利用高光譜數據估測不同溫度脅迫下的水稻籽粒中粗蛋白和直鏈淀粉含量

謝曉金，李秉柏，朱紅霞

冠層反射光譜能夠反映作物群體面源信息，通過對冠層光譜信息的解析，可以有效提取和突出作物目標的實時信息。多年來，反射光譜數據已成為估測葉面積指數、地上生物量、葉綠素含量和氮素營養等農作物長勢監測和遙感估產的重要手段[1，2]。粗蛋白和直鏈淀粉含量是谷類作物營養品質的兩個重要指標，近年來，國內外許多研究表明，利用反射光譜來預測谷類籽粒的粗蛋白和直鏈淀粉含量也是可行的。Hansen等報道了利用冠層光譜反射率和偏最小二乘法預測小麥籽粒蛋白質含量[3]。李映雪等指出，灌漿中期冠層光譜指數RVI(1 220,710)能預測不同小麥品種成熟期籽粒蛋白質含量的變化[4]。劉蕓等利用原始光譜反射率和一階導數光譜來構建植被指數來預測籽粒粗蛋白、粗淀粉和直鏈淀粉含量，其決定系數達0.7以上[5]。但以上研究主要偏重于氮素脅迫下的谷類籽粒品質的光譜反演，而定量反演高溫脅迫條件下水稻籽粒品質的研究未見報道。目前，隨著全球氣候變化的日益加劇，夏季極端高溫和持續高溫頻繁出現，我國長江流域水稻發生熱害的頻率與受害程度隨之加大，對水稻品質損害的程度也越來越嚴重，而利用高光譜遙感技術進行高熱害長勢和品質監測的研究必是未來農業遙感重心之一[6,7]。本研究以不同年份、不同品種類型在不同溫度脅迫下的水稻試驗為基礎，測定不同生育期水稻冠層高光譜反射率以及成熟籽粒的粗蛋白和直鏈淀粉含量，討論水稻籽粒的粗蛋白和直鏈淀粉含量與冠層反射光譜參數的定量關系，為快速、低成本地檢測稻米品質提供依據，同時也為用高光譜遙感方法在水稻高溫熱害中的品質監測應用提供重要的理論依據。

1 材料與方法

1.1 試驗設計

試驗1：試驗于2007、2008年在江蘇省農業科學院試驗站進行，供試水稻品種為揚稻6號（常規秈稻，全生育期約138d）和南粳43（常規粳稻，全生育期約160d）。5月15日育秧，6月18日移栽，揚稻6號于8月18日開始抽穗，南粳43于9月1日開始抽穗。采用浙江余姚生產的遠紅外加熱燈管（長1.5m，額定功率1000W）和自動控溫系統，自行設計高1.7m，長、寬各1.5m的柱型鋼管支架，安置在水稻試驗田中，遠紅外加熱管離地1.5m高。在溫控和通風系統的調控下，使加熱區（離地面0.8m-1.2m高的空間）的溫度變幅控制在±0.2℃左右。在兩個水稻品種處于孕穗期時，隨機選取10箱水稻進行高溫處理，另外10箱為常溫對照（CK），加熱設施提前30min通電預熱，以確保09:00-14:00時段內穗層溫度為35℃、38℃與41℃，處理時間為3d，每天高溫處理5h后停止增溫。在處理時段內，常溫對照的氣溫為30℃-31℃，相對濕度為65%，高溫處理的相對濕度為68%。

試驗2：在以上兩個水稻品種處于孕穗期時，隨機選取5箱水稻移入RXZ型人工氣候光照培養箱中，進行35℃、38℃與41℃3個溫度梯度處理，處理時間為3d，每天處理5h（09:00-14:00），每天高溫處理結束之后放置于網室內。以自然環境條件下溫度為對照。試驗資料用于檢驗預測模型。

