张骁^,1, 闫岩¹, 王文辉¹, 郑恒彪¹, 姚霞^1,2, 朱艳¹, 程涛^,1,2,*1南京农业大学国家信息农业工程技术中心/江苏省信息农业重点实验室/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, 江苏南京 210095
²江苏省现代作物生产协同创新中心, 江苏南京 210095

Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice

ZHANG Xiao^,1, YAN Yan¹, WANG Wen-Hui¹, ZHENG Heng-Biao¹, YAO Xia^1,2, ZHU Yan¹, CHENG Tao^,1,2,*1National Engineering and Technology Center for Information Agriculture (NETCIA), Nanjing Agricultural University/Jiangsu Key Laboratory for Information Agriculture/Key Laboratory of Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Engineering Research Center of Smart Agriculture, Ministry of Education, Nanjing 210095, Jiangsu, China
²Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095, Jiangsu, China

通讯作者: * 程涛, E-mail:tcheng@njau.edu.cn

收稿日期:2020-09-1接受日期:2021-01-13网络出版日期:2021-08-12

基金资助:

国家重点研发计划项目.2016YFD0300601 国家自然科学基金项目.41871259

Received:2020-09-1Accepted:2021-01-13Online:2021-08-12

Fund supported:

National Key Research and Development Program of China.2016YFD0300601 National Natural Science Foundation of China.41871259

作者简介 About authors
E-mail:13675139398@163.com



摘要
水稻籽粒直链淀粉含量影响稻米的蒸煮食味品质。利用遥感技术及时、准确地获取籽粒直链淀粉含量可以指导相应栽培措施的制定与实施, 以提高稻米的食味品质。小波分析作为光谱敏感特征提取的有效方法, 广泛应用于作物生理生化参数的估算, 然而基于小波分析的作物品质参数估算, 在米粉、稻穗水平上的应用还未见报道。本文以室内获取的水稻米粉与干穗反射光谱为基础数据源, 通过连续小波光谱变换、敏感小波特征提取、共性特征分析和预测模型构建等4个步骤, 明确不同光谱参数预测水稻籽粒直链淀粉含量的性能, 最终实现在器官水平的直链淀粉含量高光谱预测。结果表明: (1) 相较归一化光谱指数, 敏感小波特征可有效地提高直链淀粉含量预测精度, 预测模型更具普适性和鲁棒性; (2) 从米粉光谱提取的敏感小波特征WF_2037,6, 与籽粒直链淀粉含量相关性较高(R²= 0.59), 对独立年份的样本预测效果较好(RMSE = 1.51%, Bias = 0.44%, RRMSE = 23.50%), 并可直接应用于干穗光谱(R²= 0.62, RMSE = 1.49%, Bias = -0.17%, RRMSE = 25.76%)。本文利用连续小波光谱分析, 提取了米粉和稻穗水平的直链淀粉敏感小波特征WF_2037,6, 建立了高精度预测模型, 拓宽了连续小波光谱分析的应用范围, 为冠层水平水稻籽粒直链淀粉含量的高光谱估算奠定基础。
关键词： 米粉;稻穗;反射光谱;水稻籽粒直链淀粉含量;光谱指数;连续小波光谱分析

Abstract
Grain amylose content (GAC) is a critical factor affecting the cooking and eating quality of rice. Remote sensing technology can be used to obtain amylose content timely and accurately, which are useful for the establishment and implementation of corresponding cultivation to improve the quality of rice taste. As an effective method for spectral feature extraction, continuous wavelet analysis (CWA) has been widely used to estimate crop physiological and biochemical parameters. However, none of previous studies have used CWA for crop quality estimation and investigated the application of CWA to dried grain powder reflectance spectra acquired in the laboratory for absorption feature extraction. The method was conducted in four steps as below: continuous wavelet transforms, extraction of sensitive wavelet features, analysis of common features, and construction of predictive models. Finally, we estimated GAC on grain scale and compared the performance of different spectral features. The results were as follows: (1) The performance of sensitive wavelet features was better vegetation indices and the independent validation confirmed this superiority; (2) The GAC could be estimated from WF_2037,6 with a high R²= 0.59 and the accuracy assessed with validation data from an independent year was RMSE = 1.51%, Bias = 0.44%, RRMSE = 23.50%. The results derived from dried grain powder could be applied to dried panicles (R²= 0.62, RMSE = 1.49%, Bias = -0.17%, RRMSE = 25.76%). This study determined the optimal amylose-sensitive wavelet feature WF_2037,6. It can provide new insight into GAC estimation with hyperspectral remote sensing and this method would advance the understanding of rice quality estimation from reflectance spectra at grain and canopy levels.
Keywords：rice powder;rice panicle;reflectance spectra;grain amylose content;spectral index;continuous wavelet analysis


PDF (4378KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
张骁, 闫岩, 王文辉, 郑恒彪, 姚霞, 朱艳, 程涛. 基于小波分析的水稻籽粒直链淀粉含量高光谱预测. 作物学报[J], 2021, 47(8): 1563-1580 DOI:10.3724/SP.J.1006.2021.02063
ZHANG Xiao, YAN Yan, WANG Wen-Hui, ZHENG Heng-Biao, YAO Xia, ZHU Yan, CHENG Tao. Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice. Acta Agronomica Sinica[J], 2021, 47(8): 1563-1580 DOI:10.3724/SP.J.1006.2021.02063


水稻籽粒品质参数, 尤其是直链淀粉含量(grain amylose content, GAC)是影响稻米蒸煮食味的重要因素^[1,2,3,4]。当前我国水稻产量已经达到较高水平^[5]。随着社会生产力的发展, 老百姓生活水平日益提高, 人们对稻米的食味品质提出了更高的要求。若要提高稻米品质, 优化水稻前期栽培管理、科学运筹、精准调控水稻的氮素营养状况和建立分类分级的收获加工系统尤为重要。在此现实需求的基础上, 水稻籽粒直链淀粉含量快速、准确获取成为不可或缺的重要一环。近年来, 遥感技术的迅速发展为作物品质指标的实时监测及预测提供了方便、低廉的手段^[6,7,8]。预测水稻籽粒品质参数对调优栽培措施, 优化水稻分类收获、分级收购技术途径具有重要意义。

作物籽粒品质预测研究主要分为冠层和器官2个水平。目前冠层水平上, 所用到的遥感数据获取平台主要包括航空、航天及近地面3个层次。就航天和航空平台而言, 卫星和无人机是目前的主流手段, 通过遥感影像提取的光谱信息建立光谱指数, 利用光谱指数与作物品质参数直接建立回归关系, 从而构建预测模型^{[9,10,11,12,13,14]}。同时还有研究将遥感技术与作物生长模型进行耦合。基于模型耦合法的作物籽粒产量和品质预测机理性较强, 但需要考虑的自然环境因素过多, 使得模型与实际农业生产还存在着较大距离, 外推应用较为困难^[15,16]。对于近地面平台而言主要存在2种预测方法, 即直接预测和间接预测。直接预测以冠层反射光谱为基础, 利用多种光谱分析方法提取出对品质参数敏感的光谱特征, 直接与品质参数建立回归关系, 直接预测简单易行, 一直是研究的热点^{[17,18,19,20,21,22,23,24,25]}。但这些经验性的统计模型均有很强的区域适用性, 所构建的模型依赖于所收集的观测材料, 同时大部分直接预测研究无法进行独立数据的验证。间接研究方法以叶片叶绿素含量或氮含量为模型同化耦合点, 将植被指数与籽粒蛋白质含量进行连接, 间接地预测籽粒品质^[26,27]。虽然以往研究中基于冠层光谱的品质预测研究较多, 但敏感波段或光谱指数与籽粒品质参数的吸收特征缺乏直接关联性, 所用波段多集中在可见光及近红外区间, 与淀粉吸收波段(多位于短波红外区间)通常难以对应^[28], 无法从光谱学角度对所用波段的物理含义进行解释。此外, 前人研究多利用生长旺盛时期(如开花期)的冠层光谱数据, 进行基于作物长势的品质预测, 忽略作物灌浆后的生理变化^[29], 不能直接反应籽粒状态信息。因此, 冠层光谱难以直接反应籽粒品质信息, 籽粒品质估算方法缺乏机理性。基于穗器官光谱的籽粒品质参数预测, 可以从源头上揭示籽粒品质参数的光谱响应规律, 对于提升冠层尺度品质预测的机理性具有重要意义。

