采用叶片光谱反射率预测寒地水稻稻米蛋白质含量
2022-02-16王志君李红宇夏玉莹范名宇赵海成许鑫楷郑桂萍
王志君，李红宇,2,3，夏玉莹，范名宇,2,3，赵海成,2,3，许鑫楷，郑桂萍,2,3
采用叶片光谱反射率预测寒地水稻稻米蛋白质含量
王志君1，李红宇1,2,3，夏玉莹1，范名宇1,2,3，赵海成1,2,3，许鑫楷1，郑桂萍1,2,3
（1. 黑龙江八一农垦大学农学院，大庆 163319；2. 农业农村部东北平原农业绿色低碳重点实验室，大庆 163319；3. 黑龙江八一农垦大学黑龙江省现代农业栽培技术与作物种质改良重点实验室，大庆 163319）
为实现利用水稻叶片光谱指数实时预测稻米蛋白质含量，该研究采集了不同年份中氮素、品种差异下寒地水稻主要生育期（T1拔节期、T2齐穗期、T3结实期）顶部3片叶（L1、L2、L3）的叶片光谱反射率，探究其变化规律以及光谱指数与稻米蛋白质含量的关系，并用P-k、均方根误差（Root Mean Square Error，RMSE）和对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error，SMAPE）对模型精度进行验证。结果显示：施氮量多则稻米蛋白质含量高，蛋白质含量高的稻米食味值评分低。提高氮肥投入量，叶片反射率在可见光区域内呈降低趋势，而在近红外平台叶片反射率上升。随着生育期的推进，可见光区域内的叶片反射率逐渐上升，叶片反射率在近红外平台表现出先增加后降低的趋势，其变化规律与蛋白质营养转运有着密切联系。对光谱指标和稻米蛋白质含量进行相关分析，T2时期的L2的光谱指数与蛋白质含量的相关性优于其他时期的叶片，其中T2时期L1叶ARI1指标（(1/550)-(1/700)）、L2叶CTR1指标（(695/420)）以及T3时期L3叶g指标（绿光范围510～560 nm内的最大波段反射率）显示出与蛋白质含量良好的拟合关系，指标验证的P-k分别为0.01、0.01、0.03，RMSE分别为0.19、0.11、0.14，SMAPE分别为1.56%、1.24%、1.44%，其中以T2时期L2叶CTR1指标表现最优，蛋白质含量拟合方程2为0.75。综上，借助CTR1指标能够实现快捷、无损和实时预测稻米蛋白质含量的目的，达到按质收获以及品质实时监测的要求，促进优质寒地水稻的可持续发展。
光谱；反射率；模型；蛋白质含量；食味值；寒地水稻
0 引 言
蛋白质作为稻米营养品质的重要组成部分，其含量仅占稻米的8%左右，但对食味品质有着决定性作用[1]。蛋白质含量传统检测方法（主要为凯氏定氮法）的结果固然精准可靠，但存在时效性差、耗材多、时间长且破坏性取样等弊端，致使检测工作较为繁杂[2]；现阶段室内高光谱成像方法预测蛋白质含量的准确度大幅提高，但所测样品均为作物成熟后采集，所得结果具有滞后性，且只能用于收获后作物的分类评级而无法实时监测或预测未成熟作物品质[2]。因此，水稻成熟收获前对其蛋白质含量进行实时、快速、无损检测显得尤为重要，不仅能满足水稻分级分类收获的要求，还能促进水稻优质生产。
近几年地面光谱遥感技术广泛兴起，光谱技术已被用于采集作物的冠层光谱信息。冠层光谱曲线因包含的信息量多、波段长且分层清晰[3]，被众多学者用于诊断作物营养状况[4]、计算农学参数[5]（如叶绿素含量）、预测作物产量及收获品质[6]，其中在利用光谱信息对作物的籽粒蛋白质含量进行预测，国内外学者做了相关研究。Rodrigues等[7]基于机载高光谱仪的方式获取到小麦高分辨率影像数据并对不同波长下的冠层反射率建立归一化光谱指数（Normalized Difference Spectral Index，NDSI），发现利用小麦生育前期冠层700 和574nm及生育后期冠层707和523 nm波长的光谱归一化指数能够有效预测小麦籽粒蛋白质含量。屈莎等[8]通过采集小麦开花期冠层光谱反演蛋白质含量，发现以植株氮素含量反演蛋白质含量效果最好。周冬琴等[9]建立了水稻不同氮素影响下主要生育期内冠层的光谱反射数据与成熟收获后籽粒蛋白质含量的关系，并对蛋白质含量进行预测，结果表明水稻孕穗期叶片光谱反射率与籽粒蛋白质含量相关性最好。孙雪梅等[10]对叶片叶绿素含量、叶片氮含量、叶片光谱以及籽粒氮含量进行系统分析，基于“叶片叶绿素含量-叶片氮含量-叶片光谱-籽粒蛋白质含量”研究路线成功建立了利用叶片光谱预测水稻籽粒蛋白质含量的模型，模型拟合优度高达0.99。
前人有关利用光谱估测水稻籽粒蛋白质含量的试验设计多为不同施氮水平或不同环境中水稻叶片氮含量差异所导致的冠层光谱差异和蛋白质含量差异，从而建立两者的关系和估测模型，但忽略了水稻品种之间或同一品种植株的不同氮素状态所造成氮素基础值不同[11]，水稻品种之间的基因型差异以及氮素利用率不同[12]、水稻冠层结构差异等因素所造成的冠层光谱信息采集或分析误差，致使研究结果稳定性较差，难以推广和借用。
基于前人的研究基础，本试验基于手持式单片叶光谱信息采集的方式，采集不同年份间多氮素水平、多品种下水稻关键生育时期顶部3片全展叶的光谱反射信息。分析不同叶位构建的特征光谱指数与稻米氮素营养之间的关系，通过光谱指数与稻米蛋白质含量相关性的高低筛选出能指示稻米氮质量分数的优等时期、叶位及光谱指数，利用大田的数据资料对光谱指数估算的稻米蛋白质含量与真实值进行比较而验证指标的准确性，实现对稻米蛋白质含量的实时、快速、精确判定，以期为稻米蛋白质含量的早期预测和调控提供理论依据和技术支撑。
1 材料与方法
1.1 试验地点及材料
试验于2020年、2021年在黑龙江省大庆市黑龙江八一农垦大学校内盆栽场、大庆市王家围子试验基地以盆栽试验与大田试验相结合的形式进行。盆栽试验，盆钵高度为30 cm，上直径30 cm，下直径25 cm，每盆装黑钙土12 kg，每处理12盆。大田试验小区面积4 m×4 m=16 m2，共计20个小区。大田土壤为盐碱土。试验用土的土壤养分状况如表1所示。