1.2 試驗測定

1.2.1 光譜測定 于水稻開花期、灌漿期及蠟熟期采用美國Analytical Spectral Device(ASD)公司生產的FieldSpec Pro FR2500型背掛式野外高光譜輻射儀測定冠層光譜反射率，光譜儀的波段范圍為350 nm-2 500 nm，其中，350 nm-1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3nm；1 000 nm-2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。冠層光譜測定選擇在天氣晴朗、無風或風速很小時進行，時間范圍為10:00-14:00，傳感器探頭垂直向下，距冠層頂垂直高度約1.0m，光譜儀視場角為25°，地面視場范圍直徑為0.44m。每個小區記錄10個采樣光譜，取平均值作為該處理的高光譜反射值。測量過程中及時進行標準白板校正。用ASD ViewSpec Programs軟件讀取反射光譜原始數據。

1.2.2 粗蛋白和直鏈淀粉測定 將光譜測量區域的水稻收獲后碾磨去殼，得大米。大米直鏈淀粉的提取參照洪雁等[8]方法。用凱氏定氮法測全氮含量，根據一般大米蛋白質含約16.80%氮的原理，將所得的全氮含量乘以換算因子K=5.95，推算為粗蛋白含量。

1.3 數據分析

參照已有的植物光譜參數計算方法[9-12]，基于所有波段的反射率、一階導數構建兩波段組合的比值、差值和歸一化植被指數以及紅邊幅值等特征光譜參數，以試驗1為基礎，對水稻冠層各項光譜參數與成熟籽粒粗蛋白質和直鏈淀粉含量進行相關分析，選擇與籽粒粗蛋白質和直鏈淀粉含量顯著相關的波段及植被指數進行回歸擬合，并通過回歸分析確定監測水稻籽粒蛋白質和直鏈淀粉含量的最佳光譜參數，建立預測模型。利用試驗2的觀測數據對以上模型進行測試和檢驗。采用國際上常用的根均方差法 (RMSE,root mean square error)對模型進行檢驗。RMSE以模擬值與觀測值的一致性來反映模型的預測能力，RMSE值小于10%，表明預測性強；RMSE值大于30%，則表明預測性差。并引用Massart等[13]提出的精確度(Precision)和準確度(Accuracy)概念對模型的預測精度進行評價，精確度即實測值與預測值之間的決定系數，準確度即實測值與預測值擬合方程的斜率。

2 結果與分析

2.1 高溫脅迫下籽粒粗蛋白和直鏈淀粉含量的變化

圖1展示出不同溫度脅迫條件下揚稻6號和南粳43的粗蛋白和直鏈淀粉含量的變化特點?？梢钥闯?，與對照相比，兩個水稻品種的籽粒粗蛋白和直鏈淀粉含量均達到顯著或極顯著水平（p＜0.05或P＜0.01），并且隨脅迫溫度的增加，兩個品種的籽粒粗蛋白含量呈下降趨勢，而直鏈淀粉含量呈上升趨勢。

2.2 冠層反射光譜與水稻籽粒粗蛋白和直鏈淀粉含量的關系

2.2.1 冠層單波段反射率與籽粒粗蛋白和直鏈淀粉含量的相關性 從圖2可以看出，水稻籽粒的粗蛋白和直鏈淀粉含量與3個生育期冠層光譜反射率的相關性具有相反的趨勢，其中粗蛋白與開花期和灌漿期冠層光譜反射率在整個光譜區域都達到正相關，直鏈淀粉含量與開花期冠層光譜反射率僅在紅光（642 nm-691nm）范圍內呈正相關，在其他光譜范圍內均呈負相關，而與灌漿期冠層光譜反射率在整個光譜區域都達到正相關。對于蠟熟期，粗蛋白在350 nm-532 nm、575 nm-695 nm以及1 760 nm以上光譜區域呈負相關，在其他光譜范圍內均呈正相關。直鏈淀粉含量在350 nm-706 nm光譜區域呈正相關，而706 nm以上可見光和紅外區域光譜為負相關。另外，水稻籽粒的粗蛋白和直鏈淀粉含量與不同生育期葉片冠層光譜一階導數在某些波段（如376 nm、416 nm、628 nm和715 nm等）也達到了顯著或極顯著相關水平（p＜0.05或p＜0.01）。這表明，可以通過冠層原始高光譜反射率和一階導數來估測籽粒的粗蛋白和直鏈淀粉的相對含量。本試驗還顯示，籽粒的粗蛋白與直鏈淀粉含量之間呈顯著負相關，相關系數達-0.356，表明水稻籽粒粗蛋白含量越高，其直鏈淀粉含量相對就越低。

