CN112285062A - 一种高nue水稻筛选标志及筛选方法 - Google Patents
一种高nue水稻筛选标志及筛选方法 Download PDFInfo
- Publication number
- CN112285062A CN112285062A CN202011001565.3A CN202011001565A CN112285062A CN 112285062 A CN112285062 A CN 112285062A CN 202011001565 A CN202011001565 A CN 202011001565A CN 112285062 A CN112285062 A CN 112285062A
- Authority
- CN
- China
- Prior art keywords
- rice
- plant
- period
- nitrogen content
- nitrogen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
- A01G22/22—Rice
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种高NUE水稻品种筛选标志以及筛选高NUE水稻品种的方法。本发明提出了一种新的表示水稻NUE性状的方法,并鉴定了高NUE水稻的量化表型。本发明在针对高NUE的水稻品种筛选和水稻田间智能管理方面开发了量化标准,为高通量筛选高NUE水稻品种以及水稻田间精准氮肥管理提供了必要的理论准备,为颠覆传统的农业和育种领域方法提供了基础,是精准农业和智慧农业道路上的进一步探索,将有力地推动精准农业和智慧农业的发展。
Description
基金支持
本项目的研发受到国家水稻产业体系(CARS-01-07)的资助。
技术领域
本发明涉及智慧农业领域,更特别地,涉及基于遥感的植物性状表示方法及其应用。
背景技术
氮元素(N)是植物生长不可或缺的营养元素,无论在光合作用、能量转换、结构组成还是生物合成方面都起着重要作用。植物从土壤吸收N,并通过维管系统转运至特定的器官中积累为含氮化合物,然后分解并迁移至目的器官参与到植物的各项生命活动中,维持植物内部的营养平衡。
粮食生产中,高氮肥的施用是影响产量的关键因素之一。然而,近年来,随着氮肥施用的增长,粮食作物产量的并没有相应增长,而是达到了平台期。从1980年到2010年,我国氮肥施用量增长了512%,而谷物产量只增长了65%。过度的氮肥施用不仅提高了成本,而且导致了氮利用率降低以及氮损失。田间氮肥的溢出,进入到土壤和水中,还会引起一些严重的环境问题。根据测算,如果氮利用效率提高1%,全世界每年的肥料成本可降低23亿美元。
水稻是世界上重要的粮食作物之一,为全球近一半的人口提供食物。我国的水稻产量世界最高,但是,我国稻田中的平均氮肥施用量为180-209kg/hm2,远高于世界平均水平105kg/hm2,并且实际使用效率仅有约30-35%。通过优化田间管理来提高水稻的氮利用效率(Nitrogen Use Efficiency,NUE)可将氮肥施用量降至150-165kg/hm2。然而,为了达到最大产量潜能(10-15Mt/hm2),绝大多数超级稻品种需要高达300kg/hm2的氮肥施用量。因此,单单从田间管理的角度来降低氮肥施用量不能从根本上解决氮利用效率的问题。育种者希望能够筛选具有高NUE的水稻品种,以彻底解决这个问题。
水稻育种领域对高NUE育种选择做了许多努力,但是迄今仍然进展缓慢。主要障碍是,没有一种简单易行的方法来捕捉水稻中的氮含量变化,并进一步表征为氮利用效率。因为,水稻中的氮含量变化既表现在空间水平方面(冠层形态变化),又表现时间水平方面(整个生育周期中的发育变化,例如营养生长和生殖生长的转换)。
