熊淑萍，丁紹強(qiáng)，郭建彪，張志勇，徐賽俊，樊澤華，穆彥玲，馬新明

(河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，河南 鄭州 450002)

小麥?zhǔn)侵饕募Z食作物，在保障糧食安全中具有重要地位。氮代謝是作物的關(guān)鍵生理過(guò)程，對(duì)作物的產(chǎn)量和品質(zhì)形成會(huì)造成顯著影響。小麥氮代謝受谷氨酰胺合成酶 (glutamine synthetase，GS)、硝酸還原酶(nitrate reductase，NR)和谷丙轉(zhuǎn)氨酶 (glutamate pyruvate transaminase，GPT)等多種酶的調(diào)控[1-3]。其中，GS酶是小麥氮代謝的關(guān)鍵酶，無(wú)論是直接來(lái)源于硝酸鹽、氨離子、氮固定，或是植物代謝中間釋放出的氮，均必須經(jīng)過(guò)GS酶催化作用，其催化谷氨酰胺形成谷氨酸。越來(lái)越多的研究表明，GS酶能夠控制植物生長(zhǎng)與產(chǎn)量[1,4]。因此，GS酶活性已成為小麥氮素營(yíng)養(yǎng)監(jiān)測(cè)與診斷的一個(gè)重要指標(biāo)。傳統(tǒng)的GS酶活性測(cè)定主要是化學(xué)方法。化學(xué)方法不僅需要對(duì)樣本進(jìn)行離體采樣，還需要對(duì)樣本進(jìn)行冷凍和研磨等復(fù)雜的預(yù)處理，測(cè)定的過(guò)程中還要用到EDTA和β-巰基乙醇等化學(xué)試劑，這樣做沒(méi)有連續(xù)性，也需要投入大量的人力物力，同時(shí)用到的各種化學(xué)藥品容易對(duì)環(huán)境產(chǎn)生污染。因此，尋找到一種無(wú)損、快捷地測(cè)定小麥植株中GS活性的方法是勢(shì)在必行的。

高光譜遙感技術(shù)具有分辨率高、波段范圍窄、連續(xù)性強(qiáng)、光譜信息量大等特征。近年來(lái),被廣泛地應(yīng)用在農(nóng)業(yè)、園藝、林業(yè)等各個(gè)方面[5-7]。目前，國(guó)內(nèi)外學(xué)者已經(jīng)利用高光譜技術(shù)對(duì)植物體內(nèi)含物估算。GASTON等[8]發(fā)現(xiàn)，多元散射矯正能夠提高蘑菇多酚氧化酶高光譜估測(cè)模型的準(zhǔn)確性。YANG等[9]發(fā)現(xiàn)，利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)光譜數(shù)據(jù)和圖像特征進(jìn)行加權(quán)組合的方法，實(shí)現(xiàn)了對(duì)荔枝果皮中多酚氧化酶活性較為準(zhǔn)確的估測(cè)。SHRESTHA等[10]通過(guò)研究得出高光譜遙感技術(shù)可以取代化學(xué)方法檢測(cè)蘋(píng)果中多酚氧化酶的活性。謝傳奇等[11]通過(guò)研究灰霉病脅迫下茄子葉片過(guò)氧化氫酶活性的高光譜圖像，認(rèn)為可以利用高光譜圖像有效區(qū)分茄子的灰霉病病害程度。方慧等[5]將高光譜技術(shù)和化學(xué)計(jì)量學(xué)方法結(jié)合，構(gòu)建了基于連續(xù)投影和偏最小二乘法的番茄葉片過(guò)氧化氫酶模型，具有良好的預(yù)測(cè)效果。胡耀華等[12]基于X-LW-PLSR的模型，利用高光譜技術(shù)實(shí)現(xiàn)了對(duì)馬鈴薯晚疫病的無(wú)損檢測(cè)。程帆等[13]利用近紅外高光譜實(shí)現(xiàn)了對(duì)細(xì)菌性角斑病早期脅迫下的黃瓜葉片中所含的過(guò)氧化物酶估算，發(fā)現(xiàn)高光譜遙感技術(shù)可以為植物病害的早期無(wú)損診斷提供參考意見(jiàn)。

