江苏省小麦籽粒蛋白质达标弱筋小麦的适生性分析与评价

夏树凤，王凡，王龙俊，周琴，蔡剑，王笑，黄梅，戴廷波，姜东

江苏省小麦籽粒蛋白质达标弱筋小麦的适生性分析与评价

夏树凤1，王凡1，王龙俊2，周琴1，蔡剑1，王笑1，黄梅1，戴廷波1，姜东1

（1南京农业大学/农业部小麦区域技术创新中心，南京 210095；2江苏省农业技术推广总站，南京 210013）

【】弱筋小麦是制作饼干糕点类食品的原料，其烘烤特性很大程度上取决于蛋白质的质和量。小麦籽粒蛋白质含量（GPC，%）不仅由品种的遗传特性决定，还受到气候、土壤、栽培措施等影响。明确江苏省弱筋小麦适宜种植区域以及其地理、气候影响因素，可为江苏弱筋小麦的种植区划提供理论依据。在2年江苏省小麦品质抽样调查数据的基础上，利用随机森林算法筛选重要性指标，结合单组率Meta分析及其亚组分析，探究地理位置及气象因子对江苏省小麦籽粒蛋白质含量（GPC）达到弱筋小麦标准可能性的影响。2个年度江苏省小麦GPC平均值为13.92 %，其中2018年、2019年小麦GPC变幅分别为11.06%—18.09%、10.20%—16.50%，平均值分别为14.52%、13.33%，GPC＜12.5%的样品分别占比10%、29.71%。从地理分布看，江苏的东南沿湖沿海地区小麦GPC达到弱筋小麦标准的可能性最高，达标可能性最高可达92%，其次是江苏东部沿海地区以及江苏西北部沿河一带。种植地距离一级河流和湖泊或者海岸线的最短距离为20—30 km时，达标可能性相对较高，为23.95%。从气象因子方面看，生育前期特别是出苗期和拔节期，降雨量对江苏弱筋小麦的形成影响较为重要；生育后期尤其是开花期以及灌浆期后期，积温对小麦GPC的影响更重要；且出苗和拔节期的日照时数及开花期的降雨量对江苏弱筋小麦的形成亦很重要，其中，江苏小麦GPC达标弱筋小麦标准的可能性与出苗期的降雨量呈正相关，而与出苗和拔节期的日照时数、拔节期的降雨量以及灌浆后期积温则呈负相关。江苏弱筋小麦适宜的种植范围受到水系分布与气象因素的共同制约，主要集中在东部沿海和东南沿海沿湖地区。在出苗、拔节期降雨量和开花灌浆期积温适宜的情况下，西北沿河一带的小麦GPC也可达标弱筋小麦标准。品质区划应重点考虑地理位置（水系分布等）和气候分布。

弱筋小麦；籽粒蛋白质含量；单组率Meta分析；随机森林

0 引言

【研究意义】弱筋小麦是适合制作饼干糕点类食品的原料。自2000年来，我国的饼干消费量急剧增加，饼干产量在近20年内以每年23.23%的速度增长[1]。作为饼干制作的原料，弱筋小麦的需求量也随之增长。饼干制品对酥脆性的要求较高，在加工过程应尽量避免面筋的形成，这就需要蛋白质含量低的弱筋面粉。张岐军等[2]研究指出，优质饼干小麦籽粒蛋白质含量（grain protein content，GPC）在9%—11.5%。根据GB/T 17320-2013《小麦品种品质分类》规定，弱筋小麦籽粒干基粗蛋白质含量（GPC）＜12.5%[3]。小麦籽粒蛋白质含量不仅由小麦品种的遗传特性决定，还受到气候、土壤、栽培措施等影响[4-5]。江苏省位于我国的长江中下游弱筋小麦优势带，其气候湿润，热量条件良好，有利于小麦低蛋白和弱面筋的形成[6]，然而由于长江中下游河渠纵横，湖泊星布，小范围气候不尽相同，导致了在类似的常规管理措施下，不同地区弱筋小麦达标率不同[7]，明确不同种植地的小麦GPC达到弱筋小麦标准的可能性及其影响因素对品质区划具有重要意义。【前人研究进展】随机森林是利用多棵决策树对样本进行训练并预测的一种分类器，不仅无需提前对自变量和因变量的关系进行假设，还能有效克服自变量间的多重共线性，并给出各变量的重要性排序[8]，在农业因子分析以及预测生物量的研究中已取得较好的应用效果[9]。Elżbieta[10]采用分类回归树和随机森林发现，植物生长关键阶段的土壤质量和水分利用率是影响冬小麦产量全球升温潜能值和变异性最重要变量。刘峻明等[11]采用长时间序列气象数据结合随机森林早期预测冬小麦产量，得出各气象特征在不同生育阶段对产量的影响程度。Meta分析作为一种可以对同一研究目的多个独立研究结果的综合定量分析的方法[12]，可以综合分析多个年份，多个试验点的研究结果。Xu等[13]基于24个试验点数据，利用Meta分析探究了自然因素和耕作方式对华北平原温室气体排放的影响，发现降水、温度、土壤pH和质地对华北平原年均温室气体排放量没有显著影响，而矿物肥料氮肥施用量与排放量呈指数关系增加。单组率Meta分析也叫无对照资料的Meta分析，属于横断面研究，只需收集特定时间、特定范围内一组数据中的总样品数和事件发生样品数及相关因素就可进行因素与事件发生之间的关联分析，不需要对照组，在临床医学研究中应用较多[14-15]。【本研究切入点】现有的关于弱筋小麦品质的研究大多是控制条件下的试验，且试验点少（＜10个），难以客观评估弱筋小麦的分布情况。另一方面，分析气象等生态因子对产量和品质的影响，大多采用线性相关和多元线性回归分析[16-18]，但是考虑到农学规律并非都是线性且线性回归模型会存在多重共线性问题，上述研究方法存在一定缺陷。【拟解决的关键问题】本研究基于2018—2019年2年江苏省13个市36个县区157个抽样点（依据两位经纬度数据）种植小麦检测到的422个小麦GPC数据，利用随机森林和SMOTE算法（一种解决分类不平衡问题的方法）[19]对空间特征和气象因子进行重要性分析，筛选出相对重要的影响因子，并结合单组率Meta分析及其亚组分析，探究常规种植模式下江苏小麦GPC在不同的气象因子、地理位置范围内达标弱筋小麦标准的可能性，旨在为江苏弱筋小麦的种植区划提供理论和参考依据。

