江蘇省小麥籽粒蛋白質(zhì)達(dá)標(biāo)弱筋小麥的適生性分析與評(píng)價(jià)

夏樹鳳，王凡，王龍俊，周琴，蔡劍，王笑，黃梅，戴廷波，姜東

江蘇省小麥籽粒蛋白質(zhì)達(dá)標(biāo)弱筋小麥的適生性分析與評(píng)價(jià)

夏樹鳳1，王凡1，王龍俊2，周琴1，蔡劍1，王笑1，黃梅1，戴廷波1，姜東1

（1南京農(nóng)業(yè)大學(xué)/農(nóng)業(yè)部小麥區(qū)域技術(shù)創(chuàng)新中心，南京 210095；2江蘇省農(nóng)業(yè)技術(shù)推廣總站，南京 210013）

【】弱筋小麥?zhǔn)侵谱黠灨筛恻c(diǎn)類食品的原料，其烘烤特性很大程度上取決于蛋白質(zhì)的質(zhì)和量。小麥籽粒蛋白質(zhì)含量（GPC，%）不僅由品種的遺傳特性決定，還受到氣候、土壤、栽培措施等影響。明確江蘇省弱筋小麥適宜種植區(qū)域以及其地理、氣候影響因素，可為江蘇弱筋小麥的種植區(qū)劃提供理論依據(jù)。在2年江蘇省小麥品質(zhì)抽樣調(diào)查數(shù)據(jù)的基礎(chǔ)上，利用隨機(jī)森林算法篩選重要性指標(biāo)，結(jié)合單組率Meta分析及其亞組分析，探究地理位置及氣象因子對(duì)江蘇省小麥籽粒蛋白質(zhì)含量（GPC）達(dá)到弱筋小麥標(biāo)準(zhǔn)可能性的影響。2個(gè)年度江蘇省小麥GPC平均值為13.92 %，其中2018年、2019年小麥GPC變幅分別為11.06%—18.09%、10.20%—16.50%，平均值分別為14.52%、13.33%，GPC＜12.5%的樣品分別占比10%、29.71%。從地理分布看，江蘇的東南沿湖沿海地區(qū)小麥GPC達(dá)到弱筋小麥標(biāo)準(zhǔn)的可能性最高，達(dá)標(biāo)可能性最高可達(dá)92%，其次是江蘇東部沿海地區(qū)以及江蘇西北部沿河一帶。種植地距離一級(jí)河流和湖泊或者海岸線的最短距離為20—30 km時(shí)，達(dá)標(biāo)可能性相對(duì)較高，為23.95%。從氣象因子方面看，生育前期特別是出苗期和拔節(jié)期，降雨量對(duì)江蘇弱筋小麥的形成影響較為重要；生育后期尤其是開花期以及灌漿期后期，積溫對(duì)小麥GPC的影響更重要；且出苗和拔節(jié)期的日照時(shí)數(shù)及開花期的降雨量對(duì)江蘇弱筋小麥的形成亦很重要，其中，江蘇小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性與出苗期的降雨量呈正相關(guān)，而與出苗和拔節(jié)期的日照時(shí)數(shù)、拔節(jié)期的降雨量以及灌漿后期積溫則呈負(fù)相關(guān)。江蘇弱筋小麥適宜的種植范圍受到水系分布與氣象因素的共同制約，主要集中在東部沿海和東南沿海沿湖地區(qū)。在出苗、拔節(jié)期降雨量和開花灌漿期積溫適宜的情況下，西北沿河一帶的小麥GPC也可達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)。品質(zhì)區(qū)劃應(yīng)重點(diǎn)考慮地理位置（水系分布等）和氣候分布。