由于水稻对氮的摄取和利用是一个复杂的综合行为,涉及多种生命活动,目前育种者尚且无法找到某一个基因或归集一个基因群来作为高NUE的分子标志。依靠传统的方法在特定的生育阶段(例如抽穗期或乳熟期)采集水稻样本测定氮含量来表征NUE,一方面无法准确表征氮利用率,另一方面费时费力,无法用于高通量筛选。
因此,高NUE的表型到底是什么,以及如何描述高NUE表型,本身就是一个难题,给育种者筛选具有高NUE的水稻品种造成巨大障碍。
随着遥感技术和无人机的发展,以及摄像头分辨率的提高,其与遥感技术的结合逐渐用于农业生产和研究。Lukas Prey等将光谱仪置于小麦冠层上方约1m处,测量冠层的反射率并用以评估相应的生理数据。南京农业大学的郑恒彪等使用无人机搭载相机拍摄作物影像,并以这些影像为基础来分析和评估作物的生理参数,显示出一些生理参数与无人机拍摄的影像计算的VI之间存在一定的相关性。然而,这些研究都集中于探索使用VI估算相关生理参数的测量方法学上,目前没有研究将这些测量方法学上的成果应用于探索NUE表型的描述上,更没有找到水稻的高NUE性状标准,以及如何筛选高NUE的水稻品种。
因此,需要一种新的表示NUE性状的方法,以及根据这种新的NUE表示方法来筛选高NUE水稻品种。
发明内容
为解决以上问题,本研究在水稻整个生育周期中进行无人机飞行,搭载摄像头拍摄水稻试验小区的影像,根据获得的影像计算植被指数,并在六个典型的生育期(分蘖期(TS)、拔节期(JS)、穗分化期(PIS)、孕穗期(BS)、抽穗期(FHS)和乳熟期(MRS))进行影像采集,用传统方法测量水稻植株的生理参数,例如叶绿素含量、氮含量等。根据对应时间点的植被指数和生理参数建立植被指数-生理参数估算模型,用于估算水稻的生理参数,并根据估算的多个生育期的生理参数绘制变化曲线。从这些变化曲线中,我们发现,对于每个水稻品种,在相同或相似的环境条件下,其氮含量和叶绿素含量的生理参数的变化曲线是稳定并且可重复的,我们将这种在时间上的稳定动态变化本身定义一种植物性状,我们称为动态性状。
基于以上研究,本发明提供了一种表示植物动态性状的方法,将横跨所述植物的整个生育周期或部分生育周期中的多个时间点对应的生理参数的构成的集合。
在一个具体实施方案中,所述植物性状为植物从环境中利用特定营养元素的效率。例如,可以为植物从环境中利用氮、磷、钾等营养元素的能力。
在一个具体实施方案中,所述物性状为水稻的氮利用效率。优选地,所述水稻植株氮含量通过使用所述水稻植株种植区的植被指数计算得到。
在一个优选实施方案中,所述集合包括水稻的TS期、JS期、PIS期、BS期、FHS期和MRS期对应的水稻植株氮含量中的两个或更多个。
在一个优选实施方案中,所述水稻植株氮含量通过以下方法得到:
S1:获取水稻种植处的反射率;
S2:根据所述反射率计算NDRE值;
S3:将所述NDRE值代入式Ⅰ或Ⅱ所示的估算模型,计算得到所述水稻植株氮含量;
y=5.754x2+8.167x+0.5752Ⅰ
其中,y表示氮百分含量,x表示NDRE值。
本发明还提供了一种高NUE水稻品种筛选标志,为包括FSH期对应的氮含量和MRS期对应的氮含量的集合;并且
所述FSH期对应的氮含量不低于2.97%,所述MRS期对应的氮含量不低于2.66%。
在一个优选实施方案中,所述集合还包括以下中的一个或多个:TS期对应的氮含量、JS期对应的氮含量、PIS期对应的氮含量、BS期对应的氮含量;并且
所述TS期对应的氮含量不低于3.21%;
所述JS期对应的氮含量不低于3.35%;
所述PIS期对应的氮含量不低于3.30%;
所述BS期对应的氮含量不低于3.24%。
本发明还提供了一种筛选高NUE水稻品种的方法,包括以下步骤:
S1:获取水稻种植区的反射率信息,计算特定生育期所述水稻种植区特定生育期的植被指数;
S2:根据各生育期的植被指数估算所述水稻种植区特定生育期的氮含量;
