基于BP人工神經(jīng)網(wǎng)絡(luò)的寒地水稻抗旱性綜合評價

劉夢紅 張鞏亮 李紅宇 杜俊 趙海成 呂坦 錢永德

摘要：為篩選適宜寒地水稻大田抗旱性的綜合評價指標(biāo)，并鑒定抗旱水稻種質(zhì)資源，以分蘗期干物質(zhì)量、拔節(jié)期株高、產(chǎn)量等15個性狀的抗旱系數(shù)為指標(biāo)，使用主成分分析法對50個參試材料的抗旱性進(jìn)行綜合評價。選取45個樣本的抗旱系數(shù)作為輸入，把對應(yīng)的抗旱綜合評價值作為輸出，利用誤差返向傳播和神經(jīng)網(wǎng)絡(luò)的方法建立學(xué)習(xí)模型；剩余5個樣本為驗(yàn)證樣本，用于判斷學(xué)習(xí)模型的預(yù)測準(zhǔn)確性。改變3組學(xué)習(xí)樣本來建立3個不同的學(xué)習(xí)模型并進(jìn)行對比，比較其預(yù)測的準(zhǔn)確度，進(jìn)而驗(yàn)證該模型方法的合理性和穩(wěn)定性。結(jié)果表明，采用主成分分析法可將15個單一抗旱系數(shù)轉(zhuǎn)換成6個互相獨(dú)立的綜合性指標(biāo)，方差累計貢獻(xiàn)率達(dá)84.013%。采用聚類分析法將50個參試材料分為3種類型：強(qiáng)抗旱型、中間抗旱型、干旱敏感型。強(qiáng)抗旱類型含有24個材料，中間抗旱型含有18個材料，干旱敏感型含有8個材料。根據(jù)各性狀抗旱系數(shù)與抗旱綜合評價值（D值）的相關(guān)性分析結(jié)果，篩選出分蘗期干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、生物量、經(jīng)濟(jì)系數(shù)等10個適宜抗旱性評價指標(biāo)。以特征指標(biāo)值為輸入層，綜合評價值（D值）為輸出層，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，定量預(yù)測抗旱指標(biāo)特征。通過改變學(xué)習(xí)樣本獲得3個學(xué)習(xí)模型的預(yù)測值，預(yù)測值與實(shí)際值之間的誤差小于10%。把實(shí)際值和模型預(yù)測值進(jìn)行線性擬合，R2＞0.95。本研究構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型可用于定量預(yù)測水稻種質(zhì)資源的抗旱性，預(yù)測的準(zhǔn)確度和穩(wěn)定性均優(yōu)于單一的回歸分析；分蘗期干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、生物量、經(jīng)濟(jì)系數(shù)可作為水稻抗旱能力鑒定指標(biāo)；稻堅強(qiáng)為抗旱性最強(qiáng)的種質(zhì)資源。

關(guān)鍵詞：寒地水稻；抗旱性；主成分分析；聚類分析；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：S511.024；S126文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2023）10-0091-09

