基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究

熊淑萍，丁绍强，郭建彪，张志勇，徐赛俊，樊泽华，穆彦玲，马新明

(河南农业大学农学院，河南 郑州 450002)

小麦是主要的粮食作物，在保障粮食安全中具有重要地位。氮代谢是作物的关键生理过程，对作物的产量和品质形成会造成显著影响。小麦氮代谢受谷氨酰胺合成酶 (glutamine synthetase，GS)、硝酸还原酶(nitrate reductase，NR)和谷丙转氨酶 (glutamate pyruvate transaminase，GPT)等多种酶的调控[1-3]。其中，GS酶是小麦氮代谢的关键酶，无论是直接来源于硝酸盐、氨离子、氮固定，或是植物代谢中间释放出的氮，均必须经过GS酶催化作用，其催化谷氨酰胺形成谷氨酸。越来越多的研究表明，GS酶能够控制植物生长与产量[1,4]。因此，GS酶活性已成为小麦氮素营养监测与诊断的一个重要指标。传统的GS酶活性测定主要是化学方法。化学方法不仅需要对样本进行离体采样，还需要对样本进行冷冻和研磨等复杂的预处理，测定的过程中还要用到EDTA和β-巯基乙醇等化学试剂，这样做没有连续性，也需要投入大量的人力物力，同时用到的各种化学药品容易对环境产生污染。因此，寻找到一种无损、快捷地测定小麦植株中GS活性的方法是势在必行的。

高光谱遥感技术具有分辨率高、波段范围窄、连续性强、光谱信息量大等特征。近年来,被广泛地应用在农业、园艺、林业等各个方面[5-7]。目前，国内外学者已经利用高光谱技术对植物体内含物估算。GASTON等[8]发现，多元散射矫正能够提高蘑菇多酚氧化酶高光谱估测模型的准确性。YANG等[9]发现，利用模糊神经网络对光谱数据和图像特征进行加权组合的方法，实现了对荔枝果皮中多酚氧化酶活性较为准确的估测。SHRESTHA等[10]通过研究得出高光谱遥感技术可以取代化学方法检测苹果中多酚氧化酶的活性。谢传奇等[11]通过研究灰霉病胁迫下茄子叶片过氧化氢酶活性的高光谱图像，认为可以利用高光谱图像有效区分茄子的灰霉病病害程度。方慧等[5]将高光谱技术和化学计量学方法结合，构建了基于连续投影和偏最小二乘法的番茄叶片过氧化氢酶模型，具有良好的预测效果。胡耀华等[12]基于X-LW-PLSR的模型，利用高光谱技术实现了对马铃薯晚疫病的无损检测。程帆等[13]利用近红外高光谱实现了对细菌性角斑病早期胁迫下的黄瓜叶片中所含的过氧化物酶估算，发现高光谱遥感技术可以为植物病害的早期无损诊断提供参考意见。

可见，利用高光谱遥感技术对植物体内酶活性等生理生化过程进行估算已成为新的研究趋势。基于小麦子粒GS酶对小麦产量与品质的重要作用，本研究通过对不同氮处理下不同小麦品种子粒GS酶活性、冠层高光谱遥感特征的测定，利用一阶导数(first derivative ，FD)、二阶导数(second deri-vative，SD)和多元散射校正(multiplicative scatter correction，MSC)等光谱预处理方法和偏最小二乘回归(partial least squares regression，PLSR)、BP人工神经网络(BP neural network，BPNN)和支持向量机回归(support vector machine regression，SVMR)等模型构建方法，构建不同的小麦子粒GS酶活性高光谱遥感估算模型，以期筛选最优的光谱预处理和建模方法组合，从而为小麦GS酶活性的实时、无损精确监测提供技术支撑。

1 材料与方法

1.1 试验设计

试验于2018—2020年在河南农业大学原阳科教园区进行。试验小区为裂区设计，以施氮水平为主区，品种是副区，设3次重复。试验共设了4个氮水平，分别为N0(0 kg·hm-2)、N8(120 kg·hm-2)、N15(225 kg·hm-2)和N22(330 kg·hm-2)；供试小麦品种有4个，分别为郑麦103、扬麦15、郑麦369和西农979。N8，N15和N22氮肥基追比分别为72∶48 kg·hm-2,135∶90 kg·hm-2和198∶132 kg·hm-2，基肥在播种前施入，追肥在拔节期施入，磷和钾肥于播种时作为基肥一次性施入。播种量为157.5 kg·hm-2，其他栽培管理措施同一般高产田。

1.2 测定项目和方法

1.2.1 小麦冠层光谱测定 在花后10 d和花后20 d进行测定。使用美国分析光谱仪器公司(analytical spectral devices，ASD)生产的ASD Field Spec 野外便携式高光谱仪测定。该仪器能在光谱波段范围350～2 500 nm，连续测量光谱，采样间隔为1 nm，视场角是25°，应选择在晴朗无风天气进行测定，测定时间大约为北京时间10:00—14:00。 测量时，光谱仪传感器探头垂直向下，距离冠层垂直高度约1 m。每个小区内选定3处位置，将10个光谱作为1个采样间隔，每次记录10个光谱，去除异常值，以剩余光谱反射平均值作为该处的冠层光谱反射值，测量过程间及时用标准白板校正(标准白板反射率为1，这样能够使测得的目标样本光谱为量纲一的相对反射率)。

