气候智能型谷物生产中籽粒品质监测与预测：水稻、小麦和玉米的当前进展与G×E×M集成框架下的未来优先方向

《Climate Smart Agriculture》：Grain quality monitoring and prediction in climate-smart cereal production: Current advances and future priorities across rice, wheat, and maize

　　

谷物品质监测与预测是气候智能型谷物生产的重要组成部分，但当前研究在水稻、小麦和玉米三种作物之间仍呈碎片化发展。本研究对2000年至2025年间发表的832篇关于谷物品质监测与预测的文献进行了文献计量分析与批判性综合。结果表明，不同作物的品质研究侧重点存在显著差异：水稻研究以直链淀粉（amylose）为核心，小麦研究集中于蛋白质（protein）和面筋（gluten），玉米研究则重点关注淀粉（starch）和油脂（oil）。在方法论层面，品质监测与预测已从破坏性实验室测定和化学计量学校准逐步演进至非破坏性光谱传感、遥感、机器学习以及将过程模型与数据驱动方法相融合的混合建模（hybrid modelling）。然而，田间尺度预测在很大程度上仍依赖于冠层光谱代理指标（canopy proxies）间接推断籽粒品质，而非对籽粒内在生化组成的直接测量，加之模型在不同年份、地点和品种间的迁移性（transferability）有限，制约了预测的普适性。基于上述分析，研究人员提出了一个涵盖基因型×环境×管理（genotype×environment×management, G×E×M）三个维度的概念框架，旨在将多源观测与混合预测模型相连接，并最终服务于品种选择和田间管理决策。

引言

气候智能型农业（climate-smart agriculture）旨在维持作物生产力的同时提升其对气候的适应能力并降低环境影响。谷物品质决定了作物生产的营养价值、加工特性和市场价值，因此构成该目标的重要组成部分。然而，当前作物表现评估仍以产量为主要指标，高产并不必然保证理想的籽粒组成或最终用途品质。此外，高温、干旱和养分失衡等因素可能进一步改变产量与品质之间的关系。水稻、小麦和玉米在全球谷物生产中占有较大比重，但三者不仅在定义品质的性状上存在差异，在决定这些性状的生理生化过程上也各不相同。水稻品质通常以外观、碾磨性能和食味品质来描述，常用指标包括垩白度（chalkiness）、直链淀粉含量、蛋白质含量和糊化特性，这些性状受品种、温度和灌浆期氮素供应的影响。小麦品质主要取决于籽粒蛋白质浓度（grain protein concentration, GPC）、面筋组成和加工性能，反映碳积累与氮素吸收分配之间的平衡。玉米的蛋白质、淀粉、油脂和籽粒物理性状对食品、饲料和工业用途至关重要，基因型及源库关系对其影响显著。因此，三种作物可被纳入一个共同的基因型×环境×管理（G×E×M）框架加以理解，但品质形成的生理路径和界定理想品质的阈值仍高度依赖于作物种类和最终用途。

材料与方法

文献检索与筛选流程

本综述分四个阶段进行：文献检索、记录筛选、全文评估和主题分类。检索数据库为Web of Science核心合集中的Science Citation Index Expanded，时间范围为2000年至2025年，检索词涵盖水稻、小麦、玉米、品质、监测和预测等相关术语。为评估方法学检索词可能引入的选择偏倚，研究人员另行开展了一项剔除方法学相关术语的敏感性检索。经去重和筛选后，最终纳入832篇文章，其中小麦357篇、玉米249篇、水稻226篇。所保留文章按作物和研究主题进行分类：品质性状包括蛋白质、淀粉、直链淀粉、油脂、垩白度、碾磨品质、加工品质和食味品质；方法关键词分为化学计量学（chemometrics）、光谱学（spectroscopy）、机器学习（machine learning）、作物建模（crop modelling）和混合建模（hybrid modelling）五类。

