CN103913425A - 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 - Google Patents

Abstract

本发明公开了一种基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法，旨在解决现有的冬小麦籽粒蛋白质含量预测模型准确性和普适性较低的技术问题。该模型的构建方法包括下列步骤：信息采集；确立光温积指标；构建光温氮指数；确定最佳光谱参数；构建预测模型；检验模型。本发明建立了精度高、普适性好的冬小麦籽粒蛋白质含量预测模型，其扩展性和稳定性得到增强；可有效预判不同栽培管理条件下小麦籽粒蛋白质含量的变化。

Description

基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法

技术领域

本发明涉及农业植被生长信息无损预测领域技术领域，具体涉及一种基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法。

背景技术

在小麦育种、生产及贮藏、加工实践中，籽粒蛋白质含量是小麦的重要品质指标和分类收获贮藏的重要指标。据调查，目前我国入库优质小麦的品质达标率低，达到国家二级强筋小麦的比例不足40%，其中，生产管理模式、栽培措施和生态环境等因素对小麦的品质均有重要影响，加强小麦品质预测预报，将大大提高调优管理和分级收购效率。传统的小麦品质分析与检测方法，不仅分析成本高，而且采用点状取样的方法，代表性差，分析结果滞后，不能为生产过程中小麦调优栽培管理提供技术指导和决策参考，也很难为粮食收购部门或加工企业提供有效信息服务。因此，生产中急需一种小麦收获前蛋白质含量及区域分布的预测方法，便于生产者及时调优管理和粮食加工企业制定收购计划，实现良种良法和优麦优用。

目前，利用光谱预测技术获取田间作物生长信息已经成熟，但在对冬小麦品质预测预报方面的研究发展较为缓慢。前人相关研究表明，特定波段的光谱反射率与叶片含氮量呈极显著正相关，利用小麦生长后期特征光谱可以间接预测成熟期蛋白质含量，但该方法忽略了小麦灌浆期气候条件变化对蛋白质形成的重要影响，地域特征明显；蛋白质含量预报生态模型的气候因子效应明确，但参数较多，且生理机制不清楚，生育中期的长势基础严重影响预报结果的准确性。

发明内容

本发明的目的在于克服上述独立光谱模型、生态模型的缺陷，提供一种精度高、普适性好的基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法。

为解决上述技术问题，本发明基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法包括下列步骤：

（1）信息采集：先按常规方法分别采集不同区域内的不同生长时期的小麦冠层高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；与光谱信息采集同步，采集小麦叶片样品并以常规分析方法测定出不同区域内冬小麦籽粒蛋白质含量实测值；

（2）确立光温积指标：根据冬小麦籽粒灌浆期间的日平均温度DAT（℃）和总日照时数TSD（h）的乘积，得到籽粒灌浆期光温积指标K：

K=DAT×TSD；

（3）构建光温氮指数：根据步骤（2）所得的光温积指标与冬小麦开花期叶片氮积累量LNA（g.m^-2）的乘积，得出籽粒灌浆期光温氮指数ITN=K×LNA，并经回归计算得到籽粒蛋白质含量定量方程Ⅰ：

Y = a× K×LNA+ b                         Ⅰ，

其中，Y为成熟期籽粒蛋白质含量%，K为籽粒灌浆期光温积指标，LNA为开花期叶片氮积累量，a为系数，b为常数项；

（4）确定最佳光谱参数：通过对不同光谱参数与叶片氮积累量间关系的回归比较分析，红边左偏峰面积LSDr与叶片氮积累量呈如下线性相关关系：

LNA= c×X + d                          Ⅱ，

其中，LNA为开花期叶片氮积累量%，X为开花期光谱预测植被指数LSDr，该LSDr为红边位置和680 nm对应波段反射率的差值，即LSDr=R_reple?R₆₈₀；c为系数，d为常数项；