2.2.2 各類光譜變量與籽粒粗蛋白和直鏈淀粉含量的相關性將水稻冠層原始光譜反射率、一階導數以及組合成的光譜變量與粗蛋白和直鏈淀粉含量進行相關性分析，并將相關系數較大的光譜變量列于表1，部分估算方程列于表2。結果顯示：3個生育期冠層光譜變量對粗蛋白和直鏈淀粉含量預測性都較好，均達到顯著或極顯著水平（p＜0.05或p＜0.01），但開花期的冠層光譜變量對粗蛋白和直鏈淀粉含量的預測性優于灌漿期，而灌漿期的預測性又優于蠟熟期，光譜變量中的差值植被指數DVI(810,450)、DVI(810,680)和670 nm-755nm面積可以同時預測籽粒的粗蛋白和直鏈淀粉含量。

表1 不同生育期冠層光譜參數與水稻籽粒粗蛋白和直鏈淀粉含量的相關性(n=40)

表2 不同生育期冠層光譜參數與水稻籽粒粗蛋白和直鏈淀粉含量的回歸方程(n=40)

2.3 籽粒粗蛋白與直鏈淀粉含量的監測模型及檢驗

基于單波段反射率、一階導數以及表1所列的光譜參數，對籽粒粗蛋白和直鏈淀粉含量進行回歸分析，篩選DVI(810,450)作為最佳光譜參數，并且開花期的DVI(810,450)對籽粒粗蛋白和直鏈淀粉含量的預測優于灌漿期和蠟熟期。圖3展示了開花期DVI(810,450)與成熟籽粒粗蛋白和直鏈淀粉含量的關系，并得出基于開花期冠層反射光譜的籽粒粗蛋白含量（GCPC）和直鏈淀粉含量(GAC)的預測方程：

利用試驗2開花到蠟熟期的數據對水稻成熟籽粒粗蛋白和直鏈淀粉含量預測方程進行測試和檢驗（見表3），結果顯示，預測值與實際值的精確度為0.393-0.683，均達到極顯著水平；準確度為0.708-0.923，RMSE值為8.706%-11.296%。說明粗蛋白和直鏈淀粉含量預測模型對不同時期水稻的估測效果具有一定的可靠性。

表3 籽粒粗蛋白和直鏈淀粉含量預測模型的預測表現

3 結論與討論

3.1 結論

與常溫對照相比，兩個水稻品種的籽粒粗蛋白和直鏈淀粉含量均達到顯著或極顯著水平，并且隨脅迫溫度的增加，兩個水稻品種的籽粒粗蛋白含量呈上升趨勢，而直鏈淀粉含量呈下降趨勢。將水稻冠層原始光譜反射率、一階導數以及組合成的光譜變量與粗蛋白與直鏈淀粉含量進行相關性分析，結果表明：三個生育期冠層光譜變量對粗蛋白與直鏈淀粉含量預測性都較好，但開花期的預測性優于灌漿期與蠟熟期，其中光譜變量中的 DVI(810,450)、DVI(810,680)和670nm-755nm面積三個參數可以同時預測籽粒的粗蛋白與直鏈淀粉含量。

