糜子叶片氮含量和籽粒蛋白质含量高光谱监测研究

王君杰，陈凌，王海岗，曹晓宁，刘思辰，田翔，秦慧彬，乔治军

糜子叶片氮含量和籽粒蛋白质含量高光谱监测研究

王君杰，陈凌，王海岗，曹晓宁，刘思辰，田翔，秦慧彬，乔治军

（山西农业科学院农作物品种资源研究所/农业部黄土高原作物基因资源与种质创制重点实验室/杂粮种质资源发掘与遗传改良山西省重点实验室， 太原 030031）

【】本研究以叶片氮含量为切入点，探求糜子籽粒蛋白质含量的最佳光谱预测模型，为糜子优质生产的管理调控提供理论依据。【】结合2017年和2018年2年的氮肥运筹试验数据和光谱数据，通过“光谱特征信息—叶片氮含量—籽粒蛋白质含量”这一研究思路，以叶片氮含量为中间链接点将光谱模型和籽粒蛋白质含量链接，建立基于高光谱糜子籽粒蛋白质含量监测模型。【】利用支持向量机（SVM）构建的糜子全生育期叶片氮含量监测模型要优于逐步多元线性回归（SMLR）和偏最小二乘法（PLS），并且原始光谱反射率（R）的SVM模型效果优于一阶导数（1ST）模型，建模集和验证集的2分别为0.928、0.924；相对较小，分别为0.19、0.12；都大于2，分别为3.71、6.07。开花期、灌浆期和成熟期的叶片氮含量和籽粒蛋白质含量均达到极显著正相关，相关系数分别为0.48、0.66和0.73。灌浆期R-SVM模型能准确的监测糜子籽粒蛋白质含量，决定系数2为0.798，均方根误差为0.14，预测残差为1.65。【】建立基于灌浆期糜子籽粒蛋白质含量的高光谱R-SVM监测模型，有助于指导糜子优化田间管理、种植业结构调整和籽粒品质分级，为高光谱技术在糜子优质高产栽培和精准农业发展提供技术基础。

