基于多生育期光譜變量的水稻直鏈淀粉含量監(jiān)測(cè)

謝莉莉，王福民,2，張 垚,2，黃敬峰，胡景輝，王飛龍，姚曉萍

基于多生育期光譜變量的水稻直鏈淀粉含量監(jiān)測(cè)

謝莉莉1，王福民1,2※，張 垚1,2，黃敬峰2,3，胡景輝1，王飛龍4，姚曉萍1

（1. 浙江大學(xué)農(nóng)業(yè)遙感與信息技術(shù)應(yīng)用研究所，杭州 310058； 2. 浙江省農(nóng)業(yè)遙感與信息技術(shù)重點(diǎn)研究實(shí)驗(yàn)室，杭州 310058； 3. 環(huán)境修復(fù)與生態(tài)健康教育部重點(diǎn)實(shí)驗(yàn)室，浙江大學(xué)環(huán)境與資源學(xué)院，杭州 310058；4. 浙江大學(xué)水文與水資源工程研究所，杭州 310058）

直鏈淀粉含量是評(píng)價(jià)稻米品質(zhì)的重要指標(biāo)之一，其累積生長(zhǎng)過(guò)程是多生育期、多因素綜合作用的結(jié)果。為了探究多生育期信息引入對(duì)水稻籽粒直鏈淀粉含量監(jiān)測(cè)模型的影響，實(shí)現(xiàn)水稻品質(zhì)信息的大規(guī)模準(zhǔn)確監(jiān)測(cè)。該研究選取水稻孕穗期、抽穗期、灌漿期和成熟期這4個(gè)有關(guān)水稻籽粒形成發(fā)育的生育期的冠層光譜，分析原光譜、植被指數(shù)、高光譜特征參數(shù)，及其變換形式與水稻籽粒直鏈淀粉含量的相關(guān)性，篩選得到相關(guān)性較好的光譜變量，并利用逐步回歸的方法進(jìn)行建模，建立基于多生育期光譜變量的直鏈淀粉含量預(yù)測(cè)模型。結(jié)果表明：一階導(dǎo)數(shù)、差值植被指數(shù)（Difference Vegetation Index, DVI）、比值植被指數(shù)（Ratio Vegetation Index, RVI）及成熟期特征參數(shù)表現(xiàn)出較高敏感性，最適用于直鏈淀粉含量預(yù)測(cè)的生育期為成熟期，而多生育期信息的綜合利用能顯著提高模型預(yù)測(cè)精度，最佳多生育期預(yù)測(cè)模型為孕穗-抽穗-成熟期組合模型，建模決定系數(shù)（Coefficient of Determination,2）為0.708，均方根誤差（Root Mean Square Error, RMSE）為0.711%，平均絕對(duì)百分比誤差（Mean Absolute Percent Error, MAPE）為3.22%，驗(yàn)證2為0.631，RMSE為0.768%，MAPE為3.99%，證明該模型能較為精確地預(yù)測(cè)籽粒直鏈淀粉含量，為稻米品質(zhì)指標(biāo)大尺度統(tǒng)計(jì)監(jiān)測(cè)提供一定的技術(shù)支撐和應(yīng)用基礎(chǔ)。

遙感；模型；多生育期；直鏈淀粉含量；高光譜

0 引 言

水稻自古就是中國(guó)主要糧食作物之一，具有悠久的種植歷史和食用傳統(tǒng)，中國(guó)有超過(guò)60%的人口以其為主食，因而水稻生產(chǎn)管理工作一直是中國(guó)保證糧食安全工作的重要組成部分。中國(guó)的水稻研究工作長(zhǎng)久以來(lái)都聚焦于作物產(chǎn)量方面，力圖以高產(chǎn)來(lái)解決人民的溫飽問(wèn)題，然而，隨著經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，人們對(duì)水稻的品質(zhì)問(wèn)題也提出了更高的要求[1]。水稻品質(zhì)的大規(guī)?？焖俦O(jiān)測(cè)對(duì)衡量稻米商品價(jià)值、調(diào)節(jié)糧食作物生產(chǎn)具有重要的意義。

稻米品質(zhì)是指谷物從種植生產(chǎn)、加工處理乃至市場(chǎng)流通的整個(gè)生產(chǎn)銷(xiāo)售流程中，其作為糧食或商品所具備的各種特性，涵蓋了多項(xiàng)指標(biāo)，主要可分為碾米、外觀、蒸煮、食味、營(yíng)養(yǎng)五大方面[2]。淀粉含量是稻米品質(zhì)評(píng)價(jià)的一項(xiàng)重要參數(shù)，可分為直鏈淀粉和支鏈淀粉兩類(lèi)，兩者的含量、比例等情況會(huì)直接影響蒸煮過(guò)程中稻米的水分吸收率和膨脹性，以及米飯的黏性與其質(zhì)地的柔軟度，即直鏈淀粉含量與稻米蒸煮食味品質(zhì)密切相關(guān)[3-4]。因而，可通過(guò)監(jiān)測(cè)水稻籽粒直鏈淀粉含量，對(duì)稻米品質(zhì)進(jìn)行評(píng)價(jià)研究。

前人研究發(fā)現(xiàn)農(nóng)作物中的不同生化組分具有其特征吸收波段[5]，這些吸收特征使學(xué)者們通過(guò)光學(xué)遙感數(shù)據(jù)監(jiān)測(cè)作物品質(zhì)參數(shù)成為可能。目前，對(duì)作物品質(zhì)遙感監(jiān)測(cè)預(yù)報(bào)的研究還處于起步階段，但相關(guān)研究者已在植被指數(shù)選用、模型建立等方面取得了一定成果，利用反射光譜來(lái)預(yù)測(cè)谷類(lèi)籽粒的粗蛋白和直鏈淀粉含量的可行性得到了初步驗(yàn)證[6-13]，如劉蕓等[13]比較了直鏈淀粉、粗淀粉、粗蛋白三者光譜間的差異性，并分析其高光譜特征，分別建立了相關(guān)預(yù)測(cè)模型（2>0.7）；賀佳等[6]通過(guò)融合冬小麥不同生育期的植被指數(shù)和植株氮含量，建立了籽粒蛋白質(zhì)含量預(yù)測(cè)模型；Huang等[11]基于氮反射指數(shù)、開(kāi)花期葉片氮素濃度及蛋白質(zhì)含量三者間的關(guān)系，建立了粗蛋白預(yù)測(cè)模型。但就現(xiàn)有研究而言，一方面，作物蛋白質(zhì)及氮素含量研究較為成熟，而淀粉含量方面研究較少且所建模型精度較差；另一方面，淀粉相關(guān)的研究大多選用室內(nèi)光譜，以糙米或米粉為研究對(duì)象進(jìn)行預(yù)測(cè)，而冠層級(jí)別的研究大多僅關(guān)注單一生育期模型，尤以成熟期光譜居多[14-18]，而多生育期組合的監(jiān)測(cè)預(yù)測(cè)研究則不多見(jiàn)。事實(shí)上，籽粒直鏈淀粉的累積是一個(gè)漫長(zhǎng)而復(fù)雜的過(guò)程。水稻開(kāi)花受精后，莖葉等“源”器官合成存儲(chǔ)的碳水化合物即被運(yùn)輸至籽粒（“庫(kù)”器官）中，并在一些酶的作用下形成淀粉粒，孕穗、抽穗乃至灌漿期的莖葉長(zhǎng)勢(shì)都會(huì)影響水稻“源”器官的物質(zhì)供應(yīng)總量和效率，而抽穗、灌漿期的穗的生長(zhǎng)情況決定其“庫(kù)”的數(shù)目與活性，對(duì)淀粉粒累積的速率和多少都有所制約。因而，相關(guān)研究發(fā)現(xiàn)直鏈淀粉的累積會(huì)受到水分、光照、氮素等許多因素的綜合影響[19-21]，這些影響首先會(huì)表現(xiàn)在不同作物生育期長(zhǎng)勢(shì)變化上，進(jìn)而轉(zhuǎn)化為對(duì)品質(zhì)的影響，即作物生長(zhǎng)過(guò)程中不同生育期的實(shí)際生長(zhǎng)情況也包含了大量籽粒品質(zhì)信息，因此水稻大田籽粒直鏈淀粉的遙感監(jiān)測(cè)除了使用成熟期的冠層光譜，還應(yīng)考慮成熟前各生育期的冠層光譜，通過(guò)對(duì)不同生育期冠層光譜的綜合分析，有望進(jìn)一步提高水稻籽粒淀粉含量監(jiān)測(cè)精度。

