g、L3葉MCARI,T2時期指標L1葉ARI1、L2葉CTR1、L3葉CTR1,T3時期指標L2葉SDg、L3葉g、SDo、MRESRI的預(yù)測結(jié)果較好,指標的預(yù)測值與真實值回歸方程的2分別為0.90、0.91、0.89、0.91、0.89、0.90、0.88、0.86、0.87,各指標的P-k值(表9)分別為0.10、0.09、0.01、0.01、0.03、0.03、0.03、0.04、0.04。依據(jù)根均方差(RMSE)、對稱平均絕對百分比誤差(SMAPE)進一步驗證(表9),T2時期L1葉ARI1指標、L2葉CTR1指標,T3時期L3葉g指標顯示出模擬值和觀測值間良好的擬合關(guān)系,其與蛋白質(zhì)含量的2分別為0.57,0.75,0.63,其余指標因預(yù)測結(jié)果的敏感性和穩(wěn)定性較差而排除。ARI1、CTR1、g指標的RMSE值分別為0.19、0.11、0.14,SMAPE分別為1.56%、1.24%、1.44%,綜上T2時期的L2葉CTR1指標表現(xiàn)最優(yōu),可作為預(yù)測稻米蛋白質(zhì)含量的最優(yōu)指標。
表6 拔節(jié)期頂部3片葉的光譜指標與蛋白質(zhì)含量的回歸方程
注:為蛋白質(zhì)含量,為不同指標值,1、2、3分別表示水稻頂部的第1、2、3片葉,下同。
Note:is the protein content,is the different index value,1,2and3represent the first, second and third leaf at the top of rice respectively, The same below.
表7 齊穗期頂部3片葉的光譜指標與蛋白質(zhì)含量的回歸方程
表8 結(jié)實期頂部3片葉的光譜指標與蛋白質(zhì)含量的回歸方程
圖8 不同時期稻米蛋白質(zhì)含量指標預(yù)測值與真實值的1﹕1關(guān)系圖
表9 各指標的預(yù)測精度值
注:P-k為真實值與預(yù)測值回歸方程的斜率與真實值等于預(yù)測值的回歸方程斜率1之間差的絕對值。
Note: P-k is the absolute value of the difference between the slope of the regression equation of the true value and the predicted value and the slope 1 of the regression equation of the true value equal to the predicted value.
利用光譜數(shù)據(jù)對水稻籽粒粗蛋白含量進行快速、無損預(yù)測主要基于兩種形式,一種是測定收獲后水稻籽粒的反射光譜進行蛋白質(zhì)含量估測[2],另一種為測定水稻生育期冠層葉片的光譜反射率數(shù)據(jù)對成熟收獲后的稻米蛋白含量進行預(yù)測[25-26]。本研究在第二種方法的基礎(chǔ)上加以延伸,在多氮素水平、多品種的試驗中探究冠層不同葉位的葉片光譜反射率變化規(guī)律,結(jié)果表明施氮量越高,葉片在可見光區(qū)域內(nèi)反射率較小,而在近紅外平臺葉片反射率則表現(xiàn)較高,結(jié)果與徐浩聰?shù)萚27]一致。不同基因型水稻品種的同一葉位或同一品種的不同葉位的葉片反射率在三個時期有著較大差異,但葉片反射率表現(xiàn)出在可見光波段差異較小,在近紅外波段差異顯著,這充分驗證了陳瑛瑛等[28]觀點。水稻不同葉位葉片的成熟度和衰老程度不同,其所反映的氮營養(yǎng)狀況可能受葉位或葉位組合的顯著影響,徐浩聰?shù)萚27]研究成果表明,在水稻的拔節(jié)~抽穗期,頂2葉和頂3葉的光譜指數(shù)與植株氮素營養(yǎng)狀況相關(guān)性均優(yōu)于頂1葉,頂1葉部分氮素營養(yǎng)供植株生長使用,故生育前期不能很好地代表植株氮素營養(yǎng)狀況,而頂2葉和頂3葉都是主要功能葉片,它們的生長好壞可更準確反映水稻群體氮素營養(yǎng)狀況,水稻生育后期,因作物下層葉片會先生長而先衰老,葉綠素含量也會隨之減少,而中上部葉片的葉齡接近,則光譜反射率的差異較小,并且下位葉片出現(xiàn)的衰老或枯萎現(xiàn)象對光譜采集影響較大[29],故生育后期下位葉片不宜用作光譜采集的對象。這與本試驗研究結(jié)果相似,本研究通過對不同葉位的反射指數(shù)與蛋白質(zhì)含量進行相關(guān)分析,結(jié)果表明頂2葉的光譜指數(shù)較其他葉位能更好的指示稻米的氮素營養(yǎng)狀況。