在20世纪90年代, 已经有****对干燥的植物粉末进行研究分析。将遥感数据和室内化学分析方法进行结合, 得到了植物叶片内部不同物质(叶绿素、水、糖、蛋白质、淀粉和木质素等)的42个吸收波段, 对籽粒品质参数的光谱估算具有重要意义^[28,30-31]。利用连续统去除法计算干燥叶片粉末光谱特定波段位置的“带深”, 结合多元逐步回归法, 能对氮素、木质素和纤维素的浓度进行估算^[32]。近年来, 利用作物器官光谱的品质预测研究逐渐兴起, 常用的作物器官主要包括叶、茎、叶鞘、穗层、稻穗等。相关研究利用室内获取的水稻稻穗、稻谷和谷粉等反射率数据, 对籽粒蛋白质和直链淀粉含量进行估算^[33]。利用精米米粉反射光谱所构建的高光谱参数, 能对水稻籽粒蛋白质含量、直链淀粉含量及总淀粉含量等品质参数进行更高精度地预测^[34]。通过稻穗、稻谷、米粒及米粉反射光谱研究对比发现, 稻谷在各形态稻穗光谱中对水稻籽粒品质参数预测精度最高^[35]。

在光谱分析方法上, 大多研究使用波段筛选或光谱指数法^[36,37], 这些方法未能充分利用高光谱数据丰富的光谱信息。近十年来, 通过小波变换光谱分析反演植物生理生化参数的研究逐渐兴起。作物的生理生化参数在高光谱研究中存在特定光谱信号较弱的问题, 从而捕捉并提取这些参数在反射光谱上的特征比较困难。连续小波光谱分析作为最有效的信号处理工具之一, 可应用于农作物生长参数敏感波段提取及模型反演。大部分研究利用连续小波变换对植物的光谱信号进行分解, 提取敏感光谱特征, 并构建生物化学参数反演模型^{[38,39,40,41]}, 同时还有些研究将小波分析与其他方法进行耦合, 例如Li等^[42]将PROSPECT与连续小波变换进行耦合, 提出一种新的方法“PROCWT”, 该方法能抑制叶片表面反射效应, 增强叶片化学成分的吸收特征。同年, Li等^[43]为探究稻麦叶片氮含量估测的物理机制及短波红外区间应用的可行性, 将连续小波变换与去水法进行结合, 结果表明连续小波变换与去水法结合能有效增强短波红外区间的吸收特性, 改善反演精度。连续小波光谱分析为利用光谱数据建立植物生理参数估算模型增加了一个新的维度^[44]。

虽然国内外对稻麦等作物品质参数遥感研究取得了丰硕的成果, 但研究大多集中在冠层水平, 所提取的品质参数敏感特征或光谱指数, 均未与淀粉吸收波段位置进行对比, 缺乏光谱学机理及农学基础。同时, 水稻品质参数高光谱估算研究的重点大部分集中在籽粒蛋白质含量上, 对直链淀粉含量的研究不够深入。本文基于水稻米粉及干穗反射光谱数据, 研究水稻籽粒直链淀粉含量高光谱估算的新方法, 旨在提取直链淀粉敏感光谱特征, 构建器官水平的高精度预测模型, 为冠层尺度水稻品质参数预测研究打下重要基础。

1 材料与方法

1.1 试验设计

数据资料来源于连续2年的水稻田间及室内试验, 共包括2个田间试验, 涉及不同施氮水平、不同播栽方式和不同类型水稻品种, 水稻品种为南粳9108 (V1)和甬优2640 (V2), 具体试验设计如下。

试验1 (2017年): 设4个施氮水平, 施纯氮分别为: 0 (N0)、210 (N1)、300 (N2)、390 kg hm^-2 (N3), 并设置3个不同的幼苗播栽方式: 钵苗移栽、毯苗移栽、机械直播。施肥比例: 基追比=5∶5 (基肥∶分蘖肥∶促花肥∶保花肥=3∶2∶3∶2)。其他肥料施用情况: 钾肥150 kg hm^-2; 磷肥90 kg hm^-2。实验为随机区组排列, 3次重复。

试验2 (2018年): 设4个施氮水平, 施纯氮分别为: 0 (N0)、135 (N1)、270 (N2)、405 kg hm^-2 (N3), 并设置2个播栽方式: 钵苗移栽、毯苗移栽。施肥比例: 基追比=5∶5 (基肥∶分蘖肥∶促花肥∶保花肥=3∶2∶3∶2)。其他肥料施用情况: 钾肥150 kg hm^-2; 磷肥90 kg hm^-2。试验为随机区组排列, 3次重复, 其他栽培管理措施同一般高产稻田。

水稻田间的日常栽培管理主要包括: 根据天气状况合理控制田内水量, 按期按量施用肥料, 及时拔除杂草, 适时监控病虫害等。

1.2 数据获取

数据获取分为3部分, 分别为米粉光谱获取、干穗光谱获取和水稻籽粒品质参数获取。使用便携式地物高光谱分析仪FieldSpec Pro FR2500 (Analytical Spectral Devices Inc., USA)进行器官反射光谱的获取。光谱仪探头视场角为25°, 波段范围为350~ 2500 nm, 其中350~1000 nm光谱采样间隔为1.4 nm, 光谱分辨率为3 nm; 1000~2500 nm光谱釆样间隔为2 nm, 光谱分辨率为10 nm。每次光谱采集前都进行白板校正, 每次记录3条光谱, 变换样品摆放方向, 每个样品分别重复测试3次, 而后求平均光谱。2年试验光谱获取数量如表1所示。

Table 1
表1
表1米粉及干穗光谱获取数量
Table 1Number of samples for the spectral measurements of dried grain powder and panicles

数据集 Data set	年份 Year	样本数量 Number of samples	目的 Objective
米粉光谱Dried grain powder spectra	2018	48	建模集Modeling set
米粉光谱Dried grain powder spectra	2017	16	验证集Validation set
干穗光谱Dried panicle spectra	2018	29	建模集Modeling set
干穗光谱Dried panicle spectra	2018	19	验证集Validation set

新窗口打开|下载CSV

1.2.1 米粉光谱 将收获的稻穗脱粒后, 置于烘干箱中烘干, 将其去除颖壳并磨成粉末, 随后放入干燥箱备用。测试时, 将米粒干粉铺平在黑箱底部, 放置在反射率在0.1左右的黑色卡纸上, 利用卤素灯模拟光源(测试前预热15 min), 采用便携式地物光谱仪ASD测试其反射光谱, 光纤垂直向下, 距离样品15 cm, 如图1所示。

图1

新窗口打开|下载原图ZIP|生成PPT
图1米粉光谱测试照片

A: 测试环境; B: 光纤视野场景。
Fig. 1Laboratory measurements of spectral reflectance over dried grain powder

A: testing system; B: visual field of sensor.


1.2.2 稻穗光谱 在水稻灌浆后, 按照成熟期内细分的生育时期(乳熟期、蜡熟期、黄熟期和完熟期)采集新鲜稻穗, 将稻穗自然风干48 h以上, 将其平铺在反射率接近10%的黑色卡纸上。在暗室环境下利用卤素灯模拟光源(测试前预热15 min), 光纤垂直向下, 距离稻穗15 cm, 测试干穗的反射光谱。

图2

新窗口打开|下载原图ZIP|生成PPT
图2稻穗光谱测试照片

A: 测试环境; B: 光纤视野场景。
Fig. 2Laboratory measurements of spectral reflectance over dried rice panicles

A: testing system; B: visual field of sensor.


1.2.3 水稻品质指标 完熟期室内米粉光谱测试结束后, 进行水稻籽粒品质指标的测定。将籽粒米粉过筛后, 置于烘干箱保存, 供直链淀粉含量的测定。籽粒淀粉含量测定采用旋光比色法测定^[45]。

1.3 数据分析

1.3.1 光谱指数波段优化 本研究采用相关性分析的方法进行特征波段提取, 构建归一化光谱指数。为了更好地提取品质参数敏感波段, 减少干扰因素, 只对穗器官光谱的1000~2400 nm范围进行相关性分析。本文定义用于预测水稻GAC的光谱指数为Normalized Difference Amylose Index (NDAI), 并建立NDAI与直链淀粉含量的回归关系。NDAI的具体波段组合方式为: (R_λ1-R_λ2)/(R_λ1+R_λ2)。本研究利用的各个光谱分析方法、回归方法及各重要评价指标的算法, 在MATLAB 2014a及IDL/ENVI 5.1语言环境下编程实现。

1.3.2 连续小波光谱分析 以连续小波光谱变换为内核的植被反射光谱分析, 其数学含义是通过平移和缩放的母小波函数与反射率光谱数据进行卷积运算, 得到不同尺度下的小波系数:

(1)${{\psi }_{a,b}}(\lambda )=\frac{1}{\sqrt{a}}\psi \frac{(\lambda -b)}{a}$
(2)$\text{W}{{\text{F}}_{a,b}}=<f,{{\psi }_{a,b}}>=\int_{l1}^{l2}{f(\lambda )}\psi a,b(\lambda )\text{d}\lambda$
其中, l₁和l₂分别为输入反射率光谱的起始和终止波段序号, ψ(λ)为波函数, ψ_a,b(λ)为平移和缩放后的母小波函数, a为缩放因子, 也称为尺度, b为平移因子。WF_a,b为小波系数, 可以看成在尺度a和平移因子为b时母小波函数与反射率的相似度, 也可称为小波特征。