因而，本文選取孕穗期、抽穗期、灌漿期、成熟期這4個(gè)與水稻籽粒生長(zhǎng)發(fā)育直接相關(guān)的生育期進(jìn)行研究，探究籽粒直鏈淀粉預(yù)測(cè)能力在籽粒生長(zhǎng)發(fā)育的各個(gè)生育期間的變化，及多生育期信息組合對(duì)預(yù)測(cè)模型的影響情況。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)區(qū)位于浙江省德清縣新安鎮(zhèn)下舍村的浙江省糧食生產(chǎn)功能區(qū)內(nèi)，該地區(qū)處于杭嘉湖平原西部，屬亞熱帶濕潤(rùn)季風(fēng)區(qū)，溫暖濕潤(rùn)，四季分明，年平均氣溫為13～16 ℃，無(wú)霜期220～236 d，多年平均降水量為1 379 mm。

田間試驗(yàn)是2016、2017年2 a的連續(xù)試驗(yàn)，主要設(shè)置有5個(gè)氮素水平（N0、N1、N2、N3和N4）和2個(gè)試驗(yàn)品種（S1、S2）。設(shè)置的氮素水平中，N0為不施用氮肥，N2為當(dāng)?shù)剞r(nóng)戶(hù)正常氮肥使用量（基肥1次+追肥2次，總計(jì)約225 kg/hm2），N1、N3、N4分別為N2的50%、150%和200%。水稻品種的選取，隨當(dāng)年當(dāng)?shù)剞r(nóng)民水稻種植情況有所變更，2016年選擇嘉58（S1）和秀優(yōu)378（S2）2個(gè)品種；2017年選擇嘉58（S1）和浙粳99（S2）2個(gè)品種。

1.2 數(shù)據(jù)獲取

1.2.1 冠層光譜測(cè)量

測(cè)量采用的光譜儀為美國(guó)ASD（Analytical Spectral Device）公司的ASD Field Spec Pro FRTM光譜儀，其測(cè)量范圍為350～2 500 nm。試驗(yàn)選擇水稻的孕穗期、抽穗期、灌漿期和成熟期等多個(gè)生育期階段內(nèi)、晴朗少云微風(fēng)的天氣進(jìn)行冠層光譜測(cè)量，測(cè)量時(shí)間多在上午10:00—14:00間，測(cè)量時(shí)，傳感器探頭垂直向下，距離冠層1 m以上，每次測(cè)量均選取小區(qū)內(nèi)任意位置（非邊際效應(yīng)區(qū)域），分別以4穴植株中間位置和單株植株為測(cè)量點(diǎn)進(jìn)行測(cè)量，每個(gè)測(cè)量點(diǎn)均記錄10條光譜，以其均值為該小區(qū)的反射率光譜，每次測(cè)量前均需進(jìn)行白板校正。

1.2.2 直鏈淀粉含量測(cè)定

將成熟期收獲的稻谷樣品脫殼，并碾磨成粉狀后混勻，使用分光光度計(jì)法進(jìn)行測(cè)量，以獲得各小區(qū)直鏈淀粉含量實(shí)測(cè)值。

1.3 光譜變量

本文選擇冠層原光譜、一階導(dǎo)數(shù)光譜、植被指數(shù)變量（DVI、EVI2、NDVI、RVI），用于參數(shù)篩選和模型建立。此外，參考現(xiàn)有研究[22-25]，發(fā)現(xiàn)除以上常規(guī)參數(shù)外，其他類(lèi)型的參數(shù)，如顏色、粒長(zhǎng)、紅邊參數(shù)等也越來(lái)越多地被品質(zhì)監(jiān)測(cè)領(lǐng)域的相關(guān)研究所使用，故結(jié)合實(shí)測(cè)數(shù)據(jù)情況，選取了綠峰、紅谷參數(shù)，紅邊、藍(lán)邊、黃邊“三邊”參數(shù)等高光譜特征參數(shù)。各類(lèi)光譜變量定義具體如表1。

表1 光譜變量及其定義

注：R為350～2 500 nm范圍內(nèi)波長(zhǎng)為處所對(duì)應(yīng)的反射率值，，IR為760～2 500 nm波長(zhǎng)范圍內(nèi)的任一反射率，RED為620～700 nm紅光波長(zhǎng)范圍內(nèi)的任一反射率。

Note:Ris the reflectivity value at the wavelength ofin the range of 350-2 500 nm,, IR is any reflectivity in the wavelength range of 760-2 500 nm, REDis any reflectivity in the wavelength range of 620-700 nm.