本研究發(fā)現(xiàn),不同品種光譜反射率在可見光區(qū)域內(nèi)隨“拔節(jié)期”、“齊穗期”、“結(jié)實期”生育期的推進呈上升趨勢,表現(xiàn)為“拔節(jié)期”<“齊穗期”<“結(jié)實期”,作者認為這一現(xiàn)象與水稻冠層葉片向穗部營養(yǎng)轉(zhuǎn)運、碳氮代謝以及葉綠素含量變化有著密切關(guān)系。在拔節(jié)期,水稻處于營養(yǎng)生長轉(zhuǎn)生殖生長的過程中,葉片葉綠素含量高,葉片顏色較深,植株氮素充足,以氮代謝為主[30],所以葉片對紅光、藍光吸收能力強;齊穗期,葉片前期積累的養(yǎng)分逐漸向穗部轉(zhuǎn)移,葉片葉綠素含量逐漸降低,此時植株以碳代謝為主,蛋白質(zhì)合成減弱但同化物積累增多[30],此時綠光波段光譜反射率下降,但高于拔節(jié)期;結(jié)實期,冠層葉片逐漸變黃甚至枯萎,造成葉片葉綠素含量迅速下降,反射率上升,變幅增大。在760~1 000 nm的近紅外波段,不同葉片的反射率隨生育期的推進表現(xiàn)出先增加后降低的趨勢,具體呈現(xiàn)為拔節(jié)期至齊穗期不斷上升,齊穗期至結(jié)實期下降。所以,稻米蛋白質(zhì)含量與作物氮素營養(yǎng)狀況密切相關(guān),而冠層反射光譜正是氮素營養(yǎng)狀況而引起的葉色變化的體現(xiàn)[31]。因此冠層光譜在一定程度上能反映籽粒品質(zhì)信息,這使得利用冠層反射光譜直接預(yù)測稻米的蛋白質(zhì)含量成為可能。本研究基于相關(guān)性分析和回歸分析的思路,對成熟收獲后稻米蛋白質(zhì)含量進行估測,結(jié)果發(fā)現(xiàn)較多指標與蛋白質(zhì)相關(guān)性較好,利用大田數(shù)據(jù)進行驗證后,齊穗期L2葉CTR1指標顯示出模擬值和觀測值間良好的擬合關(guān)系,可作為預(yù)測蛋白質(zhì)含量的最優(yōu)指標。其余指標預(yù)測結(jié)果敏感性和穩(wěn)定性較差的原因可能是冠層葉片反射光譜僅與籽粒部分蛋白質(zhì)組分的相關(guān)性較好[32]。
氮素在水稻生長發(fā)育、產(chǎn)量形成和品質(zhì)改善中扮演著重要角色,增施氮肥對提高水稻單產(chǎn)發(fā)揮重要作用,但當前中國稻田氮素用量普遍過大,過多的氮肥用量并未明顯提高水稻產(chǎn)量,反而導(dǎo)致氮肥利用效率下降[33]、稻米蛋白質(zhì)含量偏高。有學(xué)者稱采用側(cè)深施肥、點深施肥等恰當?shù)氖┓史绞皆诮档偷赝度肓康耐瑫r水稻產(chǎn)量和品質(zhì)都有一定的提升[34]。稻米蛋白質(zhì)含量偏高,會造成米飯硬度變大,黏度降低,色澤變差,稻米食味值顯著下降[35],本試驗研究結(jié)果充分驗證了前人的觀點,并發(fā)現(xiàn)稻米蛋白質(zhì)含量與食味值呈線性負相關(guān)關(guān)系,這與錢春榮等[36]指出的食味值與蛋白質(zhì)含量并不是簡單的線性關(guān)系相矛盾。關(guān)于稻米蛋白質(zhì)如何影響蒸煮食味品質(zhì),近年有學(xué)者提出蛋白質(zhì)含量多少能夠影響淀粉結(jié)構(gòu)的合成或作用于淀粉糊化過程進而影響食味品質(zhì),屬間接效應(yīng)。朱玲[37]研究認為蛋白質(zhì)通過水合改變淀粉的吸水量而影響米飯質(zhì)地,蛋白質(zhì)含量變高,會促使籽粒結(jié)構(gòu)緊密,大量蛋白體填塞在淀粉體間的空隙,并與淀粉緊密結(jié)合,打破蛋白質(zhì)網(wǎng)絡(luò)使淀粉糊化就需要更多的能量,同樣會導(dǎo)致稻米淀粉糊化膨脹受到抑制[38],從而降低蒸煮食味品質(zhì)。所以稻米蛋白質(zhì)含量增高致使食味品質(zhì)降低是直接效應(yīng)還是蛋白質(zhì)作用于淀粉而產(chǎn)生的間接效應(yīng),還需要更為深入的研究才能確定。
不同年限間通過對不同處理下的水稻主要生育期頂部3片葉的光譜指數(shù)與其對應(yīng)的稻米蛋白質(zhì)含量進行相關(guān)分析和回歸分析,得到如下結(jié)論:
1)稻米蛋白質(zhì)含量與食味值評分呈線性,決定系數(shù)2為0.93。