作物生理生化参数在不同的波段位置上有多个吸收特征, 在反射率光谱上表现为一系列的反射谷和反射峰, 高斯二阶导函数的形状与反射率光谱中反射谷和反射峰的形状类似, 因此本文将高斯二阶导函数作为小波变换的母函数, 有助于捕获各个参数隐藏在反射率光谱中的吸收特征。另外, 高斯二阶导函数作为高斯函数的二阶导数, 将其作为连续小波变换的母函数时, 运算的结果等价于先对反射率光谱进行高斯函数平滑后再求二阶导数, 因此连续小波变换能够去除部分噪音的干扰, 起到数据平滑的作用。图3展示了米粉反射光谱(A)和不同尺度下的小波系数(B), 其中, 图3-C中红色区域代表与籽粒直链淀粉含量相关性前1%的敏感小波特征。

图3

新窗口打开|下载原图ZIP|生成PPT
图3米粉反射光谱(A)、不同尺度下的小波系数(B)及水稻籽粒直链淀粉敏感小波特征分布图(C)

Fig. 3Dried grain powder reflectance spectra (A), wavelet coefficient spectra at different scales (B), and correlation scalogram for the identification of significant wavelet features related to GAC (C)



1.3.3 建模与验证 为了有效利用上述方法提取出光谱特征, 通过光谱方法来估算水稻的籽粒品质参数, 需要建立由水稻器官尺度高光谱来预测其品质参数的回归模型和光谱反演模型。本文中使用的建模方法为单因子线性建模。简单线性回归模型通常适用于因变量与自变量存在高度的线性相关, 单变量线性模型表达为:

(3)y= ax + b
其中, y代表水稻籽粒品质参数的拟合值, x代表光谱参数或植被指数, a代表回归系数, b代表回归常数。

对基于敏感光谱指数和小波特征构建的预测模型进行独立验证。利用2018年的试验数据建立预测模型, 2017年的数据对模型进行检验。因试验条件限制, 仅获取了2018年的干穗光谱, 故利用其60%的数据进行建模, 40%的数据进行验证。

模型的预测精度、对品质参数的敏感性用决定系数(R²)描述。模型的普适性则用实测值与预测值之间的均方根误差(RMSE)、相对均方根误差(RRMSE)和距离1:1线的偏移值(Bias)来评价。

(4)RMSE =$\sqrt{\sum\nolimits_{i=1}^{n}{{{({{x}_{i}}-{{y}_{i}})}^{2}}/n}}$
(5)Bias = $\sum\nolimits_{i=1}^{n}{({{x}_{i}}-{{y}_{i}})}/n$
(6)RRMSE =$\frac{\text{RMSE}\times 100%}{{\bar{x}}}$
式中, ${{x}_{i}}$、${{y}_{i}}$和$\bar{x}$分别表示观测值、预测值和观测值的平均值, n代表样本数。

2 结果与分析

2.1 水稻各器官氮含量随生育期的变化趋势

施氮水平对水稻叶、茎及花后穗的形成造成一定影响。水稻叶片氮含量从抽穗期开始迅速下降, 灌浆期下降速度最快。从孕穗期开始, 茎秆氮含量开始迅速下降, 灌浆期到成熟期趋于稳定。穗氮含量从抽穗期到蜡熟期呈现下降趋势, 而后到完熟期上升(图4), 此期间叶、茎氮含量的快速下降, 表明籽粒品质的积累, 通过灌浆促进干物质向籽粒充分运输。从茎、叶、穗氮含量的变化趋势可以看出, 施氮量越高, 水稻叶、茎及穗的氮含量越高。整体上, 水稻生长前期叶、茎所积累的氮素, 在后期逐渐向穗部转移。

图4

新窗口打开|下载原图ZIP|生成PPT
图4水稻叶(A)、茎(B)及穗(C)氮含量随生育期的变化趋势

N0: 施氮量为0 kg hm^-2; N1: 施氮量为210 kg hm^-2; N2: 施氮量为300 kg hm^-2; N3: 施氮量为390 kg hm^-2。
Fig. 4Change trend of nitrogen content in leaf (A), stem (B), and panicle (C) during multiple growth stages

N0: 0 kg hm^-2 of N fertilizer; N1: 210 kg hm^-2 of N fertilizer; N2: 300 kg hm^-2 of N fertilizer; N3: 390 kg hm^-2 of N fertilizer.

2.2 水稻籽粒品质参数特征与反射光谱

2.2.1 籽粒品质参数特性 不同施氮量、播栽方式及水稻品种对水稻籽粒品质参数有不同的影响。表2展示了2个试验季籽粒直链淀粉含量的室内测试结果。结果显示, 2017年和2018年2个试验季的水稻籽粒品质参数在含量上存在一定的差异。从整体上看, 2018年水稻GAC在最小值、最大值和平均值上均低于2017年。2017年水稻GAC均值为6.27%; 2018年水稻GAC均值为5.65%。

Table 2
表2
表2水稻籽粒直链淀粉含量统计特征
Table 2Statistical characteristics of GAC in rice

年份 Year	样本数 No. of samples	最小值 Min. (%)	最大值 Max. (%)	平均值 Mean (%)	标准差 SD (%)
2017	48	3.13	11.21	6.27	2.19
2018	48	2.10	9.81	5.65	2.21

新窗口打开|下载CSV

以2018年数据为例, 图5展示了不同处理下水稻籽粒直链淀粉含量的变化情况。直链淀粉含量与施氮量之间没有明显变化规律, 施氮处理为N0时GAC最高, N2与N3相似, 施氮处理为N1时GAC最低。播栽方式对GAC的影响较小, 毯苗移栽(T1)和钵苗移栽(T2)两种播栽方式间GAC的差异不明显。不同品种间GAC差异明显, 南粳9108 (V1) GAC平均值为3.99%, 远小于甬优2640 (V2)的7.31%。

图5

新窗口打开|下载原图ZIP|生成PPT
图5不同施氮量(A)、播栽方式(B)及品种(C)对水稻籽粒直链淀粉含量的影响

N0: 施氮量为0 kg hm^-2; N1: 施氮量为210 kg hm^-2; N2: 施氮量为300 kg hm^-2; N3: 施氮量为390 kg hm^-2。T1: 毯苗移栽; T2: 钵苗移栽。V1: 南粳9108; V2: 甬优2640。
Fig. 5Effects of different nitrogen application rates, planting techniques, and rice varieties on grain amylose content in rice

N0: 0 kg hm^-2 of N fertilizer; N1: 210 kg hm^-2 of N fertilizer; N2: 300 kg hm^-2 of N fertilizer; N3: 390 kg hm^-2 of N fertilizer. T1: blanket seedling transplanting; T2: tray seedling transplanting. V1: Nanjing 9108; V2: Yongyou 2640.


2.2.2 米粉与干穗光谱反射特性 以甬优2640 (N1)的米粉及干穗反射光谱为例, 图6展示了成熟期水稻米粉及干穗的反射光谱。米粉光谱反射率整体较高, 在可见光区间没有叶绿素的吸收和反射特征, 近红外区间(760~1300 nm)形成“高平台”, 短波红外区间(1300~2400 nm)光谱与干穗差异不大, 蛋白质、淀粉、木质素等干物质成分的吸收特征明显。干穗光谱在近红外区间与米粉光谱类似, 但在650~700 nm之间存在微弱的“红谷”, 说明干穗体内仍存在少量叶绿素。在1600~2000 nm在整体反射率高于米粉的情况下, 出现2段明显的“凹陷”, 这是由于1690 nm和1820 nm分别为木质素和纤维素的吸收波段(表3), 干穗穗粒外表的颖壳含有较多纤维素、木质素及灰分, 故此波段相比较米粉反射率更低。同时2000~2400 nm反射率高于米粉光谱, 原因可能是2000~2300 nm范围内主要为蛋白质、淀粉的吸收波段, 米粉消除了大部分干扰因素的影响, 对米粉光谱此波段范围光谱信号吸收更强烈, 致使反射率更低。

图6

新窗口打开|下载原图ZIP|生成PPT
图6成熟期水稻器官反射光谱

黑色箭头代表干物质成分的主要吸收波段位置。
Fig. 6Reflectance spectra of rice organs under the same treatment at full ripening stage

The black arrows downward indicate the wavelength locations of absorption features for dry matter constituents.