3.2 討論

前人研究表明，在氮素和干旱脅迫下，谷類籽粒的粗蛋白和直鏈淀粉含量都有顯著變化[14,15]，本研究發現，與常溫對照相比，高溫脅迫下水稻籽粒的粗蛋白和直鏈淀粉含量均達到顯著或極顯著水平。冠層反射光譜能夠反映作物群體面源信息，在一定程度上能反映籽粒的品質信息，因此利用反射光譜預測籽粒的粗蛋白和直鏈淀粉含量具有一定的可行性。本研究發現，基于開花期的冠層光譜參數對籽粒粗蛋白和直鏈淀粉含量的預測均優于灌漿期和蠟熟期，原因可能由于水稻籽粒營養成分的形成大部分來自抽穗前莖、葉營養貯存的轉移，即主要取決于灌漿前期，而蠟熟期水稻葉、穗大部分變黃，葉面積與葉片葉綠素含量明顯降低，這與粗蛋白和淀粉正相關的葉片葉綠素對整個冠層光譜的貢獻相對減弱，因此，相比之下，灌漿期和蠟熟期冠層光譜預測水稻籽粒粗蛋白和淀粉的精度降低。本研究基于開花期的冠層反射光譜參數DVI(810,450)構建了成熟期籽粒粗蛋白和直鏈淀粉含量的預測模型，通過檢驗表明，其估測效果較好，因此該模型具有一定的準確性，可為高光譜遙感方法在水稻高溫熱害品質監測中的應用提供方法和依據。另外，由于水稻籽粒粗蛋白質和直鏈淀粉含量的形成是一個動態過程，因此要利用遙感手段進行水稻籽粒粗蛋白質和直鏈淀粉含量的精確監測預報，還必須深入探明稻穗的特征光譜及不同葉位葉片和莖稈對冠層反射光譜的影響及其與籽粒蛋白質形成的機理關系。

[1] 馮偉,朱艷,田永超,等.基于高光譜遙感的小麥葉片氮積累量[J].生態學報,2008,28(1):23-32.

[2] Huang Z,Turner B J,Dury S J,et al.Estimating foliage nitrogen concentration from HYMAPdatausingcontinuumremoval analysis[J].Remote Sens Environ,2004(93):18-29.

[3]Hansen PM,Jorgensen JR,Thomsen A.Predicting grain yield and protein content in winter wheat and spring barley using repeated canopyreflectancemeasurementsand partialleastsquaresregression[J].JAgri Sci,2002,139(3):307-318.

[4] 李映雪,朱艷,田永超,等.小麥冠層反射光譜與籽粒蛋白質含量及相關品質指標的定量關系 [J].中國農業科學,2005,38(7):1332-1338.

[5] 劉蕓,唐延林,黃敬峰,等.利用高光譜法估測稻穗稻谷的粗蛋白質和粗淀粉含量[J].中國農業科學,2008,41(9):2617-2623.

[6] 雷東陽,陳立云,李穩香,等.雜交水稻抽穗揚花期高溫對結實率及相關生理特性的影響[J]雜交水稻,2006,21(3):68-71．

[7] 程高峰,張佳華,李秉柏,等.不同溫度處理下水稻高光譜及紅邊特征分析[J].江蘇農業學報,2008,24(5):573-580．

[8] 洪雁,顧正彪,劉曉欣.直鏈淀粉和支鏈淀粉純品的提取及其鑒定[J].食品工業科技,2004,25(4):86-88.

[9]Rouse JW,Haas RH,Schell JA.Monitoringthevernal advancement of retrogradation of natural vegetation[J].NASA/GSFC,Type III,Final Report,Greenbelt,MD,USA,1974.

[10] Richardson A J,Wiegand C L.Distinguishing vegetation from soil backgroundinformation[J].Photogrammetric Engineeringand Remote Sensing,1977,43(12):1541-1552.

[11] Horler D N H,Dockray M,Barber J.The red edge of plant reflectance[J].International Journal of Remote Sensing.1983(4):273-288.

[12] Jordan CF.Derivation of leaf area index from quality of light on the forest floor[J].Ecology,1969(50):663-666.

[13] Massart D L,Buydens L,Peeters A.Knowledge representation for the selection of methods in analytical chemistry[J].Chemometrics and Intelligent Laboratory Systems,1988(5):73-79.

[14] 馮偉,姚霞,田永超,等.小麥籽粒蛋白質含量高光譜預測模型研究[J].作物學報,2007,33(12):1935-1942.

[15] 趙輝,荊奇,戴廷波,等.花后高溫和水分逆境對小麥籽粒蛋白質形成及其關鍵酶活性的影響 [J].作物學報,2007,33(12):2021-2027.