1.4 訓(xùn)練集與驗(yàn)證集

試驗(yàn)獲取了2016、2017年試驗(yàn)田水稻孕穗期、抽穗期、灌漿期和成熟期這4個(gè)時(shí)期的光譜，由于2 a所選用的水稻品種有所差異，其直鏈淀粉含量范圍也不盡相同，2016年樣品的直鏈淀粉質(zhì)量分?jǐn)?shù)為15.21%～19.57%，而2017年樣品為12.67%～16.88%，2 a樣品直鏈淀粉含量范圍差異性較大，故以1 a為訓(xùn)練集、另1 a為驗(yàn)證集的方法建立模型的方法并不適用。因而，本文將2 a數(shù)據(jù)混合，嘗試建立新的訓(xùn)練與驗(yàn)證集合：將2 a樣品（=40）以直鏈淀粉質(zhì)量分?jǐn)?shù)為依據(jù)由高到低排列后重新均勻劃分為3組，取其中2/3為訓(xùn)練集（=27），1/3為驗(yàn)證集（=13），使得兩者的質(zhì)量分?jǐn)?shù)范圍為12.67%～19.57%和12.96%～17.15%，以保證驗(yàn)證集合和建模集合相互完全獨(dú)立，且前者的直鏈淀粉質(zhì)量分?jǐn)?shù)分布范圍能被后者所包含，在此基礎(chǔ)上嘗試建立較為可靠的預(yù)測(cè)模型。

1.5 建模方法和結(jié)果驗(yàn)證

本研究將采用相關(guān)分析法確定最佳光譜參數(shù)類(lèi)型及其最佳波段組合，并采用逐步回歸法建立直鏈淀粉監(jiān)測(cè)模型。

多元逐步回歸法是將備選變量逐一引入模型中，建立與因變量相關(guān)性最高的一元回歸模型，而后在保留該變量的前提下，再逐一將剩余變量引入模型中，嘗試建立與因變量相關(guān)性最高的二元回歸模型。以此類(lèi)推，在建立模型的同時(shí)，對(duì)引入的變量進(jìn)行顯著性檢驗(yàn)，且在每一個(gè)新變量引入時(shí)對(duì)之前所選的所有變量都逐一進(jìn)行檢驗(yàn)，以保證所建立模型中每一個(gè)變量的顯著性，當(dāng)沒(méi)有新變量能通過(guò)顯著性檢驗(yàn)而被引進(jìn)時(shí)，該建模過(guò)程即完成，最終模型顯示為多元線性方程，即：

式中為因變量，12、x為引入模型的個(gè)自變量，012N為模型的常數(shù)項(xiàng)及對(duì)應(yīng)各變量的參數(shù)項(xiàng)，為誤差項(xiàng)。

檢驗(yàn)所選用的指標(biāo)為決定系數(shù)（2），均方根誤差（RMSE），平均絕對(duì)百分比誤差（MAPE）。

2反映了模型的擬合程度，其值越高，模型對(duì)因變量的解釋程度越高；RMSE和MAPE則反映了模型預(yù)測(cè)值與真實(shí)值之間的離散和偏離程度，其值越低，說(shuō)明模型對(duì)于因變量的預(yù)測(cè)效果越好。

2 結(jié)果與分析

2.1 直鏈淀粉含量影響因子分析

水稻直鏈淀粉含量受多種因素影響，田間試驗(yàn)設(shè)置了施氮量、水稻品種、氣候年型3個(gè)影響因子，分析三者對(duì)水稻直鏈淀粉含量的影響情況，結(jié)果如圖1。圖1a以S1（嘉58）品種為例，分析了同一品種在不同施氮水平和不同氣候年型下的稻米直鏈淀粉含量差異性，可知2017年直鏈淀粉含量整體明顯（<0.01）低于2016年，故氣候年型對(duì)稻米直鏈淀粉含量影響明顯；而不同施氮水平間，稻米直鏈淀粉含量有所波動(dòng)，但隨著氮素水平的上升并未出現(xiàn)有規(guī)律的上升或下降趨勢(shì)，且重復(fù)處理的田塊樣品間差異也較為明顯，即該差異性可能來(lái)自試驗(yàn)的隨機(jī)性而非氮素變化，故施氮水平不是該試驗(yàn)中影響稻米直鏈淀粉含量的主要因素。圖1b以2016年稻米樣品為例，分析了在同一氣候年型不同稻米品種和氮素水平對(duì)直鏈淀粉含量的影響情況，可知S2品種直鏈淀粉含量在各氮素水平下均低于S1品種，差異并不顯著（>0.05）但較為穩(wěn)定。

注：圖a以S1（嘉58）為例，圖b以2016年稻米樣品為例，N0~N4為試驗(yàn)設(shè)置的5個(gè)氮素水平。

2.2 相關(guān)性分析與變量篩選

2.2.1 原光譜及一階導(dǎo)數(shù)

研究選取2016、2017年共計(jì)40個(gè)田塊的孕穗期、抽穗期、灌漿期、成熟期的冠層光譜，刪除由于水吸收、儀器敏感性等因素而出現(xiàn)非正常波動(dòng)的無(wú)效波段，得到有效的水稻冠層反射光譜用于進(jìn)一步處理。結(jié)合圖2和圖3a分析不同生育期冠層光譜可知，在350～760 nm的可見(jiàn)光區(qū)段中，抽穗期光譜的相關(guān)系數(shù)明顯高于其他生育期，而在760～1 350nm波段的紅外區(qū)域，冠層光譜的相關(guān)性隨著生育期的變化呈現(xiàn)先增后減的趨勢(shì)，并在抽穗-灌漿期間達(dá)到最大值。

圖2 各生育期冠層光譜相關(guān)性分析

利用以上得到的光譜計(jì)算各波段反射率及其一階導(dǎo)數(shù)變換值與籽粒直鏈淀粉含量的相關(guān)性，分析其敏感波段分布規(guī)律。由圖3a可知，除灌漿期外其他3個(gè)生育期的原光譜敏感波段集中在可見(jiàn)光區(qū)域，即350～750 nm波段，而灌漿期的敏感波段除了350～450 nm的紫光波段外，還較為集中出現(xiàn)在1 400～1 500 nm的紅外波段。

圖3 各生育期直鏈淀粉含量相關(guān)敏感波段分布情況

結(jié)合圖3b與表2可知，4個(gè)生育期原光譜相關(guān)性分析的最佳參數(shù)都出現(xiàn)在可見(jiàn)光區(qū)域，相關(guān)性整體較低，相關(guān)系數(shù)最大值范圍為0.45～0.49；光譜經(jīng)一階導(dǎo)數(shù)變換后相關(guān)性較原光譜有了明顯的提升，相關(guān)系數(shù)最大值范圍上升至0.52～0.59，且篩選得到的敏感波段范圍也有了很大的擴(kuò)展，雖然波段大部分依然集中于350～750 nm的可見(jiàn)光波段，但在750～1 800 nm的紅外區(qū)域也出現(xiàn)了部分敏感波段。

分析以上相關(guān)分析結(jié)果，得到各生育期原光譜及一階導(dǎo)數(shù)光譜的最佳參數(shù)結(jié)果如表2。

表2 原始光譜與一階導(dǎo)數(shù)光譜的最佳波段

2.2.2 植被指數(shù)

用所有可能的波段組合計(jì)算不同生育期的DVI、EVI2、NDVI、RVI 4種光譜指數(shù)，分析它們與水稻籽粒直鏈淀粉含量的相關(guān)性，得到結(jié)果如圖4。由圖4可知，4個(gè)光譜指數(shù)與籽粒直鏈淀粉的相關(guān)性都隨著生育期變化先增后減，分別在抽穗期和成熟期的達(dá)到2個(gè)峰值，即抽穗期和成熟期的植被指數(shù)較其他生育期更適用于水稻籽粒直鏈淀粉含量監(jiān)測(cè)。