文献计量分析与证据综合

文献计量分析采用CiteSpace和VOSviewer软件进行。CiteSpace用于国家、机构、学科类别、关键词突现、时间线和文献共被引分析，以模块度（modularity, Q）和加权平均轮廓值（weighted mean silhouette, S）评价聚类质量。VOSviewer用于构建合作网络、共被引网络以及特定作物的关键词网络。机构网络分五个时段进行比较：2001–2005年、2006–2010年、2011–2015年、2016–2020年和2021–2025年。方法学发展按破坏性测定、非破坏性传感、基于过程或数据驱动的预测以及混合建模进行归纳。

出版轨迹建模

为比较产量领域与品质领域的研究增长趋势，分别使用逻辑斯谛生长模型对两组年度发文量进行拟合，模型形式为N(t)=K/(1+exp(-r(t-t₀)))，其中K为渐近年发文量，r为增长率参数，t₀为拐点时间。定义t₉₅为拟合年发文量达到K的95%时所对应的年份。采用参数自助法（parametric bootstrap）进行2000次重抽样以量化参数和预测的不确定性。

概念框架的构建

框架的构建源于文献中识别出的四个空白：传感尺度的覆盖不足、G×E×M效应的不完整表征、模型迁移性有限以及与田间管理决策的弱连接。据此，框架包含四个组成模块：多源观测、混合建模、气候韧性评估和管理反馈。

结果

研究产出的时空分布格局

832篇文章在国家间呈不均衡分布。中国贡献了最多的文章，其次是美国。印度、日本、英国、意大利、澳大利亚、德国、法国和加拿大也是主要贡献国。2000年至2025年间，产量和品质两个领域的年度发文量均呈增长态势，2018年后增幅明显。在核心数据集中，小麦占比最大，其次是玉米和水稻。逻辑斯谛分析表明，产量相关研究的增长减速早于品质相关研究，二者的拟合t₉₅值分别约为2028年和2040年。然而，自助法分析揭示品质增长轨迹的不确定性远大于产量轨迹：产量t₉₅的95%置信区间为2025.33–2031.99，而品质t₉₅为2033.15–2070.90；品质模型的K值不确定性也更大。因此，拟合轨迹应被解释为出版增长的描述性比较，而非对未来研究的确定性预测或科学成熟度的直接证据。

国家、机构与学科的交叉合作

国家合作网络中最强的合作链接存在于中国与美国之间，澳大利亚、德国、法国、西班牙和印度也在国际网络中联系紧密。机构层面，中国农业大学、江苏大学和南京农业大学在网络位置和连接度方面最为突出。机构间合作在五个时段内日趋密集，学科范围也从农学和食品科学扩展至遥感、工程学和数据科学，这一扩展在应用光谱学、高光谱成像和机器学习评估谷物品质的研究中尤为明显。

主题演化与作物特异性品质优先方向

文献共被引网络呈现清晰的聚类结构（Q=0.6164, S=0.8579），形成十个主要聚类。时间线表明，早期研究集中于化学计量学校准，后期工作则日益采用光谱学、遥感、机器学习和作物模型。不同作物的关键词网络在品质相关术语的突显程度上存在差异：水稻网络中淀粉、直链淀粉和精米出现频率较高，反映对其食味、外观和碾磨品质的持续关注；小麦网络突出蛋白质、籽粒蛋白质含量和氮素，体现对面粉和加工品质的研究兴趣；玉米网络中蛋白质、淀粉和油脂较为突出，与研究主题涵盖食品、饲料和工业用途相一致。敏感性分析表明，当剔除方法学检索词后，主题结构从技术导向显著转向田间的生物学机制和驱动因素：生理生化机制占比从11.7%上升至88.1%，环境胁迫响应从5.6%上升至30.3%，而传感监测从100.0%降至6.3%，预测建模从99.5%降至14.8%。