當(dāng)前，全球農(nóng)業(yè)面臨糧食需求持續(xù)增加和水資源日益枯竭的雙重挑戰(zhàn)。水稻是全球超過一半人口的主食，也是耗水量最多的糧食作物，水生產(chǎn)效率低下，水資源浪費(fèi)情況嚴(yán)重［1-2］。抗旱水稻新品種的培育和推廣是提高水分利用率的有效途徑。水稻的抗旱性是多基因控制的復(fù)雜性狀，作用機(jī)制極為復(fù)雜［3］。品種的基因型及相同品種不同生育時期的抗旱機(jī)理也存在差異［4-5］。前人在抗旱種質(zhì)資源篩選與鑒定方面已做了大量研究工作，并且多采用苗期反復(fù)干旱存活率、形態(tài)發(fā)育、逆境生理生化、產(chǎn)量及相關(guān)性狀等指標(biāo)進(jìn)行綜合評價。張鴻等采用有效穗數(shù)、穗實(shí)粒質(zhì)量和結(jié)實(shí)率等指標(biāo)的相對值綜合評價了10個雜交秈稻新組合的抗旱性［6］。丁國華等通過幼苗存活率和抗衰度來評價雜草稻幼苗期的耐旱性［7］。袁杰等認(rèn)為，可以采用發(fā)芽率指標(biāo)、芽長指標(biāo)、根長指標(biāo)評價來自新疆的粳稻在種芽期間的耐寒程度［2］。利用多個指標(biāo)構(gòu)建抗旱綜合評價體系并使用隸屬函數(shù)進(jìn)行綜合分析，綜合指標(biāo)法能夠全面衡量不同指標(biāo)的貢獻(xiàn)率大小，且去除了重復(fù)信息，更加科學(xué)全面，準(zhǔn)確度較高［8-9］，已經(jīng)普遍用于作物復(fù)雜性狀的抗性鑒定與評價［10-11］。另外，傳統(tǒng)的耐旱性預(yù)測模型多采用線性逐步回歸篩選自變量，建立多元線性回歸模型，該方法存在多重相關(guān)等諸多弊端。人工神經(jīng)網(wǎng)絡(luò)的運(yùn)算模型由多個比較簡易的處理單元連接在一起，這一模型廣泛地應(yīng)用在了農(nóng)學(xué)研究中。劉敏潔等在進(jìn)行人工神經(jīng)網(wǎng)絡(luò)建模時，運(yùn)用13個物理方面的指標(biāo)，用于甜玉米種子生活力檢測［12］。孫小香等采用BP（bankpropagation）人工神經(jīng)網(wǎng)絡(luò)建立了水稻葉片氮素濃度的冠層光譜估算模型［13］。由于利用逐步回歸分析篩選抗旱性評價適宜指標(biāo)的準(zhǔn)確性和穩(wěn)定性不足，而利用線性模型關(guān)聯(lián)作物生育性狀與抗旱能力也存在模型關(guān)聯(lián)性和預(yù)測準(zhǔn)確性較差的問題，本研究擬通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型來定量預(yù)測水稻的抗旱性，篩選寒地水稻抗旱性評價的特征指標(biāo)，以期為水稻種質(zhì)資源抗旱性綜合評價提供方法與依據(jù)。

1材料與方法

1.1試驗(yàn)材料

50份試驗(yàn)材料經(jīng)2017—2018年初步篩選得到，均為普通型粳稻（表1）。

1.2試驗(yàn)設(shè)計

試驗(yàn)于2019、2020年在黑龍江省大慶市高新區(qū)的試驗(yàn)基地遮雨棚中開展。盆栽試驗(yàn)，每個品種設(shè)置常規(guī)灌溉對照和干旱脅迫2個處理。常規(guī)灌溉按照當(dāng)?shù)卮筇锷a(chǎn)水分管理方法進(jìn)行。干旱脅迫在水稻返青后開始處理，運(yùn)用負(fù)壓土壤濕度（濕度計插入土表10cm以下的地方）測量土壤的水勢情況，保持全生育期土壤水勢在-30～-35kPa。每份材料的處理和對照分別種植5盆，每盆移栽4穴，每穴4苗。其他管理方法同常規(guī)。

1.3調(diào)查與測定

水稻返青后，每5d調(diào)查1次長勢均勻的12穴植株的分蘗數(shù)，直至分蘗數(shù)穩(wěn)定，計算最高分蘗數(shù)。拔節(jié)期測定12穴植株的株高。分蘗期各品種常規(guī)灌溉和干旱脅迫分別取代表性植株4穴，從基部切除根系，分葉和莖鞘2個部分，測量葉面積（長×寬×0.75），將葉片和莖鞘分開包裝，于105℃殺青30min，80℃烘干至恒質(zhì)量，計算分蘗期每穴干物質(zhì)量和葉面積；齊穗期各品種按灌溉和干旱脅迫分別取代表性植株4穴，從基部切除根系，分葉、莖鞘、穗3個部分，測量葉面積（長×寬×0.75），分別包裝，烘箱設(shè)置105℃，殺青30min，并在80℃下烘干，計算穴葉面積和穴干物質(zhì)量。

齊穗期采用日本MINOLTA生產(chǎn)的葉綠素SPAD-502儀器來測定主莖劍葉中部區(qū)域的SPAD數(shù)值，每處理測定16張葉，測定時注意避開葉脈和有損傷的葉片。