2)同等波長下,葉片反射率在可見光區(qū)域內(nèi)隨著施氮量的增加而提高,在近紅外平臺隨著施氮量的增加而降低。不同品種的下位葉片的光譜反射率在可見光區(qū)域內(nèi)要高于上位葉片,隨著水稻生育期不斷推進,水稻頂部葉片的反射率在可見光區(qū)域內(nèi)逐漸增大,而在近紅外平臺區(qū)域內(nèi)葉片反射率則呈現(xiàn)先增加后降低的趨勢。
3)齊穗期頂部第二張葉片的指標CTR1(695/420)與稻米的蛋白質(zhì)含量擬合方程最優(yōu),2為0.75(<0.01),因此借助該指標能夠精準預(yù)測寒地水稻稻米的蛋白質(zhì)含量,從而間接判定其食味品質(zhì)的優(yōu)劣。
[1] 石呂,張新月,孫惠艷,等. 不同類型水稻品種稻米蛋白質(zhì)含量與蒸煮食味品質(zhì)的關(guān)系及后期氮肥的效應(yīng)[J]. 中國水稻科學(xué),2019,33(6):541-552.
Shi Lv, Zhang Xinyue, Sun Huiyan, et al. Relationship of grain protein content with cooking and eating quality as affected by nitrogen fertilizer at late growth stage for different types of rice varieties[J]. Chinese Journal of Rice Science, 2019, 33(6): 541-552. (in Chinese with English abstract)
[2] 孫俊,靳海濤,蘆兵,等. 基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(15):295-303.
Sun Jun, Jin Haitao, Lu Bing, et al. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295-303. (in Chinese with English abstract)
[3] 賀佳,劉冰峰,黎世民,等. 不同生育時期冬小麥籽粒蛋白質(zhì)含量的高光譜遙感監(jiān)測模型[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報,2017,25(6):865-875.
He Jia, Liu Bingfeng, Li Shimin, et al. Winter wheat grain protein content monitoring model driven by hyperspectral remote sensing images at different growth stages[J]. Chinese Journal of Eco-Agriculture, 2017, 25(6): 865-875. (in Chinese with English abstract)
[4] 李露. 基于高光譜反射率數(shù)據(jù)的冬油菜氮養(yǎng)分診斷[D]. 武漢:華中農(nóng)業(yè)大學(xué),2017.
Li Lu. Diagnosis of Nitrogen nutrition in winter oilseed rape based on hyperspectral reflectance data[D]. Wuhan: Huazhong Agriculture University, 2017. (in Chinese with English abstract)
[5] 何泱. 協(xié)同反射率與葉綠素熒光的冬小麥水分脅迫早期診斷研究[D]. 南京:南京信息工程大學(xué),2020.
He Yang. Early Diagnosis of Winter Wheat under Water Stress using Reflectance and Chlorophyll Fluorescence[D]. Nanjing: Nanjing University of Information Science and Technology, 2020. (in Chinese with English abstract)
[6] 李媛媛,常慶瑞,劉秀英,等. 基于高光譜和BP神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值遙感估算[J]. 農(nóng)業(yè)工程學(xué)報,2016,32(16):135-142.
