田容才 周 昆 高志強 盧俊瑋

(湖南農(nóng)業(yè)大學農(nóng)學院1，長沙 410128) (湖南省農(nóng)業(yè)科學院水稻研究所2，長沙 410125)

水稻是我國重要的糧食作物之一，秈稻在長江中下游稻區(qū)種植面積占比達97.6%[1]，具有重要的地位。隨著人們生活水平的不斷提高，對稻米品質(zhì)提出了更高的要求。稻米的主要營養(yǎng)成分是蛋白質(zhì)，蛋白質(zhì)含量決定了大米的食味品質(zhì)和營養(yǎng)品質(zhì)[2]，蛋白質(zhì)含量是評價大米品質(zhì)的重要指標之一。傳統(tǒng)的稻米蛋白質(zhì)檢測方法雖準確可靠，但存在有損、耗時、專業(yè)性強等弊端，因此探尋快速無損高通量的測定方法具有重要意義。

為建立秈稻粗蛋白含量光譜快速無損檢測的普適性模型，本研究利用2019年長江中下游秈稻聯(lián)合區(qū)試實驗，測定了36個不同氣候生態(tài)型秈稻品種籽粒反射光譜及糙米粗蛋白含量數(shù)據(jù)，分析兩者的相關(guān)關(guān)系，建立了基于最優(yōu)光譜指數(shù)、全波長及特征波長的秈稻糙米粗蛋白含量估測模型，并用R2、RMSE對模型精度進行評價，以期找到用于秈稻粗蛋白估測的特征參數(shù)和最適模型。

1 材料與方法

1.1 實驗材料

早秈稻和晚秈稻實驗布設于湖南省水稻研究所實驗田(28°12′N，113°5′E，海拔44.9 m)，中秈稻實驗于湖南省長沙縣路口鎮(zhèn)明月村基地(28°24′N，113°13′E，海拔45 m)進行。早秈稻供試材料為2019年長江中下游早秈中早熟組，共11個，分別為中早75、中佳早27、中兩優(yōu)286、陵兩優(yōu)230、中早67、中早72、中早73、株兩優(yōu)213、株兩優(yōu)229、金早香1號和中早35，中秈稻供試材料為2019年長江中下游國稻科企聯(lián)合體中秈遲熟組，共11個，分別為荃優(yōu)潔田一號、C兩優(yōu)金4號、瑋兩優(yōu)534 、豐兩優(yōu)四號、呈兩優(yōu)九華占、中香優(yōu)美香新占、551兩優(yōu)570、珍兩優(yōu)2056、晶兩優(yōu)美香油占1號、民升優(yōu)827和隆兩優(yōu)金2號，晚秈稻供試材料為2019年湖南省水稻研究所晚秈中熟組，共14個，分別為五優(yōu)308、五豐A/19制4、33S/恢1、五豐A/制5、33S/H2437、33S/恢3、五豐A/制2、特S/H2292、F-3A/18P9、33S/恢2、五豐A/19制1、桃1a/wp54、五豐A/制3、泰豐A/18W731。隨機區(qū)組布置實驗，小區(qū)面積13.34 m2，行距20 cm、株距20 cm，3次重復。育苗移栽方式種植，早秈稻2019年3月25日播種，7月23日收獲，中秈稻5月16日播種，9月17日收獲，晚秈稻6月23日播種，10月29日收獲。田間管理按照國稻科企聯(lián)合區(qū)試要求進行。

1.2 數(shù)據(jù)采集

1.2.1 稻谷光譜數(shù)據(jù)采集

水稻成熟收獲時，每小區(qū)隨機選取長勢較一致的3兜水稻植株，剪取其稻穗，按小區(qū)編號用尼龍編織袋裝好，帶回實驗室自然陰干，2個月后，人工脫粒，利用室內(nèi)暗室平臺采集稻谷光譜數(shù)據(jù)。采用FieldSpec 3 便攜式地物波譜儀(ASD，美國)測定，儀器波長范圍350～2 500 nm，光譜采樣間隔1.377 nm@350～1 050 nm、2 nm@1 000～2 500 nm，光譜分辨率3 nm@700 nm、10 nm@1 400 nm。將脫粒后的每個小區(qū)制成1個樣本，用直徑8 cm，高1.5 cm的玻璃器皿盛裝。測定時LAMP Pro 50 W的鹵素燈為唯一光源，光源與樣本垂直高度16 cm，光纖探頭距樣本7 cm，與水平成60°，探頭視場角25°，每樣本重復測量10次，在ViewSpec Pro 6.0軟件中進行平均值計算，將所得平均光譜作為該小區(qū)稻谷反射光譜數(shù)據(jù)。首次使用需熱機15 min，并進行優(yōu)化與白板定標，每個樣品測定前均使用標準白板重新標定。實驗共采集了1080條反射光譜曲線。