1 材料与方法

1.1 数据来源

本研究所用样品来源于2018、2019年江苏省13市（图1）小麦品质抽样。抽检样品一般取小麦主产县种植面积排在前几位的品种，并来自于种植面积100亩以上的大户，抽样县区抽样数均≥3，抽样同时记录经纬度、栽培管理等信息，从中筛选出施氮量介于150—270 kg·hm-2的样品用于研究。2018年符合以上条件的抽样有210个，2019年有212个，共计422个样品（附表1）。

籽粒蛋白质含量（GPC）采用7250型近红外谷物分析仪进行测定。

气象数据来自于中国气象数据网（http://data.cma. cn/），下载小麦抽样点相应的县区（市）和年份的逐日气象数据，包括平均气温、光照时数和24 h累计降水量，同一年份和县区的气候条件相同。缺失值采用ArcGIS map 10.2空间插值获得[20]。

抽样地距一级河流和湖泊或者海岸线的最短距离利用ArcGIS map 10.2通过邻域分析获得。

1.2 数据分析

1.2.1 随机森林的构建

（1）特征集及目标变量的构造

图1 2018和2019年江苏小麦抽样点分布

根据GB/T 17320-2013 《小麦品种品质分类》，弱筋小麦籽粒蛋白质含量（GPC）＜12.5 %，依此标准将GPC数据分为弱筋和非弱筋两类，分别为84和338个样品。由于灌浆期是小麦籽粒形成的关键时期，且江苏省小麦的灌浆期在4、5月，因此按旬统计了4、5月各旬的总降雨量（RAIN）、总日照时数（SUN）、积温（TEM），按月统计了11、12、1、2、3月上述气象因子。考虑到江苏省的一级河流及湖泊和海岸线从西向东分布不同（图1），且尽管一些农业区划研究考虑了河流的影响，但是鲜有研究将河流信息定量纳入[21-22]，种植地距一级河流和湖泊或者海岸线的最短距离（Distance）也被纳入分析变量。

（2）构建过程

为使得模型适用多样的气候条件，使用R-3.6.1软件将2年的原始数据按7：3随机分为训练集（306个）和检测集（116个），使用DMwR包中的SMOTE算法扩充和平衡弱筋模型原训练集中弱筋和非弱筋两分类的样本量，使其数量各为126个，构成新的训练集。通过随机且有放回地（bootstrap法）从新训练集中采样得到N棵树所需的N个子训练集，使得每个的子训练集都不同且包含重复的训练样本，每次未被抽到的数据成为袋外数据（out-of-bag，OOB），用来进行内部误差评估和变量重要性评价。生成每棵树时，从规模为M的特征变量集中选择m个变量（m＜M），最优m尽量选择在N棵树上，OBB误差小且接近的数值。每棵树内的特征节点的选择基于GINI系数，GINI(D)=，y表示数据集D中的类别数，pk是该类在该集合中的比例。其意义是从数据集中随机抽取2个样本类别标识不一致的概率。基尼指数越小，数据集的纯度越高。在本研究中，根据试验结果实时优化决策树数目N和特征变量个数m这2个参数，最终N等于1 000，m等于7。并用检测集验证模型精确度，计算误判率，以精度平均较少值计算各因子影响江苏省小麦GPC达标弱筋小麦标准的重要性，以上可通过randomForest包实现。