Table 3
表3
表3短波红外波段重要化学物质的吸收特征^[28]
Table 3Absorption features that have been related to particular chemical constituents in the shortwave infrared region ^[28]

波长 Wavelength (nm)	干物质 Dry matter constituent	波长 Wavelength (nm)	干物质 Dry matter constituent
1690	木质素、蛋白质 Lignin, protein	2060	蛋白质、氮 Protein, nitrogen
1820	纤维素 Cellulose	2130	蛋白质 Protein
1900	淀粉 Starch	2180	蛋白质、氮 Protein, nitrogen
1980	蛋白质 Protein	2240	蛋白质 Protein
2000	淀粉 Starch	2300	蛋白质、氮Protein, nitrogen

新窗口打开|下载CSV

2.3 基于光谱指数方法的水稻籽粒直链淀粉含量预测

归一化光谱指数与水稻GAC的相关性结果如表4所示, 蜡熟—黄熟阶段是水稻GAC的最佳预测时期, 最佳的波段组合大多出现在等值线图的对角线上。黄熟期干穗光谱的2265 nm和2135 nm两个波段组成的归一化光谱指数与GAC的相关性最高(R²=0.70)。米粉光谱预测精度低于干穗光谱, 蜡熟期的NDAI_1505,1455与GAC的相关性R²=0.61, 样点分布较为分散。基于米粉光谱预测GAC的最佳光谱指数NDAI_1505,1455与GAC成正相关关系(图8-A), 而基于干穗光谱预测GAC的最佳光谱指数NDAI_2265,2135与GAC间则呈现负相关关系(图8-B)。

Table 4
表4
表4水稻抽穗后各生育时期米粉或干穗光谱指数与籽粒直链淀粉含量的相关性
Table 4Coefficient of determination (R²) values for the relationships of NDAI with GAC at post-heading stages in rice

生育时期 Growth stage	米粉Dried grain powder		干穗Dried panicle
	光谱参数 Spectral feature	决定系数 R2	光谱参数 Spectral feature	决定系数 R2
乳熟期Milk stage	—	—	NDAI1760,1585	0.59**
蜡熟期Dough ripening stage	NDAI1505,1455	0.61**	NDAI1835,1810	0.60**
黄熟期Yellow ripening stage	NDAI1345,1210	0.39**	NDAI2265,2135	0.70**
完熟期Full ripening stage	NDAI1600,1430	0.49**	NDAI1290,1175	0.64**

乳熟期籽粒灌浆还未完成, 籽粒内部为乳汁状内含物, 无法获取米粉光谱。^**表示在0.1%水平显著相关。最优结果以粗体显示。
The reflectance spectra of dried grain powder could not be collected at milk stage due to the incomplete filling in grains. ^** indicates significant correlation at the 0.1% probability level. The highest R² is shown in bold.

新窗口打开|下载CSV

图7

新窗口打开|下载原图ZIP|生成PPT
图7基于NDAI与籽粒直链淀粉含量线性关系的决定系数(R²)等值线图

A: 米粉; B: 干穗。
Fig. 7Contour maps of R² for the linear relationships between NDAI and GAC

A: dried grain powder; B: dried panicle.

图8

新窗口打开|下载原图ZIP|生成PPT
图8水稻籽粒直链淀粉含量与(A)蜡熟期米粉NDAI_1505,1455及(B)黄熟期干穗NDAI_2265,2135的回归关系图

Fig. 8Relationships between GAC and NDAI determined from (A) dried grain powder at dough ripening stage and (B) dry panicles at yellow ripening stage

2.4 基于小波分析的水稻籽粒直链淀粉含量预测

2.4.1 基于米粉光谱的预测 米粉光谱直链淀粉敏感小波特征总体较分散, 其中, 蜡熟期多数集中出现在1400~1500 nm之间, 靠近1450 nm的淀粉吸收波段; 而黄熟期和完熟期则较为分散且精度较低, 其敏感小波特征集中在尺度2³ (图9)。不同生育时期的直链淀粉敏感小波特征不同(表5)。其中, 蜡熟期为水稻GAC最佳预测时期, 提取的2个敏感特征WF_1380,3和WF_2037,6预测精度较高(R²=0.59~0.62), 而其余生育时期最优小波特征WF_1812,3 (黄熟期)和WF_1600,3 (完熟期)与GAC的相关性仅分别为R²=0.43、R²=0.45。图10展示了敏感小波特征与GAC的相关性。其中, WF_1380,3与GAC成正相关(图10-A), 而WF_2037,6与GAC成负相关 (图10-B)。

图9

新窗口打开|下载原图ZIP|生成PPT
图9米粉水平直链淀粉敏感小波特征分布图

A: 蜡熟期; B: 黄熟期; C: 完熟期; D: 相应波长的米粉反射光谱。蓝色方框代表不同时期存在的相同敏感小波特征。蓝色虚线代表对应波长。黑色箭头代表淀粉吸收波段。
Fig. 9Correlations scalograms for the identification of significant wavelet features of dried grain powder related to GAC

A: dough ripening stage; B: yellow ripening stage; C: full ripening stage; D: reflectance spectra of dried grain powder. The blue box represents the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.


Table 5
表5
表5水稻灌浆后各生育时期米粉小波系数与籽粒直链淀粉含量的相关性
Table 5Coefficient of determination (R²) values for the relationships of wavelet features determined from dried grain powder spectra with GAC at post-filling stages

生育时期 Growth stage	小波系数 Wavelet feature	决定系数 R2
蜡熟期	WF1380,3	0.62**
Dough ripening stage	WF2037,6	0.59**
黄熟期	WF1812,3	0.43**
Yellow ripening stage	WF1550,3	0.36**
完熟期	WF1600,3	0.45**
Full ripening stage	WF1375,3	0.30*

^**表示在0.1%水平显著相关; ^*表示在1%水平显著相关。最优结果以粗体显示。WF_a,b代表波长为a尺度为b的小波特征。
^** indicates significant correlation at the 0.1% probability level; ^* indicates significant correlation at the 1% probability level. The highest R² is shown in bold. WF_a,b represents the wavelet feature at wavelength a and scale b.

新窗口打开|下载CSV

图10

新窗口打开|下载原图ZIP|生成PPT
图10水稻籽粒直链淀粉含量与米粉光谱(A) WF_1380,3及(B) WF_2037,6的回归关系图

Fig. 10Relationships between GAC and the wavelet features (A: WF_1380,3; B: WF_2037,6) determined from dried grain powder spectra



2.4.2 基于干穗光谱的预测 随着水稻逐渐成熟, 干穗光谱直链淀粉敏感小波特征向长波方向推移, 成熟期内, 敏感小波特征在2000~2100 nm和2200~2300 nm波段范围内均有出现, 与2100 nm和2250 nm的淀粉吸收特征相符合。不同生育时期直链淀粉敏感小波特征的分布不同(表6)。其中, 蜡熟期为最佳预测时期, 提取的最优小波特征WF_1835,3与米粉光谱(WF_1380,3)相比更靠近纤维素吸收波段1820 nm, 与GAC的相关性最好(R²=0.74); 提取的第2个敏感小波特征WF_2350,3预测GAC的精度(R²) 亦达到0.64。乳熟期GAC的预测精度较低, 最优小波特征与GAC的相关性R²仅为0.49。图12展示了腊熟期2个最佳敏感小波特征与GAC的相关性, 两者与GAC均成正相关关系。

Table 6
表6
表6水稻抽穗后各生育期干穗小波系数与籽粒直链淀粉含量的相关性
Table 6Coefficient of determination values (R²) for the relationships of wavelet features determined from dry panicle spectra with GAC of rice at post-heading stages

生育期Growth stage	小波系数Wavelet feature	决定系数R2
乳熟期	WF1155,6	0.49**
Milk stage	WF1895,4	0.49**
蜡熟期	WF1835,3	0.74**
Dough ripening stage	WF2350,3	0.64**
黄熟期	WF1692,4	0.67**
Yellow ripening stage	WF2030,5	0.65**
完熟期	WF2250,6	0.60**
Full ripening stage	WF2050,6	0.55**

^**表示在0.1%水平显著相关。最优结果以粗体显示。
^** indicates significant correlation at the 0.1% probability level. The highest R² is shown in bold.

新窗口打开|下载CSV

图11

新窗口打开|下载原图ZIP|生成PPT
图11干穗水平直链淀粉敏感小波特征分布图

A: 乳熟期; B: 蜡熟期; C: 黄熟期; D: 完熟期; E: 相应波长的米粉反射光谱。蓝色方框代表不同时期存在的相同敏感小波特征。黄色方框代表米粉光谱直链淀粉敏感小波系数。蓝色虚线代表对应波长。黑色箭头代表淀粉吸收波段。
Fig. 11Correlation scalograms for the identification of significant wavelet features of dried panicle related to GAC

A: milking stage; B: dough ripening stage; C: yellow ripening stage; D: full ripening stage; E: reflectance spectra of rice panicles. The blue boxes represent the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The yellow box represents GAC sensitive wavelet coefficient determined at powder level. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.

