CN102156128A - 一种冬小麦籽粒蛋白质含量遥感监测预报方法 - Google Patents

Abstract

本发明方法基于遥感信息获取的瞬时性与广域性，结合小麦开花期间气候环境条件对籽粒品质形成的影响特点，建立了基于氮素积累过程的籽粒蛋白质含量预测模型；通过组件化的设计方法，实现了遥感信息和籽粒蛋白质含量模型的耦合，即，利用开花期遥感影像反演的LAI、生物量和植株氮含量数据，及时替换小麦籽粒蛋白质含量预报模型对应的参数变量，进而实现对单点小麦籽粒蛋白质含量的预测，预测精度达到85％以上；进一步，采用“点”(样点籽粒蛋白质含量)与“面”(遥感影像)尺度转换方法，制作了冬小麦籽粒蛋白质含量分级监测预报专题图，具有直观，时效性好的特点，对农业部门获取区域小麦品质信息或指导粮食收购具较好的实用性。

Description

一种冬小麦籽粒蛋白质含量遥感监测预报方法

1、所属技术领域

本发明方法是涉及一种作物品质遥感监测方法，尤其是能动态地对区域范围内冬小麦籽粒蛋白质含量进行监测预报，并能制作蛋白质含量专题信息图的小麦品质遥感监测预报方法。属于农业遥感技术应用领域。

2、背景技术

小麦是世界性的重要粮食作物，在我国是仅次于水稻的第二大粮食作物，其产量与品质直接关系人类食物的供应程度和营养水平。其中品质性状的改良对于丰富人们的食物来源，提高经济和社会效益具有非常重要作用和意义。蛋白质含量是决定小麦面粉用途最主要的因子，按照蛋白质含量的多寡，可以分为强筋小麦、中筋小麦和弱筋小麦。其中，强筋小麦籽粒蛋白质大于或等于14％，适于生产面包粉以及搭配生产其他专用粉；弱筋小麦籽粒蛋白质含量等于或小于11.5％，适于制作饼干、糕点等；中筋小麦籽粒蛋白质含量介于强筋和弱筋小麦之间，适于制作面条或馒头。

作为高品质面粉的强筋小麦和弱筋小麦发展缓慢，尤其是弱筋小麦，从2000年下半年开始国家停止大规模进口小麦，国产弱筋小麦面粉企业的使用量逐年上升，由于国内在高品质的弱筋小麦面粉的严重缺乏，出现了市场上供需严重不足，随着工业化和城市化的发展，人民的生活水平不断提高，对高品质粮食消费的需求不断提高，市场缺口非常大。高品质小麦严重缺乏的原因，除了小麦品种因素外，栽培过程和田间配套管理措施的影响较为明显，对小麦全生长期的氮素等影响最终籽粒蛋白质含量的重要信息缺乏有效的监测和控制。

目前国内在对冬小麦品质监测预报方面的研究发展较为缓慢，王纪华等研究表明在冬小麦生长后期，特定波段的光谱反射率与叶片含氮量极显著正相关，同时与最终的蛋白质产量有非常显著的相关性；田永超等认为抽穗后冠层植被指数R1500/R610与小麦籽粒蛋白质积累量呈极显著的指数关系。这些研究大都是基于冬小麦生长期内的遥感参数与蛋白质含量的线性关系建立的经验模型，缺乏机理性和普适性。

3、发明内容

为增强冬小麦籽粒蛋白质含量遥感监测的动态性和机理性，本发明方法将空间遥感反演技术和冬小麦籽粒蛋白质积累过程的定量化模拟技术相结合，在建立冬小麦籽粒蛋白质含量预测模型的基础上，利用遥感反演信息订正蛋白质含量预测模型运行轨迹，再通过“点”(样 点蛋白质含量预测值)与“面”(遥感影像)形式转换，达到对区域冬小麦蛋白质含量监测预报的目的。本发明所建立的冬小麦蛋白质含量遥感监测预报方法，机理性和通用性较强，可为农业部门或农业技术人员及时获取冬小麦区域品质信息提供技术支持。主要发明内容和技术体系如下：

1.冬小麦籽粒蛋白质含量预测模型建立

冬小麦籽粒蛋白质含量GPC(％)的预测模型构建如下：

GPC＝GNC×β             (1)

式(1)中，β为籽粒氮素含量与蛋白质含量间的转换系数。GNC(％)为籽粒氮含量，其算法如下：

GNC＝GNW/GW              (2)