（5）构建预测模型：将步骤（3）所得方程Ⅰ与步骤（4）所得方程Ⅱ联立，以成熟期籽粒蛋白质含量为因变量，开花期叶片氮积累量为自变量，构建出如下冬小麦籽粒蛋白质含量预测模型：

Y= a×c×DAT×TSD×X+ a×d×DAT×TSD + b，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr，a和c为系数，b和d为常数项。

在步骤（5）之后还包括：步骤（6）检验模型：

使用独立年份小麦试验数据测试与检验预测模型的准确性和普适性，采用复相关系数R ² 和相对误差RE对优选模型进行综合评价，并绘制观察值与预测值之间1：1关系图，其中RE计算公式如下：

其中O _i 为冬小麦籽粒蛋白质含量实测值，P _i 为预测模型估测的冬小麦籽粒蛋白质含量值，n为模型测试检验样本数。

所述步骤（1）中小麦冠层的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm。

所述步骤（1）中测定籽粒蛋白质含量实测值的方法为：与光谱信息采集同步，每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后采用凯氏定氮法测定其全氮含量，籽粒蛋白质含量通过籽粒氮含量乘以5.825转换求得。

优选的，适用于黄淮区域的冬小麦籽粒蛋白质含量预测模型为：

Y= 0.00004515×DAT×TSD×X? 0.00020482×DAT×TSD + 10.921，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr。

本发明基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法的有益效果在于：

1.确立了精度高、普适性好的小麦籽粒蛋白质含量预测模型，该估算模型的扩展性和稳定性得到增强，对不同地点、不同品种、不同氮肥水平下小麦籽粒蛋白质含量预测具有较高的精度和准确性；

2.通过小麦开花期遥感预测结果，结合小麦灌浆期中短期天气预报，可有效预判不同栽培管理条件下小麦籽粒蛋白质含量的变化，进而有针对性采取精确定量调控和应变栽培技术管理；

3.基于开花期长势预测和气候因子融合，准确分析籽粒蛋白质状况及区域分布，实现产前与产后有机结合，为优质专用小麦按品质分类收获、收购储存、加工销售及期货交易提供快速低成本检测信息服务。

本发明基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法，包括下列步骤：

（a）信息采集：按常规方法分别采集不同区域内的不同生长时期的小麦冠层高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；

（b）确立光温积指标：统计冬小麦籽粒灌浆期间的日平均温度DAT（℃）和总日照时数TSD（h），计算籽粒灌浆期光温积指标K：

K=DAT×TSD；

（c）构建光温氮指数：统计冬小麦籽粒灌浆期间的光温积指标K和小麦开花期叶片氮积累量LNA（g.m^-2），计算得出籽粒灌浆期光温氮指数ITN=K×LNA；

（d）确定最佳光谱参数：通过对不同光谱参数与叶片氮积累量间关系的回归比较分析，得出开花期光谱预测植被指数LSDr：

LSDr=R_reple?R₆₈₀；

（e）计算冬小麦籽粒蛋白质含量：由上述方法所构建的预测模型计算出冬小麦籽粒蛋白质含量：

Y= a×c×DAT×TSD×X+ a×d×DAT×TSD + b，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr，a和c为系数，b和d为常数项。

优选的，适用于黄淮区域的冬小麦籽粒蛋白质含量预测模型为：

Y= 0.00004515×DAT×TSD×X? 0.00020482×DAT×TSD + 10.921，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr。

所述步骤（a）中小麦冠层的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm。

本发明上述预测方法的有益效果在于：

能够克服现有气候生态预测模型的参数复杂、生理机理不明以及生理预测模型的区域适应性差的缺陷，对不同地点、不同品种、不同氮肥水平下小麦籽粒蛋白质含量预测具有较高的精度和准确性；能够基于开花期长势预测和气候因子融合，准确分析籽粒蛋白质状况及区域分布，并具有较强的扩展性和稳定性；有利于实现小麦种植定量调控和应变栽培技术管理。