注：由上至下各行分別為孕穗期、抽穗期、灌漿期和成熟期，從左至右各列分別為DVI、EVI2、NDVI、RVI。

分析以上相關(guān)分析結(jié)果，得到4種植被指數(shù)在不同生育期的最佳參數(shù)結(jié)果如表3。

表3 植被指數(shù)最佳參數(shù)匯總

2.2.3 高光譜特征參數(shù)

計(jì)算表1中選擇的高光譜特征參數(shù)，并對(duì)其進(jìn)行差值、歸一化處理，分析它們與水稻籽粒直鏈淀粉含量的相關(guān)性，得到結(jié)果如表4。

2.3 不同生育期組合的直鏈淀粉含量預(yù)測(cè)模型

水稻籽粒直鏈淀粉含量是多生育期累積的結(jié)果，與多個(gè)生育期的光譜變量相關(guān)，開(kāi)展基于不同生育期組合的籽粒直鏈淀粉含量預(yù)測(cè)，采用多元線性回歸方法構(gòu)建預(yù)測(cè)模型，以確定最優(yōu)生育期組合?；诙嗌诮M合的直鏈淀粉含量預(yù)測(cè)模型建模結(jié)果如表5。由表5可知，對(duì)于單一生育期直鏈淀粉預(yù)測(cè)模型而言，成熟期的模型精度明顯大于其他3個(gè)生育期，各生育期預(yù)測(cè)能力表現(xiàn)排序?yàn)槌墒炱凇⒊樗肫?、孕穗期、灌漿期。觀察4個(gè)生育期的模型可知，冠層光譜的一階導(dǎo)數(shù)變換值對(duì)模型的貢獻(xiàn)最大，孕穗期和抽穗期模型的主要參數(shù)都是導(dǎo)數(shù)形式的，而在灌漿期植被指數(shù)的RVI形式表現(xiàn)出了較高的敏感度，而冠層光譜的藍(lán)邊位置參數(shù)在成熟期模型中也表現(xiàn)出了較高的貢獻(xiàn)值。比較各模型精度，可得各生育期組合最佳模型分別為成熟期模型、抽穗-成熟期模型、孕穗-抽穗-成熟期模型及孕穗-抽穗-灌漿-成熟期模型（具體公式見(jiàn)表5）。

2.4 直鏈淀粉含量預(yù)測(cè)模型檢驗(yàn)

對(duì)上文得到的不同生育期組合的最佳預(yù)測(cè)模型進(jìn)行評(píng)價(jià)，并采用完全獨(dú)立的驗(yàn)證集合樣本數(shù)據(jù)對(duì)這些模型進(jìn)行驗(yàn)證，結(jié)果如表6。

表4 不同生育期光譜位置變量相關(guān)性分析

注：R為綠峰，R為紅谷，λ、λ為綠峰和紅谷的位置，λ、D、SDb為藍(lán)邊位置、幅值及面積，λ、D、SDy為黃邊位置、幅值及面積，λ、D、SDr為紅邊位置、幅值及面積。

Note:Ris green peak,Ris red valley, λ,λare the positions of green peak and red valley; λis blue edge position,Dis blue edge slope, SDbis blue edge area; λis yellow edge position,Dis yellow edge slope, SDyis yellow edge area ;λis red edge position , Dis red edge slope ,SDris red edge area.

表5 基于多生育期組合的直鏈淀粉含量預(yù)測(cè)模型

注：為水稻預(yù)測(cè)籽粒直鏈淀粉含量，′為波長(zhǎng)為nm處的冠層光譜一階導(dǎo)數(shù)變換值，λ為藍(lán)邊位置。

Note:is the prediction of amylose content in rice grain,′is the first derivative transformation value of the canopy spectrum at the wavelength ofnm,λis the position of blue edge.

表6 模型評(píng)價(jià)與驗(yàn)證

綜合上表可得，四生育期模型的建模2=0.709和驗(yàn)證2=0.641，與三生育期最佳模型相比較，全生育期模型引入的灌漿期參數(shù)對(duì)模型建模精度和驗(yàn)證精度的提升效果均不大，因而，選擇三生育期最佳模型為水稻籽粒直鏈淀粉含量預(yù)測(cè)的最佳模型，最佳生育期組合為孕穗期、抽穗期和成熟期。

3 討 論

參考光譜相關(guān)性分析結(jié)果可知冠層原光譜的敏感波段范圍主要集中于可見(jiàn)光區(qū)域和1 500～1 700 nm的紅外區(qū)域，而經(jīng)一階導(dǎo)數(shù)變換等參數(shù)形式變換后這一范圍有所拉伸。各類(lèi)型光譜參數(shù)中，原光譜的一階導(dǎo)數(shù)形式、植被指數(shù)中的DVI和RVI，在所選的4個(gè)生育期內(nèi)始終表現(xiàn)出較高的相關(guān)性，其絕對(duì)值在0.52～0.67范圍內(nèi)波動(dòng)，尤以成熟期最佳?，F(xiàn)有的直鏈淀粉監(jiān)測(cè)模型所選參數(shù)也通常表現(xiàn)為這幾個(gè)形式，如仲曉春等[26]發(fā)現(xiàn)以RVI(783,634)為最佳參數(shù)可以較好地預(yù)測(cè)籽粒直鏈淀粉含量，其相關(guān)系數(shù)高達(dá)0.85；Yan等[1]以DVI(1 200,550)為最佳預(yù)測(cè)參數(shù)，且發(fā)現(xiàn)導(dǎo)數(shù)光譜在1 900 nm附近表現(xiàn)出極高敏感性，相關(guān)系數(shù)高達(dá)0.661。雖然由于不同研究所選擇的光譜層次（衛(wèi)星、冠層、室內(nèi)光譜等）和研究對(duì)象（稻谷、糙米、米粉等）存在差異，以及不同淀粉含量范圍的水稻種間差異等多重因素，導(dǎo)致了最終所選擇的最佳參數(shù)的波段組合和形式有所差異，但總體而言，現(xiàn)有模型還是主要以以上形式的參數(shù)為主，且波段選擇范圍一般都在近紅外及中遠(yuǎn)紅外范圍內(nèi)，極少出現(xiàn)以可見(jiàn)光區(qū)域參數(shù)為最佳參數(shù)的預(yù)測(cè)模型，近年來(lái)較為熱門(mén)的以PLS等算法建立得到的統(tǒng)計(jì)模型所選波段也基本都是近紅外模型[15,27-32]。由此可知，紅外光譜（尤其是近紅外光譜）較可見(jiàn)光而言，對(duì)直鏈淀粉含量預(yù)測(cè)具有更高的意義。