1.2.2 单组率Meta分析 基于2018年和2019年422条小麦籽粒蛋白质含量数据，统计同一县区、同一年份（默认气候条件相同）样品蛋白质含量达到弱筋小麦标准的个数（R，R≥0）以及总个数（T，T≥3），获得43组数据，计算弱筋小麦达标率P，经纬度和种植地距一级河流和湖泊或者海岸线的最短距离（Distance）采用县区内样品点均值。采用R-3.6.1软件Meta包中的metaprop函数进行Meta分析，由于相当多的地区弱筋小麦达标率过大（如0.8＜P＜1.0）或过小（如0＜P＜0.2），使用Freeman- Tukey双反正弦对P值进行数据转换来稳定方差[14, 23]，随后，进行异质性检验和单组率meta分析。为进一步探究地理位置和气象特征如何影响弱筋小麦的达标可能性，选择经纬度及随机森林的重要性＞15的变量3等分进行因素分析，对转换后的P值等权相加，合并效应量为江苏省小麦GPC达标弱筋小麦标准率值，计算其合并后的点估计值及95%置信区间。

统计学异质性采用c2检验和I^2进行判断。当各研究间存在统计学同质性时（＞0.10，I^2＜25%），使用固定效应模型分析；当各研究间存在统计学异质性时（＜0.10，I^2＞25%），采用随机效应模型分析。本研究I^2=77%＞25 %，-value＜0.1，存在统计学异质性，因此选择随机效应模型。

采用MySQL进行数据整合，采用R-3.6.1软件进行绘图，利用ArcGIS map10.2反距离插值法进行插值绘制地图。

2 结果

2.1 江苏省小麦籽粒蛋白质含量概况

在常规种植模式下，2个年度江苏省小麦籽粒蛋白质含量（GPC）平均值为13.92%，其中2018年、2019年小麦GPC变幅分别为11.06%—18.09%、10.20%—16.50%，平均值分别为14.52%、13.33%，GPC≥14%样品的占比分别为67.14%、34.12%，12.5%≤GPC＜14%的占比分别为22.86%、36.17%，GPC＜12.5%的样品分别占比10%、29.71%。2018年GPC普遍高于2019年（图2）。

2018年22个县中有6个县存在GPC达到弱筋小麦标准的小麦，2019年21个县区中有11个。2018年GPC达到弱筋小麦标准的小麦占比10%，达标率前3的县区（市）是靖江（Jingjiang）、大丰（Dafeng）、太仓（Taicang），分别为67%，41%和24%。2019年占比29.71%。达标率前3的县区（市）是常熟（Changshu）、昆山（Kunshan）、睢宁（Suining），分别为92%，90%和64%。地区方面，弱筋小麦达标率始终是苏南＞苏中＞苏北，在2018年分别为16.67%，10.83%和6.06%，2019年分别为63.64%，25%和9.09%。

苏南的东南沿海沿湖县区（太仓、常熟、昆山）以及苏中的东部沿海县区（大丰）在2018年和2019年都有弱筋小麦分布，苏北地区的西北部沿河县区（睢宁、丰县、淮阴、宿城）仅在2019年有分布。

横线表示蛋白质含量等于12.5%，1、2、3分别表示苏南、苏中、苏北，其后为县区

2.2 江苏省小麦籽粒蛋白质含量达到弱筋小麦标准的可能性及其分布

通过单组率Meta分析合并江苏省不同年份、不同县区的效应量，得出江苏省小麦GPC达标弱筋小麦标准的率值，结果表明常规种植模式下，小麦在江苏的弱筋GPC达标可能性为9.48%，95%置信区间为[2.69%，18.57%]（图3）。

由图4可知，江苏东南部以及靖江区域的小麦GPC达到弱筋小麦标准可能性最高，均大于50%（此处临海和太湖）。其次是江苏北部的沿河流一带，以及江苏东部的沿海区域，达标可能性最高可达41%。而江苏的西南部、东北部以及中心区域达标可能性几乎为0。除了气候因素以外，这些区域的水系分布相对其他区域较少，因此，种植地距一级河流和湖泊或者海岸线的最短距离（Distance）也用于随机森林的构建（图5）。