式(2)中，GW为籽粒重量(kg·ha-1)。GNW为籽粒中氮的总累积量(kg·ha^-1)，其来源于花前存贮氮的运转和花后植株对氮的再吸收运转，籽粒中氮素的累积过程(即籽粒的灌浆阶段)主要受气温和土壤水分的影响。GNW的计算如下式：

GNW＝(GNSW+GNUW)×min(FT，FW)

GNSW＝(PNC-PNMC)×PFW    (3)

GNUW＝F(LAI，PFW)

式(3)中，GNSW为花前(指齐穗期)植株中存储氮的可运转量(kg·ha^-1)。GNUW为花后植株对氮素的再吸收运转量(kg·ha^-1)，这一部分氮素主要供给籽粒合成蛋白质，其值通过函数F(LAI，PFW)获得。分析GNUW与花前群体叶面积指数(LAI)和地上部生物量(PFW)的关系，建立F(LAI，PFW)的如下回归算法：

F(LAI，PFW)＝20.94×ln(LAI)+19.44×ln(PFW)-174.19         (4)

式(3)中，PNC为花前植株氮含量(％)。PNMC为成熟后秸秆氮含量(％)，强筋、中筋、弱筋小麦分别取值为0.55PNC、0.60PNC、0.65PNC。PNC与遥感影像的NDVI有较好的相关性，可通过遥感影像反演获得，算法如下：

PNC＝D×NDVIF+E×α        (5)

式(5)中，NDVIF为冬小麦花前的归一化植被指数，D、α为经验系数，分别取值1.2624和2.4728。E为调整函数，表示齐穗前遥感影像获得时间的不同对PNC监测值的影响，E的算法如下式：

E＝(B_aT-T_mT)/B_aT           (6)

式(6)中，B_aT为拔节到齐穗的天数，单位为日(d)。T_mT为影像获得时间到齐穗的天数，单位为日(d)。

花前进行LAI遥感监测，可以合理掌握群体的长势变化动态，监测效果颇为明显。小麦花前的LAI与PFW(地上部生物量)具有极明显的相关关系，LAI则通过遥感反演模型获得。建立PFW的计算模型：

PFW＝6049.2×ln(LAI)+875.35

LAI＝4.4825×exp(0.4905×NDVIF)     (7)

式(2)中，籽粒重量GW可以通过品种的收获指数、花前植株干重和花前存储于植株中的光合产物向籽粒运转量之间的换算获得，具体计算如下式：

GW＝(HI×PFW)/(1-HI+HI×β)         (8)

式(8)中，HI为小麦品种的收获指数，β为花前存储于植株中的光合产物(花后)向籽粒运转量占籽粒重的百分比(对产量的贡献率)，据有关研究，β一般在20％～30％之间，因品种而异。

式(3)中，FT为温度影响因子，表示灌浆期间的气温变化对籽粒蛋白质形成(或氮素积累)的影响。其算法描述如下式：

$\mathrm{FT}=\left\{\begin{array}{cc}\mathrm{sqrt}\left\{\sin \right[(T-T_b)/\left(T_{\mathrm{ol}}{-T}_b\right)\&times;\mathrm{\&pi;}/2\left]\right\}& T_b\&le;T<T_{\mathrm{ol}}\\ 1& T_{\mathrm{ol}}\&le;T\&le;T_{\mathrm{oh}}\\ \mathrm{sqrt}\left\{\sin \right[(T_m-T)/(T_m-T_{\mathrm{oh}})\&times;\mathrm{\&pi;}/2\left]\right\}& T_{\mathrm{oh}}<T\&le;T_m\\ 0.1& T_m<T,\mathrm{orT}<T_b\end{array}\right.\left(9\right)$

式(9)中，T为灌浆期间日均气温；T_m、T_b分别为籽粒蛋白质合成的最高温度上限和最低温度下限；T_oh、T_ol为蛋白质合成最适宜上限温度和最适宜下限温度。

式(3)中，FW为水分影响因子，表示灌浆期间的土壤水分变化对籽粒氮素积累的影响。当土壤湿度保持在田间持水量的65％-80％时，籽粒正常进行蛋白质合成。当土壤湿度低于田间持水量的50％或高于田间持水量的100％时，籽粒蛋白质合成受到抑制。FW计算如下式：

$\mathrm{FW}=\left\{\begin{array}{cc}(W-W_b)/(W_{\mathrm{ol}}-W_b)& W_b<W<W_{\mathrm{ol}}\\ 1& W_{\mathrm{ol}}\&le;W\&le;W_{\mathrm{oh}}\\ (W_m-W)/(W_m-W_{\mathrm{oh}})& W_{\mathrm{oh}}<W<W_m\\ 0& W_m\&le;W,\mathrm{orW}\&le;W_b\end{array}\right.\left(10\right)$

