小麥籽粒蛋白質(zhì)含量高光譜遙感預(yù)測(cè)模型比較

張志勇， 樊澤華， 張娟娟， 邱青彬， 鄭亮， 芮戰(zhàn)許， 馬新明， 熊淑萍

(1.河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院/作物生長(zhǎng)發(fā)育調(diào)控教育部重點(diǎn)實(shí)驗(yàn)室，河南 鄭州 450046；2.河南農(nóng)業(yè)大學(xué)信息管理與科學(xué)學(xué)院，河南 鄭州 450046)

小麥?zhǔn)侵袊?guó)三大糧食作物之一，隨著社會(huì)經(jīng)濟(jì)的發(fā)展和農(nóng)業(yè)供給側(cè)結(jié)構(gòu)性改革的深入，小麥需求已由數(shù)量型向質(zhì)量型轉(zhuǎn)變。提升小麥品質(zhì)，解決專(zhuān)用優(yōu)質(zhì)小麥生產(chǎn)問(wèn)題已成為中國(guó)小麥產(chǎn)業(yè)的主要發(fā)展方向[1-2]。小麥籽粒蛋白質(zhì)含量(grain protein content，GPC)是影響小麥品質(zhì)最重要的指標(biāo)，不同生態(tài)環(huán)境、栽培措施均會(huì)對(duì)其造成顯著的影響。因此，在小麥生育進(jìn)程中較早感知小麥籽粒蛋白質(zhì)含量信息，實(shí)時(shí)采取相應(yīng)栽培調(diào)控措施，對(duì)保障小麥籽粒蛋白質(zhì)含量達(dá)標(biāo)，實(shí)現(xiàn)小麥優(yōu)質(zhì)專(zhuān)用生產(chǎn)指導(dǎo)、分級(jí)收割、企業(yè)按質(zhì)論價(jià)收購(gòu)及國(guó)家制定作物進(jìn)出口政策有著重要的現(xiàn)實(shí)意義[3]。由于高光譜遙感技術(shù)具有分辨率高、連續(xù)性強(qiáng)、光譜范圍窄、數(shù)據(jù)信息量大等特點(diǎn)，近年來(lái)，國(guó)內(nèi)外不少學(xué)者以不同的農(nóng)學(xué)參數(shù)為鏈接點(diǎn)，利用高光譜技術(shù)，分別構(gòu)建了“高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量”的籽粒蛋白質(zhì)預(yù)測(cè)模型，在實(shí)現(xiàn)小麥籽粒品質(zhì)的預(yù)測(cè)方面，進(jìn)行了不少的研究與探索[4-6]。田永超等[7]發(fā)現(xiàn)，抽穗后利用葉片葉綠素含量(SPAD)和冠層光譜比值指數(shù)R(1 220，560)可以對(duì)單位土地面積上籽粒蛋白質(zhì)與淀粉的動(dòng)態(tài)積累進(jìn)行預(yù)測(cè)，其成熟期籽粒蛋白質(zhì)積累量監(jiān)測(cè)模型實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)系數(shù)R可達(dá)0.94。李娜[8]對(duì)小麥成熟期GPC和各個(gè)生育時(shí)期SPAD進(jìn)行相關(guān)分析與建模，發(fā)現(xiàn)灌漿期SPAD與冠層光譜指數(shù)PSSRb(R800，R635)構(gòu)建的GPC估測(cè)模型效果較優(yōu)，其決定系數(shù)(coefficient of determination，R2)與均方根誤差(root mean squared error，RMSE)達(dá)到0.693和0.152。馮偉等[9]、王紀(jì)華等[10]和黃文江等[11]研究表明，小麥開(kāi)花期葉片氮指標(biāo)與成熟期籽粒品質(zhì)有顯著的相關(guān)性，可以很好地預(yù)測(cè)籽粒蛋白質(zhì)含量，相關(guān)系數(shù)分別為0.842、0.527、0.562，前兩者的建模驗(yàn)證實(shí)測(cè)值與預(yù)測(cè)值的決定系數(shù)R2分別最高達(dá)到0.616、0.909。賀佳等[12]以植株氮含量為鏈接點(diǎn)，使用最小二乘法建立的不同生育時(shí)期植被指數(shù)監(jiān)測(cè)成熟期籽粒蛋白質(zhì)含量模型均有很好的模擬精度，其中以抽穗期植株氮含量構(gòu)建的GPC預(yù)測(cè)模型效果最佳，實(shí)測(cè)值與預(yù)測(cè)值的R2和RMSE分別達(dá)到0.979與1.767。