2.3 影响小麦籽粒蛋白质含量达到弱筋小麦标准的关键因子

弱筋小麦随机森林模型基于袋外观测的预测误判率为16.27%，对检测集（116个）的误判率为12.07%，对全部数据集（422个）的整体误判率为14.22%。模型变量重要性如图5所示，Mean decrease accuracy是指预测误差准确性降低的程度，该值越大表示该变量的重要性越大[24]。气象因子是影响江苏省小麦GPC能否达标弱筋小麦标准的最重要因素。重要性＞15的气象因子有11月和3月的总降雨量（RAIN11、RAIN3）和总日照时数（SUN11、SUN3），4月下旬的总降雨量（RAIN43）、积温（TEM43）和5月中旬的积温（TEM52）。有4个气象因子的重要性大于地理位置因素（Distance）。其中，11月的总降雨量（RAIN11）是最重要的气象因子，此时江苏小麦正处于出苗阶段。第2重要的气象因子是3月的总降雨量（RAIN3），此时江苏小麦处于拔节期。5月中旬（灌浆期）的积温（TEM52）和4月下旬（开花期前后）的积温（TEM43）也是相对重要的气象因素。抽样点距离一级河流和湖泊或者海岸线的最短距离（Distance）重要性排名第5，3月的总日照时数（SUN3）的重要性排名第6，但两者差异不明显。12月的总日照时数（SUN12）是最不重要的指标，其次是2月的总日照时数（SUN2）。

图5中的热力图表明，生育前期，出苗和分蘖期（11—12月）、拔节期（3月）的各气象因子之间总降雨量的影响更大，越冬期（1—2月）的积温相对其他气象因子重要；生育后期，即4月到5月中旬（从孕穗到灌浆期），其积温对江苏省小麦GPC达标弱筋小麦标准的影响更大。

2.4 江苏省小麦籽粒蛋白质含量达标弱筋小麦标准可能性与关键因子的关系

2.4.1 江苏省小麦籽粒蛋白质含量达标弱筋小麦标准可能性与地理位置的关系 抽样点距离一级河流和湖泊或者海岸线的最短距离短，其种植的小麦GPC达标弱筋小麦标准的可能性高，在距离为20—30 km时达到最高，为23.95%，其次是30—40 km, 为22.58%，超过40 km后或小于10 km，达标可能性远远低于平均水平，几乎为0（图6）。因此，除了气候因子影响外，种植地距离一级河流和湖泊或者海岸线的最短距离也造成随着纬度从30.76°到35.12°向北推移，江苏省小麦GPC达标弱筋小麦标准的可能性从32.17%迅速下降至0.03%，但32.94—34.03°之间可能性略微上升；随着经度从116.36°到122°向东推移，江苏省小麦GPC达标弱筋小麦标准的可能性从4.45%逐步上升至60.59%，在119.18—120.59°之间略微下降。

2018，2019为年份，其后为县区The 2018 and 2019 followed by name of county indicate the year

图4 江苏省小麦籽粒蛋白质含量（GPC）达标弱筋小麦标准的可能性分布

2.4.2 江苏省籽粒小麦蛋白质含量达标弱筋小麦标准可能性与关键气象因子的关系 重要性＞15的气象因子中有关降雨量指标是11月的总降雨量（RAIN11）、3月的总降雨量（RAIN3）以及4月下旬的总降雨量（RAIN43）。11月的总降雨量（RAIN11）与江苏省小麦GPC达标弱筋小麦标准的可能性呈正相关，此时处于出苗期，当总降雨量＞39.5 mm时，达标可能性大于全省水平，总降雨量在73.5—107.5 mm之间，江苏省小麦GPC达标弱筋小麦标准的可能性最高，为21.14 %。3月的总降雨量（RAIN3）与江苏省小麦GPC达标弱筋小麦标准的可能性呈负相关，此时处于拔节分蘖期，江苏省小麦GPC达标弱筋小麦标准可能性在总降雨量＜47.4 mm时，低于全省水平，在总降雨量为10.5—47.4 mm时最高，为16.97 %。4月下旬，江苏省小麦处于开花期前后，GPC达标可能性随总降雨量先上升后下降，在适当的总降雨量（28.5—54 mm）下，GPC达标可能性最高，为18.83%（图7）。

5月中旬的积温（TEM52）与江苏省小麦GPC达标弱筋小麦标准的可能性呈负相关，在积温较低（193—214.1℃）时，GPC达标可能性最高，为13%。而江苏省小麦GPC达标可能性随着4月下旬的积温（TEM43）的增加，先上升后下降，在适宜的积温（153.4—178.9℃）下，GPC达标可能性最高，为32.66%。

日照时数方面，随着3月份的总日照时数的增加，江苏省小麦GPC达标弱筋小麦标准可能性呈现下降趋势，在148.4—177.9 h时，江苏省小麦GPC达标弱筋小麦标准可能性最高，为12.07%。11月的总日照时数对江苏省小麦GPC达标可能性的影响与之相同，在总日照时数在87.2—126.9 h时，GPC达标可能性最高，达17.9%。

TEM，SUN，RAIN分别为积温，日照时数，降雨量。后面的数字表示月份，其中41，42，43，51，52，53分别表示4月上、中、下旬，5月上、中、下旬。Distance表示样品点距离一级河流和湖泊或者海岸线的最短距离，下同