表1 土壤养分状况
1.2 试验设计
1.2.1 2020年试验设计
试验①：氮肥梯度盆栽试验
试验于校内盆栽场进行，参试品种为稻花香2号。试验采用二因素完全随机试验设计，A因素为前中氮肥施用量，8水平，分别为0（A1）、51.72（A2）、103.45（A3）、155.17（A4）、206.90（A5）、258.62（A6）、310.35（A7）、362.07（A8）kg/hm2，氮肥分配按基肥∶蘖肥∶调节肥= 4∶3∶1时期施用。B因素为穗肥氮肥施用量，3水平，分别为 0（B1）、51.72（B2）、103.45（B3）kg/hm2。其中基肥搅浆前一次性施用，分蘖肥分2次施用，第1次（4.1～4.5叶龄）施用分蘖肥的75%，第2次（5.1～5.5叶龄）施用分蘖肥的25%，调节肥在倒4叶伸长期施用，穗肥在倒2叶伸长期施用。氮肥采用尿素（N 46.4%）。磷肥采用过磷酸钙（P2O516%），用量为139.54 kg/hm2，100%作为基肥。钾肥采用硫酸钾（K2O50%），施肥量为120.00 kg/hm2，分2次施用，基肥和穗肥各占50%=1∶1。
试验②：品种盆栽试验
品种试验于校内盆栽场进行，采用单因素完全随机试验设计，供试品种分别为C1∶松粳22、C2∶松粳16、C3∶龙稻203、C4∶垦粳8号、C5∶三江6号、C6∶龙粳21。氮肥施用按照基肥∶蘖肥∶调节肥∶穗肥=4∶3∶1∶2进行施用，氮肥施用量为258.62 kg/hm2，其中分蘖肥分两次施用，第1次施用分蘖肥的75%（4.1～4.5叶龄），第2次施用分蘖肥的25%（5.1～5.5叶龄）。磷肥和钾肥施用种类和施用方式同试验1。6个供试品种的特征特性见表2。
表2 供试品种的特征特性
1.2.2 2021年试验设计
试验③：大田验证
在重复2020年试验①、②的基础上增加大田试验③，大田试验于大庆市王家围子试验基地进行，试验采用单因素完全随机试验设计，供试品种分别为绥粳27（香稻品种、主茎11片叶、叶色较浅）、龙粳31（主茎11片叶、叶色较深），每品种10个小区，小区面积4 m×4 m=16 m2。氮肥施用按照基肥∶蘖肥∶调节肥∶穗肥=4∶3∶1∶2进行施用，氮肥施用量为258.62 kg/hm2，氮肥、磷肥和钾肥施用种类和施用方式同试验②。试验③资料用于检测模型。
所有试验秧苗叶龄为3.1进行移栽，盆栽试验每桶4穴，每穴3苗。大田试验穴距为15 cm，行距为30 cm。其他管理措施按照当地水稻高产栽培技术进行。
1.3 测定项目及方法
1.3.1 叶片光谱反射率获取
采用CI-710S(CID，美国) 型光谱仪测定水稻3个关键生育时期（T1：拔节期、T2：齐穗期、T3：结实期）主茎顶部第1片（L1）、第2片（L2）、第3片（L3）全展叶的叶片反射率，测量前均用黑白板进行标定。测量部位为主茎叶片上部（近叶尖1/3处）、中部（叶片中间位置）、基部（近叶基1/3处）、叶宽1/4或3/4的位置3部分，3部分的平均值为所测叶片的反射率。测量时叶片反置于叶片夹的叶室中，然后夹紧叶片，保证叶片水平且被测面积相同，避免背景反射、叶片表面弯曲等造成的光谱波动及叶片内部变异造成的影响。每个处理（小区）标定测量20穴，每穴测定3个主茎，每间隔90 min用黑白板重新标定，水稻顶部叶位及位点选择如图1所示。
图1 水稻光谱反射率的测量叶位及位点选择
CI-710S可以非破坏性精确的测量叶片在300～1 100 nm 波长范围内的反射率，内置光源，波长数量增量为0.55～0.7 nm，像素大小为14m×200m，信噪比为330∶1，光谱采样间隔为1.4 nm。
1.3.2 食味品质测定
每处理（小区）标定的20穴水稻于成熟期收获后各自脱粒（与光谱反射率相对应），通风阴干处晾晒1个月，待理化性质稳定后，用小型碾米机把稻谷加工为精米。每穴称取10 g精米，按米水质量比1∶1.2的比例将精米蒸煮成米饭。采用日本佐竹公司生产的米饭食味计（SATA1A）测定米饭综合食味值，重复3次其平均值为该穴食味值（无氮区A1B1产量不够，则每穴重复2次）。
1.3.3 蛋白质含量测定
按国家标准食品蛋白质测定方法（GB 5009.5-2016）-自动凯氏定氮仪法测定精米的蛋白质含量。各处理（小区）标定的20穴水稻测得食味值后，将剩余精米磨成粉，使用0.20 mm孔径筛筛分以进行分析。每穴称取0.2 g精米粉，分别注入400 mL消化管中，注入10 mL浓硫酸及4 g K2SO4和0.4 g CuSO4·5H2O的混合催化物，420 ℃下消化1.5 h后，用全自动凯氏定氮仪（kjeltec8400，FOSS 公司，丹麦）测定精米粉的含氮量，再乘以换算系数5.95，重复3次，其平均值为该穴蛋白质含量。
1.4 数据分析
1.4.1 光谱数据预处理
为最大限度地挖掘光谱数据中的有效信息，本研究采用平滑算法（Savizkg-Golag）[13]对采集的光谱进行预处理，以降低谱线平移、高频随机噪声等因素的干扰，保证所建模型的精度和稳定性。
1.4.2 光谱指数选择
为减小波长边界负效应，波长反射数据选取由有效波长300～1 100 nm缩短至350～1 000 nm。通过文献查阅法，选择当前光谱指数相关研究中出现的指标，相关指标计算公式如表3所示，其中R1、R2为1、2波段的光谱反射率。
表3 光谱指标及计算公式
注：R1、R2为1、2波长下的光谱反射率，下同。
Note：R1andR2are spectral reflectance at1and2 wavelengths , the same below.