糜子；叶片氮含量；籽粒蛋白质含量；高光谱；模型

0 引言

【研究意义】氮素是作物生长发育所必须的营养元素，是叶绿素的重要组成部分，氮素缺失会导致色素减少，光合性能减低，严重影响作物产量和品质的形成[1-2]。叶片氮含量和籽粒蛋白质含量是评价作物长势和品质的主要指标之一，现阶段氮素测定主要通过全自动凯氏定氮仪进行测定，该方法优点是数据测定精确，缺点是费工费时，籽粒蛋白质含量只能籽粒成熟后才能测定，亟需一种在糜子生长发育期快速无损的监测技术。近红外光谱技术具有实时、快速、无损的监测冠层光谱信息的特点，现广泛应用于作物长势、品质等指标的监测。【前人研究进展】前人对基于高光谱技术监测叶片氮含量和籽粒蛋白质含量研究已有大量报道，对叶片氮含量预测主要是利用高光谱直接监测的模式。李金梦等[3]利用SG平滑-Detrending-SPA-BPNN和Detrending-SPA-BPNN两种高光谱最优模型测定柑橘叶片氮含量是可行的。冯伟等[4]利用REPIE、SDr-SDb、FD729 3个参数可以对小麦叶片氮含量进行可靠的监测。前人对籽粒蛋白质含量预测研究主要通过高光谱直接和间接2种监测模式，间接模式主要通过农学参数为链接点，建立籽粒蛋白质含量的高光谱预测模型，较直接模式能较早预测籽粒蛋白质含量。冯伟等[5]利用“特征光谱参数—叶片氮素营养—籽粒蛋白质含量”这一技术路径，建立了基于开花期mND705参数的小麦籽粒蛋白质含量预测模型。张松等[6]利用连续投影算法（SPA）+支持向量机（SVM）建立了冬小麦籽粒蛋白质的监测模型，验证均方根误差和2分别为0.3587和0.9581。乔瑶瑶等[7]以93份燕麦样品为研究对象，利用改进偏最小二乘法（MPLS）建立了近红外模型对燕麦中籽粒蛋白质的快速监测模型。顾志宏[8]研究得出550—590 nm与670—710 nm是大麦植株氮含量的敏感波段区域，建立了基于GRVI的大麦籽粒蛋白质含量的预测模型，2为0.6651。李振海[9]利用灰色关联分析—偏最小二乘算法（GRA—PLS）方法构建了小麦籽粒蛋白质含量遥感预测模型，建模结果和验证结果的预测值和实测值的2和分别为0.731、1.30%和0.609、1.19%，预测模型具有较高的精度和可靠性。贺佳等[10]利用植株氮含量为链接点分别建立了基于MCARI1、NDCI、mNDCI、MCARI1、NDCI的拔节期、孕穗期、抽穗期、灌浆期、成熟期的冬小麦籽粒蛋白质含量的监测模型。陈鹏飞等[11]利用氮素营养指数为中间变量，在冬小麦旗叶期，建立遥感模型，能准确预测冬小麦籽粒蛋白质含量，模型的决定系数为0.48，标准误差为0.38%，相对误差为2.32%。张新玉等[12]利用了偏最小二乘法（PLSR）和支持向量机回归法（SVR）建立的模型能准确预测玉米单籽粒蛋白质含量。张浩等[13]利用多元线性回归（MLR）、人工神经网络（ANN）和偏最小二乘回归（PLSR）对水稻叶片氮素和籽粒蛋白质含量进行建模，3种模型的决定系数都达到0.847以上，以PLSR的预测效果最好。前人主要利用可见光与近红外光建立的植被指数来预测植株叶片氮含量和籽粒蛋白质含量，李少昆等[14]研究指出，小麦籽粒蛋白质含量的敏感波段主要集中在可见光（450—700 nm）和近红外波段（700—1 300 nm），这两部分波段包含了植物90%的信息。随着光谱技术的不断发展，光谱分辨率不断提高，光谱信息和分析方法越来越丰富，如原始光谱的平滑等预处理，用连续投影法等方法进行挖掘和提取光谱数据，偏最小二乘法等方法的光谱全波段进行模型矫正优化。【本研究切入点】由于目前糜子主要种植在丘陵旱薄地区，没有相对统一的栽培技术规程，如施肥方式不同，从而造成籽粒蛋白质含量差异显著，所以急需高光谱监测技术来快速准确地预测籽粒品质。目前对籽粒蛋白质光谱监测主要集中在大宗作物上，而关于糜子的研究却较少[15-16]。【拟解决的关键问题】本研究运用逐步多元线性回归（stepwise multiple linear regression，SMLR）、偏最小二乘回归（partial least square，PLS）和支持向量机（support vector machine，SVM）3种比较精准的模型矫正方法，构建不同氮素运筹下糜子全生育期叶片氮含量的光谱监测模型，以叶片氮含量为链接点，利用糜子叶片氮含量和籽粒蛋白质含量的密切关系，构建基于关键生育时期叶片氮含量的籽粒蛋白质含量预测模型。通过高光谱数据验证糜子叶片氮含量和籽粒蛋白质遥感预测模型的可行性，为高光谱技术在糜子生产应用中监测叶片氮含量和籽粒蛋白质含量提供理论基础。