弱筋小麥；籽粒蛋白質(zhì)含量；單組率Meta分析；隨機(jī)森林

0 引言

【研究意義】弱筋小麥?zhǔn)沁m合制作餅干糕點(diǎn)類食品的原料。自2000年來(lái)，我國(guó)的餅干消費(fèi)量急劇增加，餅干產(chǎn)量在近20年內(nèi)以每年23.23%的速度增長(zhǎng)[1]。作為餅干制作的原料，弱筋小麥的需求量也隨之增長(zhǎng)。餅干制品對(duì)酥脆性的要求較高，在加工過(guò)程應(yīng)盡量避免面筋的形成，這就需要蛋白質(zhì)含量低的弱筋面粉。張岐軍等[2]研究指出，優(yōu)質(zhì)餅干小麥籽粒蛋白質(zhì)含量（grain protein content，GPC）在9%—11.5%。根據(jù)GB/T 17320-2013《小麥品種品質(zhì)分類》規(guī)定，弱筋小麥籽粒干基粗蛋白質(zhì)含量（GPC）＜12.5%[3]。小麥籽粒蛋白質(zhì)含量不僅由小麥品種的遺傳特性決定，還受到氣候、土壤、栽培措施等影響[4-5]。江蘇省位于我國(guó)的長(zhǎng)江中下游弱筋小麥優(yōu)勢(shì)帶，其氣候濕潤(rùn)，熱量條件良好，有利于小麥低蛋白和弱面筋的形成[6]，然而由于長(zhǎng)江中下游河渠縱橫，湖泊星布，小范圍氣候不盡相同，導(dǎo)致了在類似的常規(guī)管理措施下，不同地區(qū)弱筋小麥達(dá)標(biāo)率不同[7]，明確不同種植地的小麥GPC達(dá)到弱筋小麥標(biāo)準(zhǔn)的可能性及其影響因素對(duì)品質(zhì)區(qū)劃具有重要意義?！厩叭搜芯窟M(jìn)展】隨機(jī)森林是利用多棵決策樹對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類器，不僅無(wú)需提前對(duì)自變量和因變量的關(guān)系進(jìn)行假設(shè)，還能有效克服自變量間的多重共線性，并給出各變量的重要性排序[8]，在農(nóng)業(yè)因子分析以及預(yù)測(cè)生物量的研究中已取得較好的應(yīng)用效果[9]。El?bieta[10]采用分類回歸樹和隨機(jī)森林發(fā)現(xiàn)，植物生長(zhǎng)關(guān)鍵階段的土壤質(zhì)量和水分利用率是影響冬小麥產(chǎn)量全球升溫潛能值和變異性最重要變量。劉峻明等[11]采用長(zhǎng)時(shí)間序列氣象數(shù)據(jù)結(jié)合隨機(jī)森林早期預(yù)測(cè)冬小麥產(chǎn)量，得出各氣象特征在不同生育階段對(duì)產(chǎn)量的影響程度。Meta分析作為一種可以對(duì)同一研究目的多個(gè)獨(dú)立研究結(jié)果的綜合定量分析的方法[12]，可以綜合分析多個(gè)年份，多個(gè)試驗(yàn)點(diǎn)的研究結(jié)果。Xu等[13]基于24個(gè)試驗(yàn)點(diǎn)數(shù)據(jù)，利用Meta分析探究了自然因素和耕作方式對(duì)華北平原溫室氣體排放的影響，發(fā)現(xiàn)降水、溫度、土壤pH和質(zhì)地對(duì)華北平原年均溫室氣體排放量沒(méi)有顯著影響，而礦物肥料氮肥施用量與排放量呈指數(shù)關(guān)系增加。單組率Meta分析也叫無(wú)對(duì)照資料的Meta分析，屬于橫斷面研究，只需收集特定時(shí)間、特定范圍內(nèi)一組數(shù)據(jù)中的總樣品數(shù)和事件發(fā)生樣品數(shù)及相關(guān)因素就可進(jìn)行因素與事件發(fā)生之間的關(guān)聯(lián)分析，不需要對(duì)照組，在臨床醫(yī)學(xué)研究中應(yīng)用較多[14-15]。【本研究切入點(diǎn)】現(xiàn)有的關(guān)于弱筋小麥品質(zhì)的研究大多是控制條件下的試驗(yàn)，且試驗(yàn)點(diǎn)少（＜10個(gè)），難以客觀評(píng)估弱筋小麥的分布情況。另一方面，分析氣象等生態(tài)因子對(duì)產(chǎn)量和品質(zhì)的影響，大多采用線性相關(guān)和多元線性回歸分析[16-18]，但是考慮到農(nóng)學(xué)規(guī)律并非都是線性且線性回歸模型會(huì)存在多重共線性問(wèn)題，上述研究方法存在一定缺陷?！緮M解決的關(guān)鍵問(wèn)題】本研究基于2018—2019年2年江蘇省13個(gè)市36個(gè)縣區(qū)157個(gè)抽樣點(diǎn)（依據(jù)兩位經(jīng)緯度數(shù)據(jù)）種植小麥檢測(cè)到的422個(gè)小麥GPC數(shù)據(jù)，利用隨機(jī)森林和SMOTE算法（一種解決分類不平衡問(wèn)題的方法）[19]對(duì)空間特征和氣象因子進(jìn)行重要性分析，篩選出相對(duì)重要的影響因子，并結(jié)合單組率Meta分析及其亞組分析，探究常規(guī)種植模式下江蘇小麥GPC在不同的氣象因子、地理位置范圍內(nèi)達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性，旨在為江蘇弱筋小麥的種植區(qū)劃提供理論和參考依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

本研究所用樣品來(lái)源于2018、2019年江蘇省13市（圖1）小麥品質(zhì)抽樣。抽檢樣品一般取小麥主產(chǎn)縣種植面積排在前幾位的品種，并來(lái)自于種植面積100畝以上的大戶，抽樣縣區(qū)抽樣數(shù)均≥3，抽樣同時(shí)記錄經(jīng)緯度、栽培管理等信息，從中篩選出施氮量介于150—270 kg·hm-2的樣品用于研究。2018年符合以上條件的抽樣有210個(gè)，2019年有212個(gè)，共計(jì)422個(gè)樣品（附表1）。

籽粒蛋白質(zhì)含量（GPC）采用7250型近紅外谷物分析儀進(jìn)行測(cè)定。

氣象數(shù)據(jù)來(lái)自于中國(guó)氣象數(shù)據(jù)網(wǎng)（http://data.cma. cn/），下載小麥抽樣點(diǎn)相應(yīng)的縣區(qū)（市）和年份的逐日氣象數(shù)據(jù)，包括平均氣溫、光照時(shí)數(shù)和24 h累計(jì)降水量，同一年份和縣區(qū)的氣候條件相同。缺失值采用ArcGIS map 10.2空間插值獲得[20]。

抽樣地距一級(jí)河流和湖泊或者海岸線的最短距離利用ArcGIS map 10.2通過(guò)鄰域分析獲得。

1.2 數(shù)據(jù)分析

1.2.1 隨機(jī)森林的構(gòu)建

（1）特征集及目標(biāo)變量的構(gòu)造

圖1 2018和2019年江蘇小麥抽樣點(diǎn)分布

根據(jù)GB/T 17320-2013 《小麥品種品質(zhì)分類》，弱筋小麥籽粒蛋白質(zhì)含量（GPC）＜12.5 %，依此標(biāo)準(zhǔn)將GPC數(shù)據(jù)分為弱筋和非弱筋兩類，分別為84和338個(gè)樣品。由于灌漿期是小麥籽粒形成的關(guān)鍵時(shí)期，且江蘇省小麥的灌漿期在4、5月，因此按旬統(tǒng)計(jì)了4、5月各旬的總降雨量（RAIN）、總?cè)照諘r(shí)數(shù)（SUN）、積溫（TEM），按月統(tǒng)計(jì)了11、12、1、2、3月上述氣象因子。考慮到江蘇省的一級(jí)河流及湖泊和海岸線從西向東分布不同（圖1），且盡管一些農(nóng)業(yè)區(qū)劃研究考慮了河流的影響，但是鮮有研究將河流信息定量納入[21-22]，種植地距一級(jí)河流和湖泊或者海岸線的最短距離（Distance）也被納入分析變量。