1.4.3 统计方法
采用Excel 2016、SPSS 26统计软件对数据进行整理及统计分析，采用Origin 2021 64bit对光谱曲线图进行一阶导数以及积分运算。分析光谱指数与稻米蛋白质含量的相关关系，建立预测模型。模型的准确性和适用性采用预测值和实测值的预测精度斜率差（P-k）、均方根误差（RMSE）及对称平均绝对百分比误差（SMAPE）等指标进行评定。
斜率差（P-k）：真实值与预测值回归方程的斜率与真实值等于预测值的回归方程斜率1之间差的绝对值，P-k越小，预测精度越高。
均方根误差（RMSE），RMSE越小，预测精度越高。
对称平均绝对百分比误差（SMAPE），SMAPE越小，预测精度越高。
2 结果与分析
2.1 处理间蛋白含量及食味值的比较
两年间施氮量对稻米蛋白质含量及食味值影响的结果如表4所示，在A水平下，A因素对稻米的蛋白质含量和食味值的影响在两年间均达到极显著水平，均以A1水平蛋白质含量最低，食味值最高；A8水平蛋白质含量最高，食味值最低。2020年A8水平蛋白质含量较A1、A2、A3、A4、A5、A6、A7水平分别极显著增加34.55%、27.44%、26.39%、22.19%、18.07%、14.39%、12.23%；A8水平食味值较A1～A7水平分别极显著降低8.10%、5.06%、4.99%、4.10%、3.45%、2.96%、2.28%。2021年稻米蛋白质含量大小、食味值大小与2020年数据表现为同等趋势，蛋白质含量大小关系为A1
综上，在水稻生长过程中，增加氮肥的施入量会提高稻米的蛋白质含量并降低食味值，食味值与蛋白质含量呈现一定负相关关系。
表4 两年间施氮量对稻米蛋白质含量及食味值的影响
注：F、F、F分别表示A因素、B因素、AB二因素下显著性检验值；数据后不同小、大写字母表示同一试验因素不同处理间差异显著（<0.05）、极显著（<0.01），*、**分别表示影响显著（<0.05）、极显著（<0.01），下同。
Note:F,F,Frepresent the significance testvalues under factor A, factor B, and factor A and B, respectively Different lowercase and uppercase letters within a column indicate significant (<0.05) and extremely significant (<0.01) differences among different treatments under the same experimental factor respectively, * and ** indicate significant (<0.05) and extremely significant (<0.01) influences respectively. The same below.
对两年间6个品种的蛋白质含量及食味值的平均值进行比较。图2结果表明，6个品种之间的蛋白质含量、食味值差异较大，其中C1蛋白质含量最低，食味值最高，C6蛋白质含量最高，食味值最低。6个品种蛋白质含量由高到低的顺序为C6>C5>C2>C3>C4>C1，C6蛋白质含量较C5、C2、C3、C4、C1分别极显著（<0.01）提高2.99%、5.04%、10.43%、12.23%、15.63%，食味值由高到低的顺序为C1>C4>C3>C2>C5>C6，C6食味值较C5、C2、C3、C4、C1分别极显著（<0.01）降低1.17%、2.89%、3.54%、7.93%、12.09%。由此可知，不同品种的稻米蛋白质含量差异较大，蛋白质含量较低的品种食味值较高。
注：数据后不同小、大写字母表示同一试验因素不同处理间差异显著（P<0.05）、极显著（P<0.01），*、**分别表示影响显著（P<0.05）、极显著（P<0.01），下同；品种名称见表2。
利用试验①、试验②以及试验③数据资料对稻米蛋白质含量和食味值进行回归分析，图3表明食味值与蛋白质含量呈线性关系，即：稻米蛋白质含量越高，水稻食味值评分越低。线性回归方程的拟合优度2=0.93，达到极显著水平（<0.01）。
图3 稻米蛋白质含量与食味值的关系
图4 拔节期不同施氮水平下水稻顶部叶片光谱的时空变化特征
注：T1、T2、T3分别表示水稻的拔节期、齐穗期、结实期；L1、L2、L3分别表示水稻顶部的第1、2、3片叶；
2.2 水稻叶片光谱的时空变化特征
2.2.1不同施氮水平下水稻叶片光谱差异
