小麦籽粒特征光谱与生理生化指标对应关系模型的研究

梁显丽　宝秋利　秦丽

摘要：对西农529、山农28号、农大5181、品育8161、泉麦890这5种小麦籽粒进行研究，每种小麦籽粒随机抽取30个样本，每个样本随机提取10次特征光谱反射率的特征值，同时利用传统的差热法测定小麦籽粒水分含量;利用热重分析法测得小麦籽粒粗脂肪、粗蛋白含量等生理生化指标。在显著性水平=0.05的条件下，利用单因素方差分析建立模型，结果表明，5种小麦籽粒的特征光谱反射率具有一致性。利用SPSS软件对小麦籽粒特征光谱与生理生化指标的相关关系进行分析，发现在显著性水平=0.05的条件下，小麦籽粒的高光谱反射率与水分含量之间呈极显著正相关，与粗脂肪含量之间呈极显著负相关，而与粗蛋白含量之间的相关性不显著。最后对相关性显著的变量建立线性回归模型，同时检验了模型的可行性。

关键词：小麦籽粒;特征光谱;生理生化指标;对应关系模型

中图分类号： S512.101  文献标志码： A  文章编号：1002-1302（2019）03-0078-04

高光谱图像技术是一种结合图像技术与光谱技术的无损检测新方法。目前，高光谱图像技术在农业检测领域中的应用已成为国内外的一个热点研究课题，该技术已被广泛应用于农产品的内外部品质预测、损伤识别及安全检测、农作物的生产信息获取等领域。近几年来，国内外许多学者对高光谱图像技术的应用作了深入的研究。其中王树文等利用高光谱成像技术研究了苗期玉米冠状光谱，并依据叶片氮元素含量与植被指数的相关性，建立了玉米冠层预测模型[1];张瑶等研究了光谱特征提取对苹果叶片叶绿素含量模型的影响[2];孙来军等利用红外分析技术检测小麦的品质，具有快速、简便、准确、非破坏性的优点，建立了小麦籽粒蛋白的偏最小二乘校正模型，与用原始数据建立的校正模型相比，预测效果更好[3]。金华丽等用化学法测定67个小麦粉样品的水分含量，利用波通DA7200型近红外光谱分析仪采集样品的近红外光谱，采用偏最小二乘法（PLS）和留一法内部交叉验证方式建立定标模型，结果表明，预测值与真实值之间的决定系数（R2）为0.984 8，预测集标准偏差（SEP）为0.092 9[4]。本研究根据光谱信息具有可以反映被测物体的物理结构、化学成分及生理生化指标等特点，通过试验对小麦籽粒的光谱信息加以提取，用单因素方差分析验证了5种小麦籽粒的特征光谱反射率具有一致性;同时测得同一样本小麦籽粒的生理生化指标，讨论特征光谱与这些生理生化指标的相关关系，并对显性相关的变量间建立具体模型，检验模型的可行性。根据所建模型，由小麦籽粒的特征光谱可以直接预测小麦的生理生化指标。

1 材料与方法

1.1 试验材料

西农529、山农28号、农大5181、品育8161、泉麦890这5种小麦是2017年国审小麦新品种。其中西农529（审定号：国审麦20170001）品种来源为绵阳26和小偃597，育种单位为西北农林科技大学农学院;山农28号（审定号：国审麦20170018）品种来源为4142/6125，育种单位为山东农业大学和淄博禾丰种子有限公司;农大5181（审定号：国审麦20170021）品种来源为农大3097/轮选987，育种单位为中国农业大学;品育8161（审定号：国审麦20170022）品种来源为长4802/临优9202， 育种单位为山西省农业科学院小麦研究所;泉麦890（审定号：国审麦2017008）品种来源为许科1号/04中36，育种单位为河南开泉农业科学研究所有限公司。本研究抽取以上5种小麦的籽粒各5 kg进行试验。

1.2 试验设计

本试验于2017年9月至2018年3月在内蒙古农业大学进行，5种小麦籽粒各选取30份样本，利用美国ASD公司生产的FieldSpec3光谱仪（测量波长为90～2 500 nm）进行试验，每个样本随机提取10个特征光谱反射率的值。以试验数据为依据，对10个不同波段随机提取的高光谱反射率的特征值进行聚类，以降低数据噪音，共聚成5个波段，依次记为V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm），試验数据用于模型建立。将上述小麦样本在105 ℃下杀青30 min后，粉碎并编号。利用传统的差热法[5]测定小麦籽粒水分含量;利用热重分析法[6-7]测定小麦籽粒粗脂肪、粗蛋白含量等生理生化指标，试验数据用于建立模型。

2 模型的建立与求解

2.1 检验5种小麦籽粒特征光谱反射率的一致性

以试验为基础，将每种小麦籽粒的特征光谱反射率看作一个整体，且假设每个整体服从正态分布，建立数学模型[8]。在显著性水平等于0.05的条件下，检验假设H0：μ1=μ2=μ3=μ4=μ5是否成立。