（2）構(gòu)建過(guò)程

為使得模型適用多樣的氣候條件，使用R-3.6.1軟件將2年的原始數(shù)據(jù)按7：3隨機(jī)分為訓(xùn)練集（306個(gè)）和檢測(cè)集（116個(gè)），使用DMwR包中的SMOTE算法擴(kuò)充和平衡弱筋模型原訓(xùn)練集中弱筋和非弱筋兩分類的樣本量，使其數(shù)量各為126個(gè)，構(gòu)成新的訓(xùn)練集。通過(guò)隨機(jī)且有放回地（bootstrap法）從新訓(xùn)練集中采樣得到N棵樹所需的N個(gè)子訓(xùn)練集，使得每個(gè)的子訓(xùn)練集都不同且包含重復(fù)的訓(xùn)練樣本，每次未被抽到的數(shù)據(jù)成為袋外數(shù)據(jù)（out-of-bag，OOB），用來(lái)進(jìn)行內(nèi)部誤差評(píng)估和變量重要性評(píng)價(jià)。生成每棵樹時(shí)，從規(guī)模為M的特征變量集中選擇m個(gè)變量（m＜M），最優(yōu)m盡量選擇在N棵樹上，OBB誤差小且接近的數(shù)值。每棵樹內(nèi)的特征節(jié)點(diǎn)的選擇基于GINI系數(shù)，GINI(D)=，y表示數(shù)據(jù)集D中的類別數(shù)，pk是該類在該集合中的比例。其意義是從數(shù)據(jù)集中隨機(jī)抽取2個(gè)樣本類別標(biāo)識(shí)不一致的概率?；嶂笖?shù)越小，數(shù)據(jù)集的純度越高。在本研究中，根據(jù)試驗(yàn)結(jié)果實(shí)時(shí)優(yōu)化決策樹數(shù)目N和特征變量個(gè)數(shù)m這2個(gè)參數(shù)，最終N等于1 000，m等于7。并用檢測(cè)集驗(yàn)證模型精確度，計(jì)算誤判率，以精度平均較少值計(jì)算各因子影響江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的重要性，以上可通過(guò)randomForest包實(shí)現(xiàn)。

1.2.2 單組率Meta分析 基于2018年和2019年422條小麥籽粒蛋白質(zhì)含量數(shù)據(jù)，統(tǒng)計(jì)同一縣區(qū)、同一年份（默認(rèn)氣候條件相同）樣品蛋白質(zhì)含量達(dá)到弱筋小麥標(biāo)準(zhǔn)的個(gè)數(shù)（R，R≥0）以及總個(gè)數(shù)（T，T≥3），獲得43組數(shù)據(jù)，計(jì)算弱筋小麥達(dá)標(biāo)率P，經(jīng)緯度和種植地距一級(jí)河流和湖泊或者海岸線的最短距離（Distance）采用縣區(qū)內(nèi)樣品點(diǎn)均值。采用R-3.6.1軟件Meta包中的metaprop函數(shù)進(jìn)行Meta分析，由于相當(dāng)多的地區(qū)弱筋小麥達(dá)標(biāo)率過(guò)大（如0.8＜P＜1.0）或過(guò)小（如0＜P＜0.2），使用Freeman- Tukey雙反正弦對(duì)P值進(jìn)行數(shù)據(jù)轉(zhuǎn)換來(lái)穩(wěn)定方差[14, 23]，隨后，進(jìn)行異質(zhì)性檢驗(yàn)和單組率meta分析。為進(jìn)一步探究地理位置和氣象特征如何影響弱筋小麥的達(dá)標(biāo)可能性，選擇經(jīng)緯度及隨機(jī)森林的重要性＞15的變量3等分進(jìn)行因素分析，對(duì)轉(zhuǎn)換后的P值等權(quán)相加，合并效應(yīng)量為江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)率值，計(jì)算其合并后的點(diǎn)估計(jì)值及95%置信區(qū)間。

統(tǒng)計(jì)學(xué)異質(zhì)性采用c2檢驗(yàn)和I^2進(jìn)行判斷。當(dāng)各研究間存在統(tǒng)計(jì)學(xué)同質(zhì)性時(shí)（＞0.10，I^2＜25%），使用固定效應(yīng)模型分析；當(dāng)各研究間存在統(tǒng)計(jì)學(xué)異質(zhì)性時(shí)（＜0.10，I^2＞25%），采用隨機(jī)效應(yīng)模型分析。本研究I^2=77%＞25 %，-value＜0.1，存在統(tǒng)計(jì)學(xué)異質(zhì)性，因此選擇隨機(jī)效應(yīng)模型。

采用MySQL進(jìn)行數(shù)據(jù)整合，采用R-3.6.1軟件進(jìn)行繪圖，利用ArcGIS map10.2反距離插值法進(jìn)行插值繪制地圖。

2 結(jié)果

2.1 江蘇省小麥籽粒蛋白質(zhì)含量概況

在常規(guī)種植模式下，2個(gè)年度江蘇省小麥籽粒蛋白質(zhì)含量（GPC）平均值為13.92%，其中2018年、2019年小麥GPC變幅分別為11.06%—18.09%、10.20%—16.50%，平均值分別為14.52%、13.33%，GPC≥14%樣品的占比分別為67.14%、34.12%，12.5%≤GPC＜14%的占比分別為22.86%、36.17%，GPC＜12.5%的樣品分別占比10%、29.71%。2018年GPC普遍高于2019年（圖2）。

2018年22個(gè)縣中有6個(gè)縣存在GPC達(dá)到弱筋小麥標(biāo)準(zhǔn)的小麥，2019年21個(gè)縣區(qū)中有11個(gè)。2018年GPC達(dá)到弱筋小麥標(biāo)準(zhǔn)的小麥占比10%，達(dá)標(biāo)率前3的縣區(qū)（市）是靖江（Jingjiang）、大豐（Dafeng）、太倉(cāng)（Taicang），分別為67%，41%和24%。2019年占比29.71%。達(dá)標(biāo)率前3的縣區(qū)（市）是常熟（Changshu）、昆山（Kunshan）、睢寧（Suining），分別為92%，90%和64%。地區(qū)方面，弱筋小麥達(dá)標(biāo)率始終是蘇南＞蘇中＞蘇北，在2018年分別為16.67%，10.83%和6.06%，2019年分別為63.64%，25%和9.09%。