成熟期每處理選取長勢均勻的植株8穴，帶回室內(nèi)考察農(nóng)藝性狀和產(chǎn)量性狀，分穗、莖鞘、葉3個部分稱質(zhì)量。具體包括株高、穗長、穗數(shù)、穗粒數(shù)、每穗實(shí)粒數(shù)、千粒質(zhì)量等指標(biāo)性狀，分別計算結(jié)實(shí)率、生物量、經(jīng)濟(jì)系數(shù)和理論產(chǎn)量。

1.4數(shù)據(jù)處理及統(tǒng)計分析

1.4.1抗旱系數(shù)（DTC）

水稻抗旱系數(shù)（droughttolerantcoefficients，DTC），即各抗旱指標(biāo)的相對值進(jìn)行抗旱性綜合分析。

1.4.6BP神經(jīng)網(wǎng)絡(luò)建模思路

為構(gòu)建水稻抗旱性狀與抗旱性綜合評價關(guān)聯(lián)模型，本研究選用45個水稻參試材料樣本采用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建學(xué)習(xí)模型，其中輸入層為抗旱力特征指標(biāo)值，輸出層為抗旱綜合評價值，其余5個樣本是用于評估學(xué)習(xí)模型預(yù)測準(zhǔn)確性的驗(yàn)證樣本。為了優(yōu)化建模樣本并驗(yàn)證建模方法的穩(wěn)定性，將3組學(xué)習(xí)樣本（45個）轉(zhuǎn)化為3個學(xué)習(xí)模型，并比較了3個模型的預(yù)測準(zhǔn)確性。如果預(yù)測精度在合理范圍內(nèi)，則意味著建模方法是合理且穩(wěn)定的。

1.4.7數(shù)據(jù)處理與統(tǒng)計分析

數(shù)據(jù)整理、權(quán)重和抗旱綜合評價D值的計算都運(yùn)用了Excel2010。利用DPS7.05軟件進(jìn)行主成分分析、聚類分析、BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建并計算指標(biāo)預(yù)測值。

2結(jié)果與分析

2.1參試材料的抗旱系數(shù)及相關(guān)分析

表2結(jié)果表明，干旱脅迫條件下50個參試材料的15個性狀的抗旱系數(shù)平均值為0.694，數(shù)值分布在0.309～1.100之間，拔節(jié)期株高、結(jié)實(shí)期株高、齊穗期SPAD值、千粒質(zhì)量等4個性狀的抗旱系數(shù)大于0.8，產(chǎn)量性狀的抗旱系數(shù)小于0.5。

從變異系數(shù)（CV）方面看，變異系數(shù)最大的為產(chǎn)量（44.02%），分蘗期葉面積（38.29%）次之，結(jié)實(shí)率（34.40%）再次之；變異系數(shù)最小的為齊穗期SPAD值（5.97%），結(jié)實(shí)期株高（6.32%）次之，拔節(jié)期株高（8.47%）再次之。

如表3所示，在干旱脅迫條件下，對15個性狀進(jìn)行相關(guān)分析發(fā)現(xiàn)，不同的性狀之間存在相關(guān)性，這些相關(guān)性程度各不相同，這些性狀之間的相關(guān)性可能會讓信息出現(xiàn)重疊，如果直接運(yùn)用會對抗旱性能的真實(shí)情況產(chǎn)生影響。為了避免信息的重疊，采用主成分分析方法來評價水稻的抗旱性。

2.2參試材料抗旱性的主成分分析

如果主成分累計起來的貢獻(xiàn)率超過80%，那么就可以看作該信息是有代表性的。根據(jù)表4，前6個主成分的貢獻(xiàn)率分別是31.578%、16.168%、14.595%、9.025%、7.354%、5.293%。這6個主成分累計起來的貢獻(xiàn)率是84.013%。也就是說，前面6個主成分所代表的15個不同的性狀變異信息是84.013%。