1.2.2 小麦子粒GS活性测定 在花后10 d和花后20 d进行光谱测定后，在光谱测定区随机选取具有代表性小麦10株，带回实验室，剥出子粒进行小麦子粒GS酶活性的测定，测定方法按照文献[14]进行。

1.3 模型构建方法与数据分析

1.3.1 光谱数据处理方法 高光谱曲线存在有高频噪声、基线漂移、样本分布不均匀、光线散射等环境和仪器的影响，光谱数据中具有大量的噪声信息。本研究在进行光谱分析时，为排除其他干扰波段，统一选择敏感性较高的400～1 000 nm为有效分析数据。

同时，为了提高有效信噪比，保证建立模型的有效和稳健性，本研究采用多元散射校正[15]，一阶导数[16]，二阶导数[16]3种预处理方法对小麦冠层光谱进行处理。

1.3.2 模型构建和检验方法 利用偏最小二乘回归[17]、BP人工神经网络[18]和支持向量机回归[19]3种方法分别构建模型。

在每个模型构建完成之后，利用检验集数据对所构建的回归估算模型的精度进行检验，利用决定系数(R2)与均方根误差(RMSE)作为评价指标对其进行评估。其中，R2越大，RMSE越小，说明模型估算性能越好。

2 结果与分析

2.1 小麦子粒GS活性的变化特征

图1表明，在花后10 d和花后20 d，不同品种和氮肥处理下小麦子粒GS活性存在较大差异。各品种小麦子粒GS活性均随施氮量的增加而增大，不同品种同一氮处理间花后10 d时期小麦子粒GS活性大于花后20 d时期的子粒GS活性。

图1 不同小麦品种子粒GS酶活性随氮处理的变化特征 Fig.1 Variation characteristics of GS synthetase activities in grains of different wheat varieties with nitrogen treatment

2.2 不同氮肥处理下小麦冠层高光谱变化特征

由图2—图5中看出，不同氮肥处理下小麦冠层高光谱变化特征变化趋势基本一致，都会形成绿峰、红谷和一个高反射平台。不同氮处理间冠层光谱反射率的差异主要体现在400～600 nm和800～1 000 nm范围内，在400～600 nm范围内，花后10 d时期，N0水平下的冠层光谱反射率比其他3个氮处理对应的冠层光谱反射率大，花后20 d时，表现为N0>N8>N22>N15。在800～1 000 nm范围内，花后10和20 d时冠层反射率主要表现为N15水平下的冠层光谱曲线反射率最大，N0水平下的冠层光谱反射率最小。

图2 郑麦369不同氮肥处理下小麦冠层高光谱变化特征 Fig.2 Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai 369

图3 西农979不同氮肥处理下小麦冠层高光谱变化特征 Fig.3 Hyperspectral changes of wheat canopy under different nitrogen treatments in Xinong 979

2.3 小麦子粒GS活性与冠层光谱的相关性分析

从图6中可看出，小麦子粒GS活性与原始光谱为负相关关系，在722 nm附近相关性最强(r=0.498)；经过多元散射校正处理后的光谱与小麦子粒GS活性的相关性呈现出先降低后增高而后再降低又平稳的趋势，在400 nm处的相关性最强(r=0.418)；经过一阶导数和二阶导数处理后的光谱与小麦子粒GS活性的相关性表现优于原始光谱和多元散射校正，其最大相关系数均接近于0.6。由此可以看出，一阶导数和二阶导数处理可以明显提高冠层光谱与小麦子粒GS活性的相关性。

图4 郑麦103不同氮肥处理下小麦冠层高光谱变化特征 Fig.4 Hyperspectral changes of wheat canopy under different nitrogen treatments in Zhengmai 103

图5 扬麦15不同氮肥处理下小麦冠层高光谱变化特征 Fig.5 Hyperspectral changes of wheat canopy under different nitrogen treatments in Yangmai 15

图6 小麦子粒GS酶活性与不同预处理光谱及原始光谱的相关性分析 Fig.6 Correlation analysis of GS synthetase activity in winter wheat grains with different pretreatment spectra and original spectra

2.4 小麦子粒GS酶活性高光谱估算模型的构建

2.4.1 基于偏最小二乘回归的小麦子粒GS活性高光谱估算模型的构建 从图7中可以看出，基于原始光谱和多元散射校正所建立的偏最小二乘法回归模型的表现较差，R2分别为0.366和0.375，RMSE分别为0.084 1和0.083 5，难以估算小麦子粒GS活性。基于一阶导数的小麦子粒GS活性估算模型表现最好，R2和RMSE分别为0.942和0.025 4；基于二阶导数子粒GS活性估算模型表现逊于一阶导数，R2和RMSE分别为0.772和0.050 4。由此可见，一阶导数处理可大幅提高小麦子粒GS活性的偏最小二乘法回归估算模型的准确性。