綜上所述，前人對(duì)于小麥籽粒品質(zhì)即籽粒蛋白質(zhì)含量的遙感估測(cè)預(yù)測(cè)較多，但多基于小麥生育后期的單一農(nóng)學(xué)參數(shù)與籽粒蛋白質(zhì)含量建立遙感估測(cè)預(yù)測(cè)模型，缺乏不同農(nóng)學(xué)參數(shù)間的橫向?qū)Ρ?，?duì)于不同農(nóng)學(xué)參數(shù)對(duì)模型產(chǎn)生的影響也較少解釋。本研究通過(guò)對(duì)不同氮處理下兩類(lèi)品質(zhì)類(lèi)型4個(gè)小麥品種的開(kāi)花期SPAD、葉片干物質(zhì)質(zhì)量(leaf dry weight,LDW)、地上生物量(aboveground biomass,AGB)、葉片氮含量(leaf nitrogen content,LNC)、葉片氮積累量(leaf nitrogen accumulation,LNA)、葉面積指數(shù)(leaf area index,LAI)、植株氮含量(plant nitrogen content,PNC)、植株氮積累量(plant nitrogen accumulation,PNA)、氮營(yíng)養(yǎng)指數(shù)(nitrogen nutrition index,NNI)9個(gè)不同農(nóng)學(xué)參數(shù)的測(cè)定，利用一階導(dǎo)數(shù)作為光譜預(yù)處理方法和偏最小二乘法作為模型構(gòu)建方法，構(gòu)建不同的高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量的冬小麥品質(zhì)預(yù)測(cè)模型，以期篩選確定最優(yōu)中間參數(shù)與建模方法組合，實(shí)現(xiàn)小麥生育進(jìn)程中籽粒蛋白質(zhì)品質(zhì)提前精準(zhǔn)預(yù)測(cè)，為優(yōu)質(zhì)小麥品質(zhì)調(diào)控栽培管理提供技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2020—2021年在河南農(nóng)業(yè)大學(xué)原陽(yáng)科教園區(qū)進(jìn)行(113.94°E，35.10°N)。試驗(yàn)田0～0.2 m土層全氮含量1.90 g·kg-1,硝態(tài)氮含量20.80 mg·kg-1，有效磷含量9.38 mg·kg-1，速效鉀含量239.90 mg·kg-1。試驗(yàn)采用裂區(qū)設(shè)計(jì)，主區(qū)為不同供氮水平，設(shè)N0(0 kg·hm-2)、N8(120 kg·hm-2)、N15(225 kg·hm-2)、N22(330 kg·hm-2)；副區(qū)為不同小麥品種，分別為弱筋小麥揚(yáng)麥13和揚(yáng)麥15、強(qiáng)筋小麥鄭麥366和鄭麥369；3次重復(fù)。氮肥為尿素(總氮含量≥46.4%)，分基肥和追肥，基追質(zhì)量比為6∶4，追肥于拔節(jié)期施入。每個(gè)小區(qū)面積約為41.5 m2，其他栽培管理措施同一般高產(chǎn)田。

1.2 測(cè)定項(xiàng)目和方法

1.2.1 小麥冠層光譜測(cè)定 試驗(yàn)于小麥開(kāi)花期前后(時(shí)間為2021-04-26)進(jìn)行群體冠層光譜測(cè)定。采用美國(guó)生產(chǎn)的ASD Field Spec野外便攜式光譜輻射儀測(cè)定。該儀器采集光譜波段范圍為350～2 500 nm，連續(xù)采樣間隔為1 nm，測(cè)量時(shí)將光譜探頭垂直于小麥冠層1 m高度的位置進(jìn)行測(cè)量。每個(gè)小區(qū)選定3個(gè)位置，每個(gè)位置測(cè)量記錄10條光譜曲線，去除異常值后以剩余光譜曲線的平均值作為該小區(qū)的冠層光譜。在北京時(shí)間10：00—14：00進(jìn)行測(cè)量，并在測(cè)量時(shí)選擇晴朗無(wú)云的條件，測(cè)量過(guò)程中使用標(biāo)準(zhǔn)白板進(jìn)行校正。