Li Yuanyuan, Chang Qingrui, Liu Xiuying, et al. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 135-142. (in Chinese with English abstract)
[7] Rodrigues Jr F A, Blasch G, Defourny P, et al. Multi-temporal and spectral analysis of high-resolution airborne imagery for precision agriculture:assessment of wheat grain yield and grain protein content[J]. Remote Sensing, 2018, 10(6): 930-955.
[8] 屈莎,李振海,邱春霞,等. 基于開花期氮素營養(yǎng)指標的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報,2017,33(12):186-193.
Qu Sha, Li Zhenhai, Qiu Chunxia, et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 186-193. (in Chinese with English abstract)
[9] 周冬琴,朱艷,姚霞,等. 基于水稻冠層光譜特征構(gòu)建粳型水稻籽粒蛋白質(zhì)含量預(yù)測模型[J]. 作物學(xué)報,2007,33(8):1219-1225.
Zhou Dongqin, Zhu Yan, Yao Xia, et al. Estimating grain protein content with canopy spectral reflectance in rice[J]. Acta Agronomica Sinica 2007, 33(8): 1219-1225. (in Chinese with English abstract)
[10] 孫雪梅,周啟發(fā),何秋霞. 利用高光譜參數(shù)預(yù)測水稻葉片葉綠素和籽粒蛋白質(zhì)含量[J]. 作物學(xué)報,2005,31(7):844-850.
Sun Xuemei, Zhou Qifa, He Qiuxia. Hyperspectral variables in predicting leaf chlorophyll content and grain protein content in rice[J]. Acta Agronomica Sinica, 2005, 31(7): 844-850. (in Chinese with English abstract)
[11] Ata-UI-Karim S T, Yao X, Liu X J, et al. Development of critical nitrogen dilution curve of Japonica rice in Yangtze River Reaches[J]. Field Crops Research, 2013, 149: 149-158.
[12] 葉苗. 水稻品種間光合特性的差異及其機理研究[D]. 武漢:華中農(nóng)業(yè)大學(xué),2020.
Ye Miao. Studies on The Mechanisms of the Varietal Differences in Leaf Photosynthesis inryzaativa L[D]. Wuhan: Huazhong Agricultural University, 2020. (in Chinese with English abstract)
[13] 王海朋,褚小立,陳瀑,等. 光譜基線校正算法研究與應(yīng)用進展[J]. 分析化學(xué),2021,49(8):1270-1281.
Wang Haipeng, Chu Xiaoli, Chen Pu, et al. Research and application progress of algorithms for spectral baseline correction[J]. Chinese Journal of Analytical Chemistry, 2021, 49(8): 1270-1281. (in Chinese with English abstract)
[14] 栗方亮,孔慶波,張青,等. 琯溪蜜柚葉片氮素含量多種高光譜估算模型對比研究[J]. 果樹學(xué)報,2022,39(5):882-891.
Li Fangliang, Kong Qingbo, Zhang Qing, et al. Comparative study on several hyperspectral estimation models of nitrogen contents in Guanxi honey pomelo leaves[J]. Journal of Fruit Science, 2022, 39(5): 882-891. (in Chinese with English abstract)
[15] 周賢鋒. 色素含量比值進行作物氮素營養(yǎng)狀況診斷方法研究[D]. 北京:中國科學(xué)院大學(xué)(遙感與數(shù)字地球研究所),2017.
Zhou Xianfeng. Research on the Methods of Crop Nitrogen Status Diagnosis Based on Carotenoid and Chlorophyll Ratio Values[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth), 2017. (in Chinese with English abstract)
[16] 崔婷. 作物歸一化植被指數(shù)(NDVI)變化規(guī)律試驗研究[D].楊凌:西北農(nóng)林科技大學(xué),2019.
Cui Ting. Study on the Variation of Crop Normalized Difference Vegetation Index[D]. Yangling:Northwest A&F University, 2019. (in Chinese with English abstract)
[17] 穆罕默德·羅曼. 基于農(nóng)藝和高光譜數(shù)據(jù)的冬小麥不同生育期氮素狀況的預(yù)測和優(yōu)化[D]. 北京:北京林業(yè)大學(xué),2021.