S3:使用S2得到的所述水稻种植区特定生育期的氮含量上述高NUE水稻品种筛选标志中相应的生育期的氮含量进行比较,所述水稻种植区特定生育期的氮含量符合所述筛选标记中相应的生育期的氮含量即判定所述水稻种植区中的水稻品种为高NUE水稻品种。
在一个优选实施方案中,S3中要求所述水稻种植区所有生育期的氮含量均符合所述筛选标记中相应的生育期的氮含量才判定所述水稻种植区中的水稻品种为高NUE品种。
本发明还公开了一种检测植物施肥需求的方法,包括以下步骤:
1)获取植物良好生长状态下的植物种植区的反射率信息,计算所述植物种植区各生育期的植被指数,根据所述植物种植区各生育期的植被指数计算所述水稻种植区各生育期的营养元素含量,作为所述植物的所述营养元素得到满足的标志;
2)获取待检测的植物种植区的特定生育期的反射率信息,计算所述待检测的植物种植区的特定生育期的植被指数,根据所述待检测的植物种植区的特定生育期的植被指数计算所述待检测植物种植区的特定生育期的营养元素含量;
3)将所述待检测植物种植区的特定生育期的营养元素含量与所述植物的营养元素得到满足的标志中相应的生育期的营养元素进行比较,如果所述待检测植物种植区的特定生育期的营养元素含量低于所述植物的营养元素得到满足的标志中的相应生育期的营养元素,则应当给所述待检测植物种植区施用含有所述营养元素的肥料;如果所述待检测植物种植区的特定生育期的营养元素含量高于所述植物的营养元素得到满足的标志中的相应生育期的营养元素,则应当注意减少在所述待检测植物种植区施用含有所述营养元素的肥料。
在一个优选实施方案中,所述植物为水稻,所述营养元素为氮元素。
本发明通过使用无人机和遥感技术建立易操作、省人工的植物营养元素含量(例如是水稻植株的氮含量)的估算方法和估算模型。通过使用该方法和模型,可容易并且可靠地获得植物的营养元素含量例如水稻植株的氮含量。在此基础上,本发明利用这种简易可靠的监测植物营养元素含量例如水稻植株氮含量的方法,建立了一种新的植物营养元素了利用效率的表示方法,并且确定了一种新的水稻高NUE筛选标记,以及一种新的确定植物种植区中是否应当补充某种营养元素(例如水稻种植区的氮元素)的方法。本发明在筛选营养元素高利用率的植物品种和植物田间智能管理上开发了量化标准,是在精准农业和智慧农业道路上的进一步探索,有力地推动了精准农业和智慧农业的发展。
附图说明
图1为使用无人机采集的51个水稻品种的6个生育期的RGB图像和NDRE图像,其中:A为6个生育期的RGB图像,a为TS期,b为JS期,c为PIS期,d为BS期,e为FHS期,f为MRS期;B为6个生育期的NDRE图像,a为TS期,b为JS期,c为PIS期,d为BS期,e为FHS期,f为MRS期。
图2为51个水稻品种的6个生育期数据关系以及构建的回归模型,其中:A为6个生育期SPAD与NDRE之间的关系,n=306;B为除TS期外的5个生育期数据构建的SPAD与NDRE之间的回归模型,R2>0.81,n=255;C为6个生育期N%与NDRE之间的关系,n=306;B为除TS期外的5个生育期数据构建的SPAD与NDRE之间的回归模型,R2>0.61,n=255。
图3为FHS期SPAD、N%与NDRE之间的关系,其中:A为所有水稻品种中SPAD与NDRE的关系(n=51);B为早成熟(EM)水稻品种中SPAD与NDRE的关系(n=34);C为迟成熟(LM)水稻品种中SPAD与NDRE的关系(n=17);D为所有水稻品种中N%与NDRE的关系(n=51);E为早成熟(EM)水稻品种中N%与NDRE的关系(n=34);F为迟成熟(LM)水稻品种中N%与NDRE的关系(n=17)。***p<0.001。
图4为海南种植的42个水稻品种的6个生育期的数据构建的N%*LAI与NDRE之间非线性回归模型。
图5为氮施用田间试验中FLY4H和LY9348的农学性状比较,其中,A为每穂谷粒数;B为结实率(%);C为每株植物的稻谷产量(g);D为NUE(每千克氮的稻谷产量)。n=30,*、**、***分别表示P<0.05、0.01和0.001