蘇南的東南沿海沿湖縣區(qū)（太倉(cāng)、常熟、昆山）以及蘇中的東部沿?？h區(qū)（大豐）在2018年和2019年都有弱筋小麥分布，蘇北地區(qū)的西北部沿河縣區(qū)（睢寧、豐縣、淮陰、宿城）僅在2019年有分布。

橫線表示蛋白質(zhì)含量等于12.5%，1、2、3分別表示蘇南、蘇中、蘇北，其后為縣區(qū)

2.2 江蘇省小麥籽粒蛋白質(zhì)含量達(dá)到弱筋小麥標(biāo)準(zhǔn)的可能性及其分布

通過(guò)單組率Meta分析合并江蘇省不同年份、不同縣區(qū)的效應(yīng)量，得出江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的率值，結(jié)果表明常規(guī)種植模式下，小麥在江蘇的弱筋GPC達(dá)標(biāo)可能性為9.48%，95%置信區(qū)間為[2.69%，18.57%]（圖3）。

由圖4可知，江蘇東南部以及靖江區(qū)域的小麥GPC達(dá)到弱筋小麥標(biāo)準(zhǔn)可能性最高，均大于50%（此處臨海和太湖）。其次是江蘇北部的沿河流一帶，以及江蘇東部的沿海區(qū)域，達(dá)標(biāo)可能性最高可達(dá)41%。而江蘇的西南部、東北部以及中心區(qū)域達(dá)標(biāo)可能性幾乎為0。除了氣候因素以外，這些區(qū)域的水系分布相對(duì)其他區(qū)域較少，因此，種植地距一級(jí)河流和湖泊或者海岸線的最短距離（Distance）也用于隨機(jī)森林的構(gòu)建（圖5）。

2.3 影響小麥籽粒蛋白質(zhì)含量達(dá)到弱筋小麥標(biāo)準(zhǔn)的關(guān)鍵因子

弱筋小麥隨機(jī)森林模型基于袋外觀測(cè)的預(yù)測(cè)誤判率為16.27%，對(duì)檢測(cè)集（116個(gè)）的誤判率為12.07%，對(duì)全部數(shù)據(jù)集（422個(gè)）的整體誤判率為14.22%。模型變量重要性如圖5所示，Mean decrease accuracy是指預(yù)測(cè)誤差準(zhǔn)確性降低的程度，該值越大表示該變量的重要性越大[24]。氣象因子是影響江蘇省小麥GPC能否達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的最重要因素。重要性＞15的氣象因子有11月和3月的總降雨量（RAIN11、RAIN3）和總?cè)照諘r(shí)數(shù)（SUN11、SUN3），4月下旬的總降雨量（RAIN43）、積溫（TEM43）和5月中旬的積溫（TEM52）。有4個(gè)氣象因子的重要性大于地理位置因素（Distance）。其中，11月的總降雨量（RAIN11）是最重要的氣象因子，此時(shí)江蘇小麥正處于出苗階段。第2重要的氣象因子是3月的總降雨量（RAIN3），此時(shí)江蘇小麥處于拔節(jié)期。5月中旬（灌漿期）的積溫（TEM52）和4月下旬（開花期前后）的積溫（TEM43）也是相對(duì)重要的氣象因素。抽樣點(diǎn)距離一級(jí)河流和湖泊或者海岸線的最短距離（Distance）重要性排名第5，3月的總?cè)照諘r(shí)數(shù)（SUN3）的重要性排名第6，但兩者差異不明顯。12月的總?cè)照諘r(shí)數(shù)（SUN12）是最不重要的指標(biāo)，其次是2月的總?cè)照諘r(shí)數(shù)（SUN2）。

圖5中的熱力圖表明，生育前期，出苗和分蘗期（11—12月）、拔節(jié)期（3月）的各氣象因子之間總降雨量的影響更大，越冬期（1—2月）的積溫相對(duì)其他氣象因子重要；生育后期，即4月到5月中旬（從孕穗到灌漿期），其積溫對(duì)江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的影響更大。

2.4 江蘇省小麥籽粒蛋白質(zhì)含量達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性與關(guān)鍵因子的關(guān)系

2.4.1 江蘇省小麥籽粒蛋白質(zhì)含量達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性與地理位置的關(guān)系 抽樣點(diǎn)距離一級(jí)河流和湖泊或者海岸線的最短距離短，其種植的小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性高，在距離為20—30 km時(shí)達(dá)到最高，為23.95%，其次是30—40 km, 為22.58%，超過(guò)40 km后或小于10 km，達(dá)標(biāo)可能性遠(yuǎn)遠(yuǎn)低于平均水平，幾乎為0（圖6）。因此，除了氣候因子影響外，種植地距離一級(jí)河流和湖泊或者海岸線的最短距離也造成隨著緯度從30.76°到35.12°向北推移，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性從32.17%迅速下降至0.03%，但32.94—34.03°之間可能性略微上升；隨著經(jīng)度從116.36°到122°向東推移，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性從4.45%逐步上升至60.59%，在119.18—120.59°之間略微下降。

2018，2019為年份，其后為縣區(qū)The 2018 and 2019 followed by name of county indicate the year

圖4 江蘇省小麥籽粒蛋白質(zhì)含量（GPC）達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性分布

2.4.2 江蘇省籽粒小麥蛋白質(zhì)含量達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性與關(guān)鍵氣象因子的關(guān)系 重要性＞15的氣象因子中有關(guān)降雨量指標(biāo)是11月的總降雨量（RAIN11）、3月的總降雨量（RAIN3）以及4月下旬的總降雨量（RAIN43）。11月的總降雨量（RAIN11）與江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性呈正相關(guān)，此時(shí)處于出苗期，當(dāng)總降雨量＞39.5 mm時(shí)，達(dá)標(biāo)可能性大于全省水平，總降雨量在73.5—107.5 mm之間，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性最高，為21.14 %。3月的總降雨量（RAIN3）與江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性呈負(fù)相關(guān)，此時(shí)處于拔節(jié)分蘗期，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性在總降雨量＜47.4 mm時(shí)，低于全省水平，在總降雨量為10.5—47.4 mm時(shí)最高，為16.97 %。4月下旬，江蘇省小麥處于開花期前后，GPC達(dá)標(biāo)可能性隨總降雨量先上升后下降，在適當(dāng)?shù)目偨涤炅浚?8.5—54 mm）下，GPC達(dá)標(biāo)可能性最高，為18.83%（圖7）。