第1主成分的貢獻(xiàn)率為31.578%，該主成分以與產(chǎn)量密切相關(guān)的每穴生物產(chǎn)量（0.349）、結(jié)實(shí)率（0.357）、產(chǎn)量（0.408）、最高分蘗數(shù)（0.334）、齊穗期每穴干物質(zhì)量（0.330）、經(jīng)濟(jì)系數(shù)（0.320）的載荷較高，可以把主成分1當(dāng)做產(chǎn)量因子；第2主成分的貢獻(xiàn)率是16.168%。其中，穗粒數(shù)是0.466所代表的正載荷比較高，每平方米穗數(shù)是-0.508的負(fù)載荷較高，可以看作穗數(shù)因子；第3主成分的貢獻(xiàn)率為14.595%，以拔節(jié)期株高（0.493）、分蘗期葉面積（0.476）、分蘗期干物質(zhì)量（0.480）的載荷較高，稱為拔節(jié)期株高因子；第4主成分的貢獻(xiàn)率為9.025%，以齊穗期SPAD值（0.569）的載荷較大，稱為齊穗期SPAD值因子；第5主成分的貢獻(xiàn)率為7.354%，以千粒質(zhì)量（0.785）具有較大的正載荷，結(jié)實(shí)期株高（-0.511）具有較大的負(fù)載荷，故稱為千粒質(zhì)量因子；第6主成分的貢獻(xiàn)率為5.293%，以齊穗期葉面積（-0.422）的負(fù)載荷較大，稱為齊穗期葉面積因子。

2.3抗旱性綜合評價

依據(jù)公式（2）計算各參試材料的綜合指標(biāo)值，進(jìn)一步利用公式（3）計算各參試材料在干旱脅迫條件下，不同主成分所從屬的函數(shù)值。根據(jù)主成分不同的貢獻(xiàn)率，結(jié)合公式（4）將前面6個主成分的權(quán)重分計算出來，結(jié)果依次是0.376、0.192、0.147、0.107、0.088、0.063。利用公式（5）對各綜合指標(biāo)隸屬函數(shù)值和相應(yīng)權(quán)重進(jìn)行線性加權(quán)，計算得到抗旱綜合評價值D。表5結(jié)果表明，50個參試材料平均D值為0.4497，分布區(qū)間在0.1831～0.6559。品種H37（DPB120）的D值為0.5804，排位第5名。排名前4的品種為H36（稻堅強(qiáng)）、H35（農(nóng)豐3055）、H31（農(nóng)豐1號）、H26（龍稻9），其D值分別為0.6559、0.5893、0.5889、0.5817，可作為抗旱種質(zhì)資源使用。H02（龍粳43）的D值（0.1831）最小，即抗旱能力最差，H08（龍粳65）D值次之，為0.2321，H04（龍粳47）D值再次之，為0.2377。

2.4參試材料抗旱性的聚類分析

如圖1所示，對50份水稻材料使用WPGMA法，在歐氏距離0.59處分為強(qiáng)抗旱型、中間抗旱型、干旱敏感型3個抗旱等級。第Ⅰ類為由H03、H30、H39、H25、H32、H26、H37、H31、H35、H36、H13、H33、H49、H19、H38、H45、H29、H42、H34、H17、H18、H44、H41、H43等24個材料組成的強(qiáng)抗旱型類群，占總材料數(shù)的48%；第Ⅱ類由H05、H16、H15、H14、H23、H22、H06、H46、H11、H10、H24、H09、H21、H27、H40、H20、H50、H28等18個材料組成的中間抗旱型類群，占總材料數(shù)的36%；第Ⅲ類由H01、H12、H07、H48、H47、H02、H04、H08等8個材料組成的干旱敏感型類群，占總材料數(shù)的16%。

2.5水稻抗旱鑒定指標(biāo)的篩選

表3相關(guān)分析結(jié)果表明，D值與分蘗期每穴干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、每穴生物產(chǎn)量、經(jīng)濟(jì)系數(shù)等指標(biāo)的抗旱系數(shù)極顯著正相關(guān)，與結(jié)實(shí)期株高、齊穗期每穴干物質(zhì)量、齊穗期葉面積3個鑒定指標(biāo)的抗旱系數(shù)顯著正相關(guān)，D值與齊穗期SPAD值和每平方米穗數(shù)指標(biāo)的抗旱系數(shù)無顯著相關(guān)性，可能與其變異系數(shù)小、各品種間測量值差異不大有關(guān)。綜上可以得到分蘗期每穴干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、每穴生物產(chǎn)量、經(jīng)濟(jì)系數(shù)10項指標(biāo)可作為農(nóng)業(yè)抗旱力評價的指標(biāo)。