图6为针对51个水稻品种的全生育周期,使用EQA法(A)测量的氮含量变化曲线与根据无人机采集的图像和计算的NDRE值分别使用ModelI(B)和ModelII(C)估算的氮含量变化曲线的比较。
图7为EQA测量的氮含量(N%-AM)与ModelI(N%-RS)和ModelII(N%*LAI-RS)估算的氮含量之间的比较,其中:A为LY9348的6个生育时期中氮含量的变化曲线;B为51个水稻品种的N%-AM的统计框图;C为51个水稻品种的N%-RS的统计框图;D为51个水稻品种的N%*LAI-RS的统计框图。
具体实施方式
1、植物材料及种植
从3000个基因组项目中选择NUE较高的50个品种(籼稻、澳洲稻及两者之间的品种),加上一个紫稻,共51个水稻品种(表1),种植于湖北鄂州的武汉大学水稻实验和研究基地(30.3756°N,114.7448°E)。鄂州的水稻于2017年5月10日水稻播种,5月31日移栽。陵水的水稻于2017年12月10日萌发,2018年1月6日移栽。
表1 51个水稻品种的品种信息
从中国的育种项目选择41个籼稻品种,加上一个紫稻,共42个水稻品种(表2),种植于海南陵水的武汉大学杂交水稻实验和研究基地(18°03′147.1″N,110°03′34.9″E)。水稻于2017年12月10日播种,并在2018年1月5日移栽。
表2 42个水稻品种的品种信息
上述水稻的种植密度为每公顷225000株,总生长时间为6至7个月,根据品种而不同。每个品种种植60株,10株一行,共6行,行距20cm,株距16cm。每6行空1行,以利于品种区别和UAV信息处理。
每公顷施用复合肥375Kg(氮磷钾比率为15-15-15),进行常规稻田管理。在每个实验的每个发育时期,均安排一架UAV无人机获取所有水稻田块的图像,并且每块水稻田反复测量5次。
2、数据收集
水稻的全生育周期可分为6个典型的发育时期,包括:分蘖期(TS)、拔节期(JS)、穗分化期(PIS)、孕穗期(BS)、抽穗期(FHS)和乳熟期(MRS)。
在每个发育时期中,采集叶片样品进行精确的氮含量和叶绿素含量检测。从顶端的剑叶起往下数3片功能叶,用于测量叶绿素含量和氮含量。每个品种3个重复,记录SPAD平均数和氮含量平均数(N%)。
使用氮测量仪N-Pen N 110测量氮含量,在各发育阶段选择三株植株采集叶样品,进行测量。长出剑叶前的阶段取1.5叶龄的叶子(长度为剑叶的2倍),长出剑叶后的阶段取剑叶下的第二片叶子。NDGI=(R780-R560)/(R780-R560)。使用土壤植物分析发育(SPAD)叶绿素含量测量仪(SPAD-502)测量叶绿素含量。
在本研究中,每个发育时期对每个品种进行测量总氮含量值(三个重复),鄂州51个水稻品种共306个总氮值数据和叶绿素含量数据,陵水42个水稻品种共252个总氮值数据和叶绿素含量数据。
本研究中还使用了元素定量分析法(EQA)测定氮含量,方法如下:选择3个植株,采集功能叶,80℃烤干至恒重,研磨,过100目筛,检测氮含量。3个植株数据的平均值作为相应水稻品种的精确叶片氮含量值。
本研究中还收集了叶面积指数(LAI),方法如下:随机选取5个植株用于测量叶面积指数。如果50%以上的部分为黄色,则叶片判定黄叶,剔除。由于本研究对水稻材料进行了毁灭性测量,并且多个生育期都需要采样测试,因此从上述5个植株中选2株绿叶最多的植株作为每个水稻品种和每个生育期的代表性样品。将这两个植株的包括所有分蘖的整个植株带根挖出。剥下所有绿叶,扫描用于计算叶面积(Leaf AreaMeter LI-3100C)。将这两个植株的所有叶片的平均叶面积作为单株植物叶面积(LA)的代表值。考虑到1平方米的植物密度(d),LAI=LA×d。
3、作物冠层漫反射光谱收集
