藜麥葉面積校正系數的初步研究

唐力為，李 倩，蔣 云，藺雨陽，補雪梅，劉誠誠，向裕華，代 沙*

(1.四川省攀枝花市農林科學研究院，四川 攀枝花 617061；2.四川省農業科學院生物技術核技術研究所，四川 成都 610066)

葉片是植物進行光合作用和蒸騰作用的重要場所，也是制造養分的重要器官。葉片的大小直接影響葉片光截取和碳獲取能力[1]，葉面積是評價植物光合產量和生態效能的基礎[2]，是衡量作物生長發育、營養狀況和產量的重要指標[3]，在作物生理、病理、遺傳育種、預警監測等方面都有研究與應用[4]。因此，葉面積的準確獲取具有重要的意義。

測定葉面積主要包括了方格法、系數法、稱重法、掃描計算法以及使用求積儀、葉面積儀進行測定[1、4-5]等方法。這些方法各有利弊，如網格交叉法比較準確，但需要消耗大量的時間；葉面積儀測定雖然具有快速、無損的特點，但對儀器的依賴性大；而稱重法則需要破壞性取樣測定[6]。其中葉面積系數法因其測定方法簡便、無損，無需儀器支持等特點，被廣泛應用于田間試驗和野外調查中。系數法是通過植物葉片長、寬進行葉面積計算，其公式為S=kLW，其中S為面積，L為葉片的長度，W為葉片的寬度，k為校正系數。校正系數的大小受植物類型、品種、葉形和生育期等因素影響[5]。前人已對多種植物的校正系數進行測算或修正[6-8]，但目前通過葉面系數法測量藜麥葉面積還未見報道。

藜麥(Chenopodiumquinoawilld) 是莧科藜屬的一年生雙子葉植物，在安第斯山地區已有超過7000年的種植歷史，是古印加民族的主要糧食作物之一。藜麥具有非常高的營養價值，其蛋白質含量在16%左右，高于水稻和玉米，與小麥相當，且人體必需氨基酸比例均衡，易于被人體吸收。同時，藜麥富含維生素B、維生素C、維生素E和礦物質，以及皂苷、多糖、黃酮等生物活性物質。除營養價值突出外，藜麥還具有耐寒、耐旱、耐貧瘠、耐鹽堿等特性，對農業生態系統的可持續發展具有十分重要的意義[9]。藜麥作為是一種新興的雜糧作物，其發展前景十分廣闊。

因此，本文擬運用稱重法測量藜麥葉面積，利用回歸分析得出藜麥的葉面積校正系數，為藜麥利用葉片長、寬快速、便捷、準確預測葉片面積提供依據。

1 材料與方法

1.1 試驗材料

5份藜麥資源作為參試材料種植于攀枝花市仁和區平地鎮平地村。試驗地海拔高度1910m，前茬種植秋豌豆，土壤養分狀況：pH值7.04、有機質13.07g/kg、堿解氮37mg/kg、有效磷59.53mg/kg、速效鉀124mg/kg。

開花期在田間隨機選擇生長發育正常的藜麥植株，每株采集主莖中部葉緣完整的最大葉片2～3張，各藜麥資源采集葉片數基本一致。

共采集到藜麥葉片樣本179片，隨機選取其中80%做為訓練集，進行葉面積線性模型擬合，剩余20%做為驗證集進行模型檢驗。

1.2 研究方法

1.2.1 葉片掃描 將葉片平整置于打印機中，以600 dpi分辨率依次對樣品進行掃描，所得圖片導入Adobe Photoshop軟件轉換為僅保留葉片形狀的圖片并進行編號(如圖1所示)。

圖1 圖像處理

1.2.2 葉面積測量 將處理后的葉形圖片全部打印，參照《藜麥種質資源描述規范和數據標準》[10]測定葉片的最大長度和寬度。再按照葉片形狀進行裁剪，使用精度0.001的電子分析天平稱重，記為W1(g)。另重復稱取10張標準A4紙張質量，計算單頁復印紙的平均質量，記為W2(g)。A4紙張面積為62370mm2，記為S2(mm2)。按照下述公式計算單葉葉面積S1，葉面積S1= S2×(W1/W2)。

