小麥籽粒特征光譜與生理生化指標(biāo)對(duì)應(yīng)關(guān)系模型的研究

梁顯麗　寶秋利　秦麗

摘要：對(duì)西農(nóng)529、山農(nóng)28號(hào)、農(nóng)大5181、品育8161、泉麥890這5種小麥籽粒進(jìn)行研究，每種小麥籽粒隨機(jī)抽取30個(gè)樣本，每個(gè)樣本隨機(jī)提取10次特征光譜反射率的特征值，同時(shí)利用傳統(tǒng)的差熱法測(cè)定小麥籽粒水分含量;利用熱重分析法測(cè)得小麥籽粒粗脂肪、粗蛋白含量等生理生化指標(biāo)。在顯著性水平=0.05的條件下，利用單因素方差分析建立模型，結(jié)果表明，5種小麥籽粒的特征光譜反射率具有一致性。利用SPSS軟件對(duì)小麥籽粒特征光譜與生理生化指標(biāo)的相關(guān)關(guān)系進(jìn)行分析，發(fā)現(xiàn)在顯著性水平=0.05的條件下，小麥籽粒的高光譜反射率與水分含量之間呈極顯著正相關(guān)，與粗脂肪含量之間呈極顯著負(fù)相關(guān)，而與粗蛋白含量之間的相關(guān)性不顯著。最后對(duì)相關(guān)性顯著的變量建立線性回歸模型，同時(shí)檢驗(yàn)了模型的可行性。

關(guān)鍵詞：小麥籽粒;特征光譜;生理生化指標(biāo);對(duì)應(yīng)關(guān)系模型

中圖分類號(hào)： S512.101? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2019）03-0078-04

高光譜圖像技術(shù)是一種結(jié)合圖像技術(shù)與光譜技術(shù)的無損檢測(cè)新方法。目前，高光譜圖像技術(shù)在農(nóng)業(yè)檢測(cè)領(lǐng)域中的應(yīng)用已成為國內(nèi)外的一個(gè)熱點(diǎn)研究課題，該技術(shù)已被廣泛應(yīng)用于農(nóng)產(chǎn)品的內(nèi)外部品質(zhì)預(yù)測(cè)、損傷識(shí)別及安全檢測(cè)、農(nóng)作物的生產(chǎn)信息獲取等領(lǐng)域。近幾年來，國內(nèi)外許多學(xué)者對(duì)高光譜圖像技術(shù)的應(yīng)用作了深入的研究。其中王樹文等利用高光譜成像技術(shù)研究了苗期玉米冠狀光譜，并依據(jù)葉片氮元素含量與植被指數(shù)的相關(guān)性，建立了玉米冠層預(yù)測(cè)模型[1];張瑤等研究了光譜特征提取對(duì)蘋果葉片葉綠素含量模型的影響[2];孫來軍等利用紅外分析技術(shù)檢測(cè)小麥的品質(zhì)，具有快速、簡(jiǎn)便、準(zhǔn)確、非破壞性的優(yōu)點(diǎn)，建立了小麥籽粒蛋白的偏最小二乘校正模型，與用原始數(shù)據(jù)建立的校正模型相比，預(yù)測(cè)效果更好[3]。金華麗等用化學(xué)法測(cè)定67個(gè)小麥粉樣品的水分含量，利用波通DA7200型近紅外光譜分析儀采集樣品的近紅外光譜，采用偏最小二乘法（PLS）和留一法內(nèi)部交叉驗(yàn)證方式建立定標(biāo)模型，結(jié)果表明，預(yù)測(cè)值與真實(shí)值之間的決定系數(shù)（R2）為0.984 8，預(yù)測(cè)集標(biāo)準(zhǔn)偏差（SEP）為0.092 9[4]。本研究根據(jù)光譜信息具有可以反映被測(cè)物體的物理結(jié)構(gòu)、化學(xué)成分及生理生化指標(biāo)等特點(diǎn)，通過試驗(yàn)對(duì)小麥籽粒的光譜信息加以提取，用單因素方差分析驗(yàn)證了5種小麥籽粒的特征光譜反射率具有一致性;同時(shí)測(cè)得同一樣本小麥籽粒的生理生化指標(biāo)，討論特征光譜與這些生理生化指標(biāo)的相關(guān)關(guān)系，并對(duì)顯性相關(guān)的變量間建立具體模型，檢驗(yàn)?zāi)Ｐ偷目尚行?。根?jù)所建模型，由小麥籽粒的特征光譜可以直接預(yù)測(cè)小麥的生理生化指標(biāo)。