1 材料与方法

1.1 试验设计

2017年6月至2018年10月共进行3个田间试验，设在不同的2个生态区。

试验1：2017年在忻州市定襄县良种场进行，该区位于38°33′N，112°54′E，海拔780 m，年降雨量430 mm，年均气温8.7℃，无霜期158 d左右，年日照时数达2 734.6 h，温、光、热资源适宜糜子的生长发育。前茬作物为大豆，土壤全氮含量0.82 g·kg-1，有效磷17.3 mg·kg-1，速效钾93 mg·kg-1，有机质12.5 g·kg-1，pH 8.16。试验采用两因素随机区组设计，不同施氮量为A因素，不同基肥追肥比（底肥﹕拔节肥﹕开花肥）为B因素。A因素4个水平，A1为0、A2为75 kg·hm-2、A3为150 kg·hm-2和A4为225 kg·hm-2，B因素3个水平，B1为10﹕0﹕0，B2为5﹕5﹕0，B3为2﹕4﹕4，试验共10个处理，3次重复，30个小区，小区面积30 m2（5 m×6 m）。供试品种为晋黍9号，种植密度为6×105株/hm2，行距为30 cm，株距为30 cm，每穴3—5株。2017年6月22号播种，9月下旬收获。磷肥（120 kg·hm-2）和钾肥（90 kg·hm-2）作为基肥一次性施入土壤。分别在拔节期（7月22日）、抽穗期（8月14日）、开花期（8月20日）、灌浆期（9月8日）和成熟期（9月28日）测定糜子冠层光谱反射率，每个小区测定5个点，每个点的测量重复5次，剔除异常值然后取其平均值，同步取植株样测定叶片氮含量。本试验主要用于模型的建立及验证，3次重复分别获得150个光谱数据、150个叶片氮含量数据和30个籽粒蛋白质含量数据，剔除异常值获得122个光谱数据，23个籽粒蛋白质数据。随机筛选13个灌浆期光谱数据及其叶片氮含量数据用于模型的验证。

试验2：2018年在忻州市定襄县良种场继续进行试验，6月25号播种，前茬作物为谷子，土壤全氮含量0.58 g·kg-1，有效磷9.8 mg·kg-1，速效钾60 mg·kg-1，有机质10.2 g·kg-1，pH 8.48。试验设计跟试验1一样，测定指标主要是开花期（8月22日）、灌浆期（9月9日）和成熟期（9月28日）的冠层光谱数据、叶片氮含量和籽粒蛋白质含量。本试验主要用于模型的检验，1次重复共获得30个光谱数据、30个叶片氮含量数据和10个籽粒蛋白质含量数据，剔除异常值获得25个光谱数据，7个籽粒蛋白质数据，9个灌浆期叶片氮含量数据。

试验3：2018年在河曲县文笔镇邬家沙梁村进行试验，河曲县是糜子主产区。该地处于丘陵旱薄地区，年平均气温为7.8℃左右，年降雨量为350 mm，海拔1 036 m，无霜期150 d左右。6月10号播种，前茬作物为玉米，土壤全氮含量0.89 g·kg-1，有效磷6.59 mg·kg-1，速效钾85.5 mg·kg-1，有机质14.1 g·kg-1，pH 8.66。试验设计同试验1一样，本试验主要用于模型的检验，开花期（8月10日）和灌浆期（8月28日）1次重复共获得20个光谱数据和20个叶片氮含量数据，剔除异常值获得14个光谱数据，获得8个灌浆期叶片氮含量数据。

1.2 测定方法

1.2.1 光谱测定 采用美国Analytical Spectral Device（ASD）公司生产的FieldSpec 4型背挂式野外高光谱辐射仪。波段范围为350—2 500 nm，视场角度为25°，其中350—1 000 nm光谱采样间隔1.4 nm，光谱分辨率3 nm；1 000—2 500 nm光谱采样间隔2 nm，光谱分辨率10 nm，所用的仪器在每季度用白色标准白版校准1次。糜子冠层光谱测定选择在10：00—14：00，天气晴朗、无风或风速很小的天气条件下进行，测量时传感器探头垂直向下，距冠层顶垂直高度约1.0 m。测量过程中，及时在每组目标观测前后进行标准白板校正。

1.2.2 叶片氮含量和籽粒蛋白质含量的测定 与光谱测定同步，每小区取5株，按叶片、茎、籽粒、皮壳（含穗轴）进行分样，在105℃下杀青30 min后80℃下烘干，称重，粉碎。用全自动凯氏定氮仪测定成熟期籽粒氮含量和不同生育时期叶片氮含量（leaf nitrogen content，LNC，%）。籽粒蛋白质含量（grain protein content，GPC，%）=籽粒氮含量×6.25；氮素转运率（%）=（开花期叶片氮素含量-成熟期叶片氮素含量）/开花期叶片氮素含量。

