糜子葉片氮含量和籽粒蛋白質(zhì)含量高光譜監(jiān)測研究

王君杰，陳凌，王海崗，曹曉寧，劉思辰，田翔，秦慧彬，喬治軍

糜子葉片氮含量和籽粒蛋白質(zhì)含量高光譜監(jiān)測研究

王君杰，陳凌，王海崗，曹曉寧，劉思辰，田翔，秦慧彬，喬治軍

（山西農(nóng)業(yè)科學(xué)院農(nóng)作物品種資源研究所/農(nóng)業(yè)部黃土高原作物基因資源與種質(zhì)創(chuàng)制重點(diǎn)實(shí)驗(yàn)室/雜糧種質(zhì)資源發(fā)掘與遺傳改良山西省重點(diǎn)實(shí)驗(yàn)室， 太原 030031）

【】本研究以葉片氮含量為切入點(diǎn)，探求糜子籽粒蛋白質(zhì)含量的最佳光譜預(yù)測模型，為糜子優(yōu)質(zhì)生產(chǎn)的管理調(diào)控提供理論依據(jù)。【】結(jié)合2017年和2018年2年的氮肥運(yùn)籌試驗(yàn)數(shù)據(jù)和光譜數(shù)據(jù)，通過“光譜特征信息—葉片氮含量—籽粒蛋白質(zhì)含量”這一研究思路，以葉片氮含量為中間鏈接點(diǎn)將光譜模型和籽粒蛋白質(zhì)含量鏈接，建立基于高光譜糜子籽粒蛋白質(zhì)含量監(jiān)測模型。【】利用支持向量機(jī)（SVM）構(gòu)建的糜子全生育期葉片氮含量監(jiān)測模型要優(yōu)于逐步多元線性回歸（SMLR）和偏最小二乘法（PLS），并且原始光譜反射率（R）的SVM模型效果優(yōu)于一階導(dǎo)數(shù)（1ST）模型，建模集和驗(yàn)證集的2分別為0.928、0.924；相對較小，分別為0.19、0.12；都大于2，分別為3.71、6.07。開花期、灌漿期和成熟期的葉片氮含量和籽粒蛋白質(zhì)含量均達(dá)到極顯著正相關(guān)，相關(guān)系數(shù)分別為0.48、0.66和0.73。灌漿期R-SVM模型能準(zhǔn)確的監(jiān)測糜子籽粒蛋白質(zhì)含量，決定系數(shù)2為0.798，均方根誤差為0.14，預(yù)測殘差為1.65?！尽拷⒒诠酀{期糜子籽粒蛋白質(zhì)含量的高光譜R-SVM監(jiān)測模型，有助于指導(dǎo)糜子優(yōu)化田間管理、種植業(yè)結(jié)構(gòu)調(diào)整和籽粒品質(zhì)分級，為高光譜技術(shù)在糜子優(yōu)質(zhì)高產(chǎn)栽培和精準(zhǔn)農(nóng)業(yè)發(fā)展提供技術(shù)基礎(chǔ)。