5月中旬的積溫（TEM52）與江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性呈負(fù)相關(guān)，在積溫較低（193—214.1℃）時(shí)，GPC達(dá)標(biāo)可能性最高，為13%。而江蘇省小麥GPC達(dá)標(biāo)可能性隨著4月下旬的積溫（TEM43）的增加，先上升后下降，在適宜的積溫（153.4—178.9℃）下，GPC達(dá)標(biāo)可能性最高，為32.66%。

日照時(shí)數(shù)方面，隨著3月份的總?cè)照諘r(shí)數(shù)的增加，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性呈現(xiàn)下降趨勢(shì)，在148.4—177.9 h時(shí)，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)可能性最高，為12.07%。11月的總?cè)照諘r(shí)數(shù)對(duì)江蘇省小麥GPC達(dá)標(biāo)可能性的影響與之相同，在總?cè)照諘r(shí)數(shù)在87.2—126.9 h時(shí)，GPC達(dá)標(biāo)可能性最高，達(dá)17.9%。

TEM，SUN，RAIN分別為積溫，日照時(shí)數(shù)，降雨量。后面的數(shù)字表示月份，其中41，42，43，51，52，53分別表示4月上、中、下旬，5月上、中、下旬。Distance表示樣品點(diǎn)距離一級(jí)河流和湖泊或者海岸線的最短距離，下同

實(shí)線表示95%置信區(qū)間Solid line represents 95%-CI

實(shí)線表示95%置信區(qū)間Solid line represents 95%-CI

2.5 同一縣區(qū)（市）不同年份小麥籽粒蛋白質(zhì)含量達(dá)標(biāo)弱筋小麥可能性受關(guān)鍵因子的影響驗(yàn)證

蘇中東部沿海縣區(qū)大豐（Dafeng）在2018和2019年均有弱筋小麥分布，而蘇北沿河縣區(qū)睢寧（Suining）、淮陰（Huaiyin）、宿城（Sucheng）僅在2019年有弱筋小麥分布（圖2）。選取隨機(jī)森林模型重要性＞15的關(guān)鍵因子結(jié)合Meta分析所得的各關(guān)鍵因子不同區(qū)間下江蘇省小麥GPC達(dá)標(biāo)的可能性（圖6—7）發(fā)現(xiàn)，2019年淮陰、睢寧、宿城的11月總降雨量和日照時(shí)數(shù)、3月的總降雨量、4月下旬的積溫和總降雨量、5月中旬的積溫均比2018年有利于弱筋小麥的生長(zhǎng)。2018年大豐3月的總降雨量，4月下旬的積溫和總降雨量以及地理位置均值（Distance）分別為71.2 mm，176.3℃，39 mm，21.22 km，比睢寧（64 mm，200.6℃，3 mm，23.93 km）、淮陰（88.9 mm，189.4℃，23.5 km, 5.67 km）、宿城（108.1 mm，200.6 ℃，23.5 km，9.57 km）有利于江蘇小麥GPC達(dá)標(biāo)弱筋小麥，且由于4月下旬積溫和總降雨量比2019年同期氣象因子更適宜，給小麥GPC達(dá)標(biāo)弱筋小麥帶來(lái)更大的積極性，從而使得大豐在2年均有弱筋小麥分布（圖8）。

3 討論

蛋白質(zhì)含量是決定小麥籽粒烘焙品質(zhì)的關(guān)鍵指標(biāo)，從江蘇省小麥籽粒品質(zhì)抽樣結(jié)果看，小麥GPC 2年平均值為13.92%，變幅為10.20%—18.09%。2018年小麥GPC均值比2019年高8.93%，其中GPC≥14%樣品占比比2019年高33.02%，12.5%≤GPC＜14 %的樣品占比比2019年低13.31%，GPC＜12.5 %（弱筋小麥）占比比2019年低19.71%。蘇南的東南沿海沿湖縣區(qū)（太倉(cāng)、常熟、昆山）以及蘇中的東部沿?？h區(qū)（大豐）在2018年和2019年都有弱筋小麥分布，蘇北地區(qū)的西北部沿河縣區(qū)（睢寧、豐縣、淮陰、宿城）僅在2019年有弱筋小麥分布。采用隨機(jī)森林算法和單組率Meta分析及亞組分析對(duì)江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性定量研究發(fā)現(xiàn)，江蘇省不同年份、不同縣區(qū)弱筋小麥的分布與氣象因子以及水系分布有很大的關(guān)系。

圖8 淮陰、睢寧、宿城、大豐在關(guān)鍵因子影響下的2018和2019年的達(dá)標(biāo)可能性

地理因素方面，抽樣點(diǎn)距離一級(jí)河流和湖泊或者海岸線的最短距離造成了相對(duì)大的影響，最大差值為23.95%。這可能由于接近河流的地區(qū)土壤中的水分在小麥生育后期相對(duì)充足，相對(duì)其他區(qū)域有利于籽粒中直鏈淀粉和總淀粉含量的積累，從而降低蛋白質(zhì)含量，利于弱筋小麥的形成[25]。而小麥抽樣點(diǎn)距離一級(jí)河流和湖泊或者海岸線的最短距離在10 km以內(nèi)的弱筋小麥達(dá)標(biāo)可能性低于10—30 km，這可能是因?yàn)橐恍┑貐^(qū)的土壤越接近河流其含鹽量越高[26]，從而使得小麥蛋白質(zhì)含量顯著提高[27-28]，當(dāng)鹽濃度較低（0.3 %）時(shí)，對(duì)小麥蛋白的影響不顯著[28]。