1.2.2 糙米粗蛋白含量測定

將測完光譜數(shù)據(jù)的稻谷樣品，用新豐JLGJ4.5型檢驗礱谷機去殼得糙米，F(xiàn)W-100高速萬能粉碎機將糙米磨細成粉，糙米粉過60目篩后用感量為0.000 1 g分析天平秤取充分混勻的固體試樣2 g，最后將制備的硝化管用FOSS KjeltecTM 8400全自動凱氏定氮儀測定糙米粗蛋白含量。粗蛋白測定結(jié)果為濕基。具體方法參照GB 5009.5—2016。

1.3 方法

1.3.1 光譜指數(shù)選擇

根據(jù)水稻光譜特征及其前人的研究成果[21]，選取3個常用的光譜指數(shù)用于秈稻糙米粗蛋白含量的估算，具體計算公式見表1。

表1 光譜指數(shù)的計算公式

1.3.2 特征波長選擇

本文對原始光譜反射率進行一階微分變換后，首先根據(jù)秈稻稻谷原始及一階微分光譜峰谷特征對應的波長作為敏感波長，再通過原始及一階微分光譜與糙米粗蛋白含量的相關(guān)性分析相結(jié)合，將與粗蛋白含量達顯著或極顯著相關(guān)的敏感波長篩選為特征波長，用于估測模型的構(gòu)建。

1.3.3 模型構(gòu)建及評價

首先利用ViewSpec Pro 6.0軟件對測得的1080條原始光譜反射率數(shù)據(jù)進行平均及一階微分計算并導出，然后在Excel 2016中進行相關(guān)性分析，根據(jù)稻谷峰谷特征及β-coefficient達顯著或極顯著的方式篩選特征波長，任意兩波長組合構(gòu)建的DSI、NDSI、RSI指數(shù)采用R語言編程并繪圖，最后利用The Unscrambler X 10.4軟件建立基于最優(yōu)光譜指數(shù)、全波長及特征波長的PLSR、PCR、SMLR模型，并用Origin Pro 9.1軟件進行繪圖。采用決定系數(shù)(R2)和均方根誤差(RMSE)對模型精度進行驗證與評價。R2越大，RMSE越小，建模集和驗證集越接近，說明模型精度及穩(wěn)健性越好。RMSE計算公式如下：

2 結(jié)果與討論

2.1 秈稻樣本數(shù)據(jù)統(tǒng)計特征

對凱氏定氮法測得的不同氣候生態(tài)型秈稻糙米粗蛋白含量化學值進行統(tǒng)計分析，為體現(xiàn)模型的普適性，按照部分品種建模，剩余品種驗證的方式劃分建模集與驗證集。首先對粗蛋白含量化學值進行升序排序，再按照隔二選一的方式劃分，所得結(jié)果見表2。由表2可知，不同氣候生態(tài)型秈稻糙米粗蛋白含量表現(xiàn)為早秈稻>晚秈稻>中秈稻，其粗蛋白含量均值分別為 (9.62±0.53)、 (7.88±0.46)、 (6.73±0.62) g/100 g，說明秈稻糙米粗蛋白含量在不同氣候生態(tài)型方面存在差異，數(shù)據(jù)具有一定的代表性。按照2:1的方式劃分建模集與驗證集，包括72個建模樣本和36個驗證樣本，其中建模集粗蛋白含量范圍在5.46～10.47 g/100 g，變異系數(shù)為15.86%，驗證集粗蛋白含量范圍在6.03～10.37 g/100 g，變異系數(shù)為15.14%，驗證樣本粗蛋白含量范圍包含在建模樣本中，且兩者變異系數(shù)較大，說明建模集與驗證集劃分合理，驗證樣本可作為獨立數(shù)據(jù)對模型精度進行外部檢驗。