根据试验数据进行单因素方差分析，具体计算结果如表1所示。

通过查F值分布表，得F籽粒特征光谱反射率具有一致性。结果表明，可以用同一型号的光谱测量仪测量不同种小麦的生理生化指标。

2.2 特征光谱与小麦生理生化指标相关关系分析

根据上述5种小麦籽粒特征光谱反射率的一致性，以下分析过程将不再讨论不同种小麦籽粒的特征光谱反射率与生理生化指标的关系，而是直接讨论不同波段随机提取的高光谱反射率的特征值与生理生化指标的对应关系。对高光谱反射率的特征值与小麦的水分、粗脂肪、粗蛋白含量等生理生化指标进行相关性分析，筛选出相关性极显著的参数，建立一元回归模型。试验数据的相关性分析和一元线性回归分析采用SPSS 19.0和Excel 2007软件进行。5个不同波段高光谱反射率的特征值和小麦籽粒的水分、粗脂肪、粗蛋白含量等生理生化指标相关性的分析结果见表2[9]。可以看出，5个不同波段高光谱反射率的特征值和小麦籽粒粗蛋白含量的相关性较弱，相关系数绝对值在0.3以下，因此可见由高光谱反射率的特征值去预测小麦籽粒的粗蛋白含量有待进一步研究， 本研究暂时不作进一步分析。5个不同波段高光谱反射率的特征值与小麦籽粒水分含量的相关系数在0.595～0.915之间，与小麦籽粒的粗脂肪含量的相关系数在-0.754～-0.584之间，均达到了极显著水平，其中小麦籽粒的水分含量与5个不同波段高光谱反射率的特征值呈正相关，而小麦籽粒的粗脂肪含量与5个不同波段高光谱反射率的特征值呈负相关。由此可见，可以用高光谱反射率的特征值预测小麦籽粒的水分、粗脂肪含量。

2.3 特征光谱与小麦籽粒生理生化指标之间回归模型的建立与求解

根据上述分析得出的特征光谱与小麦籽粒生理生化指标之间的相关性，可以通过建立一元线性回归模型来实现对小麦籽粒水分含量和粗脂肪含量的估测：

式中：a、b是常数;ε是误差项，这里假设误差项ε是一个期望值为0的随机变量，即E（ε）=0，对于所有自变量的值，ε的方差σ2都相同，此外，误差项ε是彼此相互独立的;y表示小麦籽粒水分、粗脂肪含量的预测值;x表示高光谱反射率的特征值。

用试验数据求解上述模型，由表3可以看出，在建立的线性回归模型中，预测小麦籽粒水分含量时的决定系数（r2）在高光谱反射率的特征值为V1时最大，达到0.838，F值为766.322，P值远远小于0.05;其次是在高光谱反射率的特征值为V5时，r2=0.833，F值为735.745，P值远远小于 0.05，最小的r2也达到了0.608，表明模型拟合得很好。预测小麦籽粒的粗脂肪含量时，r2在高光谱反射率的特征值为V3时最大，达到0.754，F值为194.619，P值远远小于 0.05，最小的r2也达到0.630，说明这些模型拟合得很好。因此可见，可以通过上述模型利用特征光谱直接预测小麦籽粒的水分含量和粗脂肪含量，并能达到预期效果。

2.4 模型的检验

为了检验模型的可靠性和普适性，随机抽取30组试验数据，对特征光谱与小麦籽粒的水分、粗脂肪含量的相关模型进行测试，直观的检验结果如图1～图5所示[1]，可以看出，小麦籽粒的水分和粗脂肪含量实测值与预测值的拟合效果很好，表明所建模型可以应用与推广。

3 结论

在显著性水平为0.05的条件下，利用方差分析检验了西農529、山农28号、农大5181、品育8161、泉麦890这5种小麦籽粒的特征光谱反射率，结果显示具有一致性。

对10个不同波段随机提取的高光谱反射率的特征值进行聚类分析，结果形成5类，依次设为V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm） 等5个波段，利用相关性分析发现，小麦籽粒的水分含量与每个波段的特征光谱均呈现正显著相关，小麦籽粒的粗脂肪含量与每个波段的特征光谱均呈现负显著相关，即小麦籽粒的水分和粗脂肪含量与特征光谱之间的相关性与光谱的波段无关，而小麦的粗蛋白含量与特征光谱之间的相关性不显著。

建立了每个波段小麦的水分含量与特征光谱呈正相关的一元线性回归模型和小麦的粗脂肪含量与特征光谱呈负相关的一元线性回归模型，在P值< <0.05时，r2和F值均能充分说明模型拟合得很好。因此可见，建立的模型可以直接并有效地预测小麦籽粒的水分、粗脂肪含量。

参考文献：

[1]王树文，赵 珊，张长利，等. 基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型[J]. 农业工程学报，2016，32（13）：149-154.

[2]张 瑶，郑立华，李民赞，等. 苹果叶片氮素含量快速检测模型[J]. 农业机械学报，2012，43（增刊1）：300-304.

[3]孙来军，王乐凯，钱海波，等. 基于近红外透射光谱分析技术的小麦蛋白质含量测定[J]. 中国农学通报，2011，27（3）：35-39.

[4]金华丽，卞 科. 近红外光谱法检测小麦粉中的水分含量[J]. 中国粮油学报，2010，25（8）：109-112.

[5]展海军，白 静，曾德健，等. 用差热分析法测定小麦的水分含量[J]. 河南工业大学学报（自然科学版），2011，32（6）：28-31.

[6]展海军，张佳佳，徐 飞，等. 用热重分析法同时测定大豆中主要成分含量[J]. 粮食与饲料工业，2016，12（11）：56-61.

[7]崔丽伟，展海军，张佳佳，等. 热重分析法测定大米中淀粉含量[J]. 中国粮油学报，2017，32（9）：167-170.

[8]田 兵. 单因素方差分析的数学模型及其应用[J]. 阴山学刊（自然科学版），2013，27（2）：24-27.

[9]蔺 青. 生态因素与小麦品质关系的研究[D]. 山东农业大学，2004.杨 阳，申双和，王润元，等. 干旱胁迫对半干旱雨养区春小麦生长发育及产量的影响[J]. 江苏农业科学，2019，47（3）：82-85.