氣象因子方面，同期的氣象因子中，生育前期中出苗期、分蘗期和拔節(jié)期的降雨量影響大于積溫和日照時(shí)數(shù)，而生育后期中孕穗至灌漿期的積溫更重要。Toscano等[29]也發(fā)現(xiàn)秋季至冬季的降水量、從開花期到收獲期的氣溫對(duì)冬小麥GPC極為重要。其中，江蘇省小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性與出苗期的降雨量呈正相關(guān)，這是因?yàn)榍锒?，大量的降雨?huì)使通過(guò)土壤剖面流失的氮素增加，特別是沙質(zhì)土壤，不利于后期氮素的吸收，從而不利于提高谷物蛋白質(zhì)含量[30]。Garrido-Lestach等[31]也發(fā)現(xiàn)小麥GPC與花前降雨呈負(fù)相關(guān)。而江蘇省小麥GPC與拔節(jié)期降雨量（0—121.2 mm）呈正相關(guān)，這可能是由于江蘇農(nóng)戶通常會(huì)在拔節(jié)期施用氮肥，降雨量在121.2 mm內(nèi)的增加，可以顯著提高小麥植株的氮吸收量和吸收速率[32]，且蛋白質(zhì)合成所需的氮源約75%來(lái)自開花前在營(yíng)養(yǎng)器官貯存的氮化合物，從而增大后期高GPC的可能性。當(dāng)5月中旬（灌漿期/成熟期）積溫在193—256.3℃時(shí)，江蘇省小麥GPC達(dá)標(biāo)的可能性隨著積溫的升高而降低。王大成等[33]采用神經(jīng)網(wǎng)絡(luò)的方法研究也發(fā)現(xiàn)，當(dāng)北京小麥在5月上旬至6月上旬（開花至乳熟期）時(shí)，在16—32℃下，隨著溫度的升高，蛋白質(zhì)合成酶逐漸增強(qiáng)，物質(zhì)代謝旺盛，灌漿過(guò)程加速，GPC升高。

本研究考慮了常規(guī)種植情況下，氣候因子以及空間特征對(duì)江蘇弱筋小麥形成的影響，但沒(méi)有將小麥的品種納入分析范圍。原因是前人研究表明，在一定程度上栽培條件的變化對(duì)蛋白質(zhì)的影響大于基因或品種的影響[33]，且2018—2019年抽樣結(jié)果反映，一些傳統(tǒng)觀點(diǎn)上的中筋小麥品種在江蘇表現(xiàn)出低蛋白現(xiàn)象。

4 結(jié)論

（1）江蘇省小麥籽粒蛋白質(zhì)在2018—2019年間變幅為10.20%—18.09%，均值為13.92%。其中籽粒蛋白質(zhì)GPC≥14%樣品占比最多，其次是12.5%≤GPC＜14%樣品，GPC＜12.5%（弱筋小麥）最少，占比19.91 %。弱筋小麥主要分布在東部沿海、東南沿海沿湖地區(qū)（2018—2019年）。在氣候適宜的情況下（2019年），西北沿河一帶的小麥GPC也可達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)。

（2）受水系分布以及氣候等因素的共同制約，江蘇不同地區(qū)小麥GPC達(dá)標(biāo)弱筋小麥標(biāo)準(zhǔn)的可能性存在差異。水系分布方面，種植地距一級(jí)河流和湖泊或者海岸線的最短距離在20—30 km之間，達(dá)標(biāo)可能性最高。氣象因子方面，生育前期，降雨量對(duì)江蘇弱筋小麥的形成影響比較大，特別是出苗期和拔節(jié)期；生育后期，積溫的影響更重要，尤其是開花期和灌漿期。

（3）在進(jìn)行江蘇弱筋小麥種植區(qū)劃時(shí)，應(yīng)重點(diǎn)考慮地理位置（水系分布等）和氣候分布。

[1] ZHANG X, ZHANG B Q, WU H Y, LU C B, Lü G F, LIU D T, LI M, JIANG W, SONG G H, GAO D R. Effect of high-molecular-weight glutenin subunit deletion on soft wheat quality properties and sugar-snap cookie quality estimated through near-isogenic lines., 2018, 17(5): 1066-1073.

[2] 張岐軍, 張艷, 何中虎, Pe?a R J. 軟質(zhì)小麥品質(zhì)性狀與酥性餅干品質(zhì)參數(shù)的關(guān)系研究. 作物學(xué)報(bào), 2005, 31(9): 25-31.

Zhang Q J, Zhang Y, He Z H, Pe?a R J. Relationship between soft wheat quality traits and cookie quality parameters., 2005, 31(9): 25-31. (in Chinese)

[3] 中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. 小麥品種品質(zhì)分類: GB/T 17320-2013. 北京: 中國(guó)標(biāo)準(zhǔn)出版社, 2013.

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Quality classification of wheat varieties: GB/T 17320-2013. Beijing: Standards Press of China, 2013. (in Chinese)

[4] Subira J, Pe?a R J, álvaro F, Ammar K, Ramdani A, Royo C. Breeding progress in the pasta-making quality of durum wheat cultivars released in Italy and Spain during the 20th Century., 2014, 65: 16-26.

[5] Amir H, Afshin S, Ebrahim Z, Habib K, Amir A, Vincent V. Using boundary line analysis to assess the on-farm crop yield gap of wheat., 2018, 225: 64-73.

[6] 孟智鵬, 張靖卓. 優(yōu)質(zhì)專用強(qiáng)筋和弱筋小麥生產(chǎn)現(xiàn)狀、問(wèn)題和對(duì)策——基于河南等省調(diào)研分析. 農(nóng)學(xué)學(xué)報(bào), 2019, 9(3): 94-99.

Meng Z P, Zhang J Z. Current situation, problems and countermeasures of high-gluten and low-gluten wheat with premium quality for special purposes-An investigation in Henan and other provinces., 2019, 9(3): 94-99. (in Chinese)

[7] 張向前, 陳歡, 喬玉強(qiáng), 杜世州, 李瑋, 趙竹. 安徽不同生態(tài)區(qū)弱筋小麥產(chǎn)量和品質(zhì)差異分析. 西北農(nóng)業(yè)學(xué)報(bào), 2018, 27(12): 61-69.