附图说明

图1为本发明基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法的流程图。

图2是本发明中小麦光温氮指数与籽粒蛋白质含量的定量关系示意图。

图3是本发明中光谱预测植被指数LSDr与小麦开花期叶片氮积累量的定量关系示意图。

图4是本发明中冬小麦籽粒蛋白质含量预测模型的检验测试效果图。

具体实施方式

实施例1：共进行3个田间试验，涉及到不同地点、不同年份、不同品质类型和不同氮肥处理，具体试验设计描述如下。

试验1：选择4个具有不同筋力的蛋白质含量有差异小麦品种：强筋型（豫麦 34和藁麦 8901）、中筋型（豫麦 49 和豫麦 70）为供试材料，于2007-2009年分别种植于河南省不同生态区域，即信阳、驻马店、许昌、焦作和安阳，试验采用统一方案进行，随机区组设计，3次重复。主要测定指标为小麦籽粒蛋白质含量，收集对应区域的小麦季气象资料。

试验2：选择4个不同筋力小麦品种：强筋型（豫麦34、郑麦366）、中筋型（豫麦49-198、矮抗58）为供试材料，于2010-2012年分别种植于河南省不同区域，即温县、郑州、开封和商水，试验采用统一方案进行，设计4个氮肥梯度（0、90、180和270kg.hm^-2），随机区组设计，3次重复。主要测定指标为小麦植株氮含量、籽粒蛋白质含量以及冠层光谱，收集对应区域的小麦季气象资料。

试验3：选择2个不同筋力小麦品种：强筋型（郑麦366）、中筋型（矮抗58）为供试材料，于2012-2013年分别种植于温县和商水，试验采用统一方案进行，设计4个氮肥梯度（0、120、240和360kg.hm^-2），随机区组设计，3次重复。主要测定指标为小麦植株氮含量、籽粒蛋白质含量以及冠层光谱，收集对应区域的小麦季气象资料。

具体建模方法如下，其中，所涉及的仪器设备如无特别说明，均为常规仪器设备；所涉及的工业原料如无特别说明，均为市售常规工业原料。

（1）信息采集：先按常规方法分别采集不同区域内的不同生长时期的小麦冠层高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理。小麦冠层高光谱信息的采集使用美国Analytical Spectral Device（ASD）公司生产的便携式野外高光谱辐射仪。波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm。冠层高光谱信息采集选择在天气晴朗、无风或风速很小时进行，时间范围为10：00-14：00。测量时传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约1.0 m，地面视场范围直径为0.44 m。以10个光谱为一采样光谱，每个观测点记录10个采样光谱，以其平均值作为该观测点的光谱反射值。

与光谱信息采集同步，采集小麦植株样品并以常规分析方法测定出不同区域内的冬小麦籽粒蛋白质含量实测值。每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后测定全氮含量。全氮含量采用凯氏定氮法测定，籽粒蛋白质含量通过籽粒氮含量乘以5.825转换求得。叶片氮积累量为不同叶位叶干重与对应氮含量乘积后求和所得。

（2）确立光温积指标：根据冬小麦籽粒灌浆期间的日平均温度（DAT，℃）和总日照时数（TSD，h）的乘积，得到籽粒灌浆期光温积指标K为：K=DAT×TSD。

通过对试验1和试验2关键生育时期取样测试，分析了成熟期蛋白质含量与籽粒灌浆期间气象因子间关系。结果表明，影响小麦籽粒蛋白质含量的气象因子主要有籽粒灌浆期间的日平均温度、总降雨量、总日照时数、日较差等，其中降雨量对蛋白质含量的影响呈显著负相关，其他指标均为显著正相关。在黄淮河南麦区小麦以强筋和中筋小麦为主，该区域小麦灌浆期日较差相对较小，日较差与蛋白质含量相关性最弱，蛋白质含量受日均温（Daily average temperature，DAT，℃）和总日照时数（Total sunshine duration，TSD，h）正向影响均显著，且两者间的互作进一步增强其对蛋白质形成的影响，光温积指标（日均温与总日照时数乘积）的相关系数最高（r=0.589^**，n=48）。开花至成熟期气象因子与小麦籽粒蛋白质含量之间的相关系数如下表1所示。