1.3 模型构建及评价

运用逐步多元线性回归[17]（SMLR）、偏最小二乘回归[18]（PLS）和支持向量机[19]（SVM）进行模型构建。运用决定系数（coefficient of determination，2）、均方根误差（root mean squared error，）和预测残差（Residual prediction difference，）等统计参数进行模型评价，其中2越接近1，越小，表明模型具有较好的预测精度。当＞2时，模型具有较好的预测能力，1.4＜＜2时，模型具有中等预测能力，＜1.4时，模型预测能力较差。

式中，n表示样本数，p为进入模型中的变量个数，Yi′和Yi分别是预测值和实测值，（standard deviation）为实测值的标准差。

1.4 数据处理

用ViewSpec Pro对采集到的数据进行平均处理，剔除异常值；采用SPSS 19.0对试验数据进行描述性统计分析；MATLAB7.0进行SMLR特征提取和PLS、SVM模型构建；Unscrambler9.7对光谱数据进行一阶微分处理和Savitzky-Golay平滑处理；Excel和Origin进行作图分析。

2 结果

2.1 描述性统计分析

由表1可以看出，叶片氮含量（LNC）的校正集和验证集最大值分别为3.990和3.930，最小值分别为1.090和1.270，全距较大，表明样本具有一定的差异性，校正集和验证集均值相近，标准差较小，为实现糜子叶片氮含量和籽粒蛋白质含量高光谱监测奠定了有效的数据基础。

表1 糜子叶片氮含量（LNC）的描述性统计分析

2.2 光谱特性分析

由于空气水汽和环境等噪音的影响，剔除了1 800—1 950 nm的数据。以糜子开花期为例（图1-A），不同氮素运筹下反射率趋势大致相同，550和670 nm处形成反射峰和吸收谷，700—1 300 nm处形成近红外高反射平台，不同处理在近红外波段（780—1 350 nm）的光谱反射率有明显的变化差异，以A3B3处理的反射率最高，对照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体结构和叶片细胞内部结构，造成该区域波段的吸收率低，反射率高。

由图1-B可以看出，不同生育时期的冠层光谱反射率的差异性主要集中在近红外光780—1 350 nm区域，以抽穗期的冠层反射率最高，成熟期的最低，主要是由于抽穗期糜子叶片叶绿素含量较高，群体长势良好，而成熟期糜子植株叶片发黄，其冠层光谱不具备绿色植被的光谱特征。表明利用冠层光谱对不同施氮量的敏感响应性进行叶片氮含量（LNC）定量分析是可行的。

2.3 叶片氮含量（LNC）与高光谱的相关性及敏感波段的确立

通过对糜子原始光谱（R）和一阶导数光谱反射率（1ST）与叶片氮含量（LNC）进行相关性分析（图2），可以看出原始光谱叶片氮含量（LNC）的敏感区域主要集中在400—800 nm，一阶导数光谱叶片氮含量（LNC）的敏感区域主要集中在500—1 700 nm，根据逐步多元线性回归（SMLR）分析，将418、697和2 274 nm作为原始光谱的特征波段，将534、683和2 084 nm作为一阶导数光谱的特征波段。将这6个波段作为输入样本进行模型的构建（表2）。

2.4 糜子叶片氮含量（LNC）的高光谱模型

利用试验1的原始光谱反射率（R）和一阶导数（1ST）数据，通过SMLR、PLS和SVM 3种建模方法构建糜子全生育期叶片氮含量（LNC）的估算模型。根据建模集的决定系数（2）、均方根误差（）和预测残差（）选取最佳模型，利用试验2和试验3数据对模型进行验证。由表3可以看出，除R-SMLR模型外，其他模型的拟合集和验证集的2都达到0.8以上，都达到2以上，对糜子叶片氮含量都有准确的预测能力。通过验证集的模型评价指标可以看出，SVM模型要优于SMLR和PLS模型，并且R-SVM模型效果优于1ST-SVM，建模集和验证集的2分别为0.928、0.924；值相对较小，分别为0.19、0.12；都大于2，分别为3.71、6.07。说明R-SVM模型可以更加准确地预测全生育期糜子叶片氮含量。