1.2.2 農(nóng)學(xué)參數(shù)測(cè)定 光譜測(cè)定完之后，在正下方每次取3～4株小麥，3個(gè)樣點(diǎn)共取10株以上小麥，然后，隨機(jī)選取10株小麥用于以下指標(biāo)測(cè)定。將隨機(jī)選取出來(lái)的10株小麥莖部、葉片及穗部分離，然后將它們分別裝入信封，烘箱內(nèi)105 ℃殺青0.5 h，之后下調(diào)到80 ℃烘干，直至其干物質(zhì)質(zhì)量不再發(fā)生變化，得到其葉片干物質(zhì)質(zhì)量(LDW)及地上部生物量(AGB)。葉片氮含量(LNC)、葉片氮積累量(LNA)、植株氮積累量(PNA)和植株氮含量(PNC)的測(cè)定與計(jì)算參照張英利等[13]的方法。葉綠素含量(SPAD)的測(cè)定參照徐云飛等[14]的方法。葉面積指數(shù)(LAI)的測(cè)定參照劉镕源等[15]的方法，以比葉重法進(jìn)行測(cè)定計(jì)算。氮素營(yíng)養(yǎng)指數(shù)(NNI)是Lemaire提出的能夠精準(zhǔn)地量化反映作物體內(nèi)氮素狀況的概念，計(jì)算公式為：

NNI=Na/Nc

式中：Na為作物地上部植株氮的實(shí)測(cè)值/%，Nc為臨界氮質(zhì)量分?jǐn)?shù)/%，是作物地上干物質(zhì)達(dá)到最大生長(zhǎng)速率所需要的最低氮質(zhì)量分?jǐn)?shù)[16]。采用已有研究的河南省原陽(yáng)縣地區(qū)的冬小麥氮稀釋曲線進(jìn)行計(jì)算[17]:

Nc=5.25W-0.472

式中：W為小麥地上部生物量/(kg·hm-2)。

1.2.3 小麥籽粒蛋白質(zhì)含量(GPC)的測(cè)定 將成熟期的小麥穎殼與籽粒分離，將籽粒裝入自封袋，烘干，研磨籽粒，粉碎后用H2SO4-H2O2消煮，繼而用流動(dòng)分析儀AA3測(cè)定小麥籽粒中全氮含量，小麥中GPC是籽粒全氮含量與5.7的乘積[18]。

1.3 模型構(gòu)建方法與數(shù)據(jù)分析

1.3.1 光譜數(shù)據(jù)處理方法 高光譜數(shù)據(jù)在采集時(shí)容易受樣本群體分布不均勻、光路散射、高頻噪聲與電路噪聲等環(huán)境和儀器的影響，需要排除其中大量的噪聲信息及干擾波段。因此本研究選用作物敏感性較高的400～1 000 nm波段為有效波段進(jìn)行分析[19]。

同時(shí)，為提高光譜信息中的有效信噪比，采用一階導(dǎo)數(shù)變換(first derivative，F(xiàn)D)對(duì)小麥冠層光譜進(jìn)行預(yù)處理，其可以通過(guò)導(dǎo)數(shù)計(jì)算確定光譜曲線的彎曲點(diǎn)，以及最大最小反射率處的波長(zhǎng)位置等光譜特征[20]。

1.3.2 模型構(gòu)建 采用偏最小二乘法(partial least-squares method regression，PLSR)進(jìn)行建模。偏最小二乘法是應(yīng)用最為廣泛的一種模型估測(cè)方法，它融合了主成分回歸和多元線性回歸的主要優(yōu)勢(shì)，既不會(huì)發(fā)生過(guò)度擬合或不能充分利用光譜信息的問(wèn)題，也不會(huì)受到多種信號(hào)重疊、線性回歸的干擾，且顧慮光譜信息與待測(cè)組分性質(zhì)信息的相互作用[21]。

本研究中，選取開(kāi)花期葉綠素含量(SPAD)、葉片干物質(zhì)質(zhì)量(LDW)、地上生物量(AGB)、葉片氮含量(LNC)、葉片氮積累量(LNA)、葉面積指數(shù)(LAI)、植株氮含量(PNC)、植株氮積累量(PNA)、氮營(yíng)養(yǎng)指數(shù)(NNI)9個(gè)農(nóng)學(xué)參數(shù)指標(biāo)與經(jīng)過(guò)一階導(dǎo)數(shù)變換的結(jié)果進(jìn)行建模，將樣本按照2∶1的比例隨機(jī)劃分為建模集與預(yù)測(cè)集，每個(gè)農(nóng)學(xué)參數(shù)的建模集與預(yù)測(cè)集的樣本個(gè)數(shù)分別為32和16。

