基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法及其預測模型的構建方法
【專利摘要】本發(fā)明公開了一種基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法及其預測模型的構建方法，旨在解決現(xiàn)有的冬小麥籽粒蛋白質(zhì)含量預測模型準確性和普適性較低的技術問題。該模型的構建方法包括下列步驟：信息采集；確立光溫積指標；構建光溫氮指數(shù)；確定最佳光譜參數(shù)；構建預測模型；檢驗模型。本發(fā)明建立了精度高、普適性好的冬小麥籽粒蛋白質(zhì)含量預測模型，其擴展性和穩(wěn)定性得到增強；可有效預判不同栽培管理條件下小麥籽粒蛋白質(zhì)含量的變化。
【專利說明】基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法及其預測模型的構建方法
【技術領域】
[0001]本發(fā)明涉及農(nóng)業(yè)植被生長信息無損預測領域【技術領域】，具體涉及一種基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法及其預測模型的構建方法。
【背景技術】
[0002]在小麥育種、生產(chǎn)及貯藏、加工實踐中，籽粒蛋白質(zhì)含量是小麥的重要品質(zhì)指標和分類收獲貯藏的重要指標。據(jù)調(diào)查，目前我國入庫優(yōu)質(zhì)小麥的品質(zhì)達標率低，達到國家二級強筋小麥的比例不足40%，其中，生產(chǎn)管理模式、栽培措施和生態(tài)環(huán)境等因素對小麥的品質(zhì)均有重要影響，加強小麥品質(zhì)預測預報，將大大提高調(diào)優(yōu)管理和分級收購效率。傳統(tǒng)的小麥品質(zhì)分析與檢測方法，不僅分析成本高，而且采用點狀取樣的方法，代表性差，分析結(jié)果滯后，不能為生產(chǎn)過程中小麥調(diào)優(yōu)栽培管理提供技術指導和決策參考，也很難為糧食收購部門或加工企業(yè)提供有效信息服務。因此，生產(chǎn)中急需一種小麥收獲前蛋白質(zhì)含量及區(qū)域分布的預測方法，便于生產(chǎn)者及時調(diào)優(yōu)管理和糧食加工企業(yè)制定收購計劃，實現(xiàn)良種良法和優(yōu)麥優(yōu)用。
[0003]目前，利用光譜預測技術獲取田間作物生長信息已經(jīng)成熟，但在對冬小麥品質(zhì)預測預報方面的 研究發(fā)展較為緩慢。前人相關研究表明，特定波段的光譜反射率與葉片含氮量呈極顯著正相關，利用小麥生長后期特征光譜可以間接預測成熟期蛋白質(zhì)含量，但該方法忽略了小麥灌漿期氣候條件變化對蛋白質(zhì)形成的重要影響，地域特征明顯；蛋白質(zhì)含量預報生態(tài)模型的氣候因子效應明確，但參數(shù)較多，且生理機制不清楚，生育中期的長勢基礎嚴重影響預報結(jié)果的準確性。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于克服上述獨立光譜模型、生態(tài)模型的缺陷，提供一種精度高、普適性好的基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法及其預測模型的構建方法。
[0005]為解決上述技術問題，本發(fā)明基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法包括下列步驟:
(1)信息采集:先按常規(guī)方法分別采集不同區(qū)域內(nèi)的不同生長時期的小麥冠層高光譜信息，再采用常規(guī)的五步平滑方法對光譜曲線進行平滑處理；與光譜信息采集同步，采集小麥葉片樣品并以常規(guī)分析方法測定出不同區(qū)域內(nèi)冬小麥籽粒蛋白質(zhì)含量實測值；
(2)確立光溫積指標:根據(jù)冬小麥籽粒灌漿期間的日平均溫度DAT(°C)和總?cè)照諘r數(shù)TSD (h)的乘積，得到籽粒灌漿期光溫積指標K:
K=DATxTSD ；
(3)構建光溫氮指數(shù):根據(jù)步驟(2)所得的光溫積指標與冬小麥開花期葉片氮積累量LNA (g.m_2)的乘積,得出籽粒灌衆(zhòng)期光溫氮指數(shù)ITN=KXLNA,并經(jīng)回歸計算得到籽粒蛋白質(zhì)含量定量方程1:
Y= aX KXLNA+ bI，
其中，Y為成熟期籽粒蛋白質(zhì)含量％，K為籽粒灌漿期光溫積指標，LNA為開花期葉片氮積累量，a為系數(shù)，b為常數(shù)項；
(4)確定最佳光譜參數(shù):通過對不同光譜參數(shù)與葉片氮積累量間關系的回歸比較分析，紅邊左偏峰面積LSDr與葉片氮積累量呈如下線性相關關系:
LNA= cXX + dII,
其中，LNA為開花期葉片氮積累量％，X為開花期光譜預測植被指數(shù)LSDr，該LSDr為紅邊位置和680 nm對應波段反射率的差值，即LSDr=Rreple R680 ；c為系數(shù)，d為常數(shù)項；
(5)構建預測模型:將步驟(3)所得方程I與步驟(4)所得方程II聯(lián)立，以成熟期籽粒蛋白質(zhì)含量為因變量，開花期葉片氮積累量為自變量，構建出如下冬小麥籽粒蛋白質(zhì)含量預測模型:
Y= aXcXDATXTSDXX+ aXdXDATXTSD + b,
其中，Y為成熟期籽粒蛋白質(zhì)含量％，DAT為籽粒灌漿期間日平均溫度。C，TSD為籽粒灌漿期間總?cè)照諘r數(shù)h，X為開花期光譜預測植被指數(shù)LSDr，a和c為系數(shù)，b和d為常數(shù)項。
[0006]在步驟(5)之后還包括:步驟(6)檢驗模型:
使用獨立年份小麥試驗數(shù)據(jù)測試與檢驗預測模型的準確性和普適性，采用復相關系數(shù)#和相對誤差RE對優(yōu)選模型進行綜合評價，并繪制觀察值與預測值之間1:1關系圖，其中RE計算公式如下:
【權利要求】
1.一種基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法，其特征在于，包括下列步驟: (1)信息采集:先按常規(guī)方法分別采集不同區(qū)域內(nèi)的不同生長時期的小麥冠層高光譜信息，再采用常規(guī)的五步平滑方法對光譜曲線進行平滑處理；與光譜信息采集同步，采集小麥葉片樣品并以常規(guī)分析方法測定出不同區(qū)域內(nèi)冬小麥籽粒蛋白質(zhì)含量實測值； (2)確立光溫積指標:根據(jù)冬小麥籽粒灌漿期間的日平均溫度DAT(°C)和總?cè)照諘r數(shù)TSD (h)的乘積，得到籽粒灌漿期光溫積指標K:
K=DATxTSD ； (3)構建光溫氮指數(shù):根據(jù)步驟(2)所得的光溫積指標與冬小麥開花期葉片氮積累量LNA (g.m_2)的乘積，得出籽粒灌漿期光溫氮指數(shù)ITN=KXLNA，并經(jīng)回歸計算得到籽粒蛋白質(zhì)含量定量方程1: Y= aX KXLNA+ bI， 其中，Y為成熟期籽粒蛋白質(zhì)含量％，K為籽粒灌漿期光溫積指標，LNA為開花期葉片氮積累量，a為系數(shù)，b為常數(shù)項； (4)確定最佳光譜參數(shù):通過對不同光譜參數(shù)與葉片氮積累量間關系的回歸比較分析，紅邊左偏峰面積LSDr與葉片氮積累量呈如下線性相關關系: LNA= cXX + dII, 其中，LNA為開花期葉片氮積累量％，X為開花期光譜監(jiān)測植被指數(shù)LSDr，該LSDr為紅邊位置和680 nm對應波段反射率的差值，即LSDr=Rreple R680 ；c為系數(shù)，d為常數(shù)項； (5)構建預測模型:將步驟(3)所得方程I與步驟(4)所得方程II聯(lián)立，以成熟期籽粒蛋白質(zhì)含量為因變量，開花期葉片氮積累量為自變量，構建出如下冬小麥籽粒蛋白質(zhì)含量預測模型: Y= aXcXDATXTSDXX+ aXdXDATXTSD + b, 其中，Y為成熟期籽粒蛋白質(zhì)含量％，DAT為籽粒灌漿期間日平均溫度。C，TSD為籽粒灌漿期間總?cè)照諘r數(shù)h，X為開花期光譜監(jiān)測植被指數(shù)LSDr，a和c為系數(shù)，b和d為常數(shù)項。
2.根據(jù)權利要求1所述的基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法，其特征在于，在步驟(5)之后還包括: 步驟(6)檢驗模型:使用獨立年份小麥試驗數(shù)據(jù)測試與檢驗預測模型的準確性和普適性，采用復相關系數(shù)#和相對誤差RE對優(yōu)選模型進行綜合評價，并繪制觀察值與預測值之間1:1關系圖，其中RE計算公式如下:
3.根據(jù)權利要求1所述的基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法，其特征在于，所述步驟(1)中小麥冠層的高光譜信息測量采用野外高光譜輻射儀，波段值為35(Tl100 nm，光譜采樣間隔為1.4 nm，光譜分辨率為3 nm。
4.根據(jù)權利要求1所述的基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法，其特征在于，所述步驟(1)中測定籽粒蛋白質(zhì)含量實測值的方法為:與光譜信息采集同步，每小區(qū)取小麥20株，按器官分離，各器官在80°C下烘干、稱重，粉碎后采用凱氏定氮法測定其全氮含量，籽粒蛋白質(zhì)含量通過籽粒氮含量乘以5.825轉(zhuǎn)換求得。
5.根據(jù)權利要求1所述的基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測模型的構建方法，其特征在于，適用于黃淮區(qū)域的冬小麥籽粒蛋白質(zhì)含量預測模型為:
Y= 0.00004515× DAT ×TSD×× 0.00020482× DAT ×TSD + 10.921， 其中，Y為成熟期籽粒蛋白質(zhì)含量％，DAT為籽粒灌漿期間日平均溫度。C，TSD為籽粒灌漿期間總?cè)照諘r數(shù)h，X為開花期光譜預測植被指數(shù)LSDr。
6.一種基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法，其特征在于，包括下列步驟: (a)信息采集:按常規(guī)方法分別采集不同區(qū)域內(nèi)的不同生長時期的小麥冠層高光譜信息，再采用常規(guī)的五步平滑方法對光譜曲線進行平滑處理； (b)確立光溫積指標:統(tǒng)計冬小麥籽粒灌漿期間的日平均溫度DAT(°C)和總?cè)照諘r數(shù)TSD (h)，計算籽粒灌漿期光溫積指標K:
K=DAT×TSD ； (c)構建光溫氮指數(shù):統(tǒng)計冬小麥籽粒灌漿期間的光溫積指標K和小麥開花期葉片氮積累量LNA (g.m-2)，計算得出籽粒灌漿期光溫氮指數(shù)ITN=K×LNa ； (d)確定最佳光譜參數(shù):通過對不同光譜參數(shù)與葉片氮積累量間關系的回歸比較分析，得出開花期光譜預測植被指數(shù)LSDr:
LSDr-Rreple R680 ； Ce)計算冬小麥籽粒蛋白質(zhì)含量:根據(jù)權利要求1中所構建的如下預測模型計算出冬小麥籽粒蛋白質(zhì)含量Y: Y= a×c×DAT×TSD××+ a×d×DAT×TSD + b, 其中，Y為成熟期籽粒蛋白質(zhì)含量％，DAT為籽粒灌漿期間日平均溫度℃，TSD為籽粒灌漿期間總?cè)照諘r數(shù)h，X為開花期光譜預測植被指數(shù)LSDr，a和c為系數(shù)，b和d為常數(shù)項。
7.根據(jù)權利要求6所述基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法，其特征在于，適用于黃淮區(qū)域的冬小麥籽粒蛋白質(zhì)含量預測模型為:
Y= 0.00004515× DAT ×TSD×× 0.00020482× DAT ×TSD + 10.921， 其中，Y為成熟期籽粒蛋白質(zhì)含量％，DAT為籽粒灌漿期間日平均溫度。C，TSD為籽粒灌漿期間總?cè)照諘r數(shù)h，X為開花期光譜預測植被指數(shù)LSDr。
8.根據(jù)權利要求6所述基于光譜指數(shù)和氣候因子耦合的冬小麥籽粒蛋白質(zhì)含量預測方法，其特征在于，所述步驟(a)中小麥冠層的高光譜信息測量采用野外高光譜輻射儀，波段值為350-1100 nm，光譜采樣間隔為1.4 nm，光譜分辨率為3 nm。
【文檔編號】G06F19/00GK103913425SQ201410154922
【公開日】2014年7月9日 申請日期:2014年4月17日 優(yōu)先權日:2014年4月17日
【發(fā)明者】馮偉, 李曉, 謝迎新, 王晨陽, 朱云集, 郭天財 申請人:河南農(nóng)業(yè)大學