叶片光谱的时空变化特征以拔节期2 a的平均反射率数据（图4）为例，结果表明，不同氮素水平下水稻拔节期的顶部3片叶光谱反射率曲线均呈现相同趋势。在可见光区域内，水稻叶片光谱反射率均随着施氮水平的增加而降低，此现象在约560 nm反射“绿峰”至约685 nm吸收“红谷”处尤为明显，叶片反射率大小整体表现为A1>A2>A3>A4>A5>A6>A7>A8，在近红外区域，随着施氮水平的增加，其反射率也增大，在波段760～1 000 nm“反射平台”较为明显，反射率大小整体表现为A8>A7> A6>A5>A4>A3>A2>A1。施氮量对3个时期水稻顶部3片叶的影响整体相似，施氮量与可见光区域内的叶片反射率负相关，与近红外区域内的叶片反射率正相关。
2.2.2 不同水稻品种的叶片光谱差异
2 a品种试验中6个供试品种（品种名称详见表2）的叶片平均反射值分析结果如图5所示：6个供试品种顶部叶片在不同时期的反射值分布规律差异较大，在可见光区域内，3个时期中顶部3片叶反射率大小均为T1
2.3 叶片反射率与蛋白质含量的关系
本研究2 a共采集了1 600份水稻样品和4 800份叶片光谱反射数据（表5），其中试验①、试验②的数据资料作为校正集建立模型，以排除年限误差、品种基因型、生育期以及叶色差异等因素的影响；试验③的数据资料作为预测集，以验证模型在大田中预测蛋白质含量的稳定性和准确性。对光谱特征指数和蛋白质含量进行相关分析，图6表明，T2、T3时期光谱指数与蛋白质含量的相关性高于T1时期，以T2时期的光谱指数表现最佳；图7结果则表明L2叶的光谱特征指数与蛋白含量的相关性优于L1、L3叶。依据不同时期下不同叶位的光谱指数与蛋白质含量的相关性进行指标筛选并建立两者的回归方程，在95%置信条件下计算光谱指数预测蛋白质含量的置信带和预测带。回归分析结果如表6、表7、表8所示，结果表明齐穗期光谱指数与蛋白质含量回归方程的拟合优度（2）以及显著性水平优于其他时期；各时期顶2叶（L2）的光谱指数与蛋白质含量回归方程的拟合优度（2）以及显著性水平优于同一时期的其他叶位，以齐穗期定顶2叶指标Ctr1为最优，2为0.75**（<0.01）。综上，利用单张叶片的光谱特征指数预测蛋白质含量应当优先选择T2时期的L2叶。
表5 水稻稻米样品蛋白质百分含量统计表
注：红、黑色分别代表正、负相关，颜色深，则表明相关性较好。
2.4 测试与检验
依据大田试验③的数据资料进行指标验证。利用表6、7、8中光谱指标的回归方程计算出大田试验各处理的稻米蛋白质含量预测值，结果如图8稻米蛋白质含量真实值与预测值的1∶1关系图所示，T1时期指标L1叶g、L3叶MCARI，T2时期指标L1叶ARI1、L2叶CTR1、L3叶CTR1，T3时期指标L2叶SDg、L3叶g、SDo、MRESRI的预测结果较好，指标的预测值与真实值回归方程的2分别为0.90、0.91、0.89、0.91、0.89、0.90、0.88、0.86、0.87，各指标的P-k值（表9）分别为0.10、0.09、0.01、0.01、0.03、0.03、0.03、0.04、0.04。依据根均方差（RMSE）、对称平均绝对百分比误差（SMAPE）进一步验证（表9），T2时期L1叶ARI1指标、L2叶CTR1指标，T3时期L3叶g指标显示出模拟值和观测值间良好的拟合关系，其与蛋白质含量的2分别为0.57，0.75，0.63，其余指标因预测结果的敏感性和稳定性较差而排除。ARI1、CTR1、g指标的RMSE值分别为0.19、0.11、0.14，SMAPE分别为1.56%、1.24%、1.44%，综上T2时期的L2叶CTR1指标表现最优，可作为预测稻米蛋白质含量的最优指标。
表6 拔节期顶部3片叶的光谱指标与蛋白质含量的回归方程
注：为蛋白质含量，为不同指标值，1、2、3分别表示水稻顶部的第1、2、3片叶，下同。
Note:is the protein content,is the different index value,1,2and3represent the first, second and third leaf at the top of rice respectively, The same below.
表7 齐穗期顶部3片叶的光谱指标与蛋白质含量的回归方程
表8 结实期顶部3片叶的光谱指标与蛋白质含量的回归方程
图8 不同时期稻米蛋白质含量指标预测值与真实值的1﹕1关系图
表9 各指标的预测精度值
注：P-k为真实值与预测值回归方程的斜率与真实值等于预测值的回归方程斜率1之间差的绝对值。
Note: P-k is the absolute value of the difference between the slope of the regression equation of the true value and the predicted value and the slope 1 of the regression equation of the true value equal to the predicted value.