通过ASD FieldSpec Pro FR光谱仪测量作物漫反射光谱。从作物冠层正上方1.0m处收集收据,选择在天气晴朗日子的10am-2pm之间收集,每5天收集一次。每个试验小区进行5次重复测量,取平均数作为小区冠层光谱反射率。通过时间校正中的标准白板纸去除仪器噪音影响,去除低信噪比的1301-2500nm波段光谱数据。
4、无人机(UAV)飞行和图像采集
使用安装在无人机(S1000,大疆)上的Mini-MCA系统获取目标研究小区的影像,从移栽后开始每五天采集影像,直至作物成熟。Mini-MCA包括由12个单独的微型数码摄像头组成的阵列。每个传感器通道可产生10bit SXGA数据,并且图像解析度可达到1m/130公顷。每个摄像头配备定制的带通滤波器,分别以波长490,520,550,570,670,680,700,720,800,850,900或950nm为中心。在UAV图像采集后,立即原位进行相应的实地测量。
MCA系统通过常平架连接在UAV上,以防受UAV运动的影响,通过在飞前共配的12个摄像头来控制摄像头的配不准效应。每次UAV飞行均在晴朗少云的天空条件下进行,时间介于10am至2pm之间,这是太阳高度角变化最小。鄂州实验中UAV飞行高度为目标小区上方50m,空间分辨率约2.7cm。42个水稻品种实验,UAV飞行高度为目标小区上方200m,空间分辨率约10.8cm。
使用经验线性校正方法将图像数字量化值(DN)转换成表面反射率(ρλ)。通过6个地面校准目标构成的标准来进行图像辐射校正,在每次飞行先放置于摄像头视场中。研究的小区和所有地面校准目标被包含在同一张照片中。在本文中,地面校准目标分别提供了对可见光至近红外波长的相对稳定的反射率0.03、0.12、0.24、0.36、0.56和0.80。由于假设DN与ρλ之间存在线性关系,水稻品种的反射率方程可为:
ρλ=DNλ×Gainλ+offsetλ
(λ=490,520,550,570,670,680,700,720,800,850,900and900nm) (1)
其中ρλ和DNλ为波长λ处的表面反射率和指定像素的图像数字量化值。Gainλ和Offsetλ为摄像头在波长λ处的摄像头增益和偏差。Gainλ和Offsetλ可用最小二乘法根据ρ值和DN值计算。
5、统计分析和Vegetative Index计算
数据分析和统计描述通过IBM SPSS Statistics进行(Statistical Product andService Solutions 22.0,IBM,Armonk,NY,United States)。使用GraphPad software(Version 5.0.,Harvey Motulsky&Arthur Christopoulos,San Diego,California,USA)作图。根据需求对氮含量(N%)、叶绿素含量(SPAD)和叶面积指数(LAI)数据集进行统计评价,显示分布正常。使用泊松相关系数(r)作为相关性分析的结果。分析和比较校正的R2和p值,进行回归分析。将最佳拟合曲线转化为方程作为回归模型,来表示N%、SPAD、LAI*N%与归一化差异红边(NDRE)或其他植被指数(VI)之间的相关性。各VI的计算公式如表3所示。
表3 VI计算公式
6、几种VI与氮含量和叶绿素之间的相关性
前人使用距水稻上方1m的光谱仪收集冠层光谱反射率数据,对生育周期中的6个关键阶段的数据进行分析,以确定哪个生长阶段是选定的VI用于评估叶绿素和氮含量的最佳阶段。
总体而言,所有VI都表现出与叶绿素(0.5-0.65)的相关性强于氮含量(0.29-0.49)。但是,对于每个VI,其与叶绿素和氮含量的相关模式是相同的:NDRE显示出最强的相关性,NDVI显示出最弱的相关性。对于叶绿素相关性,NDGI(R2=0.6146)>CIrededge(R2=0.5953)>CIgreen(R2=0.5171)。对于氮含量,CIrededge(R2=0.4634)>NDGI(R2=0.4555)>CIgreen(R2=0.4083)。因此,NDRE是评估叶绿素和氮含量最优的VI。