（3）构建光温氮指数：根据步骤（2）所得的光温积指标（K）与冬小麦开花期叶片氮积累量（LNA，g.m^-2）的乘积，得出籽粒灌浆期光温氮指数ITN=K×LNA；该参数较开花期叶片氮积累量和灌浆期光温积指标更能反映成熟期籽粒蛋白质含量的变化。并经回归计算得到籽粒蛋白质含量定量方程Ⅰ：

Y = 0.0001×K×LNA + 10.921

其中，Y为成熟期籽粒蛋白质含量（%），K为籽粒灌浆期光温积指标，LNA为开花期叶片氮积累量。

基于试验2关键生育时期的测试数据分析，不同时期叶片氮含量与籽粒蛋白质含量间相关性均达显著水平，其中开花期最高，在灌浆后期植株衰老，生理活性降低，此时籽粒接近蜡熟，叶片氮含量对籽粒蛋白质含量的促进效应相对较差。叶片氮积累量为叶片氮含量与绿色叶片干重的乘积，能够很好地反映植株营养状况和群体生长状态，叶片氮积累量与籽粒蛋白质含量之间的关系也以开花期最好，叶片氮积累量的相关系数显著高于氮含量。回归分析不同试验地点叶片氮积累量和籽粒蛋白质含量间回归关系，发现不同试验间斜率和截距存在一定差异，在灌浆前期和灌浆中期差异稍大，而在开花期差异较小，因此，开花期叶片氮积累量最适宜表征成熟期蛋白质含量的变化（r=0.795^**，n=88）。小麦叶片氮营养与成熟期籽粒蛋白质含量的相关系数如下表2所示。

利用试验1和试验2测试数据，结果显示，籽粒灌浆期生态因子光温积指标和开花期植株生理指标叶片氮积累量均对籽粒蛋白质形成具有积极正向作用，将光温积指标和叶片氮积累量进行融合构建为光温氮指数（光温积指标与叶片氮积累量乘积），该指数与籽粒蛋白质含量高度相关，线性回归决定系数（R ² ）为0.655^**（n=32），据此得到小麦光温氮指数与籽粒蛋白质含量的定量关系（如图2所示）。

（4）确定最佳光谱参数：通过对不同光谱参数与叶片氮积累量间关系的回归比较分析，红边左偏峰面积LSDr与叶片氮积累量呈如下线性相关关系（方程Ⅱ）：

LNA= 0.4515×X + 2.0482                          Ⅱ，

其中，LNA为开花期叶片氮积累量%，X为开花期光谱预测植被指数LSDr，该LSDr为红边位置和680 nm对应波段反射率的差值，即LSDr=R_reple?R₆₈₀；

基于试验2测试数据，以已见报道的植被指数为基础，综合不同年份和不同时期的小麦叶片氮积累量与冠层光谱红边参数进行相关回归分析，线性回归方程、拟合决定系数及标准误差见表3，并选择表现较好的红边特征参数作散点图直观展示方程拟合效果（如图3所示）。通过对不同光谱参数与叶片氮积累量间关系的比较分析，GM2、SR705、RI-half和FD742能够很好地表达与叶片氮积累量的关系，其中，红边左偏峰面积（LSDr）较全红边面积能更好地表征叶片氮积累量的变化，方程R ² 为0.885^**（n=62），标准误差SE为0.986。光谱预测植被指数LSDr与小麦叶片氮积累量的定量关系如图3所示，小麦叶片氮积累量与植被指数的线性定量关系如下表3所示。