3 讨 论
利用光谱数据对水稻籽粒粗蛋白含量进行快速、无损预测主要基于两种形式，一种是测定收获后水稻籽粒的反射光谱进行蛋白质含量估测[2]，另一种为测定水稻生育期冠层叶片的光谱反射率数据对成熟收获后的稻米蛋白含量进行预测[25-26]。本研究在第二种方法的基础上加以延伸，在多氮素水平、多品种的试验中探究冠层不同叶位的叶片光谱反射率变化规律，结果表明施氮量越高，叶片在可见光区域内反射率较小，而在近红外平台叶片反射率则表现较高，结果与徐浩聪等[27]一致。不同基因型水稻品种的同一叶位或同一品种的不同叶位的叶片反射率在三个时期有着较大差异，但叶片反射率表现出在可见光波段差异较小，在近红外波段差异显著，这充分验证了陈瑛瑛等[28]观点。水稻不同叶位叶片的成熟度和衰老程度不同，其所反映的氮营养状况可能受叶位或叶位组合的显著影响，徐浩聪等[27]研究成果表明，在水稻的拔节～抽穗期，顶2叶和顶3叶的光谱指数与植株氮素营养状况相关性均优于顶1叶，顶1叶部分氮素营养供植株生长使用，故生育前期不能很好地代表植株氮素营养状况，而顶2叶和顶3叶都是主要功能叶片，它们的生长好坏可更准确反映水稻群体氮素营养状况，水稻生育后期，因作物下层叶片会先生长而先衰老，叶绿素含量也会随之减少，而中上部叶片的叶龄接近，则光谱反射率的差异较小，并且下位叶片出现的衰老或枯萎现象对光谱采集影响较大[29]，故生育后期下位叶片不宜用作光谱采集的对象。这与本试验研究结果相似，本研究通过对不同叶位的反射指数与蛋白质含量进行相关分析，结果表明顶2叶的光谱指数较其他叶位能更好的指示稻米的氮素营养状况。
本研究发现，不同品种光谱反射率在可见光区域内随“拔节期”、“齐穗期”、“结实期”生育期的推进呈上升趋势，表现为“拔节期”＜“齐穗期”＜“结实期”，作者认为这一现象与水稻冠层叶片向穗部营养转运、碳氮代谢以及叶绿素含量变化有着密切关系。在拔节期，水稻处于营养生长转生殖生长的过程中，叶片叶绿素含量高，叶片颜色较深，植株氮素充足，以氮代谢为主[30]，所以叶片对红光、蓝光吸收能力强；齐穗期，叶片前期积累的养分逐渐向穗部转移，叶片叶绿素含量逐渐降低，此时植株以碳代谢为主，蛋白质合成减弱但同化物积累增多[30]，此时绿光波段光谱反射率下降，但高于拔节期；结实期，冠层叶片逐渐变黄甚至枯萎，造成叶片叶绿素含量迅速下降，反射率上升，变幅增大。在760～1 000 nm的近红外波段，不同叶片的反射率随生育期的推进表现出先增加后降低的趋势，具体呈现为拔节期至齐穗期不断上升，齐穗期至结实期下降。所以，稻米蛋白质含量与作物氮素营养状况密切相关，而冠层反射光谱正是氮素营养状况而引起的叶色变化的体现[31]。因此冠层光谱在一定程度上能反映籽粒品质信息，这使得利用冠层反射光谱直接预测稻米的蛋白质含量成为可能。本研究基于相关性分析和回归分析的思路，对成熟收获后稻米蛋白质含量进行估测，结果发现较多指标与蛋白质相关性较好，利用大田数据进行验证后，齐穗期L2叶CTR1指标显示出模拟值和观测值间良好的拟合关系，可作为预测蛋白质含量的最优指标。其余指标预测结果敏感性和稳定性较差的原因可能是冠层叶片反射光谱仅与籽粒部分蛋白质组分的相关性较好[32]。
氮素在水稻生长发育、产量形成和品质改善中扮演着重要角色，增施氮肥对提高水稻单产发挥重要作用，但当前中国稻田氮素用量普遍过大，过多的氮肥用量并未明显提高水稻产量，反而导致氮肥利用效率下降[33]、稻米蛋白质含量偏高。有学者称采用侧深施肥、点深施肥等恰当的施肥方式在降低氮素投入量的同时水稻产量和品质都有一定的提升[34]。稻米蛋白质含量偏高，会造成米饭硬度变大，黏度降低，色泽变差，稻米食味值显著下降[35]，本试验研究结果充分验证了前人的观点，并发现稻米蛋白质含量与食味值呈线性负相关关系，这与钱春荣等[36]指出的食味值与蛋白质含量并不是简单的线性关系相矛盾。关于稻米蛋白质如何影响蒸煮食味品质，近年有学者提出蛋白质含量多少能够影响淀粉结构的合成或作用于淀粉糊化过程进而影响食味品质，属间接效应。朱玲[37]研究认为蛋白质通过水合改变淀粉的吸水量而影响米饭质地，蛋白质含量变高，会促使籽粒结构紧密，大量蛋白体填塞在淀粉体间的空隙，并与淀粉紧密结合，打破蛋白质网络使淀粉糊化就需要更多的能量，同样会导致稻米淀粉糊化膨胀受到抑制[38]，从而降低蒸煮食味品质。所以稻米蛋白质含量增高致使食味品质降低是直接效应还是蛋白质作用于淀粉而产生的间接效应，还需要更为深入的研究才能确定。
4 结 论
不同年限间通过对不同处理下的水稻主要生育期顶部3片叶的光谱指数与其对应的稻米蛋白质含量进行相关分析和回归分析，得到如下结论：
1）稻米蛋白质含量与食味值评分呈线性，决定系数2为0.93。
2）同等波长下，叶片反射率在可见光区域内随着施氮量的增加而提高，在近红外平台随着施氮量的增加而降低。不同品种的下位叶片的光谱反射率在可见光区域内要高于上位叶片，随着水稻生育期不断推进，水稻顶部叶片的反射率在可见光区域内逐渐增大，而在近红外平台区域内叶片反射率则呈现先增加后降低的趋势。
3）齐穗期顶部第二张叶片的指标CTR1（695/420）与稻米的蛋白质含量拟合方程最优，2为0.75（<0.01），因此借助该指标能够精准预测寒地水稻稻米的蛋白质含量，从而间接判定其食味品质的优劣。
[1] 石吕，张新月，孙惠艳，等. 不同类型水稻品种稻米蛋白质含量与蒸煮食味品质的关系及后期氮肥的效应[J]. 中国水稻科学，2019，33(6)：541-552.