此外，分析特征參數(shù)的相關(guān)性，可知其各項(xiàng)指數(shù)在不同生育期中表現(xiàn)出不同的敏感性，但成熟期的相關(guān)性普遍高于其他生育期，且藍(lán)邊位置及黃邊相關(guān)各類(lèi)參數(shù)均表現(xiàn)出了較高的敏感性。相關(guān)研究表明黃邊參數(shù)是植被葉綠素A與葉綠素B含量變動(dòng)的一個(gè)敏感指標(biāo)，葉綠素A和葉綠素B在各個(gè)生育期的含量與比例有所變化，且在成熟期兩者的消褪速度具有明顯區(qū)別，成熟期黃邊參數(shù)預(yù)測(cè)能力的增強(qiáng)可能與此相關(guān)[33]；藍(lán)邊目前被認(rèn)為與植被葉綠素含量相關(guān)，如易秋香等[34]發(fā)現(xiàn)玉米藍(lán)邊對(duì)葉綠素敏感度高，楊巧明等發(fā)現(xiàn)橡膠樹(shù)葉綠素的敏感波段主要在藍(lán)邊區(qū)域[35]。由特征參數(shù)部分分析可見(jiàn)，適用于水稻直鏈淀粉含量預(yù)測(cè)的參數(shù)大都也對(duì)葉綠素含量敏感，可能是葉綠素含量及其成分比例的變化與籽粒直鏈淀粉含量的累積可能存在某種關(guān)聯(lián)，或現(xiàn)有的通過(guò)高光譜參數(shù)監(jiān)測(cè)直鏈淀粉含量的模型并非直接預(yù)測(cè)淀粉含量，而是在指示植株葉綠素變化情況，特別是谷穗葉綠素變化情況，來(lái)間接估測(cè)籽粒淀粉累積情況。

生育期選擇方面，本研究發(fā)現(xiàn)成熟期光譜是最適用于淀粉含量預(yù)測(cè)的時(shí)期，其次是抽穗期，各生育期對(duì)直鏈淀粉含量的預(yù)測(cè)能力并不是隨著淀粉累積和作物生長(zhǎng)而增加的，而是呈現(xiàn)出先增后降再增的波浪形趨勢(shì)，分析其中緣由，可能是因?yàn)樵诔樗肫谒厩o葉生長(zhǎng)已經(jīng)由盛而衰，而稻穗從莖中抽出并迅速生長(zhǎng)，完成了一個(gè)從無(wú)到有并快速累積的過(guò)程，稻穗的發(fā)育正是導(dǎo)致這一時(shí)期冠層光譜變化的主要因素之一，因而，筆者能夠通過(guò)抽穗期光譜較好地反演出稻穗生長(zhǎng)情況，從而預(yù)測(cè)籽粒直鏈淀粉含量；而其前后的孕穗期及灌漿期，前者營(yíng)養(yǎng)積累尚未完成，光譜變化主要受莖葉生長(zhǎng)影響；后者在籽粒營(yíng)養(yǎng)成分逐漸累積的同時(shí)，莖、葉逐漸變黃且質(zhì)量減輕，葉綠素含量的降低與營(yíng)養(yǎng)成分含量的快速變化，共同影響了冠層光譜，使得該時(shí)期光譜所包含的干擾信息增多，而使單純的籽粒淀粉累積信息難以表達(dá)；及至成熟期，莖、葉、穗質(zhì)量與顏色的變化趨于穩(wěn)定，植株莖葉枯黃，對(duì)光譜的影響降到最低，而成熟籽粒對(duì)光譜的貢獻(xiàn)達(dá)到最大，使得這一時(shí)期光譜能更為直接地反映出水稻籽粒生長(zhǎng)狀況，因而成熟期光譜也較好地反映了籽粒淀粉含量信息，有助于模型建立。現(xiàn)有的直鏈淀粉相關(guān)研究，針對(duì)的多是糙米或是米粉的室內(nèi)光譜，或多采用成熟期光譜，但也有部分對(duì)于其他生育期的探索，如謝曉金等[12]針對(duì)水稻開(kāi)花期、灌漿期、蠟熟期建立了有關(guān)DVI(810,450)的直鏈淀粉預(yù)測(cè)模型，以探索最優(yōu)生育期，發(fā)現(xiàn)在構(gòu)建單因子回歸模型的情況下，開(kāi)花期冠層冠層光譜優(yōu)于灌漿期和蠟熟期，建模R為0.754，但對(duì)多生育期信息的利用并未過(guò)多探究。本文在此基礎(chǔ)上對(duì)多生育期信息進(jìn)行綜合利用，并引入高光譜特征參數(shù)等更多參數(shù)，驗(yàn)證并進(jìn)一步探究各生育期光譜對(duì)構(gòu)建直鏈淀粉預(yù)測(cè)模型的意義與作用。

多生育期組合所建立的預(yù)測(cè)模型無(wú)論是建模還是驗(yàn)證，其精度都遠(yuǎn)高于單生育期預(yù)測(cè)模型，可見(jiàn)多生育期信息的補(bǔ)充可提高預(yù)測(cè)模型精度，最佳生育期組合為三生育期，即孕穗期、抽穗期、成熟期。

該最優(yōu)模型包含3個(gè)生育期，每個(gè)生育期保留一個(gè)參數(shù)，其中包含2個(gè)一階導(dǎo)數(shù)參數(shù)和一個(gè)特征參數(shù)，可見(jiàn)一階導(dǎo)數(shù)對(duì)籽粒直鏈淀粉含量的預(yù)測(cè)能力要強(qiáng)于原光譜和植被指數(shù)，是可用于直鏈淀粉預(yù)測(cè)的有效變量類(lèi)型；相關(guān)研究表明1 200、1 540、1 580、1 690 nm均是淀粉吸收特征波段[5]，而本文參數(shù)所選波長(zhǎng)正處于淀粉吸收特征集中出現(xiàn)的區(qū)域，即1 649 nm（孕穗期）和1 610 nm（抽穗期），從一定程度上驗(yàn)證了所選參數(shù)的可靠性；此外，二者出現(xiàn)的波長(zhǎng)范圍極為接近，分析其自相關(guān)性，僅為?0.054 2，從而可排除自相關(guān)性的影響，由此可推測(cè)1 600～1 700 nm可能是水稻直鏈淀粉預(yù)測(cè)的敏感波段。特征參數(shù)在本文成熟期的相關(guān)模型中表現(xiàn)出了很強(qiáng)的解釋能力，特別是藍(lán)邊位置λ，但這一變量在其他相關(guān)研究的預(yù)測(cè)模型中卻少有出現(xiàn)，其在成熟期模型中具有較強(qiáng)預(yù)測(cè)能力的原理及穩(wěn)定性還需進(jìn)一步研究驗(yàn)證。