实线表示95%置信区间Solid line represents 95%-CI

实线表示95%置信区间Solid line represents 95%-CI

2.5 同一县区（市）不同年份小麦籽粒蛋白质含量达标弱筋小麦可能性受关键因子的影响验证

苏中东部沿海县区大丰（Dafeng）在2018和2019年均有弱筋小麦分布，而苏北沿河县区睢宁（Suining）、淮阴（Huaiyin）、宿城（Sucheng）仅在2019年有弱筋小麦分布（图2）。选取随机森林模型重要性＞15的关键因子结合Meta分析所得的各关键因子不同区间下江苏省小麦GPC达标的可能性（图6—7）发现，2019年淮阴、睢宁、宿城的11月总降雨量和日照时数、3月的总降雨量、4月下旬的积温和总降雨量、5月中旬的积温均比2018年有利于弱筋小麦的生长。2018年大丰3月的总降雨量，4月下旬的积温和总降雨量以及地理位置均值（Distance）分别为71.2 mm，176.3℃，39 mm，21.22 km，比睢宁（64 mm，200.6℃，3 mm，23.93 km）、淮阴（88.9 mm，189.4℃，23.5 km, 5.67 km）、宿城（108.1 mm，200.6 ℃，23.5 km，9.57 km）有利于江苏小麦GPC达标弱筋小麦，且由于4月下旬积温和总降雨量比2019年同期气象因子更适宜，给小麦GPC达标弱筋小麦带来更大的积极性，从而使得大丰在2年均有弱筋小麦分布（图8）。

3 讨论

蛋白质含量是决定小麦籽粒烘焙品质的关键指标，从江苏省小麦籽粒品质抽样结果看，小麦GPC 2年平均值为13.92%，变幅为10.20%—18.09%。2018年小麦GPC均值比2019年高8.93%，其中GPC≥14%样品占比比2019年高33.02%，12.5%≤GPC＜14 %的样品占比比2019年低13.31%，GPC＜12.5 %（弱筋小麦）占比比2019年低19.71%。苏南的东南沿海沿湖县区（太仓、常熟、昆山）以及苏中的东部沿海县区（大丰）在2018年和2019年都有弱筋小麦分布，苏北地区的西北部沿河县区（睢宁、丰县、淮阴、宿城）仅在2019年有弱筋小麦分布。采用随机森林算法和单组率Meta分析及亚组分析对江苏省小麦GPC达标弱筋小麦标准的可能性定量研究发现，江苏省不同年份、不同县区弱筋小麦的分布与气象因子以及水系分布有很大的关系。

图8 淮阴、睢宁、宿城、大丰在关键因子影响下的2018和2019年的达标可能性

地理因素方面，抽样点距离一级河流和湖泊或者海岸线的最短距离造成了相对大的影响，最大差值为23.95%。这可能由于接近河流的地区土壤中的水分在小麦生育后期相对充足，相对其他区域有利于籽粒中直链淀粉和总淀粉含量的积累，从而降低蛋白质含量，利于弱筋小麦的形成[25]。而小麦抽样点距离一级河流和湖泊或者海岸线的最短距离在10 km以内的弱筋小麦达标可能性低于10—30 km，这可能是因为一些地区的土壤越接近河流其含盐量越高[26]，从而使得小麦蛋白质含量显著提高[27-28]，当盐浓度较低（0.3 %）时，对小麦蛋白的影响不显著[28]。

气象因子方面，同期的气象因子中，生育前期中出苗期、分蘖期和拔节期的降雨量影响大于积温和日照时数，而生育后期中孕穗至灌浆期的积温更重要。Toscano等[29]也发现秋季至冬季的降水量、从开花期到收获期的气温对冬小麦GPC极为重要。其中，江苏省小麦GPC达标弱筋小麦标准的可能性与出苗期的降雨量呈正相关，这是因为秋冬季，大量的降雨会使通过土壤剖面流失的氮素增加，特别是沙质土壤，不利于后期氮素的吸收，从而不利于提高谷物蛋白质含量[30]。Garrido-Lestach等[31]也发现小麦GPC与花前降雨呈负相关。而江苏省小麦GPC与拔节期降雨量（0—121.2 mm）呈正相关，这可能是由于江苏农户通常会在拔节期施用氮肥，降雨量在121.2 mm内的增加，可以显著提高小麦植株的氮吸收量和吸收速率[32]，且蛋白质合成所需的氮源约75%来自开花前在营养器官贮存的氮化合物，从而增大后期高GPC的可能性。当5月中旬（灌浆期/成熟期）积温在193—256.3℃时，江苏省小麦GPC达标的可能性随着积温的升高而降低。王大成等[33]采用神经网络的方法研究也发现，当北京小麦在5月上旬至6月上旬（开花至乳熟期）时，在16—32℃下，随着温度的升高，蛋白质合成酶逐渐增强，物质代谢旺盛，灌浆过程加速，GPC升高。

本研究考虑了常规种植情况下，气候因子以及空间特征对江苏弱筋小麦形成的影响，但没有将小麦的品种纳入分析范围。原因是前人研究表明，在一定程度上栽培条件的变化对蛋白质的影响大于基因或品种的影响[33]，且2018—2019年抽样结果反映，一些传统观点上的中筋小麦品种在江苏表现出低蛋白现象。