1 材料與方法

1.1 試驗(yàn)材料

西農(nóng)529、山農(nóng)28號(hào)、農(nóng)大5181、品育8161、泉麥890這5種小麥?zhǔn)?017年國審小麥新品種。其中西農(nóng)529（審定號(hào)：國審麥20170001）品種來源為綿陽26和小偃597，育種單位為西北農(nóng)林科技大學(xué)農(nóng)學(xué)院;山農(nóng)28號(hào)（審定號(hào)：國審麥20170018）品種來源為4142/6125，育種單位為山東農(nóng)業(yè)大學(xué)和淄博禾豐種子有限公司;農(nóng)大5181（審定號(hào)：國審麥20170021）品種來源為農(nóng)大3097/輪選987，育種單位為中國農(nóng)業(yè)大學(xué);品育8161（審定號(hào)：國審麥20170022）品種來源為長(zhǎng)4802/臨優(yōu)9202， 育種單位為山西省農(nóng)業(yè)科學(xué)院小麥研究所;泉麥890（審定號(hào)：國審麥2017008）品種來源為許科1號(hào)/04中36，育種單位為河南開泉農(nóng)業(yè)科學(xué)研究所有限公司。本研究抽取以上5種小麥的籽粒各5 kg進(jìn)行試驗(yàn)。

1.2 試驗(yàn)設(shè)計(jì)

本試驗(yàn)于2017年9月至2018年3月在內(nèi)蒙古農(nóng)業(yè)大學(xué)進(jìn)行，5種小麥籽粒各選取30份樣本，利用美國ASD公司生產(chǎn)的FieldSpec3光譜儀（測(cè)量波長(zhǎng)為90～2 500 nm）進(jìn)行試驗(yàn)，每個(gè)樣本隨機(jī)提取10個(gè)特征光譜反射率的值。以試驗(yàn)數(shù)據(jù)為依據(jù)，對(duì)10個(gè)不同波段隨機(jī)提取的高光譜反射率的特征值進(jìn)行聚類，以降低數(shù)據(jù)噪音，共聚成5個(gè)波段，依次記為V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm），試驗(yàn)數(shù)據(jù)用于模型建立。將上述小麥樣本在105 ℃下殺青30 min后，粉碎并編號(hào)。利用傳統(tǒng)的差熱法[5]測(cè)定小麥籽粒水分含量;利用熱重分析法[6-7]測(cè)定小麥籽粒粗脂肪、粗蛋白含量等生理生化指標(biāo)，試驗(yàn)數(shù)據(jù)用于建立模型。

2 模型的建立與求解

2.1 檢驗(yàn)5種小麥籽粒特征光譜反射率的一致性

以試驗(yàn)為基礎(chǔ)，將每種小麥籽粒的特征光譜反射率看作一個(gè)整體，且假設(shè)每個(gè)整體服從正態(tài)分布，建立數(shù)學(xué)模型[8]。在顯著性水平等于0.05的條件下，檢驗(yàn)假設(shè)H0：μ1=μ2=μ3=μ4=μ5是否成立。

根據(jù)試驗(yàn)數(shù)據(jù)進(jìn)行單因素方差分析，具體計(jì)算結(jié)果如表1所示。

通過查F值分布表，得F籽粒特征光譜反射率具有一致性。結(jié)果表明，可以用同一型號(hào)的光譜測(cè)量?jī)x測(cè)量不同種小麥的生理生化指標(biāo)。