表2 籽粒粗蛋白含量統(tǒng)計特征

2.2 秈稻籽粒反射光譜特征

將早、中、晚秈稻籽粒原始及一階微分光譜反射率進行平均計算，得到不同氣候生態(tài)型秈稻籽粒原始及一階微分光譜反射率曲線圖。由圖1可知，早、中、晚秈稻具有相同的反射特征，即“峰谷”位置相近，但反射強度在氣候生態(tài)型上存在差異，表現(xiàn)為中秈稻>晚秈稻>早秈稻，與粗蛋白含量相反，即反射率隨蛋白質(zhì)含量的升高而降低。這一規(guī)律與人們對秈稻的食味品質(zhì)評價契合，認為秈稻蛋白質(zhì)含量與食味值呈極顯著負相關(guān)[22]，因此能否利用蛋白質(zhì)含量不同的秈稻其籽粒光譜反射率存在差異的特征，實現(xiàn)秈稻食味品質(zhì)的快速無損評價有待進一步驗證。由圖1(A)可知，秈稻稻谷具有顯著的峰谷特征，共出現(xiàn)9個反射峰，分別在895、944、1 108、1 299、1 647、1 850、2 017、2 211和2 398 nm波長附近，6個反射谷，分別在993、1 204、1 467、1 927、2 105和2 276 nm附近。一階求倒變換能增強原始數(shù)據(jù)的信噪比，顯示更多的信息，因此由圖1(B)可知，經(jīng)過一階微分變換后秈稻反射峰谷數(shù)量明顯增多，共出現(xiàn)16個反射峰，分別位于441、609、688、930、1 037、1 227、1 283、1 373、1 516、1 606、1 731、1 833、1 953、2 151、2 289和2 343 nm等波長附近，14個反射谷，出現(xiàn)在517、665、907、971、1 148、1 267、1 344、1 402、1 573、1 895、2 050、2 250、2 313和1 458 nm等附近，將秈稻原始及一階微分光譜反射率峰谷位置用于秈稻特征波長的篩選。

圖1 秈稻籽粒原始及一階微分光譜反射率曲線

按照糙米粗蛋白含量的差異繪制秈稻原始光譜反射率曲線如圖2。在470～1 390 nm波段范圍內(nèi)，秈稻光譜反射率大致表現(xiàn)為隨粗蛋白含量升高而降低，但粗蛋白質(zhì)量分數(shù)在9%～9.9%和10%～10.9%范圍內(nèi)的光譜曲線沒有出現(xiàn)該規(guī)律，可能是受數(shù)據(jù)量的影響，因為共有7個材料粗蛋白質(zhì)量分數(shù)位于9%～9.9%，僅3個材料粗蛋白質(zhì)量分數(shù)在10%～10.9%范圍內(nèi)。在1 390～2 500 nm范圍內(nèi)，粗蛋白質(zhì)量分數(shù)在6%～6.9%、7%～7.9%及8%～8.9%間的光譜差異不明顯，但粗蛋白質(zhì)量分數(shù)為6%～8.9%和9%～10.9%存在顯著差異，因此470～2 500 nm波段可作為不同氣候生態(tài)型秈稻粗蛋白含量光譜估測的敏感區(qū)域。

圖2 不同粗蛋白含量秈稻籽粒原始光譜反射率

2.3 秈稻光譜反射率與糙米粗蛋白含量的相關(guān)性分析

對不同氣候生態(tài)型秈稻籽粒原始及一階微分光譜反射率與其對應的糙米粗蛋白含量進行相關(guān)性分析，結(jié)果如圖3所示。秈稻籽粒原始光譜反射率在全波長范圍內(nèi)與糙米粗蛋白含量呈極顯著負相關(guān)，與顏士博[23]的研究結(jié)果相似。其中944 nm處達相關(guān)系數(shù)最大值，為0.873。一階微分光譜相關(guān)系數(shù)在全波段內(nèi)波動較大，在419～681、696～875、867～929、936～996、1 019～1 045、1 048～1 205、1 208～1 252、1 288～1 462、1 467～1 637、1 680～1 725、1 737～1 779、1 851～1 926、1 936～2 040和2 224～2 266 nm等波段范圍內(nèi)呈極顯著相關(guān)關(guān)系，其中在672、721、906、951、1 153、1 224、1 313、1 494、1 751和1 887 nm等波長附近相關(guān)系數(shù)均達0.8以上。

圖3 秈稻籽粒原始及一階微分光譜反射率與粗蛋白含量相關(guān)系數(shù)

2.4 秈稻糙米粗蛋白含量估測模型構(gòu)建及驗證

2.4.1 基于光譜指數(shù)的粗蛋白含量估測模型

圖4 任意兩波長構(gòu)建的原始及一階微分光譜指數(shù) 與糙米粗蛋白含量的決定系數(shù)