目前，稻米品質(zhì)的相關(guān)研究還面臨著一些困境，亟需更多的探索。首先，雖然高光譜預(yù)測(cè)模型的研究甚至應(yīng)用都已有一定基礎(chǔ)，但其機(jī)理性探究還十分不足，由于淀粉、蛋白質(zhì)等成分被包裹于谷粒之中且相互混雜，其光譜特性很難直接或較為明顯地反映于光譜之中，故而相關(guān)模型的建立大多源自經(jīng)驗(yàn)?zāi)Ｐ停錂C(jī)理方面的研究還較為匱乏，隨著理論和檢測(cè)技術(shù)的進(jìn)一步發(fā)展，機(jī)理模型的探究必然成為未來(lái)谷物品質(zhì)研究發(fā)展的重要環(huán)節(jié)。其次，大數(shù)據(jù)時(shí)代的來(lái)臨，為品質(zhì)監(jiān)測(cè)研究帶來(lái)了新的動(dòng)力。近年來(lái)，結(jié)合大數(shù)據(jù)工具對(duì)傳統(tǒng)農(nóng)學(xué)試驗(yàn)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘的研究日益增多，合適的計(jì)算手段能顯著提高監(jiān)測(cè)模型精度，對(duì)其實(shí)用性的提高有很大幫助。此外，衛(wèi)星、無(wú)人機(jī)等多平臺(tái)監(jiān)測(cè)的興起與蓬勃發(fā)展，給相關(guān)研究注入了新的活力，各個(gè)平臺(tái)都具有其難以替代的獨(dú)特優(yōu)勢(shì)，未來(lái)的研究中，多源數(shù)據(jù)融合和多層次對(duì)照印證等研究手段也將對(duì)品質(zhì)監(jiān)測(cè)的發(fā)展起到不可忽視的推動(dòng)作用。

4 結(jié) 論

本研究基于水稻孕穗期、抽穗期、灌漿期、成熟期的冠層光譜，建立了有關(guān)籽粒直鏈淀粉含量的多元回歸預(yù)測(cè)方程，并確定了適用于水稻直鏈淀粉含量監(jiān)測(cè)的最佳時(shí)期，以及多生育期信息組合對(duì)預(yù)測(cè)方程精度和可靠性的影響，結(jié)果如下：

1）水稻籽粒直鏈淀粉含量與其冠層光譜的某些高光譜變量間存在較高相關(guān)性，參考用于預(yù)測(cè)模型的各類(lèi)型參數(shù)，可知一階導(dǎo)數(shù)及DVI、RVI的估測(cè)效果較好，而高光譜特征參數(shù)在成熟期光譜中表現(xiàn)出了較強(qiáng)的預(yù)測(cè)能力。

2）可用于預(yù)測(cè)的最佳生育期為成熟期，各生育期預(yù)測(cè)能力表現(xiàn)排序?yàn)槌墒炱?、抽穗期、孕穗期、灌漿期。

3）多生育期信息的組合對(duì)提高估測(cè)模型的精度和可靠性均有一定幫助，多生育期多元回歸模型優(yōu)于單生育期預(yù)測(cè)模型。

4）以孕穗期、抽穗期、成熟期為生育期組合的三生育期模型是研究所得的最佳預(yù)測(cè)模型，建模決定系數(shù)（coefficient of determination，2）為0.708，均方根誤差（Root Mean Square Error，RMSE）為0.711%，平均絕對(duì)百分比誤差（Mean Absolute Percent Error, MAPE）為3.22%，驗(yàn)證決定系數(shù)2為0.631，RMSE為0.768%，MAPE為3.99%。

[1] Yan Shibo, Wang Xiuzhen, Huang Jingfeng, et al. Study on the method and model of rice quality monitoring based on hyperspectral data[C]//Tianjin: 2016 5thInternational Conference on Agro-geoinformatics (Agro-geoinformatics). IEEE, 2016.

[2] 王炎欽. mRNA水平水稻品質(zhì)相關(guān)基因的大規(guī)模鑒定及應(yīng)用初探[D]. 杭州：浙江大學(xué)，2006.

Wang Yanqin. Primary Investigation in Rice Quality-related Genes Identification and Their Application in mRNA Level[D]. Hangzhou: Zhejiang University, 2006. (in Chinese with English abstract)

[3] 王惠貞，吳瑞芬，李丹. 稻米品質(zhì)形成和調(diào)控機(jī)理概述[J].中國(guó)稻米，2016(1)：10-13.

Wang Huizhen, Wu Ruifen, Li Dan. Review on rice quality formation and its regulation mechanism[J]. China Rice, 2016(1)：10-13. (in Chinese with English abstract)

[4] Lu Lin, Zhu Zhiwei. Prediction model for eating property of Indica rice[J]. Journal of Food Quality, 2014, 37(4): 274-280.

[5] Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment,1989, 30(3): 271-278.

[6] 賀佳，劉冰峰，黎世民，等. 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(cè)模型[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，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)

[7] 王人潮，陳銘臻，蔣亨顯. 水稻遙感估產(chǎn)的農(nóng)學(xué)機(jī)理研究：Ⅰ.不同氮素水平的水稻光譜特征及其敏感波段的選擇[J].浙江農(nóng)業(yè)大學(xué)學(xué)報(bào)，1993(Supp.1)：7-14.

Wang Renchao, Chen Minzhen, Jiang Hengxian. Studies on agronomic mechanism of the rice yield estimation by remote sensing: Ⅰ. The rice reflectance characteristics of different nitrogen levels and the selection of their sensitive bands[J]. Journal of Zhejiang Agricultural Universiry, 1993(Supp.1): 7-14 (in Chinese with English abstract)

[8] 程乾，黃敬峰，王人潮，等. MODIS植被指數(shù)與水稻葉面積指數(shù)及葉片葉綠素含量相關(guān)性研究[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2004，15(8)：1363-1367.

Cheng Qian, Huang Jingfeng, Wang Renchao, et al. Correlation analysis of simulated MODIS vegetation indices and rice leaf area index and leaf chlorophyll content[J]. The Journal of Applied Ecology, 2004, 15(8): 1363-1367. (in Chinese with English abstract)

[9] 唐延林. 水稻高光譜特征及其生物理化參數(shù)模擬與估測(cè)模型研究[D]. 杭州：浙江大學(xué)，2004.

Tang Yanlin. Study on the Hyperspectral Characteristics and Simulating and Estimating Models about Biophysical and Biochemical Parameters of Rice[D]. Hangzhou: Zhejiang University, 2004. (in Chinese with English abstract)

[10] 劉芬，屈成，肖楠，等. 水稻高光譜變化特征與葉綠素含量監(jiān)測(cè)研究[J]. 激光生物學(xué)報(bào)，2017，26(4)：326-333.

Liu Fen, Qu Cheng, Xiao Nan, et al. A study on spectral characteristics and chlorophyll content in rice [J]. Acta Laser Biology Sinica, 2017, 26(4): 326-333. (in Chinese with English abstract)

[11] Huang Wenjiang, Song Xiaoyu, Lamb D W, et al. Estimation of winter wheat grain crude protein content from in situ reflectance and advanced spaceborne thermal emission and reflection radiometer image[J]. Journal of Applied Remote Sensing, 2008, 2(13): 1220-1230.