糜子；葉片氮含量；籽粒蛋白質(zhì)含量；高光譜；模型

0 引言

【研究意義】氮素是作物生長發(fā)育所必須的營養(yǎng)元素，是葉綠素的重要組成部分，氮素缺失會導(dǎo)致色素減少，光合性能減低，嚴(yán)重影響作物產(chǎn)量和品質(zhì)的形成[1-2]。葉片氮含量和籽粒蛋白質(zhì)含量是評價(jià)作物長勢和品質(zhì)的主要指標(biāo)之一，現(xiàn)階段氮素測定主要通過全自動凱氏定氮儀進(jìn)行測定，該方法優(yōu)點(diǎn)是數(shù)據(jù)測定精確，缺點(diǎn)是費(fèi)工費(fèi)時(shí)，籽粒蛋白質(zhì)含量只能籽粒成熟后才能測定，亟需一種在糜子生長發(fā)育期快速無損的監(jiān)測技術(shù)。近紅外光譜技術(shù)具有實(shí)時(shí)、快速、無損的監(jiān)測冠層光譜信息的特點(diǎn)，現(xiàn)廣泛應(yīng)用于作物長勢、品質(zhì)等指標(biāo)的監(jiān)測。【前人研究進(jìn)展】前人對基于高光譜技術(shù)監(jiān)測葉片氮含量和籽粒蛋白質(zhì)含量研究已有大量報(bào)道，對葉片氮含量預(yù)測主要是利用高光譜直接監(jiān)測的模式。李金夢等[3]利用SG平滑-Detrending-SPA-BPNN和Detrending-SPA-BPNN兩種高光譜最優(yōu)模型測定柑橘葉片氮含量是可行的。馮偉等[4]利用REPIE、SDr-SDb、FD729 3個(gè)參數(shù)可以對小麥葉片氮含量進(jìn)行可靠的監(jiān)測。前人對籽粒蛋白質(zhì)含量預(yù)測研究主要通過高光譜直接和間接2種監(jiān)測模式，間接模式主要通過農(nóng)學(xué)參數(shù)為鏈接點(diǎn)，建立籽粒蛋白質(zhì)含量的高光譜預(yù)測模型，較直接模式能較早預(yù)測籽粒蛋白質(zhì)含量。馮偉等[5]利用“特征光譜參數(shù)—葉片氮素營養(yǎng)—籽粒蛋白質(zhì)含量”這一技術(shù)路徑，建立了基于開花期mND705參數(shù)的小麥籽粒蛋白質(zhì)含量預(yù)測模型。張松等[6]利用連續(xù)投影算法（SPA）+支持向量機(jī)（SVM）建立了冬小麥籽粒蛋白質(zhì)的監(jiān)測模型，驗(yàn)證均方根誤差和2分別為0.3587和0.9581。喬瑤瑤等[7]以93份燕麥樣品為研究對象，利用改進(jìn)偏最小二乘法（MPLS）建立了近紅外模型對燕麥中籽粒蛋白質(zhì)的快速監(jiān)測模型。顧志宏[8]研究得出550—590 nm與670—710 nm是大麥植株氮含量的敏感波段區(qū)域，建立了基于GRVI的大麥籽粒蛋白質(zhì)含量的預(yù)測模型，2為0.6651。李振海[9]利用灰色關(guān)聯(lián)分析—偏最小二乘算法（GRA—PLS）方法構(gòu)建了小麥籽粒蛋白質(zhì)含量遙感預(yù)測模型，建模結(jié)果和驗(yàn)證結(jié)果的預(yù)測值和實(shí)測值的2和分別為0.731、1.30%和0.609、1.19%，預(yù)測模型具有較高的精度和可靠性。賀佳等[10]利用植株氮含量為鏈接點(diǎn)分別建立了基于MCARI1、NDCI、mNDCI、MCARI1、NDCI的拔節(jié)期、孕穗期、抽穗期、灌漿期、成熟期的冬小麥籽粒蛋白質(zhì)含量的監(jiān)測模型。陳鵬飛等[11]利用氮素營養(yǎng)指數(shù)為中間變量，在冬小麥旗葉期，建立遙感模型，能準(zhǔn)確預(yù)測冬小麥籽粒蛋白質(zhì)含量，模型的決定系數(shù)為0.48，標(biāo)準(zhǔn)誤差為0.38%，相對誤差為2.32%。張新玉等[12]利用了偏最小二乘法（PLSR）和支持向量機(jī)回歸法（SVR）建立的模型能準(zhǔn)確預(yù)測玉米單籽粒蛋白質(zhì)含量。張浩等[13]利用多元線性回歸（MLR）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和偏最小二乘回歸（PLSR）對水稻葉片氮素和籽粒蛋白質(zhì)含量進(jìn)行建模，3種模型的決定系數(shù)都達(dá)到0.847以上，以PLSR的預(yù)測效果最好。前人主要利用可見光與近紅外光建立的植被指數(shù)來預(yù)測植株葉片氮含量和籽粒蛋白質(zhì)含量，李少昆等[14]研究指出，小麥籽粒蛋白質(zhì)含量的敏感波段主要集中在可見光（450—700 nm）和近紅外波段（700—1 300 nm），這兩部分波段包含了植物90%的信息。隨著光譜技術(shù)的不斷發(fā)展，光譜分辨率不斷提高，光譜信息和分析方法越來越豐富，如原始光譜的平滑等預(yù)處理，用連續(xù)投影法等方法進(jìn)行挖掘和提取光譜數(shù)據(jù)，偏最小二乘法等方法的光譜全波段進(jìn)行模型矯正優(yōu)化?！颈狙芯壳腥朦c(diǎn)】由于目前糜子主要種植在丘陵旱薄地區(qū)，沒有相對統(tǒng)一的栽培技術(shù)規(guī)程，如施肥方式不同，從而造成籽粒蛋白質(zhì)含量差異顯著，所以急需高光譜監(jiān)測技術(shù)來快速準(zhǔn)確地預(yù)測籽粒品質(zhì)。目前對籽粒蛋白質(zhì)光譜監(jiān)測主要集中在大宗作物上，而關(guān)于糜子的研究卻較少[15-16]。【擬解決的關(guān)鍵問題】本研究運(yùn)用逐步多元線性回歸（stepwise multiple linear regression，SMLR）、偏最小二乘回歸（partial least square，PLS）和支持向量機(jī)（support vector machine，SVM）3種比較精準(zhǔn)的模型矯正方法，構(gòu)建不同氮素運(yùn)籌下糜子全生育期葉片氮含量的光譜監(jiān)測模型，以葉片氮含量為鏈接點(diǎn)，利用糜子葉片氮含量和籽粒蛋白質(zhì)含量的密切關(guān)系，構(gòu)建基于關(guān)鍵生育時(shí)期葉片氮含量的籽粒蛋白質(zhì)含量預(yù)測模型。通過高光譜數(shù)據(jù)驗(yàn)證糜子葉片氮含量和籽粒蛋白質(zhì)遙感預(yù)測模型的可行性，為高光譜技術(shù)在糜子生產(chǎn)應(yīng)用中監(jiān)測葉片氮含量和籽粒蛋白質(zhì)含量提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

2017年6月至2018年10月共進(jìn)行3個(gè)田間試驗(yàn)，設(shè)在不同的2個(gè)生態(tài)區(qū)。

試驗(yàn)1：2017年在忻州市定襄縣良種場進(jìn)行，該區(qū)位于38°33′N，112°54′E，海拔780 m，年降雨量430 mm，年均氣溫8.7℃，無霜期158 d左右，年日照時(shí)數(shù)達(dá)2 734.6 h，溫、光、熱資源適宜糜子的生長發(fā)育。前茬作物為大豆，土壤全氮含量0.82 g·kg-1，有效磷17.3 mg·kg-1，速效鉀93 mg·kg-1，有機(jī)質(zhì)12.5 g·kg-1，pH 8.16。試驗(yàn)采用兩因素隨機(jī)區(qū)組設(shè)計(jì)，不同施氮量為A因素，不同基肥追肥比（底肥﹕拔節(jié)肥﹕開花肥）為B因素。A因素4個(gè)水平，A1為0、A2為75 kg·hm-2、A3為150 kg·hm-2和A4為225 kg·hm-2，B因素3個(gè)水平，B1為10﹕0﹕0，B2為5﹕5﹕0，B3為2﹕4﹕4，試驗(yàn)共10個(gè)處理，3次重復(fù)，30個(gè)小區(qū)，小區(qū)面積30 m2（5 m×6 m）。供試品種為晉黍9號，種植密度為6×105株/hm2，行距為30 cm，株距為30 cm，每穴3—5株。2017年6月22號播種，9月下旬收獲。磷肥（120 kg·hm-2）和鉀肥（90 kg·hm-2）作為基肥一次性施入土壤。分別在拔節(jié)期（7月22日）、抽穗期（8月14日）、開花期（8月20日）、灌漿期（9月8日）和成熟期（9月28日）測定糜子冠層光譜反射率，每個(gè)小區(qū)測定5個(gè)點(diǎn)，每個(gè)點(diǎn)的測量重復(fù)5次，剔除異常值然后取其平均值，同步取植株樣測定葉片氮含量。本試驗(yàn)主要用于模型的建立及驗(yàn)證，3次重復(fù)分別獲得150個(gè)光譜數(shù)據(jù)、150個(gè)葉片氮含量數(shù)據(jù)和30個(gè)籽粒蛋白質(zhì)含量數(shù)據(jù)，剔除異常值獲得122個(gè)光譜數(shù)據(jù)，23個(gè)籽粒蛋白質(zhì)數(shù)據(jù)。隨機(jī)篩選13個(gè)灌漿期光譜數(shù)據(jù)及其葉片氮含量數(shù)據(jù)用于模型的驗(yàn)證。