图1 糜子冠层光谱特征

图2 糜子叶片氮含量（LNC）与冠层光谱反射率和一阶导数光谱数据的相关性

表2 基于SMLR方法的叶片氮含量（LNC）的光谱特征

表3 糜子叶片氮含量（LNC）的高光谱模型的拟合（n=122）及验证（n=39）

2.5 糜子叶片氮含量（LNC）与籽粒蛋白质含量（GPC）的相关性及定量关系

由图3可以看出，不同处理糜子叶片氮含量都以拔节期最高，开花期以后，随着生育进程的推进叶片氮含量逐渐减小，其中对照A1的叶片氮素转运率最高，为60.40%，A3B3处理的转运率最低，为38.86%，这主要是因为糜子耐低氮、氮素利用效率较其他作物高和自身调节能力强。

利用试验1和试验2数据分别对不同生育时期的叶片氮含量（LNC）和成熟期籽粒蛋白含量进行相关性分析（表4）。可以看出，开花期、灌浆期和成熟期叶片氮含量（LNC）与籽粒蛋白质含量（GPC）达到极显著正相关，分别为0.48、0.66和0.73，拔节期和抽穗期与籽粒蛋白含量达到正相关，但差异不显著，主要是由于拔节期和抽穗期主要以营养生长和生长发育并进为主，从开花期以后，植株由营养生长转为生殖生长，氮素营养逐渐向籽粒转运，所以叶片氮含量和籽粒蛋白质含量拟合程度越来越高。

2.6 基于糜子叶片氮含量（LNC）的籽粒蛋白质含量（GPC）光谱模型的构建

利用开花期、灌浆期和成熟期的叶片氮含量（LNC）与籽粒蛋白质含量（GPC）建立线性关系（表5），该方程能较好的反应叶片氮含量（LNC）和籽粒蛋白质含量（GPC）的定量关系，其决定系数分别为0.631、0.872和0.900。

图3 不同处理对糜子叶片氮含量的影响

表4 不同生育时期叶片氮含量间及与成熟期籽粒蛋白质含量的相关性

**和* 分别表示1%和5%水平上差异显著

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

由于开花期糜子叶片氮含量和籽粒蛋白质含量决定系数（2=0.631）较灌浆期和成熟期差，并且灌浆期较成熟期更能较早预测糜子叶片氮含量，所以利用灌浆期的糜子叶片氮含量为链接点来建立籽粒蛋白质的高光谱预测模型。为了考察模型的可靠性和普适性，利用试验1、试验2和试验3的灌浆期光谱数据和叶片氮含量数据对模型进行验证，预测值和实测值1﹕1关系见图4，可以看出R-SVM模型的值最大，为1.65，为0.14，2为0.7476，所以能在灌浆期较好预测糜子叶片氮含量。该模型同试验1建立的糜子全生育期叶片氮含量预测模型一致，都以R-SVM模型最优。说明R-SVM模型可以较好预测灌浆期糜子叶片氮含量，进而间接预测籽粒蛋白质含量。

表5 开花期、灌浆期和成熟期叶片氮含量（LNC）与籽粒蛋白质含量（GPC）的模型

3 讨论

3.1 糜子叶片氮含量的高光谱监测

氮素是植物生长发育必需的大量元素之一，是植物体内叶绿素、蛋白质、核酸、激素等大量功能物质的重要组成元素。氮素缺乏，叶片色素含量减少，光合作用减弱，导致叶片提前衰老和死亡，严重影响植物产量和品质的提高。氮素对产量的贡献率高达40%—50%[20-21]，是评价植物光合作用效率和营养水平的重要指标[22]。前人对不同作物叶片氮含量的光谱监测研究已有大量报道，冯伟[4]和薛利红[23]等主要是通过可见光和近红外光建立的植被指数来预测作物的叶片氮含量，并且后者研究得出全生育时期红波段（660 nm）和蓝波段（460 nm）组成的比值指数和归一化指数能较好预测小麦叶片含氮量，红波段（660 nm）与本试验得出的原始光谱和一阶导数特征光谱波段697 nm和683 nm基本一致。由于多数植被指数是由可见光和近红外光组成的，与具有2 000多个波段的高光谱数据相比，很难代表所有光谱信息，导致一些重要光谱信息丢失，并且归一化植被指数（NDVI）和相关植被指数与一些农学参数存在“饱和”现象，从而减低了预测模型的精度[24]。所以本试验主要运用了逐步多元线性回归（SMLR）、偏最小二乘回归（PLS）和支持向量机（SVM）模型来预测糜子叶片氮含量，以支持向量机（SVM）的预测模型最优，这与张松等[6]研究得出最优的监测模型一致。