[12] 謝曉金，李秉柏，朱紅霞. 利用高光譜數(shù)據(jù)估測(cè)不同溫度脅迫下的水稻籽粒中粗蛋白和直鏈淀粉含量[J]. 農(nóng)業(yè)現(xiàn)代化研究，2012，33(4)：481-484.

Xie Xiaojin, Li Bingbai, Zhu Hongxia. Estimating contents of crude protein and amylose content in rice grain by hyper-spectral under different high temperature stress[J]. Research of Agricultural Modernization, 2012, 33(4): 481-484. (in Chinese with English abstract)

[13] 劉蕓，唐延林，黃敬峰，等. 利用高光譜數(shù)據(jù)估測(cè)水稻米粉中粗蛋白粗淀粉和直鏈淀粉含量[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2008，41(9)：2617-2623.

Liu Yun, Tang Yanlin, Huang Jingfeng, et al . Contents of crude protein, crude starch and amylase in rice flour by hyperspectral data[J]. Scientia Agricultura Sinica, 2008, 41(9): 2617-2623. (in Chinese with English abstract)

[14] 李映雪. 基于冠層反射光譜的小麥氮素營(yíng)養(yǎng)與籽粒品質(zhì)監(jiān)測(cè)[D]. 南京：南京農(nóng)業(yè)大學(xué)，2005.

Li Yingxue. Monitoring Nitrogen Status Grain Quality with Canopy Reflectance Spectra in Wheat[D]. Nanjing: Nanjing Agricultural University, 2005. (in Chinese with English abstract)

[15] Sampaio P S, Soares A, Castanho A, et al. Optimization of rice amylose determination by NIR-spectroscopy using PLS chemometrics algorithms.[J]. Food Chemistry, 2018, 242(1): 196-204.

[16] 孫小香，王芳東，趙小敏，等. 基于冠層光譜和BP神經(jīng)網(wǎng)絡(luò)的水稻葉片氮素濃度估算模型[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2019，40(3)：35-44.

Sun Xiaoxiang, Wang Fangdong, Zhao Xiaomin, et al. The estimation models of rice leaf nitrogen concentration based on canopy spectrum and BP neural network[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(3): 35-44. (in Chinese with English abstract)

[17] 王樹(shù)文，牛羽新，馬昕宇，等. 基于高光譜的抽穗期寒地水稻葉片氮素預(yù)測(cè)模型[J]. 農(nóng)機(jī)化研究，2019，41(3)：158-164.

Wang Shuwen, Niu Yuxin, Ma Xinyu, et al. Prediction model for nitrogen content of rice leaves during heading stage in cold region based on hyperspectrum[J]. Journal of Agricultural Mechanization Research, 2019, 41(3): 158-164. (in Chinese with English abstract)

[18] 王君嬋，譚昌偉，朱新開(kāi)，等. 農(nóng)作物品質(zhì)遙感反演研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用，2012，27(1)：15-22.

Wang Junchan, Tan Changwei, Zhu Xinkai, et al. Research progress of remote sensing inversing crop quality[J]. Remote Sensing Technology and Application , 2012, 27(1): 15-22. (in Chinese with English abstract)

[19] 馬廷臣，夏加發(fā)，王元壘，等. 抽穗揚(yáng)花期高溫脅迫對(duì)水稻主要品質(zhì)指標(biāo)的影響[J]. 生物技術(shù)進(jìn)展，2015，5(5)：351-358.

Ma Tingchen, Xia Jiafa, Wang Yuanlei , et al. High temperature stress effect on main quality characters of rice in heading and flowering period[J]. Current Biotechnology, 2015, 5(5): 351-358. (in Chinese with English abstract)

[20] 彭波，龐瑞華，孫艷芳，等. 水稻種子淀粉合成及其調(diào)控研究進(jìn)展[J]. 江西農(nóng)業(yè)學(xué)報(bào)，2016，28(6)：15-21.

Peng Bo, Pang Ruihua, Sun Yanfang, et al. Research progress in starch synthesis and its regulation in rice seeds[J]. Acta Agriculturae Jiangxi, 2016, 28(6): 15-21. (in Chinese with English abstract)

[21] 褚春燕，王錦冬，程遠(yuǎn)，等. 孕穗-灌漿期低溫對(duì)三江平原主栽水稻品種品質(zhì)的影響[J]. 中國(guó)農(nóng)業(yè)氣象，2018，39(11)：751-761.

Chu Chunyan, Wang Jindong, Cheng Yuan, et al. Effect of low temperature treatment in booting and filling stage on yield components and quality of main rice cultivars in Sanjiang plain[J]. Chinese Journal of Agrometeorology, 2018, 39(11): 751-761. (in Chinese with English abstract)

[22] Olivares Díaz E, Kawamura S, Matsuo M, et al. Combined analysis of near-infrared spectra, colour, and physicochemical information of brown rice to develop accurate calibration models for determining amylose content[J]. Food Chemistry, 2019, 286: 297-306.

[23] Lamb D W, Steyn-Ross M, Schaare P, et al. Estimating leaf nitrogen concentration in ryegrass () pasture using the chlorophyll red-edge: Theoretical modelling and experimental observations[J]. International Journal of Remote Sensing, 2002, 23(18): 3619-3648.

[24] 劉煒，常慶瑞，郭曼，等. 基于改進(jìn)紅邊面積的夏玉米葉片氮素含量導(dǎo)數(shù)光譜監(jiān)測(cè)[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，38(4)：91-98.

Liu Wei, Chang Qingrui , Guo Man, et al. Monitoring of leaf nitrogen content in summer corn with first derivative of spectrum based on modified red edge[J]. Journal of Northwest A & F University: Natural Science Edition, 2010, 38(4): 91-98. (in Chinese with English abstract)

[25] 秦占飛，常慶瑞，申健，等. 引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測(cè)模型[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2016，41(9)：1168-1175.

Qin Zhanfei, Chang Qingrui, Shen Jian, et al. Red edge characteristics and SPAD estimation model using hyperspectral data for rice in Ningxia irrigation zone[J]. Geomatics and Information Science of Wuhan University, 2016, 41(9): 1168-1175. (in Chinese with English abstract)

[26] 仲曉春，何理，陳瑩瑩，等. 基于高光譜的稻米品質(zhì)估測(cè)模型的構(gòu)建[J]. 揚(yáng)州大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生命科學(xué)版，2012，33(2)：34-38.

Zhong Xiaochun, He Li, Chen Yingying, et al. Constructing estimation models for rice quality on the basis of hyperspectra[J]. Journal of Yangzhou University: Agricultural and Life Science Edition, 2012, 33(2): 34-38. (in Chinese with English abstract)

[27] Bagchi T B, Sharma S, Chattopadhyay K. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chemistry, 2016, 191: 21-27.