試驗(yàn)2：2018年在忻州市定襄縣良種場繼續(xù)進(jìn)行試驗(yàn)，6月25號播種，前茬作物為谷子，土壤全氮含量0.58 g·kg-1，有效磷9.8 mg·kg-1，速效鉀60 mg·kg-1，有機(jī)質(zhì)10.2 g·kg-1，pH 8.48。試驗(yàn)設(shè)計(jì)跟試驗(yàn)1一樣，測定指標(biāo)主要是開花期（8月22日）、灌漿期（9月9日）和成熟期（9月28日）的冠層光譜數(shù)據(jù)、葉片氮含量和籽粒蛋白質(zhì)含量。本試驗(yàn)主要用于模型的檢驗(yàn)，1次重復(fù)共獲得30個(gè)光譜數(shù)據(jù)、30個(gè)葉片氮含量數(shù)據(jù)和10個(gè)籽粒蛋白質(zhì)含量數(shù)據(jù)，剔除異常值獲得25個(gè)光譜數(shù)據(jù)，7個(gè)籽粒蛋白質(zhì)數(shù)據(jù)，9個(gè)灌漿期葉片氮含量數(shù)據(jù)。

試驗(yàn)3：2018年在河曲縣文筆鎮(zhèn)鄔家沙梁村進(jìn)行試驗(yàn)，河曲縣是糜子主產(chǎn)區(qū)。該地處于丘陵旱薄地區(qū)，年平均氣溫為7.8℃左右，年降雨量為350 mm，海拔1 036 m，無霜期150 d左右。6月10號播種，前茬作物為玉米，土壤全氮含量0.89 g·kg-1，有效磷6.59 mg·kg-1，速效鉀85.5 mg·kg-1，有機(jī)質(zhì)14.1 g·kg-1，pH 8.66。試驗(yàn)設(shè)計(jì)同試驗(yàn)1一樣，本試驗(yàn)主要用于模型的檢驗(yàn)，開花期（8月10日）和灌漿期（8月28日）1次重復(fù)共獲得20個(gè)光譜數(shù)據(jù)和20個(gè)葉片氮含量數(shù)據(jù)，剔除異常值獲得14個(gè)光譜數(shù)據(jù)，獲得8個(gè)灌漿期葉片氮含量數(shù)據(jù)。

1.2 測定方法

1.2.1 光譜測定 采用美國Analytical Spectral Device（ASD）公司生產(chǎn)的FieldSpec 4型背掛式野外高光譜輻射儀。波段范圍為350—2 500 nm，視場角度為25°，其中350—1 000 nm光譜采樣間隔1.4 nm，光譜分辨率3 nm；1 000—2 500 nm光譜采樣間隔2 nm，光譜分辨率10 nm，所用的儀器在每季度用白色標(biāo)準(zhǔn)白版校準(zhǔn)1次。糜子冠層光譜測定選擇在10：00—14：00，天氣晴朗、無風(fēng)或風(fēng)速很小的天氣條件下進(jìn)行，測量時(shí)傳感器探頭垂直向下，距冠層頂垂直高度約1.0 m。測量過程中，及時(shí)在每組目標(biāo)觀測前后進(jìn)行標(biāo)準(zhǔn)白板校正。

1.2.2 葉片氮含量和籽粒蛋白質(zhì)含量的測定 與光譜測定同步，每小區(qū)取5株，按葉片、莖、籽粒、皮殼（含穗軸）進(jìn)行分樣，在105℃下殺青30 min后80℃下烘干，稱重，粉碎。用全自動凱氏定氮儀測定成熟期籽粒氮含量和不同生育時(shí)期葉片氮含量（leaf nitrogen content，LNC，%）。籽粒蛋白質(zhì)含量（grain protein content，GPC，%）=籽粒氮含量×6.25；氮素轉(zhuǎn)運(yùn)率（%）=（開花期葉片氮素含量-成熟期葉片氮素含量）/開花期葉片氮素含量。

1.3 模型構(gòu)建及評價(jià)

運(yùn)用逐步多元線性回歸[17]（SMLR）、偏最小二乘回歸[18]（PLS）和支持向量機(jī)[19]（SVM）進(jìn)行模型構(gòu)建。運(yùn)用決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean squared error，）和預(yù)測殘差（Residual prediction difference，）等統(tǒng)計(jì)參數(shù)進(jìn)行模型評價(jià)，其中2越接近1，越小，表明模型具有較好的預(yù)測精度。當(dāng)＞2時(shí)，模型具有較好的預(yù)測能力，1.4＜＜2時(shí)，模型具有中等預(yù)測能力，＜1.4時(shí)，模型預(yù)測能力較差。

式中，n表示樣本數(shù)，p為進(jìn)入模型中的變量個(gè)數(shù)，Yi′和Yi分別是預(yù)測值和實(shí)測值，（standard deviation）為實(shí)測值的標(biāo)準(zhǔn)差。

1.4 數(shù)據(jù)處理

用ViewSpec Pro對采集到的數(shù)據(jù)進(jìn)行平均處理，剔除異常值；采用SPSS 19.0對試驗(yàn)數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析；MATLAB7.0進(jìn)行SMLR特征提取和PLS、SVM模型構(gòu)建；Unscrambler9.7對光譜數(shù)據(jù)進(jìn)行一階微分處理和Savitzky-Golay平滑處理；Excel和Origin進(jìn)行作圖分析。