图7 基于PLSR的小麦子粒GS酶活性高光谱估算模型建模效果 Fig.7 Modeling effect of PLSR-based hyperspectral estimation model for GS activity of wheat grains

2.4.2 基于BP人工神经网络的小麦子粒GS酶活性高光谱估算模型的构建 从图8中可看出，基于原始光谱和多元散射校正所建立的BP人工神经网络模型的表现较差，R2分别为0.435和0.442，RMSE分别为0.079 4和0.078 9，准确性很差，不能用以估算小麦子粒GS活性。基于一阶导数和二阶导数的小麦子粒GS活性估算模型表现较好，R2均在0.76以上，RMSE均在0.052 1以下，估算准确性相似，具有一定的应用潜力。

图8 基于BPNN的小麦子粒GS酶活性高光谱估算模型建模效果 Fig.8 Modeling effect of BPNN-based hyperspectral estimation model for GS activity of wheat grains

2.4.3 基于SVMR的小麦子粒GS酶活性高光谱估算模型的构建 图9为基于原始光谱、多元散射校正、一阶导数和二阶导数的小麦子粒GS活性的支持向量机回归算法遥感估算模型的建模效果。从图9可看出，支持向量机回归算法估算模型的表现均较差，R2最高只有0.583，RMSE最低只有0.068 2，估算准确度都较差，难以估算小麦子粒GS活性。

图9 基于SVMR的小麦子粒GS酶活性高光谱估算模型建模效果 Fig.9 Modeling effect of SVMR-based hyperspectral estimation model for GS activity of wheat grains

2.5 小麦子粒GS酶活性高光谱估算模型的检验

使用独立与建模数据集的检验数据对上文中所构建的R2>0.75的小麦子粒GS活性估算模型进行检验(图10)。选取上述建模方法中分别表现最好的模型，将验证集数据带入其中，来最终检验各个模型的性能。从图10可以看出，FD-PLSR模型的验证集最好，R2和RMSE分别为0.755和0.034 0。SD-BPNN模型的验证集次之，R2和RMSE

图10 偏最小二乘法和BP人工神经网络验证模型效果 Fig.10 Partial least squares method and BP artificial neural network to verify the model effect

分别为0.593和0.054 6。SD-PLSR和SD-BPNN模型的验证集较差，R2为0.3左右。综上所述，FD-PLSR模型的效果较好，其建模集和验证集的R2为0.942和0.755 0，可以用来估算花后10 d和20 d小麦子粒GS酶活性。

3 结论与讨论

GS是小麦氮代谢过程中的一个关键酶，实时、快速、准确获得小麦谷GS活性有利于及时了解小麦的氮同化状态。高光谱遥感技术为植物体内生理生化过程的无损、快捷和精准估算提供了新的方法。

在野外采集光谱时，光谱数据中会存在各种噪声，而利用原始光谱构建的模型效果会有一定的影响，因此，通过预处理原始光谱可能会提高模型的预测精度[20-21]。研究发现，一阶导数[22]、二阶导数[23]和多元散射校正[24-25]预处理方法均可以消除原始光谱中的噪声。本研究分别以一阶导数、二阶导数和多元散射校正对原始光谱进行预处理，再结合偏最小二乘法、支持向量机回归和BP人工神经网络构建模型，用R2和RMSE来评估模型，从而筛选出理想的光谱预处理和模型构建方法优化组合。本研究表明，利用微分处理构建的模型优于多元散射校正及原始光谱构建模型的效果，而微分处理以一阶导数的处理效果更加优秀。这说明一阶导数可以有效地去除原始光谱中的噪声。

不同模型对同一种指标的估算具有不同的效果。本研究利用偏最小二乘法、支持向量机回归和BP人工神经网络构建小麦子粒GS活性的高光谱估算模型。结果表明，FD-PLSR模型估算GS活性的效果比较良好，其建模集和验证集的R2分别为0.942和0.755 0，以往高光谱在农学中主要反演叶绿素、叶片氮含量、叶面积指数和产量等[11,26-28]生理指标，本试验利用高光谱成功地反演了小麦子粒中GS活性，为小麦子粒GS活性快速估算提供了新的方法。

本研究设置了不同小麦品种和氮肥处理组合大田试验，分析原始光谱、一阶导数、二阶导数和多元散射校正与小麦子粒GS活性的相关性，基于原始光谱、一阶导数、二阶导数和多元散射校正算法构建了小麦子粒GS活性光谱估算模型。微分处理可以提高冠层光谱反射率与小麦子粒GS活性的相关性，在模型的构建过程中，基于微分处理的模型精度较好，尤其以FD-PLSR的模型效果最理想，因此，可以利用高光谱对小麦子粒中GS活性进行估算。