[28] 馮光，楊亞春，宋豐順，等. 近紅外反射技術(shù)建立合肥地區(qū)精米直鏈淀粉含量測(cè)定模型[J]. 核農(nóng)學(xué)報(bào)，2012，26(6)：942-946.

Feng Guang, Yang Yachun, Song Fengshun, et al. Establishment of near infrared reflectance spectroscopy model for amylose content of milled rice in Hefei[J]. Journal of Nuclear Agricultural Sciences, 2012, 26(6): 942-946. (in Chinese with English abstract)

[29] 吳晗，張力，韓笑，等. 玉米直鏈淀粉近紅外模型的建立[J]. 分子植物育種，2017，15(6)：2286-2290.

Wu Han, Zhang Li, Han Xiao, et al. Establishment of near-infrared model of maize amylose starch[J]. Molecular Plant Breeding, 2017, 15(6): 2286-2290. (in Chinese with English abstract)

[30] Xie Lihong, Tang Shaoqing, Chen Neng, et al. Optimisation of near-infrared reflectance model in measuring protein and amylose content of rice flour[J]. Food Chemistry, 2014, 142: 92-100.

[31] Wu Jiaguan, Shi Chunhai. Prediction of grain weight, brown rice weight and amylose content in single rice grains using near-infrared reflectance spectroscopy[J]. Field Crops Research, 2003, 87(1): 13-21.

[32] Ibrahim S, Rahim H A. Prediction model for amylose content of Malaysian rice grains via visible-shortwave NIR spectroscopy[C]// Bandar Sunway: Systems, Process & Control. IEEE, 2015.

[33] 張垚. 基于PROSPECT-PLUS模型植物葉片多種色素高光譜定量遙感反演模型與機(jī)理研究[D]. 杭州：浙江大學(xué)，2015.

Zhang Yao. Hyperspectral Quantitative Remote Sensing Inversion Model and Regieme of Multiple Pigments at Leaf Scale Based on PROSPECT-PLUS Model[D]. Hangzhou: Zhejiang University, 2015. (in Chinese with English abstract)

[34] 易秋香，黃敬峰，王秀珍，等. 玉米葉綠素高光譜遙感估算模型研究[J]. 科技通報(bào)，2007，23(1)：83-87，105.

Yi Qiuxiang, Huang Jingfeng, Wang Xiuzhen, et al. Hyperspectral remote sensing estimation models for chlorophyll concentration in corn[J]. Bulletin of Science and Technology, 2007, 23(1): 85-89, 105. (in Chinese with English abstract)

[35] 楊巧明，謝貴水. 基于高光譜的橡膠單葉葉綠素含量研究[J]. 熱帶農(nóng)業(yè)工程，2011，35(2)：9-14.

Yang Qiaoming, Xie Guishui. Correlation analysis between hyperspectral data and CHL.C of rubber leaves[J]. Tropical Agricultural Engineering, 2011, 35(2): 9-14. (in Chinese with English abstract)

Monitoring of amylose content in rice based on spectral variables at the multiple growth stages

Xie Lili1, Wang Fumin1,2※, Zhang Yao1,2, Huang Jingfeng2,3, Hu Jinghui1, Wang Feilong4, Yao Xiaoping1

(1.310058,;2.310058;3.310058; 4.310058,

Amylose content is one of the important indexes for evaluating rice quality. Large-scale and rapid monitoring of rice quality is of great significance for measuring rice commodity value and regulating food crop production. Because amylose is wrapped in rice grains and cannot be directly expressed in the canopy spectrum, the accuracy of its canopy prediction model is often low. Considering that the accumulation and growth of rice starch granules are the result of multiple growth stages and multiple factors, this study attempts to introduce multiple growth stages information to improve the model, while most existing studies only use single growth stage information. The research area was located in Deqing County, Zhejiang Province, China The experiment spanned two rice growing seasons from 2016 to 2017, with five nitrogen levels and three rice varieties. Correlation relationships between the original spectra and first derivative spectra of rice canopy at booting stage, heading stage, milking stage and maturity stage and the grain amylose content were analyzed, then four types of vegetation indices and 23 hyperspectral features for further correlation analysis were computed. According to results of correlation analysis, the suitable spectral variables with high correlation coefficient were selected for amylose content modeling by stepwise regression method. The prediction models were established for different single growth stages to obtain the best growth stage of amylose prediction. Then, by combining the information of different growth stages, the amylose content prediction models based on the combination of different growth stages were established, and the effect of comprehensive application of multiple growth stage information on the amylose content prediction model was analyzed to get the best prediction model and its growth stages combination. The results showed that the first derivative, Difference Vegetation Index (DVI), Ratio Vegetation Index (RVI ) and the hyperspectral features at maturity stage were highly sensitive to amylose content. The derivative of 1 649 nm and 1 610 nm showed a good explanation for amylose content, 1 600-1 700 nm might be the sensitive sepctral bands of rice amylose prediction. In addition, the characteristic parameters of maturity-stage spectrum showed a strong explanatory ability in the maturity-stage model of this study, especially the blue edge position (λ), but this variable rarely appeared in other related research prediction models, and its principle and stability with strong prediction ability in maturity-stage model need further study and verification. The results of single growth stage modeling showed that the accuracy of the maturity and heading stages models was significantly higher than that of booting and milking stages，the most suitable growth stage for predicting amylose content was maturity stage, with the modelingcoefficient of determination (2)=0.558, Root Mean Square Error (RMSE)=0.896%, Mean Absolute Percent Error (MAPE)=4.49%, and validation2=0.629, RMSE=0.864%, MAPE=4.59%. The comprehensive utilization of multi-growth stage information could significantly improve the prediction accuracy of the model, and the best multi-growth stage prediction model was the combination model of booting-heading-maturity stage, with the modeling2=0.708, RMSE=0.711%, MAPE=3.22%, and validation2=0.631, RMSE=0.768%, MAPE=3.99%, which proved that the model could accurately predict amylose content in grains.

remote sensing; models; multiple growth stages; amylose content; hyperspectral

謝莉莉，王福民，張垚，等. 基于多生育期光譜變量的水稻直鏈淀粉含量監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(8)：165-173.doi：10.11975/j.issn.1002-6819.2020.08.020 http://www.tcsae.org

Xie Lili, Wang Fumin, Zhang Yao, et al. Monitoring of amylose content in rice based on spectral variables at the multiple growth stages[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 165-173. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.020 http://www.tcsae.org

2020-01-10

2020-04-07

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2016YFD0300601）；國(guó)家自然科學(xué)基金（41871328）

謝莉莉，浙江寧波人。主要從事農(nóng)業(yè)遙感模型方面的研究。Email：3130102999@zju.edu.cn

王福民，山東省高密人，副教授。主要從事無(wú)人機(jī)遙感、資源環(huán)境遙感模型方面的研究。Email：wfm@zju.edu.cn

10.11975/j.issn.1002-6819.2020.08.020

S511

A

1002-6819(2020)-08-0165-09