小麥籽粒特征光譜與生理生化指標對應關系模型的研究

梁顯麗　寶秋利　秦麗

摘要：對西農529、山農28號、農大5181、品育8161、泉麥890這5種小麥籽粒進行研究，每種小麥籽粒隨機抽取30個樣本，每個樣本隨機提取10次特征光譜反射率的特征值，同時利用傳統的差熱法測定小麥籽粒水分含量;利用熱重分析法測得小麥籽粒粗脂肪、粗蛋白含量等生理生化指標。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軟件對小麥籽粒特征光譜與生理生化指標的相關關系進行分析，發現在顯著性水平=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，與粗脂肪含量之間呈極顯著負相關，而與粗蛋白含量之間的相關性不顯著。最后對相關性顯著的變量建立線性回歸模型，同時檢驗了模型的可行性。

關鍵詞：小麥籽粒;特征光譜;生理生化指標;對應關系模型

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

高光譜圖像技術是一種結合圖像技術與光譜技術的無損檢測新方法。目前，高光譜圖像技術在農業檢測領域中的應用已成為國內外的一個熱點研究課題，該技術已被廣泛應用于農產品的內外部品質預測、損傷識別及安全檢測、農作物的生產信息獲取等領域。近幾年來，國內外許多學者對高光譜圖像技術的應用作了深入的研究。其中王樹文等利用高光譜成像技術研究了苗期玉米冠狀光譜，并依據葉片氮元素含量與植被指數的相關性，建立了玉米冠層預測模型[1];張瑤等研究了光譜特征提取對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檢測小麥的品質，具有快速、簡便、準確、非破壞性的優點，建立了小麥籽粒蛋白的偏最小二乘校正模型，與用原始數據建立的校正模型相比，預測效果更好[3]。金華麗等用化學法測定67個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）和留一法內部交叉驗證方式建立定標模型，結果表明，預測值與真實值之間的決定系數（R2）為0.984 8，預測集標準偏差（SEP）為0.092 9[4]。本研究根據光譜信息具有可以反映被測物體的物理結構、化學成分及生理生化指標等特點，通過試驗對小麥籽粒的光譜信息加以提取，用單因素方差分析驗證了5種小麥籽粒的特征光譜反射率具有一致性;同時測得同一樣本小麥籽粒的生理生化指標，討論特征光譜與這些生理生化指標的相關關系，并對顯性相關的變量間建立具體模型，檢驗模型的可行性。根據所建模型，由小麥籽粒的特征光譜可以直接預測小麥的生理生化指標。

1 材料與方法

1.1 試驗材料

西農529、山農28號、農大5181、品育8161、泉麥890這5種小麥是2017年國審小麥新品種。其中西農529（審定號：國審麥20170001）品種來源為綿陽26和小偃597，育種單位為西北農林科技大學農學院;山農28號（審定號：國審麥20170018）品種來源為4142/6125，育種單位為山東農業大學和淄博禾豐種子有限公司;農大5181（審定號：國審麥20170021）品種來源為農大3097/輪選987，育種單位為中國農業大學;品育8161（審定號：國審麥20170022）品種來源為長4802/臨優9202， 育種單位為山西省農業科學院小麥研究所;泉麥890（審定號：國審麥2017008）品種來源為許科1號/04中36，育種單位為河南開泉農業科學研究所有限公司。本研究抽取以上5種小麥的籽粒各5 kg進行試驗。

1.2 試驗設計

本試驗于2017年9月至2018年3月在內蒙古農業大學進行，5種小麥籽粒各選取30份樣本，利用美國ASD公司生產的FieldSpec3光譜儀（測量波長為90～2 500 nm）進行試驗，每個樣本隨機提取10個特征光譜反射率的值。以試驗數據為依據，對10個不同波段隨機提取的高光譜反射率的特征值進行聚類，以降低數據噪音，共聚成5個波段，依次記為V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm），試驗數據用于模型建立。將上述小麥樣本在105 ℃下殺青30 min后，粉碎并編號。利用傳統的差熱法[5]測定小麥籽粒水分含量;利用熱重分析法[6-7]測定小麥籽粒粗脂肪、粗蛋白含量等生理生化指標，試驗數據用于建立模型。

2 模型的建立與求解

2.1 檢驗5種小麥籽粒特征光譜反射率的一致性

以試驗為基礎，將每種小麥籽粒的特征光譜反射率看作一個整體，且假設每個整體服從正態分布，建立數學模型[8]。在顯著性水平等于0.05的條件下，檢驗假設H0：μ1=μ2=μ3=μ4=μ5是否成立。

根據試驗數據進行單因素方差分析，具體計算結果如表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。結果表明，可以用同一型號的光譜測量儀測量不同種小麥的生理生化指標。