图12

新窗口打开|下载原图ZIP|生成PPT
图12水稻籽粒直链淀粉含量与干穗光谱(A) WF_1835,3及(B) WF_2350,3的回归关系图

Fig. 12Relationships between GAC and wavelet features (A: WF_1835,3; B: WF_2350,3) determined from dried panicle spectra

2.5 米粉与干穗对水稻籽粒品质变化的响应

图13分别展示了不同直链淀粉含量米粉、干穗在敏感小波特征(WF_2037,6)附近的反射光谱及小波系谱。不同直链淀粉含量米粉样品的反射光谱(图13-A)和小波系谱(图13-C, E)均能对GAC的变化进行响应, 直链淀粉含量越高, 反射光谱在2037 nm附近吸收越强烈, 反射率越低, 小波系数随GAC升高而升高。干穗光谱(图13-B)相比米粉反射光谱在相同波段范围内, 反射光谱噪声更大。原因可能是, 稻谷颖壳中含有大量木质素、纤维素、半纤维素、灰分等物质, 对光谱会产生影响; 而干穗未除去颖壳, 增加了对反射光谱的干扰, 噪音较大。图13-B, D, F展示了干穗光谱对GAC的响应规律。不同直链淀粉含量样品的干穗反射光谱无明显规律, 经过连续小波变换, 光谱得到了平滑, 在直链淀粉敏感小波特征WF_2037,6附近的小波系谱上表现出明显规律, 籽粒直链淀粉含量越高, 对应的小波系数数值越小, 能较好地响应水稻GAC变化。

图13

新窗口打开|下载原图ZIP|生成PPT
图13米粉、干穗反射光谱和小波系谱对水稻籽粒直链淀粉含量变化的响应

A, B: 不同直链淀粉含量米粉、干穗样品反射光谱; C, D, E, F: 不同直链淀粉含量米粉、干穗样品小波系谱。蓝色箭头代表直链淀粉敏感小波特征对应的波长位置。
Fig. 13Spectral responses of dried grain powder and dried panicle to GAC in reflectance and wavelet power

A-B: reflectance of dried grain powder and dried panicle with different GAC values; C-F: wavelet features of dried grain powder and dried panicles with different GAC values. The blue arrows represent the wavelength locations corresponding to the sensitive wavelet features of amylose.

2.6 米粉与干穗光谱共性特征分析及预测精度比较

由结果分析(2.4.1和2.4.2)可知, 水稻GAC最佳预测时期在米粉及干穗光谱上均为蜡熟期, 但敏感小波特征较为分散。比较蜡熟期米粉及干穗光谱对直链淀粉敏感的小波特征分布图(图14), 从米粉光谱提取的小波特征WF_2037,6, 虽然不在干穗水平的最佳敏感小波特征之列, 但它与GAC的相关性仍然较高(R²=0.62) (图14-B中蓝色方框包围的部分)。表明基于米粉光谱提取的直链淀粉敏感小波特征(WF_2037,6)亦可应用于干穗光谱。

图14

新窗口打开|下载原图ZIP|生成PPT
图14直链淀粉敏感小波特征分布图

A: 米粉; B: 干穗。
Fig. 14Correlation scalograms for the identification of significant wavelet features related to GAC

A: dried grain powder; B: dried panicle.


表7展示了基于光谱指数、小波系数结合线性回归预测水稻籽粒品质参数的独立验证结果。光谱指数在训练数据集上与直链淀粉含量相关性虽较高, 但是对独立年份的样本验证较差, RMSE、Bias、RRMSE均较高, 而多数敏感小波特征对独立年份样本的验证效果优于光谱指数, 表明相较于光谱指数, 敏感小波特征在不同年份间更具鲁棒性。基于干穗光谱WF_2037,6的水稻GAC预测模型验证精度最高, 其RMSE为1.49%, Bias为-0.17%, RRMSE为25.76%; 基于米粉光谱WF_2037,6的水稻GAC预测模型验证精度次之, 其RMSE为1.51%, Bias为0.44%, RRMSE为23.50%。在所有小波特征和光谱指数中, WF_2037,6在独立验证中表现最好, 表明该敏感特征拥有较大的应用潜力。图16展示了基于最佳光谱指数和敏感小波特征的水稻GAC实测值和预测值在1∶1图中的分布情况。基于光谱指数预测模型获取的多数GAC预测值偏低, 与实测值间拟合线均向下偏离1∶1线, 而基于敏感小波特征预测模型获取的GAC预测值与实测值对应的散点, 较均匀地分布在1∶1线附近。

Table 7
表7
表7水稻籽粒直链淀粉含量光谱预测精度对照表
Table 7Assessment of prediction accuracies for rice GAC with determined spectral indexes and wavelet features

测试器官 Organ of measurements	最佳时期 Optimal growth stage	光谱参数 Spectral feature	均方根误差 RMSE (%)	偏移值 Bias (%)	相对均方根误差 RRMSE (%)
米粉 Dried grain powder	蜡熟期 Dough ripening stage	NDAI1505,1455	3.96	3.30	61.63
		WF1380,3	7.73	7.32	120.31
		WF2037,6	1.51	0.44	23.50
		WF2037,5	3.40	2.14	52.92
干穗 Dried panicle		NDAI2265,2135	2.17	0.61	37.52
		WF1835,3	1.91	-0.84	56.17
		WF2037,6	1.49	-0.17	25.76
		WF2037,5	2.77	-1.01	81.74

最优结果以粗体显示。
The lowest RMSE, Bias, and RRMSE values for each level are shown in bold.

新窗口打开|下载CSV

图15

新窗口打开|下载原图ZIP|生成PPT
图15水稻籽粒直链淀粉含量与干穗光谱WF_2037,6的回归关系图

Fig. 15Relationship between the wavelet feature WF_2037,6 and GAC in rice at dry panicle level

图16

新窗口打开|下载原图ZIP|生成PPT
图16基于光谱指数和小波系数的水稻籽粒直链淀粉含量模型预测值与实测值的1:1关系图

A, B: 米粉NDAI_1505,1455, WF_2037,6-GAC; C, D: 干穗NDAI_2265,2135, WF_2037,6-GAC。GAC: 籽粒直链淀粉含量。
Fig. 16Relationships between predicted and measured GAC based on NDAI or wavelet features

A-B: dried grain powder NDAI_1505,1455, WF_2037,6-GAC; C-D: dried panicle NDAI_2265,2135, WF_2037,6-GAC. GAC: grain amylose content.

3 讨论

3.1 连续小波光谱分析方法的优势

基于高光谱遥感的作物品质参数研究, 大多使用田间或室内试验建立的遥感监测预测模型, 预测精度通常较高, 但也存在一些缺陷。首先, 采用波段优化法构建的归一化光谱指数NDAI的2个波段十分靠近, 预测模型可移植性较差, 外推应用会受到多种因素的限制; 其次, 过多的波段组合结果使无法聚焦于品质参数真正的敏感光谱波段, 每个指数只用到2~3个反射率波段, 光谱信息没有被充分利用。纵观前人研究所用到的蛋白质敏感光谱参数, 例如, 米粉光谱Dλ₁₁₉₉、R₉₈₇/R₅₅₃、Dλ₇₉₃/Dλ₃₆₇, 稻谷光谱RVI_990,550、RVI_800,550等^[34,35], 使用的波段大多集中在可见光及近红外波段, 且缺乏生理意义。原因可能是, 短波红外区域干物质成分的光谱信号互相重合, 导致特定品质参数敏感特征提取较难, 通过反射光谱无法直接获取真正的水稻籽粒品质参数敏感特征, 因此需要一种更加有效的光谱分析工具。连续小波光谱分析能更有效地利用光谱信息, 基于其多尺度分解特性来捕获农学参数的吸收特征^[44], 这个结论也在本文中得到了验证, 小波系谱相较反射光谱能更有效地对籽粒品质参数的变化进行响应。

连续小波光谱分析在应用于植被反射光谱的分析及处理时, 可以将单个的光谱信号分解为不同尺度的小波系数, 相比较传统的分析方法, 能更有效地利用光谱区间信息及光谱的整体结构特征^[46,47], 提取出光谱中微弱的吸收特征, 探索最优尺度的信号来监测预测植被的生理生化参数含量。连续小波变换与传统的傅里叶分析相比, 其优点在于其能够突出局部范围内的吸收特征, 也就是说每个小波特征反映了一定光谱范围内信息^{[48,49,50,51,52]}。通过连续小波光谱分析提取的直链淀粉敏感小波特征, 不仅具有生理意义, 且与淀粉的吸收波段位置吻合, 具有光谱学意义, 能合理地进行物理解释。在普适性方面, 预测模型在不同年份间的独立验证效果优于通过相关性分析构建的归一化光谱指数。

3.2 生育时期对敏感小波特征提取及估算精度的影响

直链淀粉敏感小波特征与其他参数的敏感特征不同, 不同生育时期的直链淀粉敏感小波特征在短波红外区间的分布相对分散。但在几个重要的淀粉吸收波段1450、1580、1690、1780、2000和2270 nm^[28], 均有敏感小波特征聚集。从米粉光谱提取的WF_2037,6在大部分时期的干穗光谱上均对GAC敏感, 从干穗光谱提取的直链淀粉敏感小波特征随生育期推进逐渐向长波方向移动(图17)。干穗及米粉光谱对GAC的最佳预测时期均为蜡熟期, 而非完熟期, 原因可能与水稻籽粒内蜡质基因的表达有关。蜡质基因waxy (wx)控制着水稻籽粒直链淀粉的合成, 水稻籽粒直链淀粉含量不同于蛋白质含量, 在乳熟—蜡熟阶段就已趋于稳定^[53,54,55], 故在蜡熟期就能进行较高精度的估算。

图17

新窗口打开|下载原图ZIP|生成PPT
图17不同生育期米粉及干穗的直链淀粉敏感小波特征分布图及器官反射光谱

米粉A~C: 蜡熟期、黄熟期、完熟期; 干穗D~G: 乳熟期、蜡熟期、黄熟期、完熟期。蓝色方框代表不同时期存在的相同敏感小波系数。蓝色虚线代表对应波长。黑色箭头代表淀粉吸收波段。
Fig. 17Correlation scalograms for the identification of significant wavelet features related to GAC and reflectance spectra of rice organs

Dried grain powder A-C: dough ripening stage, yellow ripening stage, full ripening stage; dry panicle D-G: milking stage, dough ripening stage, yellow ripening stage, full ripening stage. The blue boxes represent the same sensitive wavelet features at different growth stages, while the blue dashed lines represent the corresponding wavelengths. The black downward arrows on the top of the figure indicate the wavelength locations of absorption features for starch.