可見(jiàn)，利用高光譜遙感技術(shù)對(duì)植物體內(nèi)酶活性等生理生化過(guò)程進(jìn)行估算已成為新的研究趨勢(shì)?；谛←溩恿S酶對(duì)小麥產(chǎn)量與品質(zhì)的重要作用，本研究通過(guò)對(duì)不同氮處理下不同小麥品種子粒GS酶活性、冠層高光譜遙感特征的測(cè)定，利用一階導(dǎo)數(shù)(first derivative ，F(xiàn)D)、二階導(dǎo)數(shù)(second deri-vative，SD)和多元散射校正(multiplicative scatter correction，MSC)等光譜預(yù)處理方法和偏最小二乘回歸(partial least squares regression，PLSR)、BP人工神經(jīng)網(wǎng)絡(luò)(BP neural network，BPNN)和支持向量機(jī)回歸(support vector machine regression，SVMR)等模型構(gòu)建方法，構(gòu)建不同的小麥子粒GS酶活性高光譜遙感估算模型，以期篩選最優(yōu)的光譜預(yù)處理和建模方法組合，從而為小麥GS酶活性的實(shí)時(shí)、無(wú)損精確監(jiān)測(cè)提供技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2018—2020年在河南農(nóng)業(yè)大學(xué)原陽(yáng)科教園區(qū)進(jìn)行。試驗(yàn)小區(qū)為裂區(qū)設(shè)計(jì)，以施氮水平為主區(qū)，品種是副區(qū)，設(shè)3次重復(fù)。試驗(yàn)共設(shè)了4個(gè)氮水平，分別為N0(0 kg·hm-2)、N8(120 kg·hm-2)、N15(225 kg·hm-2)和N22(330 kg·hm-2)；供試小麥品種有4個(gè)，分別為鄭麥103、揚(yáng)麥15、鄭麥369和西農(nóng)979。N8，N15和N22氮肥基追比分別為72∶48 kg·hm-2,135∶90 kg·hm-2和198∶132 kg·hm-2，基肥在播種前施入，追肥在拔節(jié)期施入，磷和鉀肥于播種時(shí)作為基肥一次性施入。播種量為157.5 kg·hm-2，其他栽培管理措施同一般高產(chǎn)田。

1.2 測(cè)定項(xiàng)目和方法

1.2.1 小麥冠層光譜測(cè)定 在花后10 d和花后20 d進(jìn)行測(cè)定。使用美國(guó)分析光譜儀器公司(analytical spectral devices，ASD)生產(chǎn)的ASD Field Spec 野外便攜式高光譜儀測(cè)定。該儀器能在光譜波段范圍350～2 500 nm，連續(xù)測(cè)量光譜，采樣間隔為1 nm，視場(chǎng)角是25°，應(yīng)選擇在晴朗無(wú)風(fēng)天氣進(jìn)行測(cè)定，測(cè)定時(shí)間大約為北京時(shí)間10:00—14:00。 測(cè)量時(shí)，光譜儀傳感器探頭垂直向下，距離冠層垂直高度約1 m。每個(gè)小區(qū)內(nèi)選定3處位置，將10個(gè)光譜作為1個(gè)采樣間隔，每次記錄10個(gè)光譜，去除異常值，以剩余光譜反射平均值作為該處的冠層光譜反射值，測(cè)量過(guò)程間及時(shí)用標(biāo)準(zhǔn)白板校正(標(biāo)準(zhǔn)白板反射率為1，這樣能夠使測(cè)得的目標(biāo)樣本光譜為量綱一的相對(duì)反射率)。

1.2.2 小麥子粒GS活性測(cè)定 在花后10 d和花后20 d進(jìn)行光譜測(cè)定后，在光譜測(cè)定區(qū)隨機(jī)選取具有代表性小麥10株，帶回實(shí)驗(yàn)室，剝出子粒進(jìn)行小麥子粒GS酶活性的測(cè)定，測(cè)定方法按照文獻(xiàn)[14]進(jìn)行。