Zhang X Q, Chen H, Qiao Y Q, DU S Z, LI W, ZHAO Z. The difference in yield and grain quality of weak gluten wheat that planting in different ecological areas of Anhui province., 2018, 27(12): 61-69. (in Chinese)

[8] Leo B. Random Forests., 2001, 45(1): 5-32.

[9] Wang L A, Zhou X D, Zhu X K, DONG Z D, GUO W S. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data., 2016, 4(3): 212-219.

[10] El?bieta W G. Variables influencing yield-scaled global warming potential and yield of winter wheat production., 2018, 227: 19-29.

[11] 劉峻明, 和曉彤, 王鵬新, 黃健熙. 長(zhǎng)時(shí)間序列氣象數(shù)據(jù)結(jié)合隨機(jī)森林法早期預(yù)測(cè)冬小麥產(chǎn)量. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(6): 158-166.

Liu J M, He X T, Wang P X, HUANG J X. Early prediction of winter wheat yield with long time series meteorological data and random forest method., 2019, 35(6): 158-166. (in Chinese)

[12] 羅美玲, 譚紅專, 周權(quán), 王莎亞, 蔡暢, 郭亞偉, 沈琳. 在R軟件中實(shí)現(xiàn)單個(gè)率的Meta分析. 循證醫(yī)學(xué), 2013, 13(3): 181-190.

Luo M L, Tan H Z, Zhou Q, WANG S Y, CAI C, GUO Y W, SHEN L. Realizing the meta-analysis of single rate in R software., 2013, 13(3): 181-190. (in Chinese)

[13] Xu C, Han X, Bol R, Peta S. Impacts of natural factors and farming practices on greenhouse gas emissions in the North China Plain: A meta-analysis., 2017, 7(17): 6702-6715.

[14] 張?zhí)灬? 董圣杰, 周支瑞. 高級(jí)Meta分析方法——基于Stata實(shí)現(xiàn). 上海: 復(fù)旦大學(xué)出版社, 2015: 141-151.

GAO T S, DONG S J, ZHOU Z R.. Shanghai: Fudan university press, 2015: 141-151. (in Chinese)

[15] 曾憲濤, 冷衛(wèi)東, 郭毅, 劉菊英. Meta分析系列之一：Meta分析的類型. 中國(guó)循證心血管醫(yī)學(xué)雜志, 2012, 4(1): 3-5.

ZENG X T, LENG W D, GUO Y, LIU J Y. one of meta-analysis series: Types of meta-analysis., 2012, 2(4): 3-5. (in Chinese)

[16] 吳宏亞, 汪尊杰, 張伯橋, 程順和. 氮肥追施比例對(duì)弱筋小麥揚(yáng)麥15籽粒產(chǎn)量及品質(zhì)的影響. 麥類作物學(xué)報(bào), 2015, 35(2): 258-262.

WU H Y, WANG Z J, ZHANG B Q, CHENG S H. Effect of nitrogen application ratio on grain yield and quality of weak gluten wheat cultivar Yangmai15., 2015, 32(2): 258-262. (in Chinese)

[17] PAN J, ZHU Y, CAO W X, LI X N, JIANG D. Predicting the protein content of grain in winter wheat with meteorological and genotypic factors., 2006, 9(3): 323-333.

[18] 張平平, 耿志明, 楊丹, 馬鴻翔, 姚金保. 江蘇沿江地區(qū)弱筋小麥品質(zhì)現(xiàn)狀分析. 江西農(nóng)業(yè)學(xué)報(bào), 2012, 24(5): 4-6.

ZHANG P P, GENG Z M, YANG D, MA H X, YAO J B. Quality analysis of weak-gluten wheat along Yangtze River in Jiangsu province., 2012, 24(5): 4-6. (in Chinese)

[19] 吳克壽, 曾志強(qiáng). 非平衡數(shù)據(jù)集分類研究. 計(jì)算機(jī)技術(shù)與發(fā)展, 2011, 21(9): 39-42.

WU K S, ZENG Z Q. Research on imbalanced dataset learning method., 2011, 21(9): 39-42. (in Chinese)

[20] 彭彬, 周艷蓮, 高蘋, 居為民. 氣溫插值中不同空間插值方法的適用性分析——以江蘇省為例. 地球信息科學(xué)學(xué)報(bào), 2011, 13(4): 539-548.

PENG B, ZHOU Y L, GAO P, JU W M. Suitability assessment of different interpolation methods in the Gridding process of station collected air temperature: A case study in Jiangsu province, China., 2011, 13(4): 539-548. (in Chinese)

[21] 朱秀紅. 基于GIS的魯東南山區(qū)小麥精細(xì)化綜合農(nóng)業(yè)區(qū)劃分析與編制. 農(nóng)學(xué)學(xué)報(bào), 2018, 9(4): 84-87.

ZHU X H. Refined grain comprehensive agricultural division based on GIS in southeast mountain area of Shandong., 2018, 9(4): 84-87. (in Chinese)

[22] 王龍俊, 陳榮振, 朱新開, 楊力, 姜東, 陳維新, 李旭. 江蘇省小麥品質(zhì)區(qū)劃研究初報(bào). 江蘇農(nóng)業(yè)科學(xué), 2002(2): 15-18.

WANG L J, CHEN R Z, ZHU X K, YANG L, JIANG D, CHEN W X, LI X. Preliminary report on wheat quality regionalization in Jiangsu province., 2002(2): 15-18. (in Chinese)

[23] Nyaga V N, Arbyn M, Aerts M. Metaprop: a stata command to perform meta-analysis of binomial data., 2014, 72(1): 39.

[24] Rodriguez-Galiano V F, Ghimire B, Rogan J, Chica- Olmo M, Rigol-Sanchez J P. An assessment of the effectiveness of a random forest classifier for land-cover classification., 2012, 67: 93-104.

[25] Ercoli L, Arduini I, Mariotti M, Masoni A, Arduini L. Post-anthesis dry matter and nitrogen dynamics in durum wheat as affected by nitrogen and temperature during grain filling., 2008, 38(2): 138-147.