3.3 敏感小波特征的冠层应用前景与挑战

连续小波光谱分析方法在作物生长参数监测领域有较大的应用价值。从应用角度看, 利用米粉及干穗光谱2个尺度提取的直链淀粉敏感小波特征WF_2037,6, 在不同年份间稳定性较高, 能够解释直链淀粉变化的光谱响应规律, 突出淀粉吸收特征, 显著提高模型精度。本文构建的直链淀粉估算模型虽然仅利用了单个小波特征, 而单个小波特征代表的不是单一波段信息, 而是某一区间的光谱信息, 因此稳定性较高。由于冠层水平的监测预测更贴近于大田应用, 同时考虑到叶和穗器官的光谱信号到冠层光谱信号存在较复杂的传输过程^[56,57], 因此下一步工作应重点研究器官水平敏感小波特征升尺度到近地面冠层(冠层光谱、无人机高光谱)及卫星(GF-5, 欧比特“珠海1号”等)水平的应用^[58,59]。

然而, 在尺度拓展的过程中, 观测环境会发生变化。器官水平测试受外界环境影响较小, 而冠层尺度受到的外界及自身干扰较多, 升尺度应用时应注意以下问题: (1) 冠层结构对敏感小波特征敏感性和稳定性的影响^[60]。直链淀粉敏感小波特征WF_2037,6是在室内平铺稻穗及米粉的情况下获取的, 而冠层光谱结构更复杂, 影响因素更多, 故应着力构建冠层结构消除方法, 提高敏感小波特征的升尺度应用性能; (2) 敏感小波特征应用的最佳时期。本文利用完熟期的器官光谱获取敏感小波特征, 但冠层光谱可获取的时期更多, 应分析哪个生育时期应用效果更好; (3) 土壤背景的影响。器官光谱在室内获取, 没有水土背景影响, 而垂直地面的冠层光谱受水土背景影响较大, 敏感小波特征在升尺度应用前, 应参考优化归一化植被指数^[61]或线性混合分解^[62]等方法去除水土背景对冠层光谱的影响。

4 结论

本研究立足于水稻品质参数敏感光谱特征提取的科学问题, 从水稻穗器官光谱入手, 利用连续小波光谱分析提取直链淀粉敏感小波特征, 建立了器官水平(米粉和干穗)的水稻籽粒品质参数预测模型, 利用不同年份数据完成独立验证, 结果证明了品质参数敏感小波特征及预测模型的可靠性和有效性。(1) 相比较光谱指数, 连续小波光谱分析可得到与GAC更高的相关性。在米粉光谱上, 小波特征与水稻GAC的相关性从R²=0.61提升到R²=0.62, 干穗光谱则从R²=0.60提升到R²=0.74。(2) 明确了水稻籽粒品质参数的共性敏感小波特征。WF_2037,6与品质参数直接相关, 并且具有光谱学机理。同时, 基于敏感小波特征构建的预测模型, 能有效消除不同水稻品种间的直链淀粉含量差异, 水稻GAC估算模型更合理。(3) 利用WF_2037,6构建了年际间可移植的高精度模型。基于米粉与干穗光谱WF_2037,6估算的GAC与实测值的RMSE分别为1.51%和1.49%, RRMSE为23.50%和25.76%, 预测模型稳定性相对较高。本研究以水稻米粉和干穗光谱为研究对象, 但未考虑水稻叶、茎对籽粒直链淀粉形成的影响。后续的研究应综合分析叶、茎、穗和冠层的光谱信息, 以进一步提升水稻品质参数预测的机理性及精度。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Thomas R, Wan-Nadiah W A, Bhat R. Physiochemical properties, proximate composition, and cooking qualities of locally grown and imported rice varieties marketed in Penang, Malaysia
Int Food Res, 2013,20:1679-1685.
[本文引用: 1]

[2] Umemoto T, Nakamura Y, Ishikura N. Activity of starch synthase and the amylose content in rice endosperm
Phytochemistry, 1995,40:1613-1616.
DOIURL [本文引用: 1]

[3] Zhou Z, Robards K, Helliwell S, Blanchard C. Ageing of stored rice: changes in chemical and physical attributes
J Cereal Sci, 2002,35:65-78.
DOIURL [本文引用: 1]

[4] Ata-UI-Karim S T, Zhu Y, Cao Q, Rehmani M I A, Cao W X, Tang L. In-season assessment of grain protein and amylose content in rice using critical nitrogen dilution curve
Eur J Agron, 2017,90:139-151.
DOIURL [本文引用: 1]

[5] 韩天富, 马常宝, 黄晶, 柳开楼, 薛彦东, 李冬初, 刘立生, 张璐, 刘淑军, 张会民. 基于Meta分析中国水稻产量对施肥的响应特征
中国农业科学, 2019,52:1918-1929.
[本文引用: 1]

Han T F, Ma C B, Huang J, Liu K L, Xue Y D, Li D C, Liu L S, Zhang L, Liu S J, Zhang H M. Variation in rice yield response to fertilization in China: Meta-analysis
Sci Agric Sin, 2019,52:1918-1929 (in Chinese with English abstract).
[本文引用: 1]

[6] Duan S H, Fang R S, Zhu R S, Xian T. Remote estimation of rice yield with unmanned aerial vehicle (UAV) data and spectral mixture analysis
Front Plant Sci, 2019,10:169-178.
DOIURL [本文引用: 1]

[7] Raquel A O, Roope N, Oiva N, Laura N, Katja A, Jere K, Lauri J, Niko V, Somayeh N, Lauri M, Teemu H, Eija H. Machine learning estimators for the quality and quality of grass swards used for silage production using drone-based imaging spectrometry and photogrammetry
Remote Sens Environ, 2020,246:111830.
DOIURL [本文引用: 1]

[8] Berger K, Verrelst J, Fret J, Wang Z, Hank T. Crop nitrogen monitoring: recent progress and principal developments in the context of imaging spectroscopy missions
Remote Sens Environ, 2020,242:111758.
DOIURL [本文引用: 1]

[9] Basnet B B, Apan A A, Kelly R M, Jensen T A, Strong W M, Butler D G. Relating satellite imagery with grain protein content
J Spat Sci, 2003,80:22-27.
[本文引用: 1]

[10] Mutanga O, Skidmore A K. Integrating imaging spectroscopy and neural networks to map grass quality in the Kruger National Park, South Africa
Remote Sens Environ, 2004,90:104-115.
DOIURL [本文引用: 1]

[11] Zhao C, Liu L, Wang J, Huang W, Song X, Li C. Predicting grain protein content of winter wheat using remote sensing data based on nitrogen status and water stress
Int J Appl Earth Observ Geoinf, 2005,7:1-9.
DOIURL [本文引用: 1]

[12] 宋晓宇, 黄文江, 王纪华, 刘良云, 李存军. ASTER卫星遥感影像在冬小麦品质监测方面的初步应用
农业工程学报, 2006,22(9):148-153.
[本文引用: 1]

Song X Y, Huang W J, Wang J H, Liu L Y, Li C J. Preliminary application of ASTER images in winter wheat quality monitoring
Trans CSAE, 2006,22(9):148-153 (in Chinese with English abstract).
[本文引用: 1]

[13] 谭昌伟, 王纪华, 黄文江, 王君婵, 朱新开, 郭文善. 基于TM和PLS的冬小麦籽粒蛋白质含量预测
农业工程学报, 2011,27(3):388-392.
[本文引用: 1]

Tan C W, Wang J H, Huang W J, Wang J C, Zhu X K, Guo W S. Predicting grain protein content in winter wheat based on TM images and partial least squares regression
Trans CSAE, 2011, 27(3):388-392 (in Chinese with English abstract).
[本文引用: 1]

[14] 王利民, 刘佳, 杨福刚, 杨玲波, 姚保民, 王小龙. 基于GF-1卫星遥感数据识别京津冀冬小麦面积
作物学报, 2018,44:762-773.
[本文引用: 1]