1.3 模型構(gòu)建方法與數(shù)據(jù)分析

1.3.1 光譜數(shù)據(jù)處理方法 高光譜曲線存在有高頻噪聲、基線漂移、樣本分布不均勻、光線散射等環(huán)境和儀器的影響，光譜數(shù)據(jù)中具有大量的噪聲信息。本研究在進(jìn)行光譜分析時(shí)，為排除其他干擾波段，統(tǒng)一選擇敏感性較高的400～1 000 nm為有效分析數(shù)據(jù)。

同時(shí)，為了提高有效信噪比，保證建立模型的有效和穩(wěn)健性，本研究采用多元散射校正[15]，一階導(dǎo)數(shù)[16]，二階導(dǎo)數(shù)[16]3種預(yù)處理方法對(duì)小麥冠層光譜進(jìn)行處理。

1.3.2 模型構(gòu)建和檢驗(yàn)方法 利用偏最小二乘回歸[17]、BP人工神經(jīng)網(wǎng)絡(luò)[18]和支持向量機(jī)回歸[19]3種方法分別構(gòu)建模型。

在每個(gè)模型構(gòu)建完成之后，利用檢驗(yàn)集數(shù)據(jù)對(duì)所構(gòu)建的回歸估算模型的精度進(jìn)行檢驗(yàn)，利用決定系數(shù)(R2)與均方根誤差(RMSE)作為評(píng)價(jià)指標(biāo)對(duì)其進(jìn)行評(píng)估。其中，R2越大，RMSE越小，說(shuō)明模型估算性能越好。

2 結(jié)果與分析

2.1 小麥子粒GS活性的變化特征

圖1表明，在花后10 d和花后20 d，不同品種和氮肥處理下小麥子粒GS活性存在較大差異。各品種小麥子粒GS活性均隨施氮量的增加而增大，不同品種同一氮處理間花后10 d時(shí)期小麥子粒GS活性大于花后20 d時(shí)期的子粒GS活性。

圖1 不同小麥品種子粒GS酶活性隨氮處理的變化特征 Fig.1 Variation characteristics of GS synthetase activities in grains of different wheat varieties with nitrogen treatment

2.2 不同氮肥處理下小麥冠層高光譜變化特征

由圖2—圖5中看出，不同氮肥處理下小麥冠層高光譜變化特征變化趨勢(shì)基本一致，都會(huì)形成綠峰、紅谷和一個(gè)高反射平臺(tái)。不同氮處理間冠層光譜反射率的差異主要體現(xiàn)在400～600 nm和800～1 000 nm范圍內(nèi)，在400～600 nm范圍內(nèi)，花后10 d時(shí)期，N0水平下的冠層光譜反射率比其他3個(gè)氮處理對(duì)應(yīng)的冠層光譜反射率大，花后20 d時(shí)，表現(xiàn)為N0>N8>N22>N15。在800～1 000 nm范圍內(nèi)，花后10和20 d時(shí)冠層反射率主要表現(xiàn)為N15水平下的冠層光譜曲線反射率最大，N0水平下的冠層光譜反射率最小。

圖2 鄭麥369不同氮肥處理下小麥冠層高光譜變化特征 Fig.2 Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai 369

圖3 西農(nóng)979不同氮肥處理下小麥冠層高光譜變化特征 Fig.3 Hyperspectral changes of wheat canopy under different nitrogen treatments in Xinong 979

2.3 小麥子粒GS活性與冠層光譜的相關(guān)性分析

從圖6中可看出，小麥子粒GS活性與原始光譜為負(fù)相關(guān)關(guān)系，在722 nm附近相關(guān)性最強(qiáng)(r=0.498)；經(jīng)過(guò)多元散射校正處理后的光譜與小麥子粒GS活性的相關(guān)性呈現(xiàn)出先降低后增高而后再降低又平穩(wěn)的趨勢(shì)，在400 nm處的相關(guān)性最強(qiáng)(r=0.418)；經(jīng)過(guò)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理后的光譜與小麥子粒GS活性的相關(guān)性表現(xiàn)優(yōu)于原始光譜和多元散射校正，其最大相關(guān)系數(shù)均接近于0.6。由此可以看出，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)處理可以明顯提高冠層光譜與小麥子粒GS活性的相關(guān)性。

