冬小麦籽粒蛋白含量多阶段预测：融合机理模型与农艺参数高光谱反演的创新框架

《Information Processing in Agriculture》：Multi-stage prediction of winter wheat grain protein content: integrating mechanism model and hyperspectral inversion of agronomic parameters

针对传统冬小麦籽粒蛋白含量（GPC）预测依赖破坏性采样、难以实时监测的痛点，本研究创新性地融合机理模型与农艺参数（APs）高光谱反演，构建了多阶段GPC预测框架。结果显示，水熟期叶氮含量（LNC）结合偏最小二乘回归（PLSR）预测精度最优（R2=0.74，nMAE=6.80%，nRMSE=5.12%），拔节期和开花期分别采用LAI-PLSR和LNC-支持向量机（SVM）模型效果最佳。该研究为精准农业小麦品质管理提供了可靠理论与实用框架。

　　

在广袤的农田里，冬小麦不仅是全球重要的粮食作物，更是关乎粮食安全的核心。随着消费者对高品质面粉需求的提升，小麦的“内涵”——籽粒蛋白含量（Grain Protein Content, GPC）成为了衡量其品质的关键指标。然而，长期以来，精准预测GPC一直是农业生产中的难题。传统的破坏性采样方法耗时费力、成本高昂，就像医生必须通过开刀才能诊断病情一样，显然无法满足现代农业对实时监测和精准管理的迫切需求。虽然高光谱遥感技术凭借其连续的光谱信息被视为“非侵入式诊断”的希望，但现有研究往往局限于单一生长阶段，缺乏贯穿全生育期的系统性预测框架，且模型的机理性不足，导致跨年度应用时偏差较大。

为了解决这些痛点，来自河南农业大学的研究团队在《Information Processing in Agriculture》上发表了一项创新研究。他们跳出单一阶段的局限，开发了一套全新的冬小麦GPC多阶段预测框架，巧妙地将作物生长的机理模型与高光谱反演技术相结合，旨在实现从拔节期到水熟期的全周期、高精度GPC预测，为小麦的精准品质管理装上了“智慧大脑”。

为了攻克这一难题，研究人员设计了一系列精密的实验与技术路线。他们在2019年至2022年间于河南原阳县开展了连续四年的田间试验，设置了不同的氮肥水平和小麦品种处理，构建了包含拔节期（JS）、开花期（AS）和水熟期（WS）的多阶段样本队列。研究采用了ASD Field Spec Pro便携式光谱仪采集冠层光谱数据，并结合竞争性自适应重加权采样算法（CARS）与连续投影算法（SPA）进行特征波段筛选。随后，利用偏最小二乘回归（PLSR）、支持向量机（SVM）和反向传播神经网络（BPNN）三种机器学习算法，分别构建了农艺参数（Agronomic Parameters, APs）的高光谱反演模型和最终的GPC预测模型。此外，研究还通过误差传播模型深入分析了不同阶段预测不确定性的来源。

研究首先对不同品质类型小麦的成熟期GPC进行了分析，发现强筋和中筋小麦的GPC随施氮量增加总体呈上升趋势，且在N22处理下表现最优，这为后续模型构建提供了坚实的数据基础。紧接着，相关性分析揭示了九个关键农艺参数与成熟期GPC之间的紧密联系，其中水熟期的叶氮含量（LNC）与GPC的相关性最高（r=0.69），而地上生物量（AGB）的相关性最低，这明确了不同生长阶段预测的关键靶点。

在此基础上，研究团队构建了多阶段成熟GPC预测的机理模型。通过筛选与优化，发现在拔节期，叶面积指数（LAI）是预测GPC的最佳参数，建模R²可达0.71；而在开花期和水熟期，叶氮含量（LNC）则展现出最强的预测能力，验证集R²分别达到0.64和0.66。这一结果清晰地表明，随着生育进程的推进，预测GPC的最优生理指标发生了动态变化。

为了实现非破坏性的预测，研究进一步建立了多阶段高光谱APs反演框架。通过对原始光谱进行一阶导数（FD）预处理，并结合CARS+SPA的特征选择策略，有效提升了光谱与APs的相关性并大幅降低了数据维度。在反演模型中，拔节期的植株氮含量（PNC）采用PLSR方法反演效果最好（R²=0.83），开花期的SPAD值（叶绿素相对含量）和开花期的LNC也分别通过PLSR实现了高精度反演。

最终，将上述反演得到的APs输入机理模型，得到了多阶段高光谱GPC预测模型。结果显示，水熟期的LNC-PLSR模型表现最为卓越，验证集R²高达0.73，nMAE仅为6.80%，nRMSE低至5.12%。拔节期和开花期的最佳模型分别为LAI-PLSR（R²=0.51）和LNC-SVM（R²=0.59）。这表明该框架在不同生长阶段均能实现可靠的GPC预测。

在讨论部分，研究深入揭示了误差传播的阶段性特征。误差分析显示，开花期的理论误差最小，因为此时光谱反演的不确定性最低；早期生长阶段的不确定主要来自环境噪声和对输入噪声的高敏感性；而后期生殖生长阶段则因冠层衰老导致的光谱信号衰减，使得反演性能下降。与传统的高光谱方法相比，这种融合机理模型与APs反演的半机理框架不仅提高了预测可靠性，还大大降低了对复杂输入的依赖。尽管研究受限于单点试验和数据源，但其构建的框架具有强大的可扩展性。未来的研究可通过纳入土壤、气象等多源数据，并开发适应冠层衰老的光谱反演算法，进一步提升模型的普适性和预测精度。这项研究不仅为冬小麦品质的精准管理提供了切实可行的技术方案，也为农业定量遥感的发展提供了新的理论视角。