2 結(jié)果

2.1 描述性統(tǒng)計(jì)分析

由表1可以看出，葉片氮含量（LNC）的校正集和驗(yàn)證集最大值分別為3.990和3.930，最小值分別為1.090和1.270，全距較大，表明樣本具有一定的差異性，校正集和驗(yàn)證集均值相近，標(biāo)準(zhǔn)差較小，為實(shí)現(xiàn)糜子葉片氮含量和籽粒蛋白質(zhì)含量高光譜監(jiān)測奠定了有效的數(shù)據(jù)基礎(chǔ)。

表1 糜子葉片氮含量（LNC）的描述性統(tǒng)計(jì)分析

2.2 光譜特性分析

由于空氣水汽和環(huán)境等噪音的影響，剔除了1 800—1 950 nm的數(shù)據(jù)。以糜子開花期為例（圖1-A），不同氮素運(yùn)籌下反射率趨勢大致相同，550和670 nm處形成反射峰和吸收谷，700—1 300 nm處形成近紅外高反射平臺，不同處理在近紅外波段（780—1 350 nm）的光譜反射率有明顯的變化差異，以A3B3處理的反射率最高，對照A1的反射率最低，主要是由于合理的施氮量可以建立合理的糜子群體結(jié)構(gòu)和葉片細(xì)胞內(nèi)部結(jié)構(gòu)，造成該區(qū)域波段的吸收率低，反射率高。

由圖1-B可以看出，不同生育時(shí)期的冠層光譜反射率的差異性主要集中在近紅外光780—1 350 nm區(qū)域，以抽穗期的冠層反射率最高，成熟期的最低，主要是由于抽穗期糜子葉片葉綠素含量較高，群體長勢良好，而成熟期糜子植株葉片發(fā)黃，其冠層光譜不具備綠色植被的光譜特征。表明利用冠層光譜對不同施氮量的敏感響應(yīng)性進(jìn)行葉片氮含量（LNC）定量分析是可行的。

2.3 葉片氮含量（LNC）與高光譜的相關(guān)性及敏感波段的確立

通過對糜子原始光譜（R）和一階導(dǎo)數(shù)光譜反射率（1ST）與葉片氮含量（LNC）進(jìn)行相關(guān)性分析（圖2），可以看出原始光譜葉片氮含量（LNC）的敏感區(qū)域主要集中在400—800 nm，一階導(dǎo)數(shù)光譜葉片氮含量（LNC）的敏感區(qū)域主要集中在500—1 700 nm，根據(jù)逐步多元線性回歸（SMLR）分析，將418、697和2 274 nm作為原始光譜的特征波段，將534、683和2 084 nm作為一階導(dǎo)數(shù)光譜的特征波段。將這6個(gè)波段作為輸入樣本進(jìn)行模型的構(gòu)建（表2）。

2.4 糜子葉片氮含量（LNC）的高光譜模型

利用試驗(yàn)1的原始光譜反射率（R）和一階導(dǎo)數(shù)（1ST）數(shù)據(jù)，通過SMLR、PLS和SVM 3種建模方法構(gòu)建糜子全生育期葉片氮含量（LNC）的估算模型。根據(jù)建模集的決定系數(shù)（2）、均方根誤差（）和預(yù)測殘差（）選取最佳模型，利用試驗(yàn)2和試驗(yàn)3數(shù)據(jù)對模型進(jìn)行驗(yàn)證。由表3可以看出，除R-SMLR模型外，其他模型的擬合集和驗(yàn)證集的2都達(dá)到0.8以上，都達(dá)到2以上，對糜子葉片氮含量都有準(zhǔn)確的預(yù)測能力。通過驗(yàn)證集的模型評價(jià)指標(biāo)可以看出，SVM模型要優(yōu)于SMLR和PLS模型，并且R-SVM模型效果優(yōu)于1ST-SVM，建模集和驗(yàn)證集的2分別為0.928、0.924；值相對較小，分別為0.19、0.12；都大于2，分別為3.71、6.07。說明R-SVM模型可以更加準(zhǔn)確地預(yù)測全生育期糜子葉片氮含量。

圖1 糜子冠層光譜特征

圖2 糜子葉片氮含量（LNC）與冠層光譜反射率和一階導(dǎo)數(shù)光譜數(shù)據(jù)的相關(guān)性

表2 基于SMLR方法的葉片氮含量（LNC）的光譜特征

表3 糜子葉片氮含量（LNC）的高光譜模型的擬合（n=122）及驗(yàn)證（n=39）

2.5 糜子葉片氮含量（LNC）與籽粒蛋白質(zhì)含量（GPC）的相關(guān)性及定量關(guān)系

由圖3可以看出，不同處理糜子葉片氮含量都以拔節(jié)期最高，開花期以后，隨著生育進(jìn)程的推進(jìn)葉片氮含量逐漸減小，其中對照A1的葉片氮素轉(zhuǎn)運(yùn)率最高，為60.40%，A3B3處理的轉(zhuǎn)運(yùn)率最低，為38.86%，這主要是因?yàn)槊幼幽偷偷?、氮素利用效率較其他作物高和自身調(diào)節(jié)能力強(qiáng)。

利用試驗(yàn)1和試驗(yàn)2數(shù)據(jù)分別對不同生育時(shí)期的葉片氮含量（LNC）和成熟期籽粒蛋白含量進(jìn)行相關(guān)性分析（表4）。可以看出，開花期、灌漿期和成熟期葉片氮含量（LNC）與籽粒蛋白質(zhì)含量（GPC）達(dá)到極顯著正相關(guān)，分別為0.48、0.66和0.73，拔節(jié)期和抽穗期與籽粒蛋白含量達(dá)到正相關(guān)，但差異不顯著，主要是由于拔節(jié)期和抽穗期主要以營養(yǎng)生長和生長發(fā)育并進(jìn)為主，從開花期以后，植株由營養(yǎng)生長轉(zhuǎn)為生殖生長，氮素營養(yǎng)逐漸向籽粒轉(zhuǎn)運(yùn)，所以葉片氮含量和籽粒蛋白質(zhì)含量擬合程度越來越高。

2.6 基于糜子葉片氮含量（LNC）的籽粒蛋白質(zhì)含量（GPC）光譜模型的構(gòu)建

利用開花期、灌漿期和成熟期的葉片氮含量（LNC）與籽粒蛋白質(zhì)含量（GPC）建立線性關(guān)系（表5），該方程能較好的反應(yīng)葉片氮含量（LNC）和籽粒蛋白質(zhì)含量（GPC）的定量關(guān)系，其決定系數(shù)分別為0.631、0.872和0.900。