Shi Lv, Zhang Xinyue, Sun Huiyan, et al. Relationship of grain protein content with cooking and eating quality as affected by nitrogen fertilizer at late growth stage for different types of rice varieties[J]. Chinese Journal of Rice Science, 2019, 33(6): 541-552. (in Chinese with English abstract)
[2] 孙俊，靳海涛，芦兵，等. 基于高光谱图像及深度特征的大米蛋白质含量预测模型[J]. 农业工程学报，2019，35(15)：295-303.
Sun Jun, Jin Haitao, Lu Bing, et al. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295-303. (in Chinese with English abstract)
[3] 贺佳，刘冰峰，黎世民，等. 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[J]. 中国生态农业学报，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)
[4] 李露. 基于高光谱反射率数据的冬油菜氮养分诊断[D]. 武汉：华中农业大学，2017.
Li Lu. Diagnosis of Nitrogen nutrition in winter oilseed rape based on hyperspectral reflectance data[D]. Wuhan: Huazhong Agriculture University, 2017. (in Chinese with English abstract)
[5] 何泱. 协同反射率与叶绿素荧光的冬小麦水分胁迫早期诊断研究[D]. 南京：南京信息工程大学，2020.
He Yang. Early Diagnosis of Winter Wheat under Water Stress using Reflectance and Chlorophyll Fluorescence[D]. Nanjing: Nanjing University of Information Science and Technology, 2020. (in Chinese with English abstract)
[6] 李媛媛，常庆瑞，刘秀英，等. 基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J]. 农业工程学报，2016，32(16)：135-142.
Li Yuanyuan, Chang Qingrui, Liu Xiuying, et al. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 135-142. (in Chinese with English abstract)
[7] Rodrigues Jr F A, Blasch G, Defourny P, et al. Multi-temporal and spectral analysis of high-resolution airborne imagery for precision agriculture:assessment of wheat grain yield and grain protein content[J]. Remote Sensing, 2018, 10(6): 930-955.
[8] 屈莎，李振海，邱春霞，等. 基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测[J]. 农业工程学报，2017，33(12)：186-193.
Qu Sha, Li Zhenhai, Qiu Chunxia, et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 186-193. (in Chinese with English abstract)
[9] 周冬琴，朱艳，姚霞，等. 基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型[J]. 作物学报，2007，33(8)：1219-1225.
Zhou Dongqin, Zhu Yan, Yao Xia, et al. Estimating grain protein content with canopy spectral reflectance in rice[J]. Acta Agronomica Sinica 2007, 33(8): 1219-1225. (in Chinese with English abstract)
[10] 孙雪梅，周启发，何秋霞. 利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J]. 作物学报，2005，31(7)：844-850.
Sun Xuemei, Zhou Qifa, He Qiuxia. Hyperspectral variables in predicting leaf chlorophyll content and grain protein content in rice[J]. Acta Agronomica Sinica, 2005, 31(7): 844-850. (in Chinese with English abstract)
[11] Ata-UI-Karim S T, Yao X, Liu X J, et al. Development of critical nitrogen dilution curve of Japonica rice in Yangtze River Reaches[J]. Field Crops Research, 2013, 149: 149-158.
[12] 叶苗. 水稻品种间光合特性的差异及其机理研究[D]. 武汉：华中农业大学，2020.
Ye Miao. Studies on The Mechanisms of the Varietal Differences in Leaf Photosynthesis inryzaativa L[D]. Wuhan: Huazhong Agricultural University, 2020. (in Chinese with English abstract)
[13] 王海朋，褚小立，陈瀑，等. 光谱基线校正算法研究与应用进展[J]. 分析化学，2021，49(8)：1270-1281.
Wang Haipeng, Chu Xiaoli, Chen Pu, et al. Research and application progress of algorithms for spectral baseline correction[J]. Chinese Journal of Analytical Chemistry, 2021, 49(8): 1270-1281. (in Chinese with English abstract)
[14] 栗方亮，孔庆波，张青，等. 琯溪蜜柚叶片氮素含量多种高光谱估算模型对比研究[J]. 果树学报，2022，39(5)：882-891.
Li Fangliang, Kong Qingbo, Zhang Qing, et al. Comparative study on several hyperspectral estimation models of nitrogen contents in Guanxi honey pomelo leaves[J]. Journal of Fruit Science, 2022, 39(5): 882-891. (in Chinese with English abstract)
[15] 周贤锋. 色素含量比值进行作物氮素营养状况诊断方法研究[D]. 北京：中国科学院大学（遥感与数字地球研究所），2017.
Zhou Xianfeng. Research on the Methods of Crop Nitrogen Status Diagnosis Based on Carotenoid and Chlorophyll Ratio Values[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth), 2017. (in Chinese with English abstract)
[16] 崔婷. 作物归一化植被指数（NDVI）变化规律试验研究[D].杨凌：西北农林科技大学，2019.
Cui Ting. Study on the Variation of Crop Normalized Difference Vegetation Index[D]. Yangling：Northwest A＆F University, 2019. (in Chinese with English abstract)
[17] 穆罕默德·罗曼. 基于农艺和高光谱数据的冬小麦不同生育期氮素状况的预测和优化[D]. 北京：北京林业大学，2021.
Muhammad Roman. Prediction and Optimization of Nitrogen Status Based on Agronomic and Hyperspectral Data at Different Growth Stages of Winter Wheat[D]. Beijing: Beijing Forestry University, 2021. (in Chinese with English abstract)
[18] 肖天豪，范园园，冯海宽，等. 利用高光谱影像估算氮营养指数[J]. 遥感信息，2022，37(3)：7-11.
