文章题目：Early estimation of glutelin to gliadin ratio in wheat grain using high-dimensional and hyperspectral reflectance
发表期刊：《Computers and Electronics in Agriculture》
影响因子：7.7
通讯单位：中国农科院农业可持续发展研究所
通讯作者：许吟隆，贺勇
在线日期：2024-10-23
及时准确地估算小麦籽粒的谷蛋白与醇溶蛋白比率 (Glu/Gli) 对作物监测至关重要，因为它是确保生产优质小麦粉的关键质量指标。尽管高光谱技术在作物表型估计方面的潜力已被认可，但由于复杂的光谱-化学关系和生长季节的影响，其在小麦籽粒 Glu/Gli 估算中的应用面临着挑战。本研究通过培育 11 个小麦品种并在小麦不同生长阶段（2018-2019 年和 2019-2020 年）的田间试验收集高维高光谱数据来解决这一空白。利用植被指数 (VI) 结合线性混合效应模型 (LMM) 和随机森林回归模型 (RFR)，构建了一个稳健的 Glu/Gli 估计模型（Glu/Gli 范围为 1.063 至 2.218）。结果表明，单一 VI 应用存在数据限制，而多个 VI 的集成可显著提高估算精度。灌浆中期是准确估算 Glu/Gli 的关键阶段，TCARI（转化叶绿素吸收反射指数）表现出显著的显著性和高相关性。在模型性能方面，RFR（R2 = 0.691，rRMSE = 0.096，RPD = 1.872，RER = 6.028）优于 LMM（R2 = 0.477，rRMSE = 0.131，RPD = 1.383，RER = 4.453），在估算不同小麦品种的籽粒 Glu/Gli 方面表现出更高的精度。本研究介绍了一种快速准确的早期小麦籽粒 Glu/Gli 估算方法，为小麦价值链和精准农业提供了宝贵的见解。
图1. 试验点地理位置及材料遗传多样性。a，本研究中使用的小麦品种来源地分布，绿色深度表示小麦品种数量，颜色越深，表示来自该省的品种数量越多。b，本研究的地理位置（红点）。
图2. 验证模式和交叉验证图。a、Glu/Gli 的 LMM 估计验证模式；b、Glu/Gli 的 RFR 估计验证模式；c、交叉验证图解。AIC，赤池信息准则；BIC，贝叶斯信息准则；VIF，方差膨胀因子；CV，交叉验证。
图3. 2018-2019 年和 2019-2020 年生长季小麦粒 Glu/Gli 的分布及其遗传性。
图4.2018-2019 年和 2019-2020 年生长季期间所选 12 个 VI 的动态变化。
图5. 十四个 VI（x 轴）与谷粒 Glu/Gli（y 轴）呈显著（p < 0.05）线性关系。LMM 拟合的线性模型显示谷粒 Glu/Gli 与 CI_F、NDSI_F、RSI_F、MTCI_F、NDSI_M、NDVI_M、NDWI_M、RSI_M 呈显著正相关（红色），谷粒 Glu/Gli 与 SIPI_F、PRI_E、NWI_M、SIPI_M、TCARI_M、TCARI_L 呈负相关（蓝色）。线下的阴影区域表示 95% 置信区间。VI 的后缀_F、_E、_M 和_L 分别代表开花期、灌浆早期、灌浆中期和灌浆晚期。所有变量均通过将其转换为 z 分数进行标准化。
图6.网格搜索和5次重复以及5次交叉验证的结果。a，VI在确定小麦粒Glu/Gli中的重要性，橙色的深度表示VI的%IncMSE。颜色越深，%IncMSE越高，表明相应VI对Glu/Gli的影响越大。b，使用MSR调整RFR参数（ntree和mtry）。测试了从100到600（间隔100）的Ntree值，测试了从2到10的mtry值。选择产生最小MSR的ntree和mtry值，分别为100和2。%IncMSE，均方误差的增加。MSR，最小均方残差。Ntree，要生长的树的数量。Mtry，每次分裂时随机抽样的候选变量数。
图7.LMM（a）和 RFR（b）的测量 Glu/Gli 和估计 Glu/Gli 散点图（1:1，虚线）。试验在中国河南进行了两年。2018 年至 2020 年在中国河南省新乡市（北纬 35°18′，东经 113°51′）进行了 LMM 和 RFR 训练和测试田间试验。训练数据（2018-2019 年生长季）；测试数据（2019-2020 年生长季）。VI 的后缀_F、_E、_M 和_L 分别代表开花期、灌浆早期、灌浆中期和灌浆晚期。