3.2 糜子籽粒蛋白质含量的高光谱监测

籽粒蛋白质含量是评价作物品质的重要指标之一，由于常规室内分析化学法测定籽粒蛋白质含量费工费时等缺点[25]，而高光谱监测技术能够大范围内实时监测籽粒蛋白质相关指标的动态变化，因此国内外学者利用高光谱监测技术对籽粒蛋白质含量进行了大量研究。目前监测籽粒蛋白质的研究方法主要有直接方法（遥感信息—籽粒蛋白质含量）和间接方法（遥感信息—农学参数—籽粒蛋白质含量）[26]，其中直接监测籽粒蛋白质含量的主要方法有近红外光谱仪快速监测[7]和全波段人工神经网络（ANN）、偏最小二乘回归（PLSR）和支持向量机（SVM）等模型监测[6,9,12-13]。间接方法主要是通过利用与籽粒蛋白质含量密切相关的农学参数为链接点来建立基于光谱信息（植被指数、红边面积等）的籽粒蛋白质含量监测模型。由于叶片氮素含量和籽粒蛋白质含量密切相关，所以许多学者通过监测植株叶片氮含量来预测籽粒蛋白质含量[5,8,10-11,27-28]。本试验以糜子叶片氮含量为链接点，建立了基于糜子籽粒蛋白质含量的高光谱监测模型，得出以灌浆期R-SVM的监测模型最优。李映雪等[29]研究RVI（1220,710）能够较好地预测小麦灌浆期的叶片氮含量，进而间接预测籽粒蛋白质含量；贺佳等[10]研究得出在抽穗期和灌浆期监测冬小麦籽粒蛋白质含量效果较好，这与本试验灌浆期的监测模型最优相一致，这主要是由于籽粒蛋白质的形成是呈动态变化的，籽粒灌浆前主要以营养生长或营养生长和生殖生长并进为主，叶片氮素同化较慢，籽粒灌浆后，以生殖生长为主，氮素营养快速同化储存于籽粒，所以灌浆期监测模型优于其他生育时期。屈莎等[30]研究得出以冬小麦开花期植株氮素含量为中间变量的模型建模及反演精度最好，这与本试验的研究结果有一定差异，可能是由于不同作物品种在不同生育时期对氮素营养的敏感度不同造成的。

图4 基于高光谱参数的糜子灌浆期叶片氮含量预测值和实测值比较

另外，本试验还有一些不足之处，在建立糜子叶片氮含量和籽粒蛋白质含量模型过程中，河曲试验地糜子在开花期受到大风雨水袭击，造成植株出现部分倒伏，从而对试验数据准确性产生了一定影响。试验只考虑了氮素和不同生态区这2个因子，而没有考虑不同品种和密度等因子的变化，因此，下一步对其他因子进行分析，综合建立一套多因子的籽粒蛋白质监测模型。

4 结论

本文通过“遥感信息—农学参数—籽粒蛋白质含量”这一研究思路，初步建立了糜子叶片氮含量和籽粒蛋白质含量的高光谱监测模型，全生育期以R-SVM监测糜子叶片氮含量的模型最优，并且灌浆期R-SVM监测糜子叶片氮含量模型要优于拔节期、抽穗期和开花期，进而间接预测籽粒蛋白质含量。通过这一研究将有助于指导糜子优化田间管理、种植业结构调整和籽粒品质分级，为遥感技术在糜子优质高产栽培和精准农业发展提供技术基础。