圖3 不同處理對糜子葉片氮含量的影響

表4 不同生育時(shí)期葉片氮含量間及與成熟期籽粒蛋白質(zhì)含量的相關(guān)性

**和* 分別表示1%和5%水平上差異顯著

* and ** indicate significant correlations at 0.05 and 0.01 levels, respectively

由于開花期糜子葉片氮含量和籽粒蛋白質(zhì)含量決定系數(shù)（2=0.631）較灌漿期和成熟期差，并且灌漿期較成熟期更能較早預(yù)測糜子葉片氮含量，所以利用灌漿期的糜子葉片氮含量為鏈接點(diǎn)來建立籽粒蛋白質(zhì)的高光譜預(yù)測模型。為了考察模型的可靠性和普適性，利用試驗(yàn)1、試驗(yàn)2和試驗(yàn)3的灌漿期光譜數(shù)據(jù)和葉片氮含量數(shù)據(jù)對模型進(jìn)行驗(yàn)證，預(yù)測值和實(shí)測值1﹕1關(guān)系見圖4，可以看出R-SVM模型的值最大，為1.65，為0.14，2為0.7476，所以能在灌漿期較好預(yù)測糜子葉片氮含量。該模型同試驗(yàn)1建立的糜子全生育期葉片氮含量預(yù)測模型一致，都以R-SVM模型最優(yōu)。說明R-SVM模型可以較好預(yù)測灌漿期糜子葉片氮含量，進(jìn)而間接預(yù)測籽粒蛋白質(zhì)含量。

表5 開花期、灌漿期和成熟期葉片氮含量（LNC）與籽粒蛋白質(zhì)含量（GPC）的模型

3 討論

3.1 糜子葉片氮含量的高光譜監(jiān)測

氮素是植物生長發(fā)育必需的大量元素之一，是植物體內(nèi)葉綠素、蛋白質(zhì)、核酸、激素等大量功能物質(zhì)的重要組成元素。氮素缺乏，葉片色素含量減少，光合作用減弱，導(dǎo)致葉片提前衰老和死亡，嚴(yán)重影響植物產(chǎn)量和品質(zhì)的提高。氮素對產(chǎn)量的貢獻(xiàn)率高達(dá)40%—50%[20-21]，是評價(jià)植物光合作用效率和營養(yǎng)水平的重要指標(biāo)[22]。前人對不同作物葉片氮含量的光譜監(jiān)測研究已有大量報(bào)道，馮偉[4]和薛利紅[23]等主要是通過可見光和近紅外光建立的植被指數(shù)來預(yù)測作物的葉片氮含量，并且后者研究得出全生育時(shí)期紅波段（660 nm）和藍(lán)波段（460 nm）組成的比值指數(shù)和歸一化指數(shù)能較好預(yù)測小麥葉片含氮量，紅波段（660 nm）與本試驗(yàn)得出的原始光譜和一階導(dǎo)數(shù)特征光譜波段697 nm和683 nm基本一致。由于多數(shù)植被指數(shù)是由可見光和近紅外光組成的，與具有2 000多個(gè)波段的高光譜數(shù)據(jù)相比，很難代表所有光譜信息，導(dǎo)致一些重要光譜信息丟失，并且歸一化植被指數(shù)（NDVI）和相關(guān)植被指數(shù)與一些農(nóng)學(xué)參數(shù)存在“飽和”現(xiàn)象，從而減低了預(yù)測模型的精度[24]。所以本試驗(yàn)主要運(yùn)用了逐步多元線性回歸（SMLR）、偏最小二乘回歸（PLS）和支持向量機(jī)（SVM）模型來預(yù)測糜子葉片氮含量，以支持向量機(jī)（SVM）的預(yù)測模型最優(yōu)，這與張松等[6]研究得出最優(yōu)的監(jiān)測模型一致。

3.2 糜子籽粒蛋白質(zhì)含量的高光譜監(jiān)測

籽粒蛋白質(zhì)含量是評價(jià)作物品質(zhì)的重要指標(biāo)之一，由于常規(guī)室內(nèi)分析化學(xué)法測定籽粒蛋白質(zhì)含量費(fèi)工費(fèi)時(shí)等缺點(diǎn)[25]，而高光譜監(jiān)測技術(shù)能夠大范圍內(nèi)實(shí)時(shí)監(jiān)測籽粒蛋白質(zhì)相關(guān)指標(biāo)的動態(tài)變化，因此國內(nèi)外學(xué)者利用高光譜監(jiān)測技術(shù)對籽粒蛋白質(zhì)含量進(jìn)行了大量研究。目前監(jiān)測籽粒蛋白質(zhì)的研究方法主要有直接方法（遙感信息—籽粒蛋白質(zhì)含量）和間接方法（遙感信息—農(nóng)學(xué)參數(shù)—籽粒蛋白質(zhì)含量）[26]，其中直接監(jiān)測籽粒蛋白質(zhì)含量的主要方法有近紅外光譜儀快速監(jiān)測[7]和全波段人工神經(jīng)網(wǎng)絡(luò)（ANN）、偏最小二乘回歸（PLSR）和支持向量機(jī)（SVM）等模型監(jiān)測[6,9,12-13]。間接方法主要是通過利用與籽粒蛋白質(zhì)含量密切相關(guān)的農(nóng)學(xué)參數(shù)為鏈接點(diǎn)來建立基于光譜信息（植被指數(shù)、紅邊面積等）的籽粒蛋白質(zhì)含量監(jiān)測模型。由于葉片氮素含量和籽粒蛋白質(zhì)含量密切相關(guān)，所以許多學(xué)者通過監(jiān)測植株葉片氮含量來預(yù)測籽粒蛋白質(zhì)含量[5,8,10-11,27-28]。本試驗(yàn)以糜子葉片氮含量為鏈接點(diǎn)，建立了基于糜子籽粒蛋白質(zhì)含量的高光譜監(jiān)測模型，得出以灌漿期R-SVM的監(jiān)測模型最優(yōu)。李映雪等[29]研究RVI（1220,710）能夠較好地預(yù)測小麥灌漿期的葉片氮含量，進(jìn)而間接預(yù)測籽粒蛋白質(zhì)含量；賀佳等[10]研究得出在抽穗期和灌漿期監(jiān)測冬小麥籽粒蛋白質(zhì)含量效果較好，這與本試驗(yàn)灌漿期的監(jiān)測模型最優(yōu)相一致，這主要是由于籽粒蛋白質(zhì)的形成是呈動態(tài)變化的，籽粒灌漿前主要以營養(yǎng)生長或營養(yǎng)生長和生殖生長并進(jìn)為主，葉片氮素同化較慢，籽粒灌漿后，以生殖生長為主，氮素營養(yǎng)快速同化儲存于籽粒，所以灌漿期監(jiān)測模型優(yōu)于其他生育時(shí)期。屈莎等[30]研究得出以冬小麥開花期植株氮素含量為中間變量的模型建模及反演精度最好，這與本試驗(yàn)的研究結(jié)果有一定差異，可能是由于不同作物品種在不同生育時(shí)期對氮素營養(yǎng)的敏感度不同造成的。