2.2 特征光譜與小麥生理生化指標(biāo)相關(guān)關(guān)系分析

根據(jù)上述5種小麥籽粒特征光譜反射率的一致性，以下分析過程將不再討論不同種小麥籽粒的特征光譜反射率與生理生化指標(biāo)的關(guān)系，而是直接討論不同波段隨機(jī)提取的高光譜反射率的特征值與生理生化指標(biāo)的對(duì)應(yīng)關(guān)系。對(duì)高光譜反射率的特征值與小麥的水分、粗脂肪、粗蛋白含量等生理生化指標(biāo)進(jìn)行相關(guān)性分析，篩選出相關(guān)性極顯著的參數(shù)，建立一元回歸模型。試驗(yàn)數(shù)據(jù)的相關(guān)性分析和一元線性回歸分析采用SPSS 19.0和Excel 2007軟件進(jìn)行。5個(gè)不同波段高光譜反射率的特征值和小麥籽粒的水分、粗脂肪、粗蛋白含量等生理生化指標(biāo)相關(guān)性的分析結(jié)果見表2[9]。可以看出，5個(gè)不同波段高光譜反射率的特征值和小麥籽粒粗蛋白含量的相關(guān)性較弱，相關(guān)系數(shù)絕對(duì)值在0.3以下，因此可見由高光譜反射率的特征值去預(yù)測(cè)小麥籽粒的粗蛋白含量有待進(jìn)一步研究， 本研究暫時(shí)不作進(jìn)一步分析。5個(gè)不同波段高光譜反射率的特征值與小麥籽粒水分含量的相關(guān)系數(shù)在0.595～0.915之間，與小麥籽粒的粗脂肪含量的相關(guān)系數(shù)在-0.754～-0.584之間，均達(dá)到了極顯著水平，其中小麥籽粒的水分含量與5個(gè)不同波段高光譜反射率的特征值呈正相關(guān)，而小麥籽粒的粗脂肪含量與5個(gè)不同波段高光譜反射率的特征值呈負(fù)相關(guān)。由此可見，可以用高光譜反射率的特征值預(yù)測(cè)小麥籽粒的水分、粗脂肪含量。

2.3 特征光譜與小麥籽粒生理生化指標(biāo)之間回歸模型的建立與求解

根據(jù)上述分析得出的特征光譜與小麥籽粒生理生化指標(biāo)之間的相關(guān)性，可以通過建立一元線性回歸模型來實(shí)現(xiàn)對(duì)小麥籽粒水分含量和粗脂肪含量的估測(cè)：

式中：a、b是常數(shù);ε是誤差項(xiàng)，這里假設(shè)誤差項(xiàng)ε是一個(gè)期望值為0的隨機(jī)變量，即E（ε）=0，對(duì)于所有自變量的值，ε的方差σ2都相同，此外，誤差項(xiàng)ε是彼此相互獨(dú)立的;y表示小麥籽粒水分、粗脂肪含量的預(yù)測(cè)值;x表示高光譜反射率的特征值。

用試驗(yàn)數(shù)據(jù)求解上述模型，由表3可以看出，在建立的線性回歸模型中，預(yù)測(cè)小麥籽粒水分含量時(shí)的決定系數(shù)（r2）在高光譜反射率的特征值為V1時(shí)最大，達(dá)到0.838，F(xiàn)值為766.322，P值遠(yuǎn)遠(yuǎn)小于0.05;其次是在高光譜反射率的特征值為V5時(shí)，r2=0.833，F(xiàn)值為735.745，P值遠(yuǎn)遠(yuǎn)小于 0.05，最小的r2也達(dá)到了0.608，表明模型擬合得很好。預(yù)測(cè)小麥籽粒的粗脂肪含量時(shí)，r2在高光譜反射率的特征值為V3時(shí)最大，達(dá)到0.754，F(xiàn)值為194.619，P值遠(yuǎn)遠(yuǎn)小于 0.05，最小的r2也達(dá)到0.630，說明這些模型擬合得很好。因此可見，可以通過上述模型利用特征光譜直接預(yù)測(cè)小麥籽粒的水分含量和粗脂肪含量，并能達(dá)到預(yù)期效果。