1.3.3 檢驗(yàn)方法 在每個(gè)模型構(gòu)建完成之后，利用預(yù)測(cè)集數(shù)據(jù)對(duì)所構(gòu)建的回歸估測(cè)模型的精度進(jìn)行檢驗(yàn)，利用決定系數(shù)(coefficient of determination，R2)、均方根誤差(root mean squared error，RMSE)、標(biāo)準(zhǔn)均方根誤差(normalized root mean squared error，nRMSE)以及相對(duì)預(yù)測(cè)偏差(ratio of performance to deviation，RPD)作為評(píng)價(jià)指標(biāo)對(duì)其進(jìn)行評(píng)估。其中，R2越高，RMSE越小，說(shuō)明模型預(yù)測(cè)性能越好；反之，則模型預(yù)測(cè)性能越低。nRMSE≥30%為較大差異，30%>nRMSE≥20%為中等，20%>nRMSE≥10%為較小差異，nRMSE<10%為無(wú)差異。RPD≥2，表示模型結(jié)果可靠；2>RPD>1.4表示模型結(jié)果可行，但準(zhǔn)確性與穩(wěn)定性有待提高；RPD≤1.4表明模型結(jié)果較差，數(shù)據(jù)不可靠。

2 結(jié)果與分析

2.1 農(nóng)學(xué)參數(shù)與籽粒蛋白質(zhì)含量的統(tǒng)計(jì)分析

對(duì)小麥開(kāi)花期的各農(nóng)學(xué)參數(shù)與成熟期籽粒蛋白質(zhì)含量進(jìn)行統(tǒng)計(jì)分析。由表1可知，不同農(nóng)學(xué)參數(shù)在試驗(yàn)處理下的數(shù)據(jù)離散程度，即變異系數(shù)表現(xiàn)具有一定的差異性，將各參數(shù)建模集與預(yù)測(cè)集的變異系數(shù)差值絕對(duì)值作比較，從小到大排序?yàn)長(zhǎng)NC(0.16%)，GPC(0.62%)，PNC(0.74%)，SPAD(1.22%)，LAI(2.46%)，NNI(3.28%)，LDW(6.53%)，LNA(6.79%)，PNA(7.86%)，AGB(8.71%)。結(jié)合統(tǒng)計(jì)分析特征來(lái)看，建模集與預(yù)測(cè)集在LNC，GPC，PNC，SPAD，LAI，NNI等6個(gè)指標(biāo)較為相近，在LDW，LNA，PNA，AGB等4個(gè)指標(biāo)上因?yàn)閱挝涣烤V的原因數(shù)據(jù)集之間的波動(dòng)范圍較大，但仍存在處理間差異性。這為冬小麥籽粒蛋白質(zhì)含量高光譜預(yù)測(cè)模型的實(shí)現(xiàn)奠定了數(shù)據(jù)基礎(chǔ)。

表1 小麥農(nóng)學(xué)參數(shù)與籽粒蛋白質(zhì)含量統(tǒng)計(jì)分析

續(xù)表

2.2 農(nóng)學(xué)參數(shù)與冠層光譜的相關(guān)性分析

對(duì)開(kāi)花期小麥冠層原始光譜和其一階導(dǎo)數(shù)光譜反射率與不同農(nóng)學(xué)參數(shù)進(jìn)行相關(guān)性分析。結(jié)果如圖1所示，可以看出原始光譜農(nóng)學(xué)參數(shù)敏感區(qū)域主要集中在400～900 nm，呈先負(fù)相關(guān)后正相關(guān)關(guān)系，先增高后降低再增高的趨勢(shì)，相關(guān)性最強(qiáng)的參數(shù)為SPAD(相關(guān)系數(shù)r=0.770)，最低為PNC(相關(guān)系數(shù)r=0.529)。而一階導(dǎo)數(shù)光譜農(nóng)學(xué)參數(shù)敏感區(qū)域表現(xiàn)則明顯優(yōu)于原始光譜，相關(guān)性最強(qiáng)的參數(shù)為SPAD(相關(guān)系數(shù)r=0.891)，最低為AGB(相關(guān)系數(shù)r=0.626)(表2)。由此可以看出，一階導(dǎo)數(shù)的處理可以提高農(nóng)學(xué)參數(shù)與光譜數(shù)據(jù)的相關(guān)性。