圖4 基于高光譜參數(shù)的糜子灌漿期葉片氮含量預(yù)測值和實(shí)測值比較

另外，本試驗(yàn)還有一些不足之處，在建立糜子葉片氮含量和籽粒蛋白質(zhì)含量模型過程中，河曲試驗(yàn)地糜子在開花期受到大風(fēng)雨水襲擊，造成植株出現(xiàn)部分倒伏，從而對試驗(yàn)數(shù)據(jù)準(zhǔn)確性產(chǎn)生了一定影響。試驗(yàn)只考慮了氮素和不同生態(tài)區(qū)這2個(gè)因子，而沒有考慮不同品種和密度等因子的變化，因此，下一步對其他因子進(jìn)行分析，綜合建立一套多因子的籽粒蛋白質(zhì)監(jiān)測模型。

4 結(jié)論

本文通過“遙感信息—農(nóng)學(xué)參數(shù)—籽粒蛋白質(zhì)含量”這一研究思路，初步建立了糜子葉片氮含量和籽粒蛋白質(zhì)含量的高光譜監(jiān)測模型，全生育期以R-SVM監(jiān)測糜子葉片氮含量的模型最優(yōu)，并且灌漿期R-SVM監(jiān)測糜子葉片氮含量模型要優(yōu)于拔節(jié)期、抽穗期和開花期，進(jìn)而間接預(yù)測籽粒蛋白質(zhì)含量。通過這一研究將有助于指導(dǎo)糜子優(yōu)化田間管理、種植業(yè)結(jié)構(gòu)調(diào)整和籽粒品質(zhì)分級，為遙感技術(shù)在糜子優(yōu)質(zhì)高產(chǎn)栽培和精準(zhǔn)農(nóng)業(yè)發(fā)展提供技術(shù)基礎(chǔ)。

[1] 王紹華, 吉志軍, 劉勝環(huán), 丁艷峰, 曹衛(wèi)星. 水稻氮素供需差與不同葉位葉片氮轉(zhuǎn)運(yùn)和衰老的關(guān)系. 中國農(nóng)業(yè)科學(xué), 2003, 36(11): 1261-1265.

WANG S H, Ji Z J, LIU S H, Ding Y F, CAO W X. Relationships between balance of nitrogen supply-demand and nitrogen translocation and senescence of leaves at different positions of rice., 2003, 36(11): 1261-1265. (in Chinese)

[2] 李剛?cè)A, 薛利紅, 尤娟, 王紹華, 丁艷峰, 吳昊, 楊文祥. 水稻氮素和葉綠素SPAD 葉位分布特點(diǎn)及氮素診斷的葉位選擇. 中國農(nóng)業(yè)科學(xué), 2007, 40(6): 1127-1134．

LI G H, XUE L H, YOU J, WANG S H, Ding Y F, Wu H, Yang W X. Spatial distribution of leaf N content and SPAD value and determination of the suitable leaf for N diagnosis in rice., 2007, 40(6): 1127-1134. (in Chinese)

[3] 李金夢, 葉旭君, 王巧男, 張初, 何勇. 高光譜成像技術(shù)的柑橘植株葉片含氮量預(yù)測模型. 光譜學(xué)與光譜分析, 2014, 34(1): 212-216.

LI J M, YE X J, WANG Q N, ZHANG C, HE Y. Development of prediction models for determining N content in citrus leaves based on hyperspectral imaging technology., 2014, 34(1): 212-216. (in Chinese)

[4] 馮偉, 姚霞, 朱艷, 田永超, 曹衛(wèi)星. 基于高光譜遙感的小麥葉片含氮量監(jiān)測模型研究. 麥類作物學(xué)報(bào), 2008, 28(5): 851-860.

FENG W, YAO X, ZHU Y, TIAN Y C, CAO W X. Monitoring leaf nitrogen concentration by hyperspectral remote sensing in wheat., 2008, 28(5): 851-860. (in Chinese)

[5] 馮偉, 姚霞, 田永超, 朱艷, 劉小軍, 曹衛(wèi)星. 小麥籽粒蛋白質(zhì)含量高光譜預(yù)測模型研究. 作物學(xué)報(bào), 2007, 33(12): 1935-1942.

FENG W, YAO X, TIAN Y C, ZHU Y, LIU X J, CAO W X. Predicting grain protein content with canopy hyperspectral remote sensing in wheat., 2007, 33(12): 1935-1942. (in Chinese)

[6] 張松, 馮美臣, 楊武德, 王超, 孫慧, 賈學(xué)勤, 武改紅. 基于近紅外光譜的冬小麥籽粒蛋白質(zhì)含量檢測. 生態(tài)學(xué)雜志, 2018, 37(4): 1276-1281.

ZHANG S, FENG M C, YANG W D, WANG C, SUN H, JIA X Q, WU G H. Detection of grain content in winter wheat based on near infrared spectroscopy., 2018, 37(4): 1276-1281. (in Chinese)

[7] 喬瑤瑤, 趙武奇, 胡新中, 李小平. 近紅外光譜技術(shù)檢測燕麥中蛋白質(zhì)含量. 中國糧油學(xué)報(bào), 2016, 31(8): 138-142.