4 结论

（1）江苏省小麦籽粒蛋白质在2018—2019年间变幅为10.20%—18.09%，均值为13.92%。其中籽粒蛋白质GPC≥14%样品占比最多，其次是12.5%≤GPC＜14%样品，GPC＜12.5%（弱筋小麦）最少，占比19.91 %。弱筋小麦主要分布在东部沿海、东南沿海沿湖地区（2018—2019年）。在气候适宜的情况下（2019年），西北沿河一带的小麦GPC也可达标弱筋小麦标准。

（2）受水系分布以及气候等因素的共同制约，江苏不同地区小麦GPC达标弱筋小麦标准的可能性存在差异。水系分布方面，种植地距一级河流和湖泊或者海岸线的最短距离在20—30 km之间，达标可能性最高。气象因子方面，生育前期，降雨量对江苏弱筋小麦的形成影响比较大，特别是出苗期和拔节期；生育后期，积温的影响更重要，尤其是开花期和灌浆期。

（3）在进行江苏弱筋小麦种植区划时，应重点考虑地理位置（水系分布等）和气候分布。

[1] ZHANG X, ZHANG B Q, WU H Y, LU C B, Lü G F, LIU D T, LI M, JIANG W, SONG G H, GAO D R. Effect of high-molecular-weight glutenin subunit deletion on soft wheat quality properties and sugar-snap cookie quality estimated through near-isogenic lines., 2018, 17(5): 1066-1073.

[2] 张岐军, 张艳, 何中虎, Peña R J. 软质小麦品质性状与酥性饼干品质参数的关系研究. 作物学报, 2005, 31(9): 25-31.

Zhang Q J, Zhang Y, He Z H, Peña R J. Relationship between soft wheat quality traits and cookie quality parameters., 2005, 31(9): 25-31. (in Chinese)

[3] 中华人民共和国国家质量监督检验检疫总局. 小麦品种品质分类: GB/T 17320-2013. 北京: 中国标准出版社, 2013.

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China. Quality classification of wheat varieties: GB/T 17320-2013. Beijing: Standards Press of China, 2013. (in Chinese)

[4] Subira J, Peña R J, Álvaro F, Ammar K, Ramdani A, Royo C. Breeding progress in the pasta-making quality of durum wheat cultivars released in Italy and Spain during the 20th Century., 2014, 65: 16-26.

[5] Amir H, Afshin S, Ebrahim Z, Habib K, Amir A, Vincent V. Using boundary line analysis to assess the on-farm crop yield gap of wheat., 2018, 225: 64-73.

[6] 孟智鹏, 张靖卓. 优质专用强筋和弱筋小麦生产现状、问题和对策——基于河南等省调研分析. 农学学报, 2019, 9(3): 94-99.

Meng Z P, Zhang J Z. Current situation, problems and countermeasures of high-gluten and low-gluten wheat with premium quality for special purposes-An investigation in Henan and other provinces., 2019, 9(3): 94-99. (in Chinese)

[7] 张向前, 陈欢, 乔玉强, 杜世州, 李玮, 赵竹. 安徽不同生态区弱筋小麦产量和品质差异分析. 西北农业学报, 2018, 27(12): 61-69.

Zhang X Q, Chen H, Qiao Y Q, DU S Z, LI W, ZHAO Z. The difference in yield and grain quality of weak gluten wheat that planting in different ecological areas of Anhui province., 2018, 27(12): 61-69. (in Chinese)

[8] Leo B. Random Forests., 2001, 45(1): 5-32.

[9] Wang L A, Zhou X D, Zhu X K, DONG Z D, GUO W S. Estimation of biomass in wheat using random forest regression algorithm and remote sensing data., 2016, 4(3): 212-219.

[10] Elżbieta W G. Variables influencing yield-scaled global warming potential and yield of winter wheat production., 2018, 227: 19-29.

[11] 刘峻明, 和晓彤, 王鹏新, 黄健熙. 长时间序列气象数据结合随机森林法早期预测冬小麦产量. 农业工程学报, 2019, 35(6): 158-166.

Liu J M, He X T, Wang P X, HUANG J X. Early prediction of winter wheat yield with long time series meteorological data and random forest method., 2019, 35(6): 158-166. (in Chinese)

[12] 罗美玲, 谭红专, 周权, 王莎亚, 蔡畅, 郭亚伟, 沈琳. 在R软件中实现单个率的Meta分析. 循证医学, 2013, 13(3): 181-190.

Luo M L, Tan H Z, Zhou Q, WANG S Y, CAI C, GUO Y W, SHEN L. Realizing the meta-analysis of single rate in R software., 2013, 13(3): 181-190. (in Chinese)

[13] Xu C, Han X, Bol R, Peta S. Impacts of natural factors and farming practices on greenhouse gas emissions in the North China Plain: A meta-analysis., 2017, 7(17): 6702-6715.