表3 最優(yōu)光譜指數(shù)建模結(jié)果

2.4.2 基于全波長的粗蛋白含量估測模型

對比3種方法建模效果，發(fā)現(xiàn)總體表現(xiàn)為PLSR>SMLR>PCR，這可能是因為PLSR模型能同時對光譜陣和濃度陣進行分解，有利于提高模型精度[25]，而PCR模型只分解光譜陣，沒有充分考慮光譜陣與濃度陣的關(guān)系[26]，同時由于本文原始光譜在全波長與籽粒粗蛋白呈顯著負相關(guān)，一階微分光譜也在大部分波段范圍與粗蛋白含量呈顯著相關(guān)關(guān)系，因此SMLR模型效果略優(yōu)于PCR模型。綜合考慮建模集與驗證集R2和RMSE，發(fā)現(xiàn)基于原始光譜反射率建立的PLSR模型對秈稻糙米粗蛋白含量估測效果最佳，說明該模型在不同品種間具有較好的普適性及穩(wěn)定性。

表4 全波長模型估測結(jié)果

2.4.3 基于特征波長的粗蛋白含量估測模型

雖然全波長估測模型精度較為理想，但是存在信息冗余、運算效率低及設備成本高等弊端，在實際應用中難以推廣，而在大量的光譜信息中，通過特征提取方法篩選出可用于目標參數(shù)反演的少數(shù)特征波長，具有更大的實際意義。本文通過分析稻谷原始及一階微分光譜反射率的峰谷特征，再結(jié)合峰谷位置對應的反射率與粗蛋白含量的相關(guān)關(guān)系，篩選出可用于不同氣候生態(tài)型秈稻糙米粗蛋白含量估測的特征波長見表5。原始光譜中共提取了15個特征波長，占全波長0.7%的信息量，且其與粗蛋白含量的相關(guān)系數(shù)均在0.6以上，其中944 nm處相關(guān)系數(shù)最高，達0.873。一階微分光譜中共篩選出19個特征波長，占全波長0.88%的信息量，其中665 nm處與粗蛋白含量相關(guān)系數(shù)最大，為0.874。

表5 特征波長

將表5篩選出來的原始及一階微分特征波長作為自變量，糙米粗蛋白含量為因變量，建立基于特征波長的PLSR、PCR和SMLR模型，各模型的效果如表6所示。由表可知，基于一階微分特征波長建立的3種模型效果普遍優(yōu)于原始光譜特征波長構(gòu)建模型，這可能是因為一階微分變換能提高數(shù)據(jù)信噪比，顯示更多的信息，也可能是模型的輸入變量個數(shù)多于原始光譜特征波長所致。在基于原始特征波長建立的SMLR模型中，僅944 nm入選，建模R2為0.763，驗證R2為0.853，而在一階微分特征波長構(gòu)建的SMLR模型中，665、1148和1344 nm等3個波長入選建模變量，建立的多元回歸模型建模集R2為0.815，驗證集R2達0.912，由此可知，SMLR估測模型均表現(xiàn)為驗證效果優(yōu)于建模效果，說明模型具有較好的適應性，但缺乏穩(wěn)健性。綜合看來，在特征波長估測模型中，以一階微分光譜反射率建立的PLSR模型效果最理想，用4個主成分數(shù)，達到建模R2為0.842，RMSE為0.506%，驗證R2為0.823，RMSE為0.523%的效果。說明PLSR模型在估測籽粒粗蛋白含量方面具有顯著優(yōu)勢，與PLS模型是近紅外品質(zhì)分析儀的內(nèi)置模型[27]的研究結(jié)果相似，但建模方法影響估測精度，研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡[28-29]、深度學習[30]等機器學習方法能有效提高模型估測精度，下階段還將從估測算法做進一步探究。

表6 特征波長模型估測結(jié)果

3 結(jié)論

本實驗研究36個長江中下游不同氣候生態(tài)型秈稻品種籽粒原始、一階微分光譜特征及其與粗蛋白含量的相關(guān)性分析，建立了基于最優(yōu)光譜指數(shù)、全波長和特征波長的糙米粗蛋白含量估測模型，得到如下結(jié)論：秈稻籽粒光譜反射率隨著粗蛋白含量的升高而降低，具體表現(xiàn)為中秈稻>晚秈稻>早秈稻；在基于最優(yōu)光譜指數(shù)、全波長和特征波長的估測模型中，PLSR模型效果最優(yōu)，建模集和驗證集R2均達0.8以上，能有效估計秈稻糙米粗蛋白含量，為秈稻品質(zhì)檢測提供了快速、無損、高通量的方法。