2.6水稻抗旱指標(biāo)適宜性評價模型的構(gòu)建

從50個試驗(yàn)樣本中隨機(jī)選出45個樣本建立神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，另外5個樣本當(dāng)做預(yù)測的樣本，來檢驗(yàn)?zāi)Ｐ褪欠駵?zhǔn)確。從圖2可以發(fā)現(xiàn)，這個模型一共有3層，分別是輸入層、隱含層、輸出層。輸入模型分別是分蘗期干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)等10項抗旱力特點(diǎn)的指標(biāo)值，所以一共得到10個神經(jīng)元。通過模型輸出的是抗旱性的綜合評價值D為輸出層的1個神經(jīng)元。在BP神經(jīng)網(wǎng)絡(luò)當(dāng)中，處于隱含層當(dāng)中的神經(jīng)元是飾演特征檢驗(yàn)算子的形象，發(fā)揮著決定性的功能。在隱藏層中，通常把節(jié)點(diǎn)數(shù)設(shè)置成輸入層的1/2。在這個神經(jīng)網(wǎng)絡(luò)中，把隱藏層設(shè)置成6個節(jié)點(diǎn)。最后，建立一個包含了輸入層（10）、隱藏層（6）、輸出層（1）的神經(jīng)網(wǎng)絡(luò)。

從參加試驗(yàn)的50個樣本中隨機(jī)選45個樣本來構(gòu)建一個學(xué)習(xí)模型，剩余的5個樣本進(jìn)行抗旱指標(biāo)適宜性得分預(yù)測。為了建模的方法和評價模型預(yù)測更加準(zhǔn)確，改變了45個學(xué)習(xí)樣本，建立了3個學(xué)習(xí)模型，表6即為得到的預(yù)測結(jié)果。表6結(jié)果表明，3個學(xué)習(xí)模型中包含了15個驗(yàn)證的樣本預(yù)測得分和實(shí)際得分，其誤差位于10%以下，最小的誤差只有0.41%。說明構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型取得了較好的預(yù)測結(jié)果。將參試材料的實(shí)際得分和通過模型的預(yù)測得分做回歸分析，橫坐標(biāo)是參試材料實(shí)際得分，縱坐標(biāo)是通過模型得到的預(yù)測值，將二者進(jìn)行線性擬合分析，3組預(yù)測結(jié)果的決定系數(shù)（r2）分別為0.9946、0.9757、0.9608（圖3）。預(yù)測值和實(shí)際值的相符合水平很高，證明BP神經(jīng)網(wǎng)絡(luò)模型可準(zhǔn)確、穩(wěn)定地評價水稻的抗旱性指標(biāo)。不同水稻參試材料樣本構(gòu)建的學(xué)習(xí)模型預(yù)測效果存在較大差異，說明用于建立學(xué)習(xí)模型的樣本數(shù)量仍較少，變換少量學(xué)習(xí)樣本能對預(yù)測效果產(chǎn)生較大影響。同時，學(xué)習(xí)模型所需的樣本應(yīng)具有典型性與代表性，部分水稻參試材料樣本與其他樣本差異較大，也可能對預(yù)測效果產(chǎn)生較大影響。