[14] 张天嵩, 董圣杰, 周支瑞. 高级Meta分析方法——基于Stata实现. 上海: 复旦大学出版社, 2015: 141-151.

GAO T S, DONG S J, ZHOU Z R.. Shanghai: Fudan university press, 2015: 141-151. (in Chinese)

[15] 曾宪涛, 冷卫东, 郭毅, 刘菊英. Meta分析系列之一：Meta分析的类型. 中国循证心血管医学杂志, 2012, 4(1): 3-5.

ZENG X T, LENG W D, GUO Y, LIU J Y. one of meta-analysis series: Types of meta-analysis., 2012, 2(4): 3-5. (in Chinese)

[16] 吴宏亚, 汪尊杰, 张伯桥, 程顺和. 氮肥追施比例对弱筋小麦扬麦15籽粒产量及品质的影响. 麦类作物学报, 2015, 35(2): 258-262.

WU H Y, WANG Z J, ZHANG B Q, CHENG S H. Effect of nitrogen application ratio on grain yield and quality of weak gluten wheat cultivar Yangmai15., 2015, 32(2): 258-262. (in Chinese)

[17] PAN J, ZHU Y, CAO W X, LI X N, JIANG D. Predicting the protein content of grain in winter wheat with meteorological and genotypic factors., 2006, 9(3): 323-333.

[18] 张平平, 耿志明, 杨丹, 马鸿翔, 姚金保. 江苏沿江地区弱筋小麦品质现状分析. 江西农业学报, 2012, 24(5): 4-6.

ZHANG P P, GENG Z M, YANG D, MA H X, YAO J B. Quality analysis of weak-gluten wheat along Yangtze River in Jiangsu province., 2012, 24(5): 4-6. (in Chinese)

[19] 吴克寿, 曾志强. 非平衡数据集分类研究. 计算机技术与发展, 2011, 21(9): 39-42.

WU K S, ZENG Z Q. Research on imbalanced dataset learning method., 2011, 21(9): 39-42. (in Chinese)

[20] 彭彬, 周艳莲, 高苹, 居为民. 气温插值中不同空间插值方法的适用性分析——以江苏省为例. 地球信息科学学报, 2011, 13(4): 539-548.

PENG B, ZHOU Y L, GAO P, JU W M. Suitability assessment of different interpolation methods in the Gridding process of station collected air temperature: A case study in Jiangsu province, China., 2011, 13(4): 539-548. (in Chinese)

[21] 朱秀红. 基于GIS的鲁东南山区小麦精细化综合农业区划分析与编制. 农学学报, 2018, 9(4): 84-87.

ZHU X H. Refined grain comprehensive agricultural division based on GIS in southeast mountain area of Shandong., 2018, 9(4): 84-87. (in Chinese)

[22] 王龙俊, 陈荣振, 朱新开, 杨力, 姜东, 陈维新, 李旭. 江苏省小麦品质区划研究初报. 江苏农业科学, 2002(2): 15-18.

WANG L J, CHEN R Z, ZHU X K, YANG L, JIANG D, CHEN W X, LI X. Preliminary report on wheat quality regionalization in Jiangsu province., 2002(2): 15-18. (in Chinese)

[23] Nyaga V N, Arbyn M, Aerts M. Metaprop: a stata command to perform meta-analysis of binomial data., 2014, 72(1): 39.

[24] Rodriguez-Galiano V F, Ghimire B, Rogan J, Chica- Olmo M, Rigol-Sanchez J P. An assessment of the effectiveness of a random forest classifier for land-cover classification., 2012, 67: 93-104.

[25] Ercoli L, Arduini I, Mariotti M, Masoni A, Arduini L. Post-anthesis dry matter and nitrogen dynamics in durum wheat as affected by nitrogen and temperature during grain filling., 2008, 38(2): 138-147.

[26] ZHU C X, BI R t. The characteristics of spatial distribution of saline-alkali wasteland in Datong basin, Northern China., 2015, 16(8): 1803-1809.

[27] Borrelli G, Ficco D, Giuzio L, Pompa M. Durum wheat salt tolerance in relation to physiological, yield and quality characters., 2011, 39(4): 525-534.

[28] Zhang X X, Shi Z Q, Tian Y j, zhou q, cai j, dai t b, cao w x, pu h c, jiang d. Salt stress increases content and size of glutenin macropolymers in wheat grain., 2016, 197: 516-521.

[29] Toscano P, Genesio L, Crisci A, Vaccari f p, ferrari e, la cava p, porter j r, gioli b. Empirical modelling of regional and national durum wheat quality., 2016, 204: 67-78.

[30] Flagella Z, Giuliani M M, Giuzio L, VOLPI C, MASCI S. Influence of water deficit on durum wheat storage protein composition and technological quality., 2010, 33(3): 197-207.