Wang L M, Liu J, Yang F G, Yang L B, Yao B M, Wang X L. Acguisition of winter wheat area in the Beijing-Tianjin-Hebei region with GF-1 satellite data
Acta Agron Sin, 2018,44:762-773 (in Chinese with English abstract).
[本文引用: 1]

[15] 李卫国, 王纪华, 赵春江, 刘良云, 宋晓宇, 童庆禧. 基于NDVI和氮素积累的冬小麦籽粒蛋白质含量预测模型
遥感学报, 2008,3:506-514.
[本文引用: 1]

Li W G, Wang G H, Zhao C J, Liu L Y, Song X Y, Tong Q X. A model for predicting content in winter wheat grain based on Land-Sat TM image and nitrogen accumulation
J Remote Sens, 2008,3:506-514 (in Chinese with English abstract).
[本文引用: 1]

[16] 王大成, 张东彦, 李宇飞, 秦其明, 王纪华, 范闻捷, 陈诗琳. 结合HJ1A/B卫星数据和生态因子的籽粒品质监测
红外与激光工程, 2013,42:780-786.
[本文引用: 1]

Wang D C, Zhang D Y, Li Y M, Qin Q M, Wang J H, Fan W J, Chen S L. Monitoring wheat quality based on HJ1A/B remote sensing data and ecological factors
Infrar Laser Eng, 2013,42:780-786 (in Chinese with English abstract).
[本文引用: 1]

[17] 田永超, 朱艳, 曹卫星, 范雪梅, 刘小军. 利用冠层反射光谱和叶片SPAD值预测小麦籽粒蛋白质和淀粉的积累
中国农业科学, 2004,37:808-813.
[本文引用: 1]

Tian Y C, Zhu Y, Cao W X, Fan X M, Liu X J. Monitoring protein and starch accumulation in wheat grains with Leaf SPAD and canopy spectral reflectance
Sci Agric Sin, 37:808-813 (in Chinese with English abstract).
[本文引用: 1]

[18] 薛利红, 朱艳, 张宪, 曹卫星. 利用冠层反射光谱预测小麦籽粒品质指标的研究
作物学报, 2004,30:1036-1041.
[本文引用: 1]

Xue L H, Zhu Y, Zhang X, Cao W X. Predicting wheat grain quality with canopy reflectance spectra
Acta Agron Sin, 2004,30:1036-1041 (in Chinese with English abstract).
[本文引用: 1]

[19] Pettersson C G, Eckersten H. Prediction of grain protein in spring malting barley grown in northern Europe
Eur J Agron, 2007,27:205-214.
DOIURL [本文引用: 1]

[20] Wang Z J, Wang J H, Liu L Y, Huang W J, Zhao C J, Wang C Z. Prediction of grain protein content in winter wheat (Triticum aestivum L.) using plant pigment ratio (PPR)
Field Crops Res, 2004,90:311-321.
DOIURL [本文引用: 1]

[21] 宋晓宇, 王纪华, 杨贵军, 崔贝, 常红. 基于叶片及冠层叶绿素参数的冬小麦籽粒蛋白质含量预测研究
光谱学与光谱分析, 2014,34:1917-1921.
[本文引用: 1]

Song X Y, Wang J H, Yang G J, Cui B, Chang H. Winter wheat GPC estimation based on leaf and canopy chlorophyll parameters
Spectr Spect Anal, 2014,34:1917-1921 (in Chinese with English abstract).
[本文引用: 1]

[22] 谢晓金, 李秉柏, 朱红霞. 利用高光谱数据估测不同温度胁迫下的水稻籽粒中粗蛋白和直链淀粉含量
农业现代化研究, 2012,33:481-484.
[本文引用: 1]

Xie X J, Li B B, Zhu H X. Estimating contents of crude protein and amylose content in rice grain by hyper-spectral under different high temperature stress
Res Agric Modern, 2012,33:481-484 (in Chinese with English abstract).
[本文引用: 1]

[23] 刘冰峰. 夏玉米不同生育时期生理生态参数的高光谱遥感监测模型
西北农林科技大学博士学位论文, 陕西杨凌, 2016.
[本文引用: 1]

Liu B F. Monitoring Models of Physiological and Ecological Parameters of Summer Maize Based on Hyperspectral Remote Sensing at Different Growth Stages
PhD Dissertation of Northwest A&F University, Yangling, Shaanxi, China, 2016 (in Chinese with English abstract).
[本文引用: 1]

[24] 田容才, 高志强, 卢俊玮. 基于冠层光谱的早籼稻籽粒粗蛋白含量估测
作物杂志, 2020, (4):188-194.
[本文引用: 1]

Tian R C, Gao Z Q, Lu J Q. Estimation of crude protein content in grain of early indica rice based on canopy spectrum
Crops, 2020, (4):188-194 (in Chinese with English abstract).
[本文引用: 1]

[25] 谢莉莉, 王福民, 张垚, 黄敬峰, 胡景辉, 王飞龙, 姚晓萍. 基于多生育期光谱变量的水稻直链淀粉含量监测
农业工程学报, 2020,36(8):173-181.
[本文引用: 1]

Xie L L, Wang F M, Zhang Y, Huang J F, Hu J H, Wang F L, Yao X P. Monitoring of amylose content in rice based on spectral variables at the multiple growth stages
Trans CSAE, 2020,36(8):173-181 (in Chinese with English abstract).
[本文引用: 1]

[26] 黄文江, 王纪华, 刘良云, 赵春江, 宋晓宇, 马智宏. 冬小麦品质的影响因素及高光谱遥感监测方法
遥感技术与应用, 2004,10:143-148.
[本文引用: 1]

Huang W J, Wang J H, Liu L Y, Zhao C J, Song X Y, Ma Z H. Study on grain quality effecting factors and monitoring methods by using hyperspectral data in winter wheat
Remote Sens Technol Appl, 2004,10:143-148 (in Chinese with English abstract).
[本文引用: 1]

[27] 王纪华, 黄文江, 赵春江, 杨敏华, 王之杰. 利用光谱反射率估算叶片生化组分和籽粒品质指标研究
遥感学报, 2003,7:277-284.
[本文引用: 1]

Wang J H, Huang W J, Zhao C J, Yang M H, Wang Z J. The inversion of leaf biochemical components and grain quality indicators of winter wheat with spectral reflectance
J Remote Sens, 2003,7:277-284 (in Chinese with English abstract).
[本文引用: 1]

[28] Curran P. Remote sensing of foliar chemistry
Remote Sens Environ, 1990,30:271-278.
DOIURL [本文引用: 5]

[29] 何理. 水稻叶片氮素含量及产量、相关品质高光谱预测模型的初步研究
扬州大学硕士学位论文, 江苏扬州, 2014.
[本文引用: 1]

He L. Preliminary Study on Hyperspectral Prediction Model of Leaf Nitrogen Content, Yield and Related Quality in Rice
MS Thesis of Yangzhou University, Yangzhou, Jiangsu, China, 2014 (in Chinese with English abstract).
[本文引用: 1]

[30] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies
Remote Sens Environ, 2001,76:349-359.
DOIURL [本文引用: 1]

[31] Grossman Y L, Ustin S L, Jacquemoud S, Sanderson E W, Schmuck G, Verdebout J. Critique of stepwise multiple linear regression for the extraction of leaf biochemistry information from leaf reflectance data
Remote Sens Environ, 1996,56:182-193.
DOIURL [本文引用: 1]

[32] Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using Band-Depth analysis of absorption features and stepwise multiple linear regression
Remote Sens Environ, 1999,67:267-287.
DOIURL [本文引用: 1]

[33] 唐延林, 黄敬峰, 王人潮. 利用高光谱法估测稻穗稻谷的粗蛋白质和粗淀粉含量
中国农业科学, 2004,37:1282-1287.
[本文引用: 1]

Tang Y L, Huang J F, Wang R C. Study on estimating the contents of crude protein and crude starch in rice panicle and paddy by hyperspectra
Sci Agric Sin, 2004,37:1282-1287 (in Chinese with English abstract).
[本文引用: 1]

[34] 刘芸, 唐延林, 黄敬峰, 蔡绍洪, 楼佳. 利用高光谱数据估测水稻米粉中粗蛋白粗淀粉和直链淀粉含量
中国农业科学, 2008,41:62-68.
[本文引用: 2]

Liu L, Tang Y L, Huang J F, Cai S H, Lou J. Contents of crude protein, crude starch and amylose in rice flour by hyperspectral data
Sci Agric Sin, 2008,41:62-68 (in Chinese with English abstract).
[本文引用: 2]

[35] 颜士博. 基于高分数据的水稻品质监测方法的研究
杭州师范大学硕士学位论文, 浙江杭州, 2017.
[本文引用: 2]

Yan S B. Study on Rice Quality Monitoring Method Based on High Resolution Data
MS Thesis of Hangzhou Normal University, Hangzhou, Zhejiang, China, 2017 (in Chinese with English abstract).
[本文引用: 2]