3討論

水稻的抗旱性是由多個基因控制的復(fù)雜性狀。植物水分脅迫的程度容易受到環(huán)境因素的影響，所以在確定抗旱性能時變得更難。一個具有可行性的抗旱鑒定體系是培育節(jié)水抗旱水稻的根基。鑒定水稻的抗旱性能主要依據(jù)水稻在抗旱方面的能力而進(jìn)行選擇、評估和歸類，能夠給水稻抗旱育種供應(yīng)比較優(yōu)秀的種質(zhì)資源。另外，在品種培育過程中以及育成后，也需要進(jìn)行品種抗旱鑒定［14-15］。聶繼云等通過相關(guān)性分析，分析了蘋果汁的品質(zhì)以及原料的相關(guān)指標(biāo)，得出果實(shí)相關(guān)特征方面的指標(biāo)，采用判別分析方法，把122個不同的蘋果品種制作的果汁作適應(yīng)性分類［16］。張小燕等將74個馬鈴薯品種原料通過逐步回歸的方式，分析原料指標(biāo)和制品品質(zhì)之間的關(guān)聯(lián)度，實(shí)現(xiàn)了用馬鈴薯原料指標(biāo)來進(jìn)行定量分析薯片品質(zhì)的方法［17］。荊瑞勇等以種子發(fā)芽指數(shù)與幼苗生長指數(shù)的相對值作為耐鹽性評價指標(biāo)，基于主成分分析方法，運(yùn)用隸屬度函數(shù)法和加權(quán)隸屬度函數(shù)法，分析11種不同的水稻材料所具有的耐鹽性能；根據(jù)聚類分析的數(shù)據(jù)，依據(jù)耐鹽性能的區(qū)別，把這11個不同的水稻材料分成了3種［18］。本研究采用主成分分析法得到產(chǎn)量、穗數(shù)、拔節(jié)期株高、齊穗期SPAD值、千粒質(zhì)量、齊穗期葉面積6個彼此互不相關(guān)的因子，方差累計貢獻(xiàn)率達(dá)84.013%，50份參試材料平均綜合評價D值為0.4497，分布區(qū)間在0.1831～0.6559。采用歐氏距離離差平方和法，將50份參試材料分為強(qiáng)抗旱型、中間抗旱型、干旱敏感型。強(qiáng)抗旱類型品種稻堅強(qiáng)（0.6559）排在第1位；排在第2、3位的品種分別為農(nóng)豐3055、農(nóng)豐1號，其D值分別為0.5893、0.5889；排在第4、5位的品種分別為龍稻9、DPB120，其D值分別為0.5817、0.5804。以上5個種質(zhì)資源可以作為抗旱育種的雜交親本。

在水稻抗旱育種方面，產(chǎn)量的相關(guān)性狀有著較為重要的功能。由于產(chǎn)量性狀的遺傳性較低，產(chǎn)量構(gòu)成比較繁雜，鑒定與評價比較困難，較大程度上受環(huán)境因素的影響［19］。另外，在不同的生育期產(chǎn)量的構(gòu)成因子對水分的敏感性有所不同，分蘗期水分脅迫有效穗數(shù)變少；幼穗分化期水分脅迫每穗粒數(shù)、千粒質(zhì)量變少；開花期水分脅迫結(jié)實(shí)率與千粒質(zhì)量降低［20-21］。高世偉等通過研究發(fā)現(xiàn)，水稻品種在苗期卷葉數(shù)、分蘗速率、4葉1心期根系活力、強(qiáng)勢粒灌漿速率在遺傳上的差異比較明顯［22］。將抗旱性狀做相關(guān)性分析，這些指標(biāo)與水稻抗旱性呈顯著或極顯著正相關(guān)。牛同旭等把苗期反復(fù)干旱的成活率這一指標(biāo)當(dāng)做標(biāo)準(zhǔn)，采用主成分分析、聚類分析的方法，將地上干質(zhì)量指標(biāo)、根長指標(biāo)、株高指標(biāo)、地下干質(zhì)量指標(biāo)作為鑒定寒地水稻苗期的抗旱性能指標(biāo)［23］。來長凱等通過研究發(fā)現(xiàn)，不管是單株分蘗數(shù)指標(biāo)、株高指標(biāo)、籽粒密度指標(biāo)，還是單株有效穗數(shù)指標(biāo)、單穗粒數(shù)指標(biāo)，都和抗旱性呈現(xiàn)出顯著的關(guān)系。這些指標(biāo)可以用來評價寧夏水稻的抗旱性能［24］。BP人工神經(jīng)網(wǎng)絡(luò)是采用誤差反向傳播的算法進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)［25］，是使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP人工神經(jīng)網(wǎng)絡(luò)在客觀環(huán)境下，定量地追尋變量之間所存在的一種比較復(fù)雜的非線性關(guān)系，準(zhǔn)確性較高［26］。張彪等根據(jù)蘋果脆片核心指標(biāo)與蘋果果實(shí)品質(zhì)指標(biāo)之間的相關(guān)性分析結(jié)果，選出了12個指標(biāo)作為評價果實(shí)干燥適宜性的特征指標(biāo)，建立了BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型來進(jìn)行定量預(yù)測蘋果原料是否適合干燥［27］。林海濤等利用訓(xùn)練樣本對發(fā)動機(jī)故障網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到最合適的BP神經(jīng)網(wǎng)絡(luò)方案為11-11-8結(jié)構(gòu)，通過LM算法得到BP神經(jīng)網(wǎng)絡(luò)來進(jìn)行故障診斷，診斷正確率為94%［28］。本研究通過逐步回歸及相關(guān)分析，篩選得到分蘗期干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、每穴生物產(chǎn)量、經(jīng)濟(jì)系數(shù)10項與D值顯著或極顯著相關(guān)的指標(biāo)，可用于水稻抗旱篩選。