QIAO Y Y, ZHAO W Q, HU X Z, LI X P. Determination of protein content in oat using near-infraredspectroscopy., 2016, 31(8): 138-142. (in Chinese)

[8] 顧志宏. 基于高光譜的大麥籽粒蛋白質(zhì)含量遙感預(yù)測. 光譜學(xué)與光譜分析, 2012, 32(2): 435-438.

GU Z H. The prediction of barley grain protein content based on hyperspectral data., 2012, 32(2): 435-438. (in Chinese)

[9] 李振海, 徐新剛, 金秀良, 張競成, 宋曉宇, 宋森楠, 楊貴軍, 王紀(jì)華. 基于氮素運(yùn)轉(zhuǎn)原理和GRA-PLS算法的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測. 中國農(nóng)業(yè)科學(xué), 2014, 47(19): 3780-3790.

LI Z H, XU X G, JIN X L, ZHANG J C, SONG X Y, SONG S N, YANG G J, WANG J H. Remote sensing prediction of winter wheat protein content based on nitrogen translocation and GRA-PLS method., 2014, 47(19): 3780-3790. (in Chinese)

[10] 賀佳, 劉冰峰, 黎世民, 郭燕, 王來剛, 張彥, 李軍. 不同生育時(shí)期冬小麥籽粒蛋白質(zhì)含量的高光譜遙感監(jiān)測模型. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2017, 25(6): 865-875.

HE J, LIU B F, LI S M, GUO Y, WANG L G, ZHANG Y, LI J. Winter wheat grain protein content monitoring model driven by hyperspectral remote sensing images at different growth stages., 2017, 25(6): 865-875. (in Chinese)

[11] 陳鵬飛, 王吉順, 潘鵬, 徐于月, 姚凌. 基于氮素營養(yǎng)指數(shù)的冬小麥籽粒蛋白質(zhì)含量遙感反演. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(9): 75-80.

CHEN P F, WANG J S, PAN P, XU Y Y, YAO L. Remote detection of wheat grain protein content using nitrogen nutrition index., 2011, 27(9): 75-80. (in Chinese)

[12] 張新玉, 王穎杰, 劉若西, 申兵輝, 王皎月, 嚴(yán)衍祿, 康定明. 近紅外光譜技術(shù)應(yīng)用于玉米單籽粒蛋白質(zhì)含量檢測分析的初步研究. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào), 2017, 22(5): 25-31.

ZHANG X Y, WANG Y J, LIU R X, SHEN B H, WANG J Y, YAN Y L, KANG D M. Application of near-infrared spectroscopy technology to analyze protein content in single kernel maize seed., 2017, 22(5): 25-31. (in Chinese)

[13] 張浩, 胡昊, 陳義, 唐旭, 吳春艷, 劉玉學(xué), 楊生茂, 鄭可鋒. 水稻葉片氮素及籽粒蛋白質(zhì)含量的高光譜估測模型. 核農(nóng)學(xué)報(bào), 2012, 26(1): 135-140.

ZHANG H, HU H, CHEN Y, TANG X, WU C Y, LIU Y X, YANG S M, ZHENG K F. Estimation nitrogen of rice leaf and protein of rice seed based on hyperspectral data., 2012, 26(1): 135-140. (in Chinese)

[14] 李少昆, 譚海珍, 王克如, 肖春華, 謝瑞芝, 高世菊. 小麥籽粒蛋白質(zhì)含量遙感監(jiān)測研究進(jìn)展. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(2): 302-307．

LI S K, TAN H Z, WANG K R, XIAO C H, XIE R Z, GAO S J. Research progress in wheat grain protein content monitoring using remote sensing., 2009, 25(2): 302-307. (in Chinese)

[15] 妙佳源, 張鈺玉, 王孟, 張盼盼, 李夏, 韓浩坤, 劉鳳琴, 馮佰利. 旱區(qū)糜子農(nóng)田冠層高光譜反射特征研究初報(bào). 黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào), 2015, 27(5): 6-9.

MIAO J Y, ZHANG Y Y, WANG M, ZHANG P P, LI X, HAN H K, LIU F Q, FENG B L. Characteristics of hyperspectral reflectance of broomcorn millet canopy in semi-arid region., 2015, 27(5): 6-9. (in Chinese)

[16] 韓浩坤, 妙佳源, 張鈺玉, 張大眾, 宗國豪, 宮香偉, 李境, 馮佰利. 基于高光譜反射率的糜子冠層葉片葉綠素含量估算. 干旱地區(qū)農(nóng)業(yè)研究, 2018, 36(1): 164-170.

HAN H K, MIAO J Y, ZHANG Y Y, ZHANG D Z, ZONG G H, GONG X W, LI J, FENG B L. Estimating chlorophyll content of proso millet canopy by hyperspectral reflectance.,2018, 36(1): 164-170. (in Chinese)

[17] YANG H F, LI J L. Predictions of soil organic carbon using laboratory-based hyperspectral data in the northern Tianshan mountains, China., 2013, 185(5): 3897-3908.

[18] Gaydou V, Kister J, Dupuy N. Evaluation of multiblock NIR/ MIR PLS predictive models to detect adulteration of diesd/biodiesel blends by vegetal oil., 2011, 106(2): 190-197.

[19] VOHLAND M, BESOLD J, HILL J, FRVND H C. Comparing different multivariate calibration methods for the determination of soil organic carbon pools visible to near infrared spectroscopy., 2011, 166: 198-205.

[20] 陸景陵, 胡靄堂. 植物營養(yǎng)學(xué). 北京: 高等教育出版社, 2006.

LU J L, HU A T.. Beijing: Higher Education Press, 2006. (in Chinese)

[21] 吳巍, 趙軍. 植物對氮素吸收利用的研究進(jìn)展. 中國農(nóng)學(xué)通報(bào), 2010, 26(13): 75-78.