Muhammad Roman. Prediction and Optimization of Nitrogen Status Based on Agronomic and Hyperspectral Data at Different Growth Stages of Winter Wheat[D]. Beijing: Beijing Forestry University, 2021. (in Chinese with English abstract)
[18] 肖天豪,范園園,馮海寬,等. 利用高光譜影像估算氮營養(yǎng)指數(shù)[J]. 遙感信息,2022,37(3):7-11.
Xiao Tianhao, Fan Yuanyuan, Feng Haikuan, et al. Estimation of nitrogen nutrition index in winter wheat based on UAV hyperspectral[J]. Remote Sensing Information, 2022, 37(3): 7-11. (in Chinese with English abstract)
[19] 郝雅娟. 基于多角度光譜反射信息估算植物葉片氮含量[D]. 長春:東北師范大學(xué).
Hao Yajuan. Estimating the Leaf Nitrogen Concentration Based on Multiangular Reflectance Factor[D]. Changchun: Northeast Normal University. (in Chinese with English abstract)
[20] 武彬. 作物冠層葉綠素含量垂直分布遙感監(jiān)測方法研究[D]. 北京:中國科學(xué)院大學(xué)(中國科學(xué)院空天信息創(chuàng)新研究院),2021.
Wu Bin. Remote Sensing Monitoring of Chlorophyll Content Vertical Distribution in Maize and Wheat Canopy[D]. Beijing: University of Chinese Academy of Sciences (Aerospace Information Research Institute), 2021. (in Chinese with English abstract)
[21] 李宛鴿. 基于多角度反射信息估算植物葉片葉綠素含量的新光譜指數(shù)研究[D]. 長春:東北師范大學(xué),2020.
Li Wange. New Spectral Index for Estimating the Leaf Chlorophyll Content Based on Multiangular Reflectance Factor[D]. Changchun: Northeast Normal University, 2020. (in Chinese with English abstract)
[22] 張思楠,王權(quán),靳佳,等. 應(yīng)用光譜指數(shù)法估算多枝檉柳同化枝葉綠素含量[J]. 干旱區(qū)研究,2016,33(5):1088-1097.
Zhang Sinan, Wang Quan,Jin Jia, et al. Application of hyperspectral indices for estimating leaf chlorophyll content of assimilating shoots of Tamarix Ramosissima[J]. Arid Zone Research, 2016, 33(5): 1088-1097. (in Chinese with English abstract)
[23] 郭婷. 不同鉀水平和成熟度煙草高光譜特征及其品質(zhì)估測模型研究[D]. 長沙:湖南農(nóng)業(yè)大學(xué),2019.
Guo Ting. Hyperspectral Characteristics and Estimating Model of Leaf Quality Content in Tobacco Based on Potassium and Maturity Treatments[D]. Changsha:Hunan Agricultural University, 2019. (in Chinese with English abstract)
[24] 王仁紅,宋曉宇,李振海,等. 基于高光譜的冬小麥氮素營養(yǎng)指數(shù)估測[J]. 農(nóng)業(yè)工程學(xué)報,2014,30(19):191-198.
Wang Renhong, Song Xiaoyu, Li Zhenhai, et al. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 191-198. (in Chinese with English abstract)
[25] 王君杰,陳凌,王海崗,等. 糜子葉片氮含量和籽粒蛋白質(zhì)含量高光譜監(jiān)測研究[J]. 中國農(nóng)業(yè)科學(xué),2019,52(15):2593-2603.
Wang Junjie, Chen Ling, Wang Haigang, et al. Effects of hyperspectral prediction on leaf nitrogen content and the grain protein content of broomcorn millet[J]. Scientia Agricultura Sinica, 2019, 52(15): 2593-2603. (in Chinese with English abstract)
[26] 張志勇,樊澤華,張娟娟,等. 小麥籽粒蛋白質(zhì)含量高光譜遙感預(yù)測模型比較[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報,2022,56(2):188-198.
Zhang Zhiyong, Fan Zehua, Zhang Juanjuan, et al. Comparison of hyperspectral remote sensing prediction models for wheat grain protein content[J]. Journal of Henan Agricultural University 2022, 56(2): 188-198. (in Chinese with English abstract)
[27] 徐浩聰,姚波,王權(quán),等. 基于葉片反射光譜估測水稻氮營養(yǎng)指數(shù)[J]. 中國農(nóng)業(yè)科學(xué),2021,54(21):4525-4539.