[26] ZHU C X, BI R t. The characteristics of spatial distribution of saline-alkali wasteland in Datong basin, Northern China., 2015, 16(8): 1803-1809.

[27] Borrelli G, Ficco D, Giuzio L, Pompa M. Durum wheat salt tolerance in relation to physiological, yield and quality characters., 2011, 39(4): 525-534.

[28] Zhang X X, Shi Z Q, Tian Y j, zhou q, cai j, dai t b, cao w x, pu h c, jiang d. Salt stress increases content and size of glutenin macropolymers in wheat grain., 2016, 197: 516-521.

[29] Toscano P, Genesio L, Crisci A, Vaccari f p, ferrari e, la cava p, porter j r, gioli b. Empirical modelling of regional and national durum wheat quality., 2016, 204: 67-78.

[30] Flagella Z, Giuliani M M, Giuzio L, VOLPI C, MASCI S. Influence of water deficit on durum wheat storage protein composition and technological quality., 2010, 33(3): 197-207.

[31] Garrido-Lestache E, López-Bellido r j, López-Bellido l. Durum wheat quality under Mediterranean conditions as affected by N rate, timing and splitting, N form and S fertilization., 2005, 23(3): 265-278.

[32] 栗麗, 洪堅(jiān)平, 王宏庭, 謝英荷. 水氮互作對(duì)冬小麥氮素吸收分配及土壤硝態(tài)氮積累的影響. 水土保持學(xué)報(bào), 2013, 27(3): 138-143.

LI L, HONG J P, WANG H T, XIE Y H. Effect of nitrogen and irrigation in interaction on nitrogen uptake and distribution in winter wheat and nitrogen accumulation in soil., 2013, 27(3): 138-143. (in Chinese)

[33] 王大成, 李存軍, 宋曉宇, 王紀(jì)華, 黃文江, 王俊英, 周吉紅, 黃敬峰. 基于神經(jīng)網(wǎng)絡(luò)的冬小麥蛋白質(zhì)含量關(guān)鍵生態(tài)影響因子分析. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(7): 220-226.

WANG D C, LI C J, SONG X Y, WANG J H, HUANG W J, WANG J Y, ZHOU J H, HUANG J F. Analysis of identifying important ecological factors influencing winter wheat protein content based on artifical neural networks., 2010, 26(7): 220-226. (in Chinese)

Study on the Adaptability of Wheat Reaching the Protein Content Standard of Soft Wheat in Jiangsu Province

XIA Shufeng1, WANG Fan1, WANG Longjun2, ZHOU Qin1, CAI Jian1, WANG Xiao1, HUANG Mei1, DAI TingBo1, JIANG Dong1

(1Nanjing Agriculture University/Wheat production technology innovation centre, Ministry of Agriculture, Nanjing 210095;2Jiangsu Agricultural Technology Extension Station, Nanjing 210013)

【】As the material of making biscuits and cakes, the baking properties of soft wheat flour is determined by its content and quality of protein. The grain protein content (GPC, %) is not only determined by genetic factors, but also affected by environment and farming practices. In order to provide suggestions for quality region classification for the soft wheat areas in Jiangsu province, this paper explored the suitable planting areas and influencing factors of soft wheat.【】Based on the two-year investigation data related to wheat quality in Jiangsu province, the random forest algorithm was used to screen important indicators, and the meta-analysis of proportions was employed to analyze the impacts of geolocation and meteorological factors on the possibility of wheat GPC reaching the standard of soft wheat under the ordinary farming practices. 【】The average of two-year wheat GPC was 13.92%. In 2018, GPC ranged from 11.06% to 18.09% and the average value was 14.52%, in which GPC of 10% samples was lower than 12.5%. In 2019, the range of GPC was 10.20%-16.50% and the average value was 13.33%, in which GPC of 29.71% samples was lower than 12.5%. With application of random forest algorithm and meta-analysis, it was found that the GPC of wheat growing in the southeastern part along sea and lake of Jiangsu was most likely to meet the standard of soft wheat, and the possibility of which was 92%, followed by the northwestern part along river and the eastern coastal area in Jiangsu. When the plantation was 20-30 km away from the primary river and lake or coastline,the probability of reaching the standard was relatively high, which was 23.95%. In terms of meteorological factors, precipitation had the greatest influence on the formation of soft wheat in Jiangsu province during the early growth stage, especially at emergence stage and joining stage. The impact of accumulated temperature was more important during the later stage of growth stage, especially during grain filling stage and flowering stage. In addition, the sunshine hours at emergence stage and jointing stage and the precipitation at flowering stage were also more important for the formation of soft wheat in Jiangsu province. Among them, the precipitation at emergence stage was positively correlated with the possibility of wheat GPC reaching the standard of soft wheat in Jiangsu province. However, the sunshine hours during emergence stage, the precipitation and the sunshine hours during jointing stage, and the accumulated temperature during filling stage were opposite. 【】The suitable planting areas for soft gluten wheat in Jiangsu province were mainly concentrated in the eastern coastal areas and southeastern coastal and lake areas. With suitable precipitation during the emergence and jointing period and accumulated temperature during flowering and filling stage, the northwest areas along the river would also have high possibility to produce soft wheat. Thus, the geographic location (distribution of river systems, etc.) and climate should be considered when zoning the suitable planting areas for different quality types of wheat.

soft wheat; grain protein content; meta-analysis of proportions; random forest

10.3864/j.issn.0578-1752.2020.24.003

2020-02-24；

2020-05-09

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2018YFD0300803，2016YFD0300408）、國(guó)家自然科學(xué)基金（31671633，31771693，31325020）、農(nóng)業(yè)產(chǎn)業(yè)體系（CARS-03）、江蘇省現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心項(xiàng)目（JCIC-MCP）

夏樹鳳，E-mail：2017101045@njau.edu.cn。通信作者周琴，E-mail：qinzhou@njau.edu.cn。通信作者姜東，E-mail：jiangd@njau.edu.cn

（責(zé)任編輯 楊鑫浩）