圖4 鄭麥103不同氮肥處理下小麥冠層高光譜變化特征 Fig.4 Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai 103

圖5 揚(yáng)麥15不同氮肥處理下小麥冠層高光譜變化特征 Fig.5 Hyperspectral changes of wheat canopy under different nitrogen treatments in Yangmai 15

圖6 小麥子粒GS酶活性與不同預(yù)處理光譜及原始光譜的相關(guān)性分析 Fig.6 Correlation analysis of GS synthetase activity in winter wheat grains with different pretreatment spectra and original spectra

2.4 小麥子粒GS酶活性高光譜估算模型的構(gòu)建

2.4.1 基于偏最小二乘回歸的小麥子粒GS活性高光譜估算模型的構(gòu)建 從圖7中可以看出，基于原始光譜和多元散射校正所建立的偏最小二乘法回歸模型的表現(xiàn)較差，R2分別為0.366和0.375，RMSE分別為0.084 1和0.083 5，難以估算小麥子粒GS活性?；谝浑A導(dǎo)數(shù)的小麥子粒GS活性估算模型表現(xiàn)最好，R2和RMSE分別為0.942和0.025 4；基于二階導(dǎo)數(shù)子粒GS活性估算模型表現(xiàn)遜于一階導(dǎo)數(shù)，R2和RMSE分別為0.772和0.050 4。由此可見(jiàn)，一階導(dǎo)數(shù)處理可大幅提高小麥子粒GS活性的偏最小二乘法回歸估算模型的準(zhǔn)確性。

圖7 基于PLSR的小麥子粒GS酶活性高光譜估算模型建模效果 Fig.7 Modeling effect of PLSR-based hyperspectral estimation model for GS activity of wheat grains

2.4.2 基于BP人工神經(jīng)網(wǎng)絡(luò)的小麥子粒GS酶活性高光譜估算模型的構(gòu)建 從圖8中可看出，基于原始光譜和多元散射校正所建立的BP人工神經(jīng)網(wǎng)絡(luò)模型的表現(xiàn)較差，R2分別為0.435和0.442，RMSE分別為0.079 4和0.078 9，準(zhǔn)確性很差，不能用以估算小麥子粒GS活性?；谝浑A導(dǎo)數(shù)和二階導(dǎo)數(shù)的小麥子粒GS活性估算模型表現(xiàn)較好，R2均在0.76以上，RMSE均在0.052 1以下，估算準(zhǔn)確性相似，具有一定的應(yīng)用潛力。

圖8 基于BPNN的小麥子粒GS酶活性高光譜估算模型建模效果 Fig.8 Modeling effect of BPNN-based hyperspectral estimation model for GS activity of wheat grains

2.4.3 基于SVMR的小麥子粒GS酶活性高光譜估算模型的構(gòu)建 圖9為基于原始光譜、多元散射校正、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的小麥子粒GS活性的支持向量機(jī)回歸算法遙感估算模型的建模效果。從圖9可看出，支持向量機(jī)回歸算法估算模型的表現(xiàn)均較差，R2最高只有0.583，RMSE最低只有0.068 2，估算準(zhǔn)確度都較差，難以估算小麥子粒GS活性。

圖9 基于SVMR的小麥子粒GS酶活性高光譜估算模型建模效果 Fig.9 Modeling effect of SVMR-based hyperspectral estimation model for GS activity of wheat grains

2.5 小麥子粒GS酶活性高光譜估算模型的檢驗(yàn)