品质监测与预测方法的演进

方法学关键词分析表明，光谱学是最频繁出现的类别（占比37.93%），其次是机器学习（31.03%）和化学计量学（24.14%），作物建模（5.17%）和混合建模（1.72%）出现频率较低。方法学发展的时间演变可归纳为四个重叠阶段：早期主要依赖破坏性理化测定；随后非破坏性光谱学和近端传感与化学计量学校准相结合；基于过程的作物模型和数据驱动算法作为并行路径发展；近期研究开始将作物模型、遥感和机器学习进行融合。然而，全文证据也揭示了田间应用面临的若干障碍：田间尺度估计多依赖冠层指标而非籽粒组成的直接测量；独立年份、地点和品种的验证报告不一致；过程模型主要关注籽粒氮或蛋白质含量，而加工品质性状很少被显式表达；很少有研究将预测的品质结果直接链接到田间管理决策。

讨论

共同G×E×M框架下的作物特异性品质目标

文献计量网络表明，温度、水分可用性、氮素和基因型获得了持续的研究关注，但关键词频率和网络连接度本身并不能确立生物学重要性或因果影响。来自田间实验和生理学研究的独立证据支持这些因子在籽粒品质形成中的作用：在籽粒水平上，这些响应汇聚于胚乳充实、淀粉粒合成、蛋白体形成以及碳氮互作。高温和水分胁迫对品质的影响因作物和性状而异：高温通常缩短灌浆期、降低粒重，但对蛋白质浓度的效应并不一致——碳水化合物沉积减少可能通过浓缩效应提高蛋白质浓度，即使籽粒蛋白质的绝对量并未增加。在水稻中，灌浆期高温可破坏淀粉沉积并增加垩白度；在小麦中，热胁迫降低粒重和淀粉含量但增加蛋白质和湿面筋含量，灌浆期最为敏感。氮素是影响籽粒蛋白质积累的主要管理因子，在小麦中尤为如此，但其对整体品质的影响在不同作物和最终用途间存在竞争性结果：较高的蛋白质浓度对面包小麦有利，但可能损害水稻的食味品质。此外，二氧化碳浓度升高可能通过增强碳同化稀释籽粒氮和微量营养素浓度。基因型决定了品质性状的可实现范围，并调节其对环境和管理的敏感性。

从间接传感到机理性品质预测

证据表明存在一个可观测性的层级结构，而非新型传感技术对实验室测定的简单替代。破坏性实验室测定仍是蛋白质、淀粉、直链淀粉、油脂和加工性状的参考方法，其主要局限在于通量低。光谱学和遥感拓展了观测的尺度和频次，但大多数田间预测是间接的——冠层反射率包含氮素状态、色素浓度、水分状态、生物量和物候信息，这些变量与籽粒品质形成相关，但并非籽粒性状本身。因此，当冠层条件与籽粒组成之间的关系因品种、环境或管理处理而变化时，预测性能可能下降。与作物氮素状态密切相关的性状（如籽粒蛋白质）通常更易于预测，而由籽粒尺度结构决定的性状（包括直链淀粉组成、垩白度和某些加工品质属性）则更难以观测。数据驱动模型可表征光谱、气象和管理变量间的非线性关联，但高校准性能并不必然指示生理有效性或超出校准环境的迁移能力。独立年份、地点和品种的验证为田间应用提供了更有意义的检验，报告预测不确定性同样重要。基于过程的作物模型提供了物候、碳同化、水分平衡和氮素动态的互补表达，但大多不能显式模拟淀粉结构、垩白形成、面筋功能或油脂组成。混合建模可在各组件针对特定局限（生理表达不足、外推能力有限或观测不确定性）时改善品质预测，其实际判据是组合模型在独立环境中是否表现出更好性能且不产生生物学上不合理的响应。

操作性籽粒品质预测的主要障碍

第一个主要障碍是尺度不匹配：籽粒品质通过籽粒内的生化和结构变化形成，而高通量测量通常在冠层水平进行。这一差距对氮素相关性状较易弥合，对淀粉结构、垩白度和最终用途功能性等性状则困难得多。第二个障碍是迁移性有限：许多经验模型基于单个地点的小数据集拟合，并非总能提供跨年份、地点和品种的独立检验；尽管过程模型更易于解释，但其预测对输入、参数和结构假设的不确定性仍然敏感。第三个障碍是预测与管理决策之间的弱连接：许多研究仅产生季末估计或空间分布图，而未展示这些输出如何改变氮肥、灌溉、播期或品种决策。混合应用为克服这些障碍提供了两条整合路径：路径A将过程模型输出作为数据驱动模型的输入，通过模型平均实现预测整合；路径B将物理知识直接嵌入学习架构，通过损失函数施加生理约束。