表2 小麥不同農(nóng)學(xué)參數(shù)與原始光譜(OS)及一階導(dǎo)數(shù)預(yù)處理光譜(FD)的相關(guān)性

圖1 小麥不同農(nóng)學(xué)參數(shù)與原始光譜(A)及一階導(dǎo)數(shù)預(yù)處理光譜(B)的相關(guān)性

2.3 基于農(nóng)學(xué)參數(shù)的高光譜估測(cè)模型構(gòu)建

使用經(jīng)過(guò)一階導(dǎo)數(shù)處理后的建模集光譜數(shù)據(jù)，通過(guò)PLS最小二乘法構(gòu)建冬小麥9個(gè)農(nóng)學(xué)參數(shù)的估算模型，使用預(yù)測(cè)集的光譜數(shù)據(jù)輸入進(jìn)行效果檢驗(yàn)。由表3可以看出，LAI、LDW、AGB3個(gè)參數(shù)構(gòu)建的模型建模集與預(yù)測(cè)集的R2相對(duì)較低，nRMSE小于30%，RPD小于1.4，說(shuō)明這3種參數(shù)估測(cè)模型準(zhǔn)確性與穩(wěn)定性差，有著中等的差異。LNA、PNA構(gòu)建的模型建模集與預(yù)測(cè)集的R2大于0.5小于0.7，nRMSE小于30%大于20%，RPD均大于1.4小于2.0，表明模型的準(zhǔn)確性和穩(wěn)定性有待提高。SPAD、LNC、PNC、NNI構(gòu)建的模型建模集R2大于0.8，nRMSE除NNI的建模集大于10%，其余皆小于10%，RPD大于2，說(shuō)明該4種農(nóng)學(xué)參數(shù)建模具有很高的精度，同時(shí)無(wú)差異，NNI有較小差異。預(yù)測(cè)集的R2低于建模集，大于0.58小于0.76。nRMSE以SPAD和LNC的預(yù)測(cè)集小于10%，PNC與NNI的預(yù)測(cè)集大于10%小于20%。RPD僅有NNI構(gòu)建的模型預(yù)測(cè)集大于2.0其余皆大于1.4小于2.0。出現(xiàn)這種情況的原因可能是由于數(shù)據(jù)量少發(fā)生了過(guò)擬合的現(xiàn)象，驗(yàn)證效果受到了一定的影響，沒(méi)能達(dá)到最佳，有待進(jìn)一步提高。

表3 小麥不同農(nóng)學(xué)參數(shù)的高光譜估測(cè)模型的構(gòu)建與驗(yàn)證

2.4 農(nóng)學(xué)參數(shù)與籽粒蛋白質(zhì)含量相關(guān)性分析

將試驗(yàn)所獲得的開(kāi)花期農(nóng)學(xué)參數(shù)與成熟期籽粒蛋白質(zhì)含量進(jìn)行相關(guān)性分析。由表4可以看出，8個(gè)農(nóng)學(xué)參數(shù)與成熟期GPC達(dá)到極顯著正相關(guān)關(guān)系，其從大到小分別為L(zhǎng)NC(0.822)、LAI(0.744)、LNA(0.732)、PNC(0.712)、SPAD( 0.708)、NNI(0.693)、PNA(0.633)、LDW(0.599)。而AGB與GPC之間則不具有相關(guān)性。