[31] Garrido-Lestache E, López-Bellido r j, López-Bellido l. Durum wheat quality under Mediterranean conditions as affected by N rate, timing and splitting, N form and S fertilization., 2005, 23(3): 265-278.

[32] 栗丽, 洪坚平, 王宏庭, 谢英荷. 水氮互作对冬小麦氮素吸收分配及土壤硝态氮积累的影响. 水土保持学报, 2013, 27(3): 138-143.

LI L, HONG J P, WANG H T, XIE Y H. Effect of nitrogen and irrigation in interaction on nitrogen uptake and distribution in winter wheat and nitrogen accumulation in soil., 2013, 27(3): 138-143. (in Chinese)

[33] 王大成, 李存军, 宋晓宇, 王纪华, 黄文江, 王俊英, 周吉红, 黄敬峰. 基于神经网络的冬小麦蛋白质含量关键生态影响因子分析. 农业工程学报, 2010, 26(7): 220-226.

WANG D C, LI C J, SONG X Y, WANG J H, HUANG W J, WANG J Y, ZHOU J H, HUANG J F. Analysis of identifying important ecological factors influencing winter wheat protein content based on artifical neural networks., 2010, 26(7): 220-226. (in Chinese)

Study on the Adaptability of Wheat Reaching the Protein Content Standard of Soft Wheat in Jiangsu Province

XIA Shufeng1, WANG Fan1, WANG Longjun2, ZHOU Qin1, CAI Jian1, WANG Xiao1, HUANG Mei1, DAI TingBo1, JIANG Dong1

(1Nanjing Agriculture University/Wheat production technology innovation centre, Ministry of Agriculture, Nanjing 210095;2Jiangsu Agricultural Technology Extension Station, Nanjing 210013)

【】As the material of making biscuits and cakes, the baking properties of soft wheat flour is determined by its content and quality of protein. The grain protein content (GPC, %) is not only determined by genetic factors, but also affected by environment and farming practices. In order to provide suggestions for quality region classification for the soft wheat areas in Jiangsu province, this paper explored the suitable planting areas and influencing factors of soft wheat.【】Based on the two-year investigation data related to wheat quality in Jiangsu province, the random forest algorithm was used to screen important indicators, and the meta-analysis of proportions was employed to analyze the impacts of geolocation and meteorological factors on the possibility of wheat GPC reaching the standard of soft wheat under the ordinary farming practices. 【】The average of two-year wheat GPC was 13.92%. In 2018, GPC ranged from 11.06% to 18.09% and the average value was 14.52%, in which GPC of 10% samples was lower than 12.5%. In 2019, the range of GPC was 10.20%-16.50% and the average value was 13.33%, in which GPC of 29.71% samples was lower than 12.5%. With application of random forest algorithm and meta-analysis, it was found that the GPC of wheat growing in the southeastern part along sea and lake of Jiangsu was most likely to meet the standard of soft wheat, and the possibility of which was 92%, followed by the northwestern part along river and the eastern coastal area in Jiangsu. When the plantation was 20-30 km away from the primary river and lake or coastline,the probability of reaching the standard was relatively high, which was 23.95%. In terms of meteorological factors, precipitation had the greatest influence on the formation of soft wheat in Jiangsu province during the early growth stage, especially at emergence stage and joining stage. The impact of accumulated temperature was more important during the later stage of growth stage, especially during grain filling stage and flowering stage. In addition, the sunshine hours at emergence stage and jointing stage and the precipitation at flowering stage were also more important for the formation of soft wheat in Jiangsu province. Among them, the precipitation at emergence stage was positively correlated with the possibility of wheat GPC reaching the standard of soft wheat in Jiangsu province. However, the sunshine hours during emergence stage, the precipitation and the sunshine hours during jointing stage, and the accumulated temperature during filling stage were opposite. 【】The suitable planting areas for soft gluten wheat in Jiangsu province were mainly concentrated in the eastern coastal areas and southeastern coastal and lake areas. With suitable precipitation during the emergence and jointing period and accumulated temperature during flowering and filling stage, the northwest areas along the river would also have high possibility to produce soft wheat. Thus, the geographic location (distribution of river systems, etc.) and climate should be considered when zoning the suitable planting areas for different quality types of wheat.

soft wheat; grain protein content; meta-analysis of proportions; random forest

10.3864/j.issn.0578-1752.2020.24.003

2020-02-24；

2020-05-09

国家重点研发计划（2018YFD0300803，2016YFD0300408）、国家自然科学基金（31671633，31771693，31325020）、农业产业体系（CARS-03）、江苏省现代作物生产协同创新中心项目（JCIC-MCP）

夏树凤，E-mail：2017101045@njau.edu.cn。通信作者周琴，E-mail：qinzhou@njau.edu.cn。通信作者姜东，E-mail：jiangd@njau.edu.cn

（责任编辑 杨鑫浩）