1.2.3 數據處理 使用Excel進行數據整理與模型檢驗的統計量計算，使用SPSS進行描述性統計分析、聚類分析與回歸分析。選用相對誤差的絕對值[6]和預測精度[1]2個統計量(表1)檢驗模型的誤差和擬合度。

表1 模型檢驗的統計量

2 結果與分析

2.1 藜麥葉片描述性統計及聚類分析

將采集的藜麥葉片葉長、葉寬、葉面積、葉片長寬積和長寬比5項指標進行描述性統計分析，結果顯示(表2)：葉片的長寬積與葉面積的變異系數最大，葉片長寬比的變異系數最小。藜麥葉片大小具有很大差異；且觀察發現葉片的形狀與葉緣形狀也存在不同。葉片長寬比可用于表征葉片性狀，值越趨近于0，葉片越細長。對藜麥葉片樣本的長寬比進行聚類分析，可劃分出2類葉形(圖2)：A.菱形，葉片長寬比為0.52～0.79；B.心形，葉片長寬比為0.80～1.01。其中，菱形葉占總樣本數的64.8%。

表2 指標的描述性統計結果

圖2 藜麥的2類葉片形態

2.2 藜麥葉面積校正系數的計算

葉片長寬積與葉面積數據的散點分布結果顯示，二者的散點分布趨于一條直線(圖3)。結合聚類分析結果，以葉片長寬積與葉面積進行整體線性擬合及分類線性擬合，得到無截距線型回歸方程：a.y=0.5271x(整體擬合)；b.y=0.516x(菱形葉)；c.y=0.5435x(心形葉)。

圖3 葉片長寬積與葉面積散點圖

整體擬合和分類擬合的回歸顯著性檢驗P<0.01，均達到極顯著水平。整體擬合和分類擬合的R2都較高，分別為0.9436、0.9462和0.9588，且分類擬合的R2比整體擬合更高。殘差分布(圖4)顯示，整體擬合和分類擬合的標準化殘差散點的分布隨機均勻，主要集中于-2和2之間。綜上，整體擬合和分類擬合的回歸模型擬合效果良好。

圖4 標準化殘差分布圖

2.3 校正系數的檢驗

為進一步驗證擬合模型的適用性，用剩余的樣本分別對整體擬合和分類擬合的模型進行驗證(表3)，結果顯示：整體擬合、分類擬合的模型預測值的相對誤差絕對值均值小于5%、預測精度偏差不超過1%，說明整體擬合、分類擬合模型準確性較好。其中心形葉的相對誤差絕對值均值最小，預測精度最高，心形葉擬合效果最好。

表3 模型檢驗精度比較

3 結論

本研究構建的藜麥葉片長寬積與葉面積線性回歸模型擬合效果較好，分別確定了藜麥葉面積的校正系數為0.5271、藜麥菱形葉葉面積校正系數為0.516、藜麥心形葉葉面積校正系數為0.5435。經檢驗，整體擬合和分類擬合的模型預測值的相對誤差絕對值均值較小、預測精度較高。本研究為藜麥科研生產提供了一種快速、簡便的葉面積測量方法。

4 討論

藜麥葉片呈現掌形、心形、菱形或披針形等多種形狀，且藜麥為非全緣葉葉片，葉片邊緣平滑、或呈波狀、鋸齒狀。基于葉形差異進行分類擬合，能夠有效提高葉面積模型擬合精度。本研究僅使用葉片長寬比單一指標進行葉形分類，準確性尚顯不夠。因此后續將繼續針對不同葉形、不同葉緣形態的藜麥葉片開展研究，增加特征描述指標，建立更加細致和多樣的葉面積系數模型，使得預測精度進一步增加。