基于无人机多光谱数据的水稻籽粒蛋白质积累动态监测

【作者】 李婉钰； 吴文轩； 于明磊； 陶海玉； 何骄阳； 姚霞； 程涛； 朱艳； 曹卫星； 田永超；

【机构】 南京农业大学国家信息农业工程技术中心,农业农村部农作物系统分析与决策重点实验室,智慧农业教育部工程研究中心,江苏省信息农业重点实验室,江苏省现代作物生产协同创新中心；

【摘要】 【研究背景】水稻作为人类主粮为世界一半以上的人口提供了20%左右的每日能量摄入和15%左右的人均蛋白质需求。水稻籽粒蛋白质含量不仅取决于蛋白质或非蛋白质组分的积累,还取决于蛋白质和非蛋白质积累的协调。水稻籽粒蛋白质积累动态可很好的衡量有关氮营养的籽粒同化营养物质的潜力。因此利用遥感技术(Remote sensing, RS)快速准确地估测花后水稻籽粒蛋白质积累(Grain protein accumulation,GPA)动态对于稻米品质评价十分重要。然而,由于缺乏相应的敏感特征波段,直接使用多光谱数据估算GPA会面临挑战。【材料与方法】本研究的目的是建立一个能够监测水稻花后籽粒蛋白质积累动态的估算模型。为了在GPA监测方面取得进展,必须考虑将与GPA密切相关的生理参数作为RS与GPA之间的中间桥梁。本研究采用"光谱参数-生理参数-蛋白质积累动态"的间接模型,基于机器学习方法开发了一种监测GPA动态的RS方法。以叶片氮含量(Leaf nitrogen content, LNC)、叶片氮积累(Leaf nitrogen accumulation, LNA)和氮收获指数(Nitrogen harvest index, NHI)三个生理参数为中间参数,结合遥感信息,建立了GPA三参数估计模型。【结果与分析】本研究探讨了水稻LNC、LNA和NHI的变化对水稻开花后GPA动态变化的影响。通过考虑水稻植株的氮状况和氮分布,建立了估算GPA动态的单参数和多参数模型。结果表明,GPA与近红外波段的光谱反射率有很好的相关性,而氮参数与红外波段和近红外波段有很好的相关性。在水稻开花后,NDVI和MTCI与氮参数(LNC和NHI)密切相关,同时,NHI与GPA也有很好的相关性,利用N参数作为水稻的中间参数可有效提高GPA的估算精度。进一步对植被指数和氮参数以及GPA进行拟合,结果显示拟合结果多为非线性模型。表明使用植被指数可较好的对氮营养参数进行拟合,但仅使用植被指数并不能很好的反映GPA的变化状况。进一步通过机器学习算法建立GPA间接估测模型,选择不同的N营养参数作为中间参数建立单参数模型(初级模型),双参数和三参数模型通过组合不同的初级模型建立。在预测结果方面,本文建立的间接模型优于基于植被指数的蛋白质积累直接估算模型。此外,利用不同多光谱相机(Mini-MCA6和AIRPHEN)的数据集对GPA三参数估算模型进行了测试,结果表明该模型性能良好,R2和RMSE分别为0.71和14.86 g/m2。【结论】本研究表明将氮素状况和氮素分配纳入GPA遥感估算模型可提高水稻谷粒蛋白质积累动态的估算精度,该结果将推动对谷物形成过程中不同作物品质形成动态指标的实时监测。更多还原