表4 小麥不同農(nóng)學(xué)參數(shù)與籽粒蛋白質(zhì)含量的相關(guān)關(guān)系

2.5 基于農(nóng)學(xué)參數(shù)的籽粒蛋白質(zhì)含量預(yù)測(cè)模型構(gòu)建

開(kāi)花期農(nóng)學(xué)參數(shù)與成熟期籽粒蛋白質(zhì)含量存在顯著的相關(guān)性，因此以線性回歸的方法利用開(kāi)花期9個(gè)農(nóng)學(xué)參數(shù)的建模集與成熟期籽粒蛋白質(zhì)含量構(gòu)建冬小麥籽粒蛋白質(zhì)含量預(yù)測(cè)模型，其回歸方程與驗(yàn)證精度如表5所示。將各參數(shù)模型建模決定系數(shù)作比較，從大到小排序?yàn)長(zhǎng)NC(0.636)，LAI(0.598)，LNA(0.577)，SPAD(0.53)，PNC(0.493)，PNA(0.448)，NNI(0.430)，LDW(0.411)，AGB(0.057)，可知除AGB以外其余皆可達(dá)到差異極顯著水平，其中最優(yōu)的為L(zhǎng)NC。將預(yù)測(cè)集實(shí)測(cè)值帶入模型中，根據(jù)其預(yù)測(cè)值的驗(yàn)證效果可以將不同估測(cè)模型分為4類(lèi)，最佳的為L(zhǎng)NC，其R2達(dá)到0.766，RMSE達(dá)到0.79，RPD達(dá)到2.11；較好的為PNC與NNI，其R2在0.5到0.6之間，RMSE在1.0到1.1之間，RPD在1.5到1.7之間；適中的為SPAD、LNA、LAI，其R2在0.46到0.47之間，RMSE在1.2到1.3之間，RPD在1.3到1.4之間；較差的為PNA、LDW，其R2在0.4以下達(dá)到差異顯著水平，RMSE大于1.3，RPD在1.2以下；AGB無(wú)差異。

表5 基于小麥不同農(nóng)學(xué)參數(shù)的籽粒蛋白質(zhì)含量預(yù)測(cè)模型

2.6 基于高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量的預(yù)測(cè)模型構(gòu)建

經(jīng)過(guò)一階導(dǎo)數(shù)-最小二乘法處理的高光譜農(nóng)學(xué)參數(shù)估測(cè)模型具有較高的估算精度，因此，利用高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量的技術(shù)路徑，以農(nóng)學(xué)參數(shù)作為中間變量構(gòu)建基于冬小麥開(kāi)花期高光譜數(shù)據(jù)的籽粒蛋白質(zhì)含量預(yù)測(cè)模型。將高光譜農(nóng)學(xué)參數(shù)估測(cè)模型的預(yù)測(cè)輸出值作為輸入值帶入表5中的基于小麥不同農(nóng)學(xué)參數(shù)的籽粒蛋白質(zhì)含量預(yù)測(cè)模型，最終獲得基于高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量的預(yù)測(cè)模型結(jié)果。表6為各農(nóng)學(xué)參數(shù)模型中建模集與預(yù)測(cè)集的驗(yàn)證結(jié)果，預(yù)測(cè)值與實(shí)測(cè)值的1∶1比較關(guān)系見(jiàn)圖2。結(jié)果顯示，農(nóng)學(xué)參數(shù)SPAD、LNC、NNI作為中間參數(shù)的預(yù)測(cè)模型可以達(dá)到較高的精度，R2達(dá)到差異極顯著水平，分別為0.417、0.554和0.410，而RMSE則以SPAD、LNC、LAI、NNI4個(gè)參數(shù)構(gòu)建的預(yù)測(cè)模型表現(xiàn)較低?？傮w上，以SPAD、LNC和NNI為中間參數(shù)的預(yù)測(cè)模型可以給出很好的檢驗(yàn)效果，因此，可以利用開(kāi)花期光譜數(shù)據(jù)對(duì)不同品質(zhì)類(lèi)型的小麥籽粒進(jìn)行品質(zhì)預(yù)測(cè)，其中，以LNC作為中間參數(shù)的模型預(yù)測(cè)效果最好。

圖2 基于不同農(nóng)學(xué)參數(shù)的高光譜預(yù)測(cè)籽粒蛋白質(zhì)含量的預(yù)測(cè)值和實(shí)測(cè)值比較(1∶1)