（5）构建预测模型：将步骤（3）所得方程Ⅰ与步骤（4）所得方程Ⅱ联立，以成熟期籽粒蛋白质含量为因变量，开花期叶片氮积累量为自变量，构建出如下冬小麦籽粒蛋白质含量预测模型：

Y= 0.00004515×DAT×TSD×X? 0.00020482×DAT×TSD + 10.921，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr。

（6）检验模型：使用独立年份小麦试验数据测试与检验预测模型的准确性和普适性，采用复相关系数R ² 和相对误差RE对优选模型进行综合评价，并绘制观察值与预测值之间1：1关系图，其中RE计算公式如下：

上式中O _i 为冬小麦籽粒蛋白质含量实测值，P _i 为预测模型估测的冬小麦籽粒蛋白质含量值，n为模型测试检验样本数。

为了检验小麦籽粒蛋白质含量预报模型的可靠性和实用性，利用试验3独立资料对上述模型进行测试和检验，同时利用预测值和观测值之间的复相关系数（R ² ）和平均相对误差（RE）进行综合评定，并绘制观察值与预测值之间1：1关系图，来直观展示模型的预测能力。

将本发明确立的基于灌浆期光温积指标和开花期光谱预测植被指数LSDR联合的小麦成熟期籽粒蛋白质含量预报模型的检验结果与实际测定结果进行比较，该联合预报模型的R ² 和RE分别为0.831和8.26%（n=26），比较而言，高蛋白质含量的强筋小麦预测值较实测值低，而低蛋白质含量的中筋小麦预测值与实测值接近，强筋小麦蛋白质含量预测误差较大（10.71%），而中筋小麦蛋白质含量预测误差较小（6.86%）。本发明冬小麦籽粒蛋白质含量预测模型的检验测试效果如图4所示。

综上所述，本发明基于遥感预测的小麦籽粒蛋白质含量预报模型的构建方法，确立了精度高、普适性好的小麦籽粒蛋白质含量预测模型；该预测模型的扩展性和稳定性得到增强，对黄淮区域不同地点、不同品种、不同氮肥水平下小麦籽粒蛋白质含量预测具有较高的精度和准确性。通过小麦开花期遥感预测结果，结合小麦灌浆期中短期天气预报，可有效预判不同栽培管理条件下小麦籽粒蛋白质含量的变化，进而有针对性采取精确定量调控和应变栽培技术管理；基于开花期长势预测和气候因子融合，准确分析籽粒蛋白质状况及区域分布，实现产前与产后有机结合，为优质专用小麦按品质分类收获、收购储存、加工销售及期货交易提供快速低成本检测信息服务。

上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个小麦生态区域具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

Claims (8)

1.一种基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法，其特征在于，包括下列步骤：

（1）信息采集：先按常规方法分别采集不同区域内的不同生长时期的小麦冠层高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；与光谱信息采集同步，采集小麦叶片样品并以常规分析方法测定出不同区域内冬小麦籽粒蛋白质含量实测值；

（2）确立光温积指标：根据冬小麦籽粒灌浆期间的日平均温度DAT（℃）和总日照时数TSD（h）的乘积，得到籽粒灌浆期光温积指标K：

K=DAT×TSD；

（3）构建光温氮指数：根据步骤（2）所得的光温积指标与冬小麦开花期叶片氮积累量LNA（g.m^-2）的乘积，得出籽粒灌浆期光温氮指数ITN=K×LNA，并经回归计算得到籽粒蛋白质含量定量方程Ⅰ：

Y = a× K×LNA+ b                         Ⅰ，

其中，Y为成熟期籽粒蛋白质含量%，K为籽粒灌浆期光温积指标，LNA为开花期叶片氮积累量，a为系数，b为常数项；

（4）确定最佳光谱参数：通过对不同光谱参数与叶片氮积累量间关系的回归比较分析，红边左偏峰面积LSDr与叶片氮积累量呈如下线性相关关系：

LNA= c×X + d                          Ⅱ，

其中，LNA为开花期叶片氮积累量%，X为开花期光谱监测植被指数LSDr，该LSDr为红边位置和680 nm对应波段反射率的差值，即LSDr=R_reple?R₆₈₀；c为系数，d为常数项；