Xu Haocong, Yao Bo, Wang Quan, et al. Determination of suitable band width for estimating rice nitrogen nutrition index based on leaf reflectance spectra[J]. Scientia Agricultura Sinica, 2021, 54(21): 4525-4539. (in Chinese with English abstract)
[28] 陳瑛瑛,王徐藝凌,朱宇涵,等. 水稻穗部氮素含量高光譜估測研究[J]. 作物雜志,2018(5):116-120.
Chen Yingying, Wang Xuyiling, Zhu Yuhan,et al. Hyperspectral estimation of nitrogen content in rice panicle[J]. Crops, 2018(5): 116-120. (in Chinese with English abstract)
[29] 張振亞. 不同施氮條件下對夏玉米葉片氮素敏感性分析及高光譜診斷研究[D]. 石河子:石河子大學(xué),2020.
Zhang Zhenya. Sensitivity Analysis and Hyperspectral Diagnosis of Nitrogen in Summer Maize Leaves under Different Nitrogen Application Conditions[D]. Shihezi: Shihezi University, 2020. (in Chinese with English abstract)
[30] 宋麗娟. 基于機載多光譜和SPAD的寒地粳稻氮素營養(yǎng)診斷研究[D]. 沈陽:沈陽農(nóng)業(yè)大學(xué),2020.
Song Lijuan. Study on Nitrogen Nutrition Diagnosis for Cold-terra Rice Based on Airborne Multispectral Imager and SPAD[D]. Shenyang: Shenyang Agricultural University, 2020. (in Chinese with English abstract)
[31] 田容才,高志強,盧俊瑋. 基于冠層光譜的早秈稻籽粒粗蛋白含量估測[J]. 作物雜志,2020(4):188-194.
Tian Rongcai, Gao Zhiqiang, Lu Junwei. Estimation of crude protein content in grain of early indica rice based on canopy spectrum[J]. Crops, 2020(4): 188-194. (in Chinese with English abstract)
[32] 李映雪,朱艷,田永超,等. 小麥冠層反射光譜與籽粒蛋白質(zhì)含量及相關(guān)品質(zhì)指標的定量關(guān)系[J]. 中國農(nóng)業(yè)科學(xué),2005(7):1332-1338.
Li Yingxue, Zhu Yan, Tian Yongchao, et al. Relationship of grain protein content and relevant quality traits to canopy reflectance spectra in wheat[J]. Scientia Agricultura Sinica, 2005(7): 1332-1338. (in Chinese with English abstract)
[33] 曹兵,丁紫娟,侯俊,等. 控釋摻混肥結(jié)合增密對水稻氮肥利用效率和氨揮發(fā)的影響[J]. 農(nóng)業(yè)工程學(xué)報,2022,38(13):56-63.
Cao Bing, Ding Zijuan, Hou Jun, et al. Effects of the blends of controlled-release and conventional nitrogen fertilizers combined with dense planting on nitrogen use efficiency and ammonia volatilization in a paddy field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(13): 56-63. (in Chinese with English abstract)
[34] 劉夢紅,王志君,李紅宇,等. 施肥方式和施氮量對寒地水稻產(chǎn)量、品質(zhì)及氮肥利用的影響[J]. 作物雜志,2022(1):102-109.
Liu Menghong, Wang Zhijun, Li Hongyu, et al. Effects of fertilization method and nitrogen application rate on yield, quality and nitrogen utilization of rice in cold region[J]. Crops, 2022(1): 102-109. (in Chinese with English abstract)
[35] 李孌. 結(jié)實期動態(tài)溫度對軟米粳稻產(chǎn)量、品質(zhì)及淀粉結(jié)構(gòu)與特性的影響[D]. 揚州:揚州大學(xué),2021.
Li Luan. Effect of Dynamic Temperatures During the Grain Filling Stage on Yield, Quality and Starch Structure and Property of Soft Japonica Rice[D]. Yangzhou:Yangzhou University, 2021. (in Chinese with English abstract)
[36] 錢春榮,,馮延江,楊靜,等. 水稻籽粒蛋白質(zhì)含量選擇對雜種早代蒸煮食味品質(zhì)的影響[J]. 中國水稻科學(xué),2007,21(3):323-326.