[1] 王绍华, 吉志军, 刘胜环, 丁艳峰, 曹卫星. 水稻氮素供需差与不同叶位叶片氮转运和衰老的关系. 中国农业科学, 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] 李刚华, 薛利红, 尤娟, 王绍华, 丁艳峰, 吴昊, 杨文祥. 水稻氮素和叶绿素SPAD 叶位分布特点及氮素诊断的叶位选择. 中国农业科学, 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] 李金梦, 叶旭君, 王巧男, 张初, 何勇. 高光谱成像技术的柑橘植株叶片含氮量预测模型. 光谱学与光谱分析, 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] 冯伟, 姚霞, 朱艳, 田永超, 曹卫星. 基于高光谱遥感的小麦叶片含氮量监测模型研究. 麦类作物学报, 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] 冯伟, 姚霞, 田永超, 朱艳, 刘小军, 曹卫星. 小麦籽粒蛋白质含量高光谱预测模型研究. 作物学报, 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] 张松, 冯美臣, 杨武德, 王超, 孙慧, 贾学勤, 武改红. 基于近红外光谱的冬小麦籽粒蛋白质含量检测. 生态学杂志, 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] 乔瑶瑶, 赵武奇, 胡新中, 李小平. 近红外光谱技术检测燕麦中蛋白质含量. 中国粮油学报, 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] 顾志宏. 基于高光谱的大麦籽粒蛋白质含量遥感预测. 光谱学与光谱分析, 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, 徐新刚, 金秀良, 张竞成, 宋晓宇, 宋森楠, 杨贵军, 王纪华. 基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测. 中国农业科学, 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] 贺佳, 刘冰峰, 黎世民, 郭燕, 王来刚, 张彦, 李军. 不同生育时期冬小麦籽粒蛋白质含量的高光谱遥感监测模型. 中国生态农业学报, 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] 陈鹏飞, 王吉顺, 潘鹏, 徐于月, 姚凌. 基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演. 农业工程学报, 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] 张新玉, 王颖杰, 刘若西, 申兵辉, 王皎月, 严衍禄, 康定明. 近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究. 中国农业大学学报, 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] 张浩, 胡昊, 陈义, 唐旭, 吴春艳, 刘玉学, 杨生茂, 郑可锋. 水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型. 核农学报, 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, 谭海珍, 王克如, 肖春华, 谢瑞芝, 高世菊. 小麦籽粒蛋白质含量遥感监测研究进展. 农业工程学报, 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, 张钰玉, 王孟, 张盼盼, 李夏, 韩浩坤, 刘凤琴, 冯佰利. 旱区糜子农田冠层高光谱反射特征研究初报. 黑龙江八一农垦大学学报, 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] 韩浩坤, 妙佳源, 张钰玉, 张大众, 宗国豪, 宫香伟, 李境, 冯佰利. 基于高光谱反射率的糜子冠层叶片叶绿素含量估算. 干旱地区农业研究, 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] 陆景陵, 胡霭堂. 植物营养学. 北京: 高等教育出版社, 2006.

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

[21] 吴巍, 赵军. 植物对氮素吸收利用的研究进展. 中国农学通报, 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, 卫亚星. 植被氮素浓度高光谱遥感反演研究进展. 光谱学与光谱分析, 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] 薛利红, 曹卫星, 罗卫红, 张宪. 小麦叶片氮素状况与光谱特性的相关性研究. 植物生态学报, 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, 田纪春, 翟红梅, 张永祥. 小麦蛋白质含量测定方法比较. 山东农业科学, 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, 杨贵军, 王纪华, 徐新刚, 宋晓宇. 作物籽粒蛋白质含量遥感监测预报研究进展. 中国农业信息, 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, 朱艳, 田永超, 姚霞, 秦晓东, 曹卫星. 小麦叶片氮含量与冠层反射光谱指数的定量关系. 作物学报, 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] 王纪华, 黄文江, 赵春江, 杨敏华, 王之杰. 利用光谱反射率估算叶片生化组分和籽粒品质指标研究. 遥感学报, 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, 朱艳, 田永超, 尤小涛, 周冬琴, 曹卫星. 小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系. 中国农业科学, 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, 杨贵军, 宋晓宇, 陈召霞, 刘畅. 基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感监测. 农业工程学报, 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

农业部国家谷子高梁产业技术体系项目（CARS-06-13.5-A16）

王君杰，E-mail：xiaoleiwangjie@163.com。

乔治军，E-mail：nkypzs@126.com

（责任编辑 杨鑫浩）