表6 基于小麥不同農(nóng)學(xué)參數(shù)的高光譜籽粒蛋白質(zhì)含量預(yù)測(cè)模型的構(gòu)建與驗(yàn)證

3 結(jié)論與討論

基于“高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量”的籽粒蛋白質(zhì)含量預(yù)測(cè)模型在實(shí)現(xiàn)高光譜對(duì)當(dāng)前作物生長(zhǎng)狀況反演的基礎(chǔ)上，涉及農(nóng)學(xué)參數(shù)與成熟期籽粒蛋白質(zhì)含量的關(guān)系，可以準(zhǔn)確預(yù)測(cè)籽粒品質(zhì)，為農(nóng)業(yè)管理指導(dǎo)生產(chǎn)提供必要的信息。在此方法中，農(nóng)學(xué)參數(shù)作為中間參數(shù)起到至關(guān)重要的作用，其必須能夠?qū)ψ蚜５鞍踪|(zhì)含量有著較高的相關(guān)性從而準(zhǔn)確預(yù)測(cè)出其值大小，還需具備可以被作物冠層光譜有效反演的特征。陳鵬飛等[22]利用主成分回歸分析的方法建模，得出在AGB、PNC和NNI3個(gè)參數(shù)中挑旗期的NNI能夠有效利用冠層高光譜參數(shù)預(yù)測(cè)，進(jìn)而估測(cè)小麥GPC。屈莎等[23]利用支持向量機(jī)的建模方法，選用PNA、PNC、LNA和LNC4個(gè)參數(shù)與植被指數(shù)構(gòu)建GPC預(yù)測(cè)模型，最終得出PNC為最優(yōu)參數(shù)?？梢钥闯霾煌７椒ㄒ约爸脖恢笖?shù)選擇對(duì)不同中間參數(shù)的建模效果影響是不同的。本研究表明，一階導(dǎo)數(shù)可以顯著提高農(nóng)學(xué)參數(shù)與光譜曲線的相關(guān)性，以SPAD、LNC、PNC、NNI構(gòu)建的高光譜農(nóng)學(xué)參數(shù)反演模型效果較優(yōu)，其中SPAD建模集以及預(yù)測(cè)集R2與nRMSE最佳，分別為0.993、0.759與0.54%、4.10%，NNI預(yù)測(cè)集RPD最佳，為2.04。以上4種農(nóng)學(xué)參數(shù)同樣是與高光譜曲線相關(guān)性最高的4種參數(shù)，說(shuō)明小麥冠層高光譜可以有效反演當(dāng)前葉片及植株氮素指標(biāo)與生長(zhǎng)狀況，這一結(jié)論與前人[24-26]研究結(jié)果一致。

開(kāi)花期之后小麥從營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)化為生殖生長(zhǎng)，植株?duì)I養(yǎng)，尤其是氮素營(yíng)養(yǎng)，主要向籽粒轉(zhuǎn)運(yùn)，所以可反映開(kāi)花期葉片及植株氮素營(yíng)養(yǎng)狀況及能力相關(guān)的指標(biāo)，諸如LNC、PNC和NNI與成熟期籽粒蛋白質(zhì)含量擬合程度較高，SPAD、LNA、LAI和PNA等4個(gè)農(nóng)學(xué)參數(shù)可以預(yù)測(cè)GPC且具有一定建模精度，但驗(yàn)證效果有待提高，而地上部生物量及葉片干物質(zhì)質(zhì)量?jī)H能反應(yīng)植株生長(zhǎng)狀態(tài)而不具備可顯著反應(yīng)氮素營(yíng)養(yǎng)的特征，故其與籽粒蛋白質(zhì)含量擬合程度較低。這與陳鵬飛等[22]、屈莎等[23]、宋曉宇等[27]的研究結(jié)果相同。

構(gòu)建“高光譜-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量”的籽粒蛋白質(zhì)含量預(yù)測(cè)模型，比較9個(gè)農(nóng)學(xué)參數(shù)作為中間參數(shù)構(gòu)建的模型預(yù)測(cè)效果，LNC的建模集與預(yù)測(cè)集的決定系數(shù)R2為0.64和0.55，RMSE為1.05和1.12，RPD為1.68和1.49。所以可以判斷LNC是高光譜籽粒蛋白質(zhì)含量預(yù)測(cè)模型中的最佳選擇。另外，本研究主要在一階導(dǎo)數(shù)與偏最小二乘法的方法基礎(chǔ)上利用開(kāi)花期高光譜數(shù)據(jù)與農(nóng)學(xué)參數(shù)進(jìn)行籽粒蛋白質(zhì)含量預(yù)測(cè)，對(duì)于對(duì)比不同生育時(shí)期下的籽粒蛋白質(zhì)含量預(yù)測(cè)模型效果能否進(jìn)一步提前預(yù)測(cè)，以及結(jié)合不同農(nóng)學(xué)參數(shù)相關(guān)的植被指數(shù)，進(jìn)而提高籽粒蛋白質(zhì)含量預(yù)測(cè)精度，仍需要在下一步研究中進(jìn)行探討。同時(shí)，在小麥籽粒蛋白質(zhì)含量預(yù)測(cè)模型構(gòu)建中，缺乏考慮溫度等生態(tài)環(huán)境等因子的影響，需要在以后的研究中加入作物模型來(lái)進(jìn)行綜合研究。