式(10)中，W为灌浆期间土壤含水量；W_m、W_b分别为籽粒蛋白质合成的最高土壤含水量上限和最低土壤含水量下限，分别取田间持水量的90％和40％；W_oh、W_ol为蛋白质合成最适 宜上限土壤含水量和最适宜下限土壤含水量，分别取田间持水量的80％和60％。

2.遥感反演信息与冬小麦籽粒蛋白质含量预测模型的耦合方法

本发明将冬小麦蛋白质含量预测模型与遥感信息耦合技术进行组件式开发，构件对象模型(COM)以标准化DLL形式进行信息封装，具有可扩展性。该组件***包括小麦的冠层光合模块、物质分配模块、器官建成模块、氮素吸收模块、氮素积累与分配模块、遥感反演模块等部分。冬小麦蛋白质含量预测模型与遥感信息耦合结构见附图1所示。

利用遥感信息反演，修订模型运行轨迹，是该方法的另一核心技术。目前有关小麦蛋白质含量监测的研究，多数是作物模型或者遥感线性模型单独使用，两者都有各自的弊端与不足。本发明将遥感信息反演的叶面积指数(LAI)、生物量、植株氮素含量(PNC)信息，耦合到蛋白质预测模型中去，通过修订模型运行的中间参量，使得模型运行的结果更加符合实际的冬小麦籽粒蛋白含量信息。

3.冬小麦籽粒蛋白质含量遥感分级监测预报方法

小麦种植面积提取是遥感品质监测的必备前提或重要基础。首先，利用ISODATA法进行小麦种植面积提取。然后，利用地面GPS控制点提取遥感影像各样点的NDVI和RVI值，将所提取NDVI和RVI值输入叶面积指数(LAI)、生物量和植株氮素含量反演模型，便可获得各样点的LAI、生物量和植株氮素含量预测数据。最后，将各样点的LAI、生物量和植株氮素含量数据输入到冬小麦籽粒蛋白质含量预测模型中，便可获得各样点的籽粒蛋白质含量预测数据信息。采用线性转换法，将各样点籽粒蛋白质含量数据信息与影像NDVI耦合，形成基于遥感影像的区域冬小麦籽粒蛋白质含量信息图。依据区域小麦品种籽粒蛋白质含量表现情况进行分级，最后进行各籽粒蛋白质含量等级分布面积统计分析和籽粒蛋白质含量专题图制作(参见附图2)。

4、有益效果

对冬小麦籽粒蛋白质含量进行分级监测预报，有利于农业部门掌握当地的冬小麦品质动态信息，便于制定不同的田间管理措施，达到调优品质生产的目的；也可以为粮食收购加工企业的原料收购计划提供信息指导，促进订单农业的发展。

利用本发明方法，2007年～2009年连续三年，对江苏省泰兴、姜堰、仪征、兴化、大丰等地的冬小麦籽粒蛋白质含量进行监测预报，预报精度达85％以上；同时，还为这些市县的农业管理部门以及相关大型粮食加工企业提供冬小麦籽粒蛋白质含量遥感监测预报分级专题图，用于指导冬小麦的生产管理和粮食企业的定点定量定制收购，应用面积累计达500多万亩。

5、附图说明

图1为遥感信息与冬小麦籽粒蛋白质含量预则模型耦合结构图。图2为结合预测模型的冬小麦籽粒蛋白质含量监测预报流程图。图3为利用本发明方法制作的江苏省小麦籽粒蛋白质含量监测预报分级图。图4为姜堰市冬小麦籽粒蛋白质含量分级监测预报图。

6、具体实施方式

1.材料与方法

1.1材料

采用的影像数据是美国陆地资源卫星Landsat-TM影像，其在姜堰市过境时间是2008年5月2日。当日天气晴朗，无云或少云，成像质量佳。在利用ERDAS IMAGINE软件对影像数据进行几何校正的同时，结合地面实测的GPS控制点进行几何精校正，确保校正后误差小于1个像元。

地面控制点的建立，采用美国Trimble公司最新款的Juno ST手持GPS接收机，在姜堰市的几大农场(考虑到面积较大，作物品种较为统一)选择了20个试验样方点和4个面积较大的实验基地，采集地理坐标、测量实际范围和面积，以及记录冬小麦的品种、叶面积、生物量以及植株氮含量等生长状况等数据。