4結(jié)論

通過主成分分析、隸屬度函數(shù)分析、聚類分析，利用D值對50份材料的抗旱性進(jìn)行綜合評價，獲得強(qiáng)抗旱性材料有稻堅強(qiáng)、農(nóng)豐3055、農(nóng)豐1號、龍稻9、DPB120。通過逐步回歸分析和相關(guān)分析，并構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測抗旱力指標(biāo)的準(zhǔn)確性，從15個指標(biāo)中篩選出分蘗期干物質(zhì)量、分蘗期葉面積、拔節(jié)期株高、最高分蘗數(shù)、穗粒數(shù)、結(jié)實(shí)率、千粒質(zhì)量、產(chǎn)量、生物量、經(jīng)濟(jì)系數(shù)10項作為寒地水稻抗旱性篩選的鑒定指標(biāo)，為高產(chǎn)、優(yōu)質(zhì)、抗旱水稻品種的選育提供材料，并篩選出抗旱的水稻品種以實(shí)現(xiàn)水稻旱作，研究結(jié)果具有一定的實(shí)用價值。

參考文獻(xiàn)：

［1］姚林，鄭華斌，劉建霞，等.中國水稻節(jié)水灌溉技術(shù)的現(xiàn)狀及發(fā)展趨勢［J］.生態(tài)學(xué)雜志，2014，33（5）：1381-1387.

［2］袁杰，王奉斌，賈春平，等.新疆主栽粳稻品種芽期抗旱性鑒定［J］.分子植物育種，2019，17（16）：5398-5405.

［3］楊瑰麗，楊美娜，李帥良，等.水稻萌芽期抗旱指標(biāo)篩選與抗旱性綜合評價［J］.華南農(nóng)業(yè)大學(xué)學(xué)報，2015，36（2）：1-5.

［4］程建峰，潘曉云，劉宜柏，等.水稻抗旱性鑒定的形態(tài)指標(biāo)［J］.生態(tài)學(xué)報，2005，25（11）：3117-3125.

［5］王麒，馮延江，張小明，等.黑龍江省抗旱水稻品種（系）的篩選［J］.黑龍江農(nóng)業(yè)科學(xué)，2009（4）：26-29，32.

［6］張鴻，朱從樺，譚杰，等.雜交秈稻新組合抗旱性鑒定評價及預(yù)測研究［J］.干旱地區(qū)農(nóng)業(yè)研究，2018，36（2）：161-169.

［7］丁國華，馬殿榮，馬巍，等.雜草稻幼苗期耐旱性的初步篩選與評價［J］.北方水稻，2010，40（1）：11-14，53.

［8］劉三雄，黎用朝，吳俊，等.應(yīng)用隸屬函數(shù)法綜合評價水稻主栽品種抗旱性的研究［J］.雜交水稻，2015，30（1）：74-78.

［9］汪燦，周棱波，張國兵，等.薏苡種質(zhì)資源成株期抗旱性鑒定及抗旱指標(biāo)篩選［J］.作物學(xué)報，2017，43（9）：1381-1394.