WU W, ZHAO J. Advances on plants′ nitrogen assimilation and utilization.,2010, 26(13): 75-78. (in Chinese)

[22] 王莉雯, 衛(wèi)亞星. 植被氮素濃度高光譜遙感反演研究進(jìn)展. 光譜學(xué)與光譜分析, 2013, 33(10): 2823-2827.

WANG L W, WEI Y X. Progress in inversion of vegetation nitrogen concentration by hyperspectral remote sensing., 2013, 33(10): 2823-2827. (in Chinese)

[23] 薛利紅, 曹衛(wèi)星, 羅衛(wèi)紅, 張憲. 小麥葉片氮素狀況與光譜特性的相關(guān)性研究. 植物生態(tài)學(xué)報(bào), 2004, 28(2): 172-177.

XUE L H, CAO W X, LUO W H, ZHANG X. Correlation between leaf nitrogen status and canopy spectral characteristics in wheat., 2004, 28(2): 172-177. (in Chinese)

[24] SELLERS P J. Canopy reflectance, photosynthesis, and transpiration, II. The role of biophysics in the linearity of their interdependence., 1987, 21: 143-183.

[25] 李冬梅, 田紀(jì)春, 翟紅梅, 張永祥. 小麥蛋白質(zhì)含量測定方法比較. 山東農(nóng)業(yè)科學(xué), 2006(3): 83-84.

LI D M, TIAN J C, ZHAI H M, ZHANG Y X. Methods comparison of determining wheat protein.,2006(3): 83-84. (in Chinese)

[26] 李振海, 楊貴軍, 王紀(jì)華, 徐新剛, 宋曉宇. 作物籽粒蛋白質(zhì)含量遙感監(jiān)測預(yù)報(bào)研究進(jìn)展. 中國農(nóng)業(yè)信息, 2018, 30(1): 46-54.

LI Z H, YANG G J, WANG J H, XU X G, SONG X Y. Remote sensing of grain protein content in cereal: a review., 2018, 30(1): 46-54. (in Chinese)

[27] 李映雪, 朱艷, 田永超, 姚霞, 秦曉東, 曹衛(wèi)星. 小麥葉片氮含量與冠層反射光譜指數(shù)的定量關(guān)系. 作物學(xué)報(bào), 2006, 32(3): 358-362．

LI Y X, ZHU Y, TIAN Y C, YAO X, QIN X D, CAO W X. Quantitative relationship between leaf nitrogen concentration and canopy reflectance spectra., 2006, 32(3): 358-362. (in Chinese)

[28] 王紀(jì)華, 黃文江, 趙春江, 楊敏華, 王之杰. 利用光譜反射率估算葉片生化組分和籽粒品質(zhì)指標(biāo)研究. 遙感學(xué)報(bào), 2003, 7(4): 277-284．

WANG J H, HUANG W J, ZHAO C J, YANG M H, WANG Z J. The inversion of leaf biochemical components and grain quality indicators of winter wheat with spectral reflectance., 2003, 7(4): 277-284. (in Chinese)

[29] 李映雪, 朱艷, 田永超, 尤小濤, 周冬琴, 曹衛(wèi)星. 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(biāo)的定量關(guān)系. 中國農(nóng)業(yè)科學(xué), 2005, 38(7): 1332-1338．

LI Y X, ZHU Y, TIAN Y C, YOU X T, ZHOU D Q, CAO W X. Relationship of grain protein content and relevant quality traits to canopy reflectance spectra in wheat．, 2005, 38(7): 1332-1338. (in Chinese)

[30] 屈莎, 李振海, 邱春霞, 楊貴軍, 宋曉宇, 陳召霞, 劉暢. 基于開花期氮素營養(yǎng)指標(biāo)的冬小麥籽粒蛋白質(zhì)含量遙感監(jiān)測. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(12): 186-193.

QU S, LI Z H, QIU C X, YANG G J, SONG X Y, CHEN Z X, LIU C. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage.,2017, 33 (12): 186-193. (in Chinese)

Effects of hyperspectral prediction on leaf nitrogen content and the grain protein content of broomcorn millet

WANG JunJie, CHEN Ling, WANG HaiGang, CAO XiaoNing, LIU SiChen, TIAN Xiang, QIN HuiBin, QIAO ZhiJun

(Institute of Crop Germplasm Resources, Shanxi Academy of Agricultural Sciences/Key Laboratory of Crop Gene Resources and Germplasm Enhancement on Loess Plateau, Ministry of Agriculture/Shanxi Key Laboratory of Genetic Resources and Genetic Improvement of Minor Crops, Taiyuan 030031)

【】The objective of the study was to explore the best spectral prediction model of protein content in the grain of broomcorn millet based on leaf nitrogen content, which provided theoretical basis for the management and regulation of high-quality production of broomcorn millet.【】Using experimental data and spectral data of nitrogen application in 2017 and 2018, the predicting models on grain protein content were constructed based on hyperspectral by linking the spectral models and grain protein content with leaf nitrogen content as intersection in broomcorn millet. 【】The support vector machine (SVM) which constructed monitoring model of leaf nitrogen content at full growth period was superior to stepwise multiple linear regression (SMLR) and partial least square (PLS), and R-SVM was superior to 1ST-SVM, the2of calibration set and validation set were 0.928 and 0.924,respectively,were 0.19 and 0.12, respectively, andwere 3.71 and 6.07, respectively. Leaf nitrogen content and grain protein content at heading, filling and maturing stages were significantly positively correlated, and their correlation coefficients were 0.48, 0.66 and 0.73, respectively. The R-SVM at filling stage could monitor the grain protein content accurately of broomcorn millet.【】Establishing monitoring model of R-SVM based on grain protein content in broomcorn millet at filling stage, which could help to guide the field management, adjustment of planting structure and grain quality grading, and to provide technical basis for hyperspectral technology in the development of high quality and high yield cultivation and precision agriculture.

broomcorn millet; leaf nitrogen content; grain protein content; hyperspectral; model

2019-03-18；

接受日期：2019-05-27

農(nóng)業(yè)部國家谷子高梁產(chǎn)業(yè)技術(shù)體系項(xiàng)目（CARS-06-13.5-A16）

王君杰，E-mail：xiaoleiwangjie@163.com。

喬治軍，E-mail：nkypzs@126.com

（責(zé)任編輯 楊鑫浩）