Qian Chunrong, Feng Yanjiang, Yang Jing, et al. Effects of protein content selection on cooking and eating properties of rice in early generation of crosses[J]. Chinese Journal of Rice Science, 2007, 21(3): 323-326. (in Chinese with English abstract)
[37] 朱玲. 基于結(jié)構(gòu)剖析和實時監(jiān)測研究大米食味品質(zhì)的影響機制[D]. 無錫:江南大學(xué),2020.
Zhu Ling. Study on the Influence Mechanism of the Eating Quality of Rice Based on Structural Analysis and Real-time Monitoring[D]. Wuxi: Jiangnan University, 2020. (in Chinese with English abstract)
[38] Balondong J L, Ward R, Liu L, et al. Rice grain protein composition influences instrumental measures of rice cooking and eating quality[J]. Journal of Cereal Science, 2018, 79(1): 35-42.
Prediction of rice protein content in cold region based on leaf spectral reflectance
Wang Zhijun1, Li Hongyu1,2,3, Xia Yuying1, Fan Mingyu1,2,3,Zhao Haicheng1,2,3, Xu Xinkai1, Zheng Guiping1,2,3
(1,,163319,; 2163319,;3,,163319,)
A real-time prediction of rice protein content can be expected to realize using the rice leaf spectral index. In this study, the spectral reflectance was collected from the first leaf (L1), the second leaf (L2)and the third leaf (L3) at the top of the main growth period (T1: joining stage, T2: heading stage, T3: fruiting stage) of rice in the cold region under different years, nitrogen fertilizers, and varieties. A correlation model was established to clarify the relationship between the spectral index and rice protein content, in order to investigate the spectral reflectance of leaves under different treatments. The accuracy of the model was verified by the P-k, Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). The results showed that the protein content of rice was significantly affected by the nitrogen application rate and variety difference. In the nitrogen fertilizer test, the more nitrogen applied, the higher the protein content of rice was. The protein content values of A8 level were 34.55%, 27.44%, 26.39%, 22.19%, 18.07%, 14.39%, and 12.23% higher than those of A1, A2, A3, A4, A5, A6, and A7, respectively. The taste value of the A8 level decreased by 8.10%, 5.06%, 4.99%, 4.10%, 3.45%, 2.96%, and 2.28%, respectively, compared with the A1-A7 groups. Furthermore, the protein content was ranked in the descending order of the C6>C5>C2>C3>C4>C1 in the variety test, whereas, the taste value was in the order of C1>C4>C3> C2>C5>C6. There was a similar change trend in rice protein content and taste value score under different treatments in 2021 and 2020. A negative correlation between protein content and taste value was found, where the2value was 0.93, and the fitting equation was=-4.21+113.32 (was the rice taste value score,was the rice protein content). There was a significant effect of nitrogen application rate on the reflectance of rice leaves, which increased the input of nitrogen fertilizer. In the three periods, the reflectance of rice leaves decreased in the visible region under the same wavelength. There was more outstanding at the “green peak” of reflection at 560 nm to the “red valley” of absorption at about 685 nm. The reflectance of the blade increased in the near-infrared platform. Much more outstanding intensity was found at the band of 760-1 000 nm “reflecting platform”. In the variety test, the spectral reflectance in the visible region was ranked in the ascending order of the L1
spectral; reflectance; model; protein content; taste value; cold region rice
10.11975/j.issn.1002-6819.2022.21.018
S511
A
1002-6819(2022)-21-0147-12
王志君,李紅宇,夏玉瑩,等. 采用葉片光譜反射率預(yù)測寒地水稻稻米蛋白質(zhì)含量[J]. 農(nóng)業(yè)工程學(xué)報,2022,38(21):147-158.doi:10.11975/j.issn.1002-6819.2022.21.018 http://www.tcsae.org
Wang Zhijun, Li Hongyu, Xia Yuying, et al. Prediction of rice protein content in cold region based on leaf spectral reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(21): 147-158. (in Chinese with English abstract) doi:10.11975/j.issn.1002-6819.2022.21.018 http://www.tcsae.org
2022-08-28
2022-10-06
中央支持地方高校改革發(fā)展資金人才培養(yǎng)項目(2022010006)
王志君,研究方向為水稻高產(chǎn)優(yōu)質(zhì)栽培。Email:970560444@qq.com
李紅宇,博士,副教授,研究方向為水稻高產(chǎn)優(yōu)質(zhì)生理生態(tài)及遺傳多樣性。Email:ndrice@163.com