（5）构建预测模型：将步骤（3）所得方程Ⅰ与步骤（4）所得方程Ⅱ联立，以成熟期籽粒蛋白质含量为因变量，开花期叶片氮积累量为自变量，构建出如下冬小麦籽粒蛋白质含量预测模型：

Y= a×c×DAT×TSD×X+ a×d×DAT×TSD + b，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱监测植被指数LSDr，a和c为系数，b和d为常数项。

2.根据权利要求1所述的基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法，其特征在于，在步骤（5）之后还包括：

步骤（6）检验模型：使用独立年份小麦试验数据测试与检验预测模型的准确性和普适性，采用复相关系数R ² 和相对误差RE对优选模型进行综合评价，并绘制观察值与预测值之间1：1关系图，其中RE计算公式如下：

 

其中O _i 为冬小麦籽粒蛋白质含量实测值，P _i 为预测模型估测的冬小麦籽粒蛋白质含量值，n为模型测试检验样本数。

3.根据权利要求1所述的基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法，其特征在于，所述步骤（1）中小麦冠层的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm。

4.根据权利要求1所述的基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法，其特征在于，所述步骤（1）中测定籽粒蛋白质含量实测值的方法为：与光谱信息采集同步，每小区取小麦20株，按器官分离，各器官在80℃下烘干、称重，粉碎后采用凯氏定氮法测定其全氮含量，籽粒蛋白质含量通过籽粒氮含量乘以5.825转换求得。

5.根据权利要求1所述的基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测模型的构建方法，其特征在于，适用于黄淮区域的冬小麦籽粒蛋白质含量预测模型为：

Y= 0.00004515×DAT×TSD×X? 0.00020482×DAT×TSD + 10.921，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr。

6.一种基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法，其特征在于，包括下列步骤：

（a）信息采集：按常规方法分别采集不同区域内的不同生长时期的小麦冠层高光谱信息，再采用常规的五步平滑方法对光谱曲线进行平滑处理；

（b）确立光温积指标：统计冬小麦籽粒灌浆期间的日平均温度DAT（℃）和总日照时数TSD（h），计算籽粒灌浆期光温积指标K：

K=DAT×TSD；

（c）构建光温氮指数：统计冬小麦籽粒灌浆期间的光温积指标K和小麦开花期叶片氮积累量LNA（g.m^-2），计算得出籽粒灌浆期光温氮指数ITN=K×LNA；

（d）确定最佳光谱参数：通过对不同光谱参数与叶片氮积累量间关系的回归比较分析，得出开花期光谱预测植被指数LSDr：

LSDr=R_reple?R₆₈₀；

（e）计算冬小麦籽粒蛋白质含量：根据权利要求1中所构建的如下预测模型计算出冬小麦籽粒蛋白质含量Y：

Y= a×c×DAT×TSD×X+ a×d×DAT×TSD + b，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr，a和c为系数，b和d为常数项。

7.根据权利要求6所述基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法，其特征在于，适用于黄淮区域的冬小麦籽粒蛋白质含量预测模型为：

Y= 0.00004515×DAT×TSD×X? 0.00020482×DAT×TSD + 10.921，

其中，Y为成熟期籽粒蛋白质含量%，DAT为籽粒灌浆期间日平均温度℃，TSD为籽粒灌浆期间总日照时数h，X为开花期光谱预测植被指数LSDr。

8.根据权利要求6所述基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法，其特征在于，所述步骤（a）中小麦冠层的高光谱信息测量采用野外高光谱辐射仪，波段值为350~1100 nm，光谱采样间隔为1.4 nm，光谱分辨率为3 nm。