[36] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves
Int J Remote Sens, 1997,18:2691-2697.
DOIURL [本文引用: 1]

[37] 姚霞, 朱艳, 田永超, 冯伟, 曹卫星. 小麦叶层氮含量估测的最佳高光谱参数研究
中国农业科学, 2009,42:2716-2725.
[本文引用: 1]

Yao X, Zhu Y, Tian Y C, Feng W, Cao W X. Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves
Sci Agric Sin, 2009,42:2716-2725 (in Chinese with English abstract).
[本文引用: 1]

[38] Blackburn G, Ferwerda J. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis
Remote Sens Environ, 2008,112:1614-1632.
DOIURL [本文引用: 1]

[39] 汤旭光, 宋开山, 刘殿伟, 王宗明, 张柏, 杜嘉, 曾丽红, 姜广甲, 王远东. 基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较
光谱学与光谱分析, 2011,31:371-374.
[本文引用: 1]

Tang X G, Song K S, Liu D W, Wang Z M, Zhang B, Du J, Zeng L H, Jiang G J, Wang Y D. Comparison of methods for estimating chlorophyll content based on visual/near infrared reflection spectra
Spectr Spect Anal, 2011,31:371-374 (in Chinese with English abstract).
[本文引用: 1]

[40] Rivard B, Feng J, Gallie A, Sanchez-Azofeifa A G. Continuous wavelets for the improved use of spectral libraries and hyperspectral data
Remote Sens Environ, 2008,112:2850-2862.
DOIURL [本文引用: 1]

[41] 方美红, 刘湘南. 小波分析用于水稻叶片氮含量高光谱反演
应用科学学报, 2010,28:387-393.
[本文引用: 1]

Fang M H, Liu X N. Estimation of nitrogen content in rice leaves with hyperspectral reflectance measurements using wavelet analysis
J Appl Sci, 2010,28:387-393 (in Chinese with English abstract).
[本文引用: 1]

[42] Li D, Cheng T, Jia M, Zhou K, Lu N, Yao X, Tian Y, Zhu Y, Cao W X. PROCWT: Coupling PROSPECT with continuous wavelet transform to improve the retrieval of foliar chemistry from leaf bidirectional reflectance spectra
Remote Sens Environ, 2018,206:1-14.
DOIURL [本文引用: 1]

[43] Li D, Wang X, Zheng H B, Zhou K, Yao X, Tian Y C, Zhu Y, Cao W X, Cheng T. Estimation of area- and mass-based leaf nitrogen contents of wheat and rice crops from water-removed spectra using continuous wavelet analysis
Plant Methods, 2018,14:1-20.
DOIURL [本文引用: 1]

[44] Cheng T, Ria?o D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis
Remote Sens Environ, 2014,143:39-53.
DOIURL [本文引用: 2]

[45] 中国科学院上海植物生理研究所. 现代植物生理学实验指南. 北京, 科学出版社. 1999. pp 79-85.
[本文引用: 1]

Shanghai Institute of Plant Physiology, Chinese Academy of Sciences. Guidelines for Modern Plant Physiology Experiments. Beijing: Science Press, 1999. pp 79-85(in Chinese).
[本文引用: 1]

[46] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis
ISPRS J Photogramm Remote Sens, 2014,87:28-38.
DOIURL [本文引用: 1]

[47] Cheng T, Rivard B, Sanchez-Azofeifa A G, Feret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis
J Plant Physiol, 2012,169:1134-1142.
DOIURL [本文引用: 1]

[48] 苗茜. 基于小波变换的芦苇叶绿素含量的地物高光谱反演研究
首都师范大学硕士学位论文, 北京, 2013.
[本文引用: 1]

Miao Q. Hyperspectral Inversion of Chlorophyll Content in Phragmites Australis based on Wavelet Transform
MS Thesis of Capital Normal University, Beijing, China, 2013 (in Chinese with English abstract).
[本文引用: 1]

[49] 郭洋洋, 张连蓬, 王德高, 马维维. 小波分析在植物叶绿素高光谱遥感反演中的应用
测绘通报, 2010, (8):31-33.
[本文引用: 1]

Guo Y Y, Zhang L P, Wang D G, Ma W W. Application of wavelet analysis for determining chlorophyll concentration in vegetation by hyperspectral reflectance
Bull Surv Map, 2010, (8):31-33 (in Chinese with English abstract).
[本文引用: 1]

[50] 谢巧云, 黄文江, 蔡淑红, 梁栋, 彭代亮, 张清, 黄林生, 杨贵军, 张东彦. 冬小麦叶面积指数遥感反演方法比较研究
光谱学与光谱分析, 2014,34:1352-1356.
[本文引用: 1]

Xie Q Y, Huang W J, Cai S H, Liang D, Peng D L, Zhang Q, Huang L S, Yang G J, Zhang D J. Comparative study on remote sensing inversion methods for estimation winter wheat leaf area index
Spect Spect Anal, 2014,34:1352-1356 (in Chinese with English abstract).
[本文引用: 1]

[51] Ghoshal A, Martin W N, Schulz M J, Chattopadhyay A, Prosser W H, Kim H S. Health monitoring of composite plates using acoustic wave propagation, continuous sensors and wavelet analysis
J Reinf Comp, 2015,26:95-112.
[本文引用: 1]

[52] Huang G, Newchurch M J, Kuang S, Buckley P I, Cantrell W, Wang L. Definition and determination of ozone laminae using continuous wavelet transform (CWT) analysis
Atmos Environ, 2015,104:125-131.
DOIURL [本文引用: 1]

[53] Hsu Y C, Tseng M C, Wu Y P, Lin M Y, Wei F J, Hwu K K. Genetic factors responsible for eating and cooking qualities of rice grains in a recombinant inbred population of an inter-subspecific cross
Mol Breed, 2014,34:655-673.
DOIURL [本文引用: 1]

[54] Yang F, Chen Y, Tong C, Huang Y, Xu F, Li K. Association mapping of starch physicochemical properties with starch synthesis-related gene markers in nonwaxy rice (Oryza sativa L.)
Mol Breed, 2014,34:1747-1763.
DOIURL [本文引用: 1]

[55] Hirano H Y, Sano Y. Molecular characterization of the waxy locus of rice (Oryza sativa)
Plant Cell Physiol, 1991,32:989-997.
DOIURL [本文引用: 1]

[56] Furon A C, Warland J S, Wagner-Riddle C. Analysis of scaling-up resistances from leaf to canopy using numerical simulations
Agron J, 2007,99:135-141.
[本文引用: 1]

[57] Read C, Wright I J, Westoby M. Scaling-up from leaf to canopy-aggregate properties in sclerophyll shrub species
Austr Entomol, 2010,31:310-316.
[本文引用: 1]

[58] 魏友华, 王瑶, 何雪梅, 郭科, 常睿春. 基于“高分五号”遥感图像的地物分类方法
现代电子技术, 2020, (3):85-88.
[本文引用: 1]

Wei Y H, Wang Y, He X M, Guo K, Chang R C. Classification method of ground objects based on the remote sensing image of GF-5
Modern Electron Technol, 2020, (3):85-88 (in Chinese with English abstract).
[本文引用: 1]

[59] 赵瑞, 崔希民, 刘超. GF-5高光谱遥感影像的土壤有机质含量反演估算研究
中国环境科学, 2020,40:3539-3545.
[本文引用: 1]

Zhao R, Cui X M, Liu C. Inversion estimation of soil organic matter content based on GF-5 hyperspectral remote sensing image
China Environ Sci, 2020,40:3539-3545 (in Chinese with English abstract).
[本文引用: 1]

[60] 李小朋, 王术, 黄元财, 贾宝艳, 王岩, 曾群云. 株行距配置对齐穗期粳稻冠层结构及产量的影响
应用生态学报, 2015,26:3329-3336.
[本文引用: 1]

Li X P, Wang S, Huang Y C, Jia B Y, Wang Y, Zeng Q Y. Effects of spacing on the yields and canopy structure of japonica rice at full heading stage
China J Appl Ecol, 2015,26:3329-3336 (in Chinese with English abstract).
[本文引用: 1]

[61] 方雨晨, 田庆久. 归一化植被指数的土壤背景影响去除
遥感信息, 2017, (6):8-13.
[本文引用: 1]

Fang Y C, Tian Q J. Soil effect removal of NDVI in farmland based on theory of mixing spectral
Remote Sens Inf, 2017, (6):8-13 (in Chinese with English abstract).
[本文引用: 1]

[62] 褚旭. 不同覆盖度条件下水稻叶层氮素营养的高光谱监测研究
南京农业大学硕士学位论文, 江苏南京, 2013.
[本文引用: 1]

Chu X. Monitoring Leaf Nitrogen Nutrition under Different Vegetation Coverage Conditions Using Hyperspectrum Data in Rice
MS Thesis of Nanjing Agricultural University, Nanjing, Jiangsu, China, 2013 (in Chinese with English abstract).
[本文引用: 1]