Xiao Tianhao, Fan Yuanyuan, Feng Haikuan, et al. Estimation of nitrogen nutrition index in winter wheat based on UAV hyperspectral[J]. Remote Sensing Information, 2022, 37(3): 7-11. (in Chinese with English abstract)
[19] 郝雅娟. 基于多角度光谱反射信息估算植物叶片氮含量[D]. 长春：东北师范大学.
Hao Yajuan. Estimating the Leaf Nitrogen Concentration Based on Multiangular Reflectance Factor[D]. Changchun: Northeast Normal University. (in Chinese with English abstract)
[20] 武彬. 作物冠层叶绿素含量垂直分布遥感监测方法研究[D]. 北京：中国科学院大学（中国科学院空天信息创新研究院），2021.
Wu Bin. Remote Sensing Monitoring of Chlorophyll Content Vertical Distribution in Maize and Wheat Canopy[D]. Beijing: University of Chinese Academy of Sciences (Aerospace Information Research Institute), 2021. (in Chinese with English abstract)
[21] 李宛鸽. 基于多角度反射信息估算植物叶片叶绿素含量的新光谱指数研究[D]. 长春：东北师范大学，2020.
Li Wange. New Spectral Index for Estimating the Leaf Chlorophyll Content Based on Multiangular Reflectance Factor[D]. Changchun: Northeast Normal University, 2020. (in Chinese with English abstract)
[22] 张思楠，王权，靳佳，等. 应用光谱指数法估算多枝柽柳同化枝叶绿素含量[J]. 干旱区研究，2016，33(5)：1088-1097.
Zhang Sinan, Wang Quan，Jin Jia, et al. Application of hyperspectral indices for estimating leaf chlorophyll content of assimilating shoots of Tamarix Ramosissima[J]. Arid Zone Research, 2016, 33(5): 1088-1097. (in Chinese with English abstract)
[23] 郭婷. 不同钾水平和成熟度烟草高光谱特征及其品质估测模型研究[D]. 长沙：湖南农业大学，2019.
Guo Ting. Hyperspectral Characteristics and Estimating Model of Leaf Quality Content in Tobacco Based on Potassium and Maturity Treatments[D]. Changsha：Hunan Agricultural University, 2019. (in Chinese with English abstract)
[24] 王仁红，宋晓宇，李振海，等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报，2014，30(19)：191-198.
Wang Renhong, Song Xiaoyu, Li Zhenhai, et al. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 191-198. (in Chinese with English abstract)
[25] 王君杰，陈凌，王海岗，等. 糜子叶片氮含量和籽粒蛋白质含量高光谱监测研究[J]. 中国农业科学，2019，52(15)：2593-2603.
Wang Junjie, Chen Ling, Wang Haigang, et al. Effects of hyperspectral prediction on leaf nitrogen content and the grain protein content of broomcorn millet[J]. Scientia Agricultura Sinica, 2019, 52(15): 2593-2603. (in Chinese with English abstract)
[26] 张志勇，樊泽华，张娟娟，等. 小麦籽粒蛋白质含量高光谱遥感预测模型比较[J]. 河南农业大学学报，2022，56(2)：188-198.
Zhang Zhiyong, Fan Zehua, Zhang Juanjuan, et al. Comparison of hyperspectral remote sensing prediction models for wheat grain protein content[J]. Journal of Henan Agricultural University 2022, 56(2): 188-198. (in Chinese with English abstract)
[27] 徐浩聪，姚波，王权，等. 基于叶片反射光谱估测水稻氮营养指数[J]. 中国农业科学，2021，54(21)：4525-4539.
Xu Haocong, Yao Bo, Wang Quan, et al. Determination of suitable band width for estimating rice nitrogen nutrition index based on leaf reflectance spectra[J]. Scientia Agricultura Sinica, 2021, 54(21): 4525-4539. (in Chinese with English abstract)
[28] 陈瑛瑛，王徐艺凌，朱宇涵，等. 水稻穗部氮素含量高光谱估测研究[J]. 作物杂志，2018(5)：116-120.
Chen Yingying, Wang Xuyiling, Zhu Yuhan,et al. Hyperspectral estimation of nitrogen content in rice panicle[J]. Crops, 2018(5): 116-120. (in Chinese with English abstract)
[29] 张振亚. 不同施氮条件下对夏玉米叶片氮素敏感性分析及高光谱诊断研究[D]. 石河子：石河子大学，2020.
Zhang Zhenya. Sensitivity Analysis and Hyperspectral Diagnosis of Nitrogen in Summer Maize Leaves under Different Nitrogen Application Conditions[D]. Shihezi: Shihezi University, 2020. (in Chinese with English abstract)
[30] 宋丽娟. 基于机载多光谱和SPAD的寒地粳稻氮素营养诊断研究[D]. 沈阳：沈阳农业大学，2020.
Song Lijuan. Study on Nitrogen Nutrition Diagnosis for Cold-terra Rice Based on Airborne Multispectral Imager and SPAD[D]. Shenyang: Shenyang Agricultural University, 2020. (in Chinese with English abstract)
[31] 田容才，高志强，卢俊玮. 基于冠层光谱的早籼稻籽粒粗蛋白含量估测[J]. 作物杂志，2020(4)：188-194.
Tian Rongcai, Gao Zhiqiang, Lu Junwei. Estimation of crude protein content in grain of early indica rice based on canopy spectrum[J]. Crops, 2020(4): 188-194. (in Chinese with English abstract)
[32] 李映雪，朱艳，田永超，等. 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[J]. 中国农业科学，2005(7)：1332-1338.