2.4 模型的檢驗(yàn)

為了檢驗(yàn)?zāi)Ｐ偷目煽啃院推者m性，隨機(jī)抽取30組試驗(yàn)數(shù)據(jù)，對(duì)特征光譜與小麥籽粒的水分、粗脂肪含量的相關(guān)模型進(jìn)行測(cè)試，直觀的檢驗(yàn)結(jié)果如圖1～圖5所示[1]，可以看出，小麥籽粒的水分和粗脂肪含量實(shí)測(cè)值與預(yù)測(cè)值的擬合效果很好，表明所建模型可以應(yīng)用與推廣。

3 結(jié)論

在顯著性水平為0.05的條件下，利用方差分析檢驗(yàn)了西農(nóng)529、山農(nóng)28號(hào)、農(nóng)大5181、品育8161、泉麥890這5種小麥籽粒的特征光譜反射率，結(jié)果顯示具有一致性。

對(duì)10個(gè)不同波段隨機(jī)提取的高光譜反射率的特征值進(jìn)行聚類分析，結(jié)果形成5類，依次設(shè)為V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm） 等5個(gè)波段，利用相關(guān)性分析發(fā)現(xiàn)，小麥籽粒的水分含量與每個(gè)波段的特征光譜均呈現(xiàn)正顯著相關(guān)，小麥籽粒的粗脂肪含量與每個(gè)波段的特征光譜均呈現(xiàn)負(fù)顯著相關(guān)，即小麥籽粒的水分和粗脂肪含量與特征光譜之間的相關(guān)性與光譜的波段無關(guān)，而小麥的粗蛋白含量與特征光譜之間的相關(guān)性不顯著。

建立了每個(gè)波段小麥的水分含量與特征光譜呈正相關(guān)的一元線性回歸模型和小麥的粗脂肪含量與特征光譜呈負(fù)相關(guān)的一元線性回歸模型，在P值< <0.05時(shí)，r2和F值均能充分說明模型擬合得很好。因此可見，建立的模型可以直接并有效地預(yù)測(cè)小麥籽粒的水分、粗脂肪含量。

參考文獻(xiàn)：

[1]王樹文，趙 珊，張長(zhǎng)利，等. 基于成像光譜技術(shù)的寒地玉米苗期冠層氮含量預(yù)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（13）：149-154.

[2]張 瑤，鄭立華，李民贊，等. 蘋果葉片氮素含量快速檢測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（增刊1）：300-304.

[3]孫來軍，王樂凱，錢海波，等. 基于近紅外透射光譜分析技術(shù)的小麥蛋白質(zhì)含量測(cè)定[J]. 中國農(nóng)學(xué)通報(bào)，2011，27（3）：35-39.

[4]金華麗，卞 科. 近紅外光譜法檢測(cè)小麥粉中的水分含量[J]. 中國糧油學(xué)報(bào)，2010，25（8）：109-112.

[5]展海軍，白 靜，曾德健，等. 用差熱分析法測(cè)定小麥的水分含量[J]. 河南工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，32（6）：28-31.

[6]展海軍，張佳佳，徐 飛，等. 用熱重分析法同時(shí)測(cè)定大豆中主要成分含量[J]. 糧食與飼料工業(yè)，2016，12（11）：56-61.

[7]崔麗偉，展海軍，張佳佳，等. 熱重分析法測(cè)定大米中淀粉含量[J]. 中國糧油學(xué)報(bào)，2017，32（9）：167-170.

[8]田 兵. 單因素方差分析的數(shù)學(xué)模型及其應(yīng)用[J]. 陰山學(xué)刊（自然科學(xué)版），2013，27（2）：24-27.

[9]藺 青. 生態(tài)因素與小麥品質(zhì)關(guān)系的研究[D]. 山東農(nóng)業(yè)大學(xué)，2004.楊 陽，申雙和，王潤元，等. 干旱脅迫對(duì)半干旱雨養(yǎng)區(qū)春小麥生長(zhǎng)發(fā)育及產(chǎn)量的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（3）：82-85.