连接观测、预测与管理的框架

该框架将籽粒品质监测组织为五个相互连接的模块：感知、机理性理解、混合建模、气候风险评估和管理反馈。感知模块将实验室参考测量与近端、无人机和卫星观测相结合。建模模块将过程模型与数据驱动方法相链接：路径一利用机器学习进行参数估计、数据同化或过程模型残差校正；路径二将生理约束引入数据驱动模型，通过联合损失函数优化实现，其中数据损失项衡量观测品质性状与预测值之间的差异，物理惩罚项对违反生理约束的行为进行惩罚，加权系数λ控制物理惩罚的相对贡献。气候风险模块在敏感发育阶段评估高温、干旱和过量降雨的影响，而非以季节均值概括。管理模块将预测转化为品种选择、播期、氮肥时机和灌溉调度等可行干预措施，产量与品质的协同优化可表述为多目标约束决策问题，应生成帕累托最优策略集（Pareto set），使决策能够反映作物、最终用途和利益相关者的优先顺序。

局限性与研究优先方向

首先，文献记录仅来源于Web of Science核心合集，可能导致其他数据库索引的研究被遗漏。其次，初次检索围绕监测和预测技术构建，优先代表了技术性研究，敏感性分析证实剔除方法学术语后生理、遗传、环境和田间管理主题更为突出；因此初次检索中传感和建模的文献计量突显程度应在综述的界定范围内解读。第三，关键词频次和总连接强度分别指示研究关注度和网络中心性，但两者均不能单独确立生物学重要性、因果影响或方法学严谨性。最后，品质性状、验证设计和性能指标之间的异质性排除了正式荟萃分析的可能。未来的优先研究方向包括：构建涵盖多环境的综合数据集，将品质参考测量与基因型、气象、土壤和管理信息相结合；模型评估应使用独立的年份、地点和品种，并在报告精度的同时报告不确定性；作物模型需要强化对籽粒组成和加工品质性状的表达；预测研究应检验模型输出是否能够支持及时有效的田间干预。

结论

本综述系统梳理了2000年至2025年间水稻、小麦和玉米籽粒品质监测与预测的技术研究。该领域发文量在2018年后明显增长，中国和美国是主要贡献国，小麦是研究最频繁的作物。品质相关文献的数量仍少于产量相关文献，但呈现持续增长态势，拟合轨迹表明产量研究的出版增长减速早于品质研究。尽管敏感性分析拓展了生理和田间研究的代表性，各作物的主要品质优先方向保持一致。三种谷物共享对G×E×M互作的依赖，但品质目标仍具有作物和最终用途特异性：水稻研究强调直链淀粉、垩白度、碾磨和食味品质，小麦研究聚焦籽粒蛋白质、面筋特性和加工品质，玉米研究则更关注淀粉、蛋白质、油脂和籽粒物理性状。收获前品质监测的可行性取决于目标性状在多大程度上与冠层可观测过程存在生理联系，以及这种关系在跨环境条件下是否稳定。监测与预测方法已超越实验室测定和化学计量学校准，涵盖光谱学、遥感、机器学习和混合建模方法，但田间尺度预测在很大程度上仍是间接的——冠层观测主要捕捉作物氮素状态、水分胁迫、物候和冠层结构，而非直接测量籽粒组成。未来研究应将品质参考测量与多尺度观测信息相结合，在独立环境中对混合模型与更简单的替代模型进行比较，强化作物模型对籽粒组成的表达，并通过田间实验检验这些预测能否改善品种选择、播期、氮肥施用和灌溉决策，从而实现产量、品质和气候韧性的协同管理。