Li Yingxue, Zhu Yan, Tian Yongchao, et al. Relationship of grain protein content and relevant quality traits to canopy reflectance spectra in wheat[J]. Scientia Agricultura Sinica, 2005(7): 1332-1338. (in Chinese with English abstract)
[33] 曹兵，丁紫娟，侯俊，等. 控释掺混肥结合增密对水稻氮肥利用效率和氨挥发的影响[J]. 农业工程学报，2022，38(13)：56-63.
Cao Bing, Ding Zijuan, Hou Jun, et al. Effects of the blends of controlled-release and conventional nitrogen fertilizers combined with dense planting on nitrogen use efficiency and ammonia volatilization in a paddy field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(13): 56-63. (in Chinese with English abstract)
[34] 刘梦红，王志君，李红宇，等. 施肥方式和施氮量对寒地水稻产量、品质及氮肥利用的影响[J]. 作物杂志，2022(1)：102-109.
Liu Menghong, Wang Zhijun, Li Hongyu, et al. Effects of fertilization method and nitrogen application rate on yield, quality and nitrogen utilization of rice in cold region[J]. Crops, 2022(1): 102-109. (in Chinese with English abstract)
[35] 李娈. 结实期动态温度对软米粳稻产量、品质及淀粉结构与特性的影响[D]. 扬州：扬州大学，2021.
Li Luan. Effect of Dynamic Temperatures During the Grain Filling Stage on Yield, Quality and Starch Structure and Property of Soft Japonica Rice[D]. Yangzhou：Yangzhou University, 2021. (in Chinese with English abstract)
[36] 钱春荣,，冯延江，杨静，等. 水稻籽粒蛋白质含量选择对杂种早代蒸煮食味品质的影响[J]. 中国水稻科学，2007，21(3)：323-326.
Qian Chunrong, Feng Yanjiang, Yang Jing, et al. Effects of protein content selection on cooking and eating properties of rice in early generation of crosses[J]. Chinese Journal of Rice Science, 2007, 21(3): 323-326. (in Chinese with English abstract)
[37] 朱玲. 基于结构剖析和实时监测研究大米食味品质的影响机制[D]. 无锡：江南大学，2020.
Zhu Ling. Study on the Influence Mechanism of the Eating Quality of Rice Based on Structural Analysis and Real-time Monitoring[D]. Wuxi: Jiangnan University, 2020. (in Chinese with English abstract)
[38] Balondong J L, Ward R, Liu L, et al. Rice grain protein composition influences instrumental measures of rice cooking and eating quality[J]. Journal of Cereal Science, 2018, 79(1): 35-42.
Prediction of rice protein content in cold region based on leaf spectral reflectance
Wang Zhijun1, Li Hongyu1,2,3, Xia Yuying1, Fan Mingyu1,2,3,Zhao Haicheng1,2,3, Xu Xinkai1, Zheng Guiping1,2,3
(1,,163319,; 2163319,;3,,163319,)
A real-time prediction of rice protein content can be expected to realize using the rice leaf spectral index. In this study, the spectral reflectance was collected from the first leaf (L1), the second leaf (L2)and the third leaf (L3) at the top of the main growth period (T1: joining stage, T2: heading stage, T3: fruiting stage) of rice in the cold region under different years, nitrogen fertilizers, and varieties. A correlation model was established to clarify the relationship between the spectral index and rice protein content, in order to investigate the spectral reflectance of leaves under different treatments. The accuracy of the model was verified by the P-k, Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). The results showed that the protein content of rice was significantly affected by the nitrogen application rate and variety difference. In the nitrogen fertilizer test, the more nitrogen applied, the higher the protein content of rice was. The protein content values of A8 level were 34.55%, 27.44%, 26.39%, 22.19%, 18.07%, 14.39%, and 12.23% higher than those of A1, A2, A3, A4, A5, A6, and A7, respectively. The taste value of the A8 level decreased by 8.10%, 5.06%, 4.99%, 4.10%, 3.45%, 2.96%, and 2.28%, respectively, compared with the A1-A7 groups. Furthermore, the protein content was ranked in the descending order of the C6>C5>C2>C3>C4>C1 in the variety test, whereas, the taste value was in the order of C1>C4>C3> C2>C5>C6. There was a similar change trend in rice protein content and taste value score under different treatments in 2021 and 2020. A negative correlation between protein content and taste value was found, where the2value was 0.93, and the fitting equation was=-4.21+113.32 (was the rice taste value score,was the rice protein content). There was a significant effect of nitrogen application rate on the reflectance of rice leaves, which increased the input of nitrogen fertilizer. In the three periods, the reflectance of rice leaves decreased in the visible region under the same wavelength. There was more outstanding at the “green peak” of reflection at 560 nm to the “red valley” of absorption at about 685 nm. The reflectance of the blade increased in the near-infrared platform. Much more outstanding intensity was found at the band of 760-1 000 nm “reflecting platform”. In the variety test, the spectral reflectance in the visible region was ranked in the ascending order of the L1
spectral; reflectance; model; protein content; taste value; cold region rice
10.11975/j.issn.1002-6819.2022.21.018
S511
A
1002-6819(2022)-21-0147-12
王志君，李红宇，夏玉莹，等. 采用叶片光谱反射率预测寒地水稻稻米蛋白质含量[J]. 农业工程学报，2022，38(21)：147-158.doi：10.11975/j.issn.1002-6819.2022.21.018 http://www.tcsae.org
Wang Zhijun, Li Hongyu, Xia Yuying, et al. Prediction of rice protein content in cold region based on leaf spectral reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(21): 147-158. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.21.018 http://www.tcsae.org
2022-08-28
2022-10-06
中央支持地方高校改革发展资金人才培养项目（2022010006）
王志君，研究方向为水稻高产优质栽培。Email：970560444@qq.com
李红宇，博士，副教授，研究方向为水稻高产优质生理生态及遗传多样性。Email：ndrice@163.com