［10］王蘭芬，武晶，景蕊蓮，等.綠豆種質(zhì)資源成株期抗旱性鑒定［J］.作物學(xué)報，2015，41（8）：1287-1294.

［11］汪燦，周棱波，張國兵，等.酒用糯高粱資源成株期抗旱性鑒定及抗旱指標(biāo)篩選［J］.中國農(nóng)業(yè)科學(xué)，2017，50（8）：1388-1402.

［12］劉敏潔，許昍，王建華，等.基于人工神經(jīng)網(wǎng)絡(luò)和二元邏輯回歸的甜玉米種子生活力檢測模型研究［J］.中國農(nóng)業(yè)大學(xué)學(xué)報，2018，23（7）：1-10.

［13］孫小香，王芳東，趙小敏，等.基于冠層光譜和BP神經(jīng)網(wǎng)絡(luò)的水稻葉片氮素濃度估算模型［J］.中國農(nóng)業(yè)資源與區(qū)劃，2019，40（3）：35-44.

［14］徐靖，唐清杰，朱紅林，等.水稻（OryzasaticaL.）干旱脅迫響應(yīng)轉(zhuǎn)錄因子研究進(jìn)展［J］.基因組學(xué)與應(yīng)用生物學(xué)，2015，34（11）：2525-2531.

［15］楊瑰麗，楊美娜，陳志強(qiáng)，等.水稻抗旱機(jī)理和抗旱育種研究進(jìn)展［J］.中國農(nóng)學(xué)通報，2012，28（21）：1-6.

［16］聶繼云，毋永龍，李海飛，等.蘋果品種用于加工鮮榨汁的適宜性評價［J］.農(nóng)業(yè)工程學(xué)報，2013，29（17）：271-278.

［17］張小燕，趙鳳敏，興麗，等.不同馬鈴薯品種用于加工油炸薯片的適宜性［J］.農(nóng)業(yè)工程學(xué)報，2013，29（8）：276-283.

［18］荊瑞勇，王麗艷，鄭桂萍，等.水稻萌發(fā)期和幼苗期耐鹽性鑒定指標(biāo)篩選及綜合評價［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報，2019，31（6）：1-6，19.

［19］童繼平，吳躍進(jìn)，鄭樂婭，等.水稻超高產(chǎn)育種若干問題的評述與討論［J］.種子，2003，22（2）：60-64.

［20］鄭秋玲.不同生育階段干旱脅迫下的水稻產(chǎn)量效應(yīng)［J］.河北農(nóng)業(yè)科學(xué)，2004，8（3）：83-85.

［21］王成璦，王伯倫，張文香，等.不同生育時期干旱脅迫對水稻產(chǎn)量與碾米品質(zhì)的影響［J］.中國水稻科學(xué)，2007，21（6）：643-649.

［22］高世偉，聶守軍，劉宇強(qiáng)，等.寒地水稻抗旱品種的篩選與鑒定［J］.中國稻米，2018，24（3）：114-117.

［23］牛同旭，鄭桂萍，李志彬，等.寒地水稻種質(zhì)資源苗期抗旱性篩選與評價［J］.安徽農(nóng)學(xué)通報，2020，26（13）：21-24.

［24］來長凱，張文銀，賀奇，等.寧夏水稻抗旱性鑒定指標(biāo)的篩選研究［J］.種子，2015，34（8）：27-32.

［25］XiaM，F(xiàn)angJA，TangY，etal.Dynamicdepressioncontrolofchaoticneuralnetworksforassociativememory［J］.Neurocomputing，2010，73（4/5/6）：776-783.

［26］趙子皓，江曉東，楊沈斌.孕穗至成熟期水稻冠層溫度和土溫水溫的模擬［J］.江蘇農(nóng)業(yè)科學(xué)，2022，50（13）：187-199.

［27］張彪，劉璇，畢金峰，等.基于BP人工神經(jīng)網(wǎng)絡(luò)算法的蘋果制干適宜性評價［J］.中國農(nóng)業(yè)科學(xué)，2019，52（1）：129-142.

［28］林海濤，朱寶全，馬小涵.基于BP神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)故障診斷算法研究［J］.科學(xué)技術(shù)創(chuàng)新，2020（16）：73-74.