使用獨(dú)立與建模數(shù)據(jù)集的檢驗(yàn)數(shù)據(jù)對(duì)上文中所構(gòu)建的R2>0.75的小麥子粒GS活性估算模型進(jìn)行檢驗(yàn)(圖10)。選取上述建模方法中分別表現(xiàn)最好的模型，將驗(yàn)證集數(shù)據(jù)帶入其中，來(lái)最終檢驗(yàn)各個(gè)模型的性能。從圖10可以看出，F(xiàn)D-PLSR模型的驗(yàn)證集最好，R2和RMSE分別為0.755和0.034 0。SD-BPNN模型的驗(yàn)證集次之，R2和RMSE

圖10 偏最小二乘法和BP人工神經(jīng)網(wǎng)絡(luò)驗(yàn)證模型效果 Fig.10 Partial least squares method and BP artificial neural network to verify the model effect

分別為0.593和0.054 6。SD-PLSR和SD-BPNN模型的驗(yàn)證集較差，R2為0.3左右。綜上所述，F(xiàn)D-PLSR模型的效果較好，其建模集和驗(yàn)證集的R2為0.942和0.755 0，可以用來(lái)估算花后10 d和20 d小麥子粒GS酶活性。

3 結(jié)論與討論

GS是小麥氮代謝過(guò)程中的一個(gè)關(guān)鍵酶，實(shí)時(shí)、快速、準(zhǔn)確獲得小麥谷GS活性有利于及時(shí)了解小麥的氮同化狀態(tài)。高光譜遙感技術(shù)為植物體內(nèi)生理生化過(guò)程的無(wú)損、快捷和精準(zhǔn)估算提供了新的方法。

在野外采集光譜時(shí)，光譜數(shù)據(jù)中會(huì)存在各種噪聲，而利用原始光譜構(gòu)建的模型效果會(huì)有一定的影響，因此，通過(guò)預(yù)處理原始光譜可能會(huì)提高模型的預(yù)測(cè)精度[20-21]。研究發(fā)現(xiàn)，一階導(dǎo)數(shù)[22]、二階導(dǎo)數(shù)[23]和多元散射校正[24-25]預(yù)處理方法均可以消除原始光譜中的噪聲。本研究分別以一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和多元散射校正對(duì)原始光譜進(jìn)行預(yù)處理，再結(jié)合偏最小二乘法、支持向量機(jī)回歸和BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建模型，用R2和RMSE來(lái)評(píng)估模型，從而篩選出理想的光譜預(yù)處理和模型構(gòu)建方法優(yōu)化組合。本研究表明，利用微分處理構(gòu)建的模型優(yōu)于多元散射校正及原始光譜構(gòu)建模型的效果，而微分處理以一階導(dǎo)數(shù)的處理效果更加優(yōu)秀。這說(shuō)明一階導(dǎo)數(shù)可以有效地去除原始光譜中的噪聲。

不同模型對(duì)同一種指標(biāo)的估算具有不同的效果。本研究利用偏最小二乘法、支持向量機(jī)回歸和BP人工神經(jīng)網(wǎng)絡(luò)構(gòu)建小麥子粒GS活性的高光譜估算模型。結(jié)果表明，F(xiàn)D-PLSR模型估算GS活性的效果比較良好，其建模集和驗(yàn)證集的R2分別為0.942和0.755 0，以往高光譜在農(nóng)學(xué)中主要反演葉綠素、葉片氮含量、葉面積指數(shù)和產(chǎn)量等[11,26-28]生理指標(biāo)，本試驗(yàn)利用高光譜成功地反演了小麥子粒中GS活性，為小麥子粒GS活性快速估算提供了新的方法。

本研究設(shè)置了不同小麥品種和氮肥處理組合大田試驗(yàn)，分析原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和多元散射校正與小麥子粒GS活性的相關(guān)性，基于原始光譜、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和多元散射校正算法構(gòu)建了小麥子粒GS活性光譜估算模型。微分處理可以提高冠層光譜反射率與小麥子粒GS活性的相關(guān)性，在模型的構(gòu)建過(guò)程中，基于微分處理的模型精度較好，尤其以FD-PLSR的模型效果最理想，因此，可以利用高光譜對(duì)小麥子粒中GS活性進(jìn)行估算。