2.2 特征光譜與小麥生理生化指標相關關系分析

根據上述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的關系，而是直接討論不同波段隨機提取的高光譜反射率的特征值與生理生化指標的對應關系。對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進行相關性分析，篩選出相關性極顯著的參數，建立一元回歸模型。試驗數據的相關性分析和一元線性回歸分析采用SPSS 19.0和Excel 2007軟件進行。5個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相關性的分析結果見表2[9]。可以看出，5個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性較弱，相關系數絕對值在0.3以下，因此可見由高光譜反射率的特征值去預測小麥籽粒的粗蛋白含量有待進一步研究， 本研究暫時不作進一步分析。5個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系數在0.595～0.915之間，與小麥籽粒的粗脂肪含量的相關系數在-0.754～-0.584之間，均達到了極顯著水平，其中小麥籽粒的水分含量與5個不同波段高光譜反射率的特征值呈正相關，而小麥籽粒的粗脂肪含量與5個不同波段高光譜反射率的特征值呈負相關。由此可見，可以用高光譜反射率的特征值預測小麥籽粒的水分、粗脂肪含量。

2.3 特征光譜與小麥籽粒生理生化指標之間回歸模型的建立與求解

根據上述分析得出的特征光譜與小麥籽粒生理生化指標之間的相關性，可以通過建立一元線性回歸模型來實現對小麥籽粒水分含量和粗脂肪含量的估測：

式中：a、b是常數;ε是誤差項，這里假設誤差項ε是一個期望值為0的隨機變量，即E（ε）=0，對于所有自變量的值，ε的方差σ2都相同，此外，誤差項ε是彼此相互獨立的;y表示小麥籽粒水分、粗脂肪含量的預測值;x表示高光譜反射率的特征值。

用試驗數據求解上述模型，由表3可以看出，在建立的線性回歸模型中，預測小麥籽粒水分含量時的決定系數（r2）在高光譜反射率的特征值為V1時最大，達到0.838，F值為766.322，P值遠遠小于0.05;其次是在高光譜反射率的特征值為V5時，r2=0.833，F值為735.745，P值遠遠小于 0.05，最小的r2也達到了0.608，表明模型擬合得很好。預測小麥籽粒的粗脂肪含量時，r2在高光譜反射率的特征值為V3時最大，達到0.754，F值為194.619，P值遠遠小于 0.05，最小的r2也達到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測小麥籽粒的水分含量和粗脂肪含量，并能達到預期效果。

2.4 模型的檢驗

為了檢驗模型的可靠性和普適性，隨機抽取30組試驗數據，對特征光譜與小麥籽粒的水分、粗脂肪含量的相關模型進行測試，直觀的檢驗結果如圖1～圖5所示[1]，可以看出，小麥籽粒的水分和粗脂肪含量實測值與預測值的擬合效果很好，表明所建模型可以應用與推廣。

3 結論

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

對10個不同波段隨機提取的高光譜反射率的特征值進行聚類分析，結果形成5類，依次設為V1（100～200 nm）、V2（200～400 nm）、V3（400～600 nm）、V4（500～700 nm）、V5（600～750 nm） 等5個波段，利用相關性分析發現，小麥籽粒的水分含量與每個波段的特征光譜均呈現正顯著相關，小麥籽粒的粗脂肪含量與每個波段的特征光譜均呈現負顯著相關，即小麥籽粒的水分和粗脂肪含量與特征光譜之間的相關性與光譜的波段無關，而小麥的粗蛋白含量與特征光譜之間的相關性不顯著。

建立了每個波段小麥的水分含量與特征光譜呈正相關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相關的一元線性回歸模型，在P值< <0.05時，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測小麥籽粒的水分、粗脂肪含量。

參考文獻：

[1]王樹文，趙 珊，張長利，等. 基于成像光譜技術的寒地玉米苗期冠層氮含量預測模型[J]. 農業工程學報，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模型[J]. 農業機械學報，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的小麥蛋白質含量測定[J]. 中國農學通報，2011，27（3）：35-39.

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

[5]展海軍，白 靜，曾德健，等. 用差熱分析法測定小麥的水分含量[J]. 河南工業大學學報（自然科學版），2011，32（6）：28-31.

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

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

[8]田 兵. 單因素方差分析的數學模型及其應用[J]. 陰山學刊（自然科學版），2013，27（2）：24-27.

[9]藺 青. 生態因素與小麥品質關系的研究[D]. 山東農業大學，2004.楊 陽，申雙和，王潤元，等. 干旱脅迫對半干旱雨養區春小麥生長發育及產量的影響[J]. 江蘇農業科學，2019，47（3）：82-85.