1.2冬小麦籽粒蛋白质含量分级监测预报

首先，利用江苏省行政边界矢量图，裁剪TM影像中姜堰市的区域范围，选取7、4、2波段合成判读用底图。由于该区域冬小麦在5月份处于抽穗期至扬花期，此期间的冬小麦叶面积，覆盖率和绿度指数都达到峰值，此时获取的冬小麦叶片氮素营养指标与成熟期籽粒蛋白质含量的相关关系也最为显著。通过7、4、2波段组合的假彩色影像目视解译，同时叠加样点数据辅助判读，能相对容易的辨别出冬小麦，也能很好的反映出冬小麦的长势信息。其次，通过ISODATA法进行分类，叠加NDVI灰度图和GPS采集的样点和样区的作物信息数据，进行人机交互式的动态判读与目视解译，提取小麦种植面积。

然后，在ERDAS软件中，利用20个GPS控制点提取遥感影像各样点的NDVI值，将所提取NDVI值输入叶面积指数(LAI)、生物量和叶片氮素含量反演模型，便可获得各样点的LAI、生物量和叶片氮素含量预测数据。最后，将各样点的LAI、生物量及和植株氮素含量数据输入到冬小麦籽粒蛋白质含量预测模型中，便可获得各样点的籽粒蛋白质含量预测数据信息。采用线性转换法，将各样点籽粒蛋白质含量数据信息与影像NDVI耦合，形成基于遥感影像的区域籽粒蛋白质含量信息图。依据泰兴当地小麦品种籽粒蛋白质含量表现情况进行分级，利用GIS***软件进行籽粒蛋白质含量统计分析和籽粒蛋白质含量分级监测预报专题图制作(操作流程参见附图2)。

2.结果分析

经过试验样点的数据校正，得到最终得到姜堰市2008年冬小麦种植面积是30288ha，而 该市2008年实际冬小麦种植面积为28000ha，精确度在92％，结果较为可靠。

在理解“NDVI指数→LAI/生物量/PNC等→预测模型→冬小麦蛋白质含量”关系的基础上，结合遥感反演信息和籽粒蛋白质含量预测模型，预测样点小麦籽粒蛋白含量信息，再经过线性转换，可获得整个区域的小麦籽粒蛋白含量分布。依据小麦籽粒蛋白含量的等级标准，制作该区域的冬小麦蛋白质含量遥感监测分级预报专题图(如附图4)。

表1是根据该区域的冬小麦蛋白质含量分级图，利用GIS统计分析后得出的各含量等级冬小麦的面积分布情况，可以看出，偏弱筋和弱筋的小麦面积(即蛋白质含量＜12.5％)所占比重最大，占总面积的85.5％；中筋和中筋以上的小麦(即蛋白质含量＞12.5)，占总面积一成多，主要为分布在里下河平原地区以及其他地势低洼地区，以黄褐土为主，土壤含水量大质地粘重。在实际采样和影像分析过程中，发现存在因为田间管理上的不当造成小麦的品质发生转化，呈偏弱筋或偏中筋特性，小麦的品质也随之下降，因此加强这些田块的管理，调整栽培管理方式，可以达到优化小麦品质的目的。

表1 姜堰市2008年各等级蛋白质含量冬小麦面积分布

本发明方法，在建立冬小麦籽粒蛋白质含量预测模型的基础上，结合遥感信息反演的参数，经过数据同化，带入预测模型获得模拟籽粒蛋白质含量数据，与实测的样点数据取得较高的拟合度，预测精度能达到85％以上。进一步，采用“点”(样点籽粒蛋白质含量)与“面”(遥感影像)尺度转换的方法，制作了冬小麦籽粒蛋白质含量遥感监测分级预报图，具有直观，具体、时效性好的特点，对基层农业技术人员获取区域小麦品质信息或指导粮食分级分类收购具有较好的实用性。

Claims (1)

1.一种基于籽粒氮素积累过程的冬小麦籽粒蛋白质含量预测模型；通过组件化的设计方法，实现了遥感反演信息和冬小麦籽粒蛋白质含量预测模型的耦合。即，利用开花期遥感影像反演的LAI、生物量和植株氮含量及时替换冬小麦籽粒蛋白质含量预报模型对应的参数变量，进而实现对单点冬小麦籽粒蛋白质含量的预测；采用“点”(样点籽粒蛋白质含量)与“面”(遥感区域)尺度转换的方法，进行区域小麦籽粒蛋白质含量遥感分级监测预报，可制作区域冬小麦籽粒蛋白质含量分级监测预报专题图。

Images