7、NDRE实时模式可逆向分析水稻品种间的生长差异
为了分析从移栽时期到收获时期整个生育周期,将51个水稻品种种植于矩形小区(1.2m×1.6m)中,每5-7天(根据阳光条件决定)试用UAV收集图像数据。RGB图像(图1A)和NDRE(图1B)示出了6个时期的图像。测试组中包括一个紫稻品种作为内部控制,由于该紫稻品种含有的花青素高于叶绿素,因此在数据处理时有利于在反射特征上与其他品种相区别。NDRE值介于冷蓝色0与暖红色的1之间,因此,相对而言,较暖的颜色表示较高的叶绿素含量、氮积累和光合速率,较冷的颜色反之。所有品种的生育周期中,从TS期、JS期到PIS期,NDRE值逐渐升高,BS期之后迅速下降。
51个水稻品种各生育期的NDRE值范围如下:TS期(0.4121-0.5473),JS期(0.4555-0.6173),PIS期(0.3762-0.5762),BS期(0.3506-0.5394),FHS期(0.1931-0.4134),MRS期(0.1487-0.3343)。其中,TS、JS、PIS和BS在水稻品种#33(Qingtai Ai)中观察到最高NDRE,FHS和MRS在水稻品种#1(LY9348)中观察到最高NDRE。#17(ARC11777,TS),#4(Luohong 4B,JS和PIS),#16(MaMaGu,BS),#7(ZuiHou,FHS)和#28(MoMi,MRS)中观察到最低NDRE。
所有水稻品种的JS期、PIS期和BS期都观察到0.5以上的高NDRE值,这与水稻发育相关,因为JS期是营养生长期间生物量快速累积的时期,PIS/BS期是营养生长向生殖生长的转化阶段,这说明叶和茎的生长比之后的花和种子产生需要更多的能量。但是,在51个水稻品种中的同一时期,或者在同一个品种的不同时期,精确的最大NDRE值、达到最大NDRE值以及从最大NDRE值回落的时刻差异很大。这说明,叶绿素含量、光合速率、氮吸收、转运、累积和维持氮水平的能力在这些品种中各不相同,在整个生育周期中的不同时期也不一样。因此,NDRE可作为测量和评估叶绿素和氮积累实时变化的参数。
8、预测模型的优化及modelⅠ和Ⅱ的建立
8.1、为了确定在不同生育期NDRE与叶绿素和氮的相关性为何发生变化,对51个水稻品种6个生育期总共306个数据绘制散点图用于分析(图2A和C)。在移栽后,水稻植株从小植株(40cm高,5-6叶)发育成大植株(120cm,16-18叶)。生物量的成长和冠层修饰基于叶绿素和氮的积累。
考虑到TS阶段的生物量小、叶片窄、植株小,叶绿素和氮含量可能被错误地高估了,该时期的反射率其实是植株本身与稻田水体的混合特征。基于该推断,我们剔除TS期数据,重新建立线性回归模型,NDRE与叶绿素具有更好的相关性R2=0.8127,NDRE与N%也具有更好的线性关系R2在0.60以上(图2B和D)。由于N%是通过元素定量分析(EQA)法测量得到的,因此,我们认为,回归模型(y=5.754x2+8.167x+0.5752)是基于实际测量值的预测模型,作为modelⅠ,用于下面的进一步分析。
总之,仅将冠层充分覆盖水面后的生育期(JS期及以后)的数据用于数据处理,NDRE与叶绿素和氮含量具有更好的相关性。所建立的NDRE与氮含量模型的R2显著提高。
8.2、生育周期长度影响NDRE估计叶绿素和氮的精确性。由于51个水稻品种生育周期长度不同,较长的生育周期时将中稻与早稻和晚稻相区分的标准。从播种到种子成熟,中稻的生育周期一般长于100天,而早稻和晚稻一般短于90天。因此,从播种到成熟间隔100天设为截断值,将51个水稻品种分为早成熟组(EM)和迟成熟组(LM)。为了确定生育周期长度是否影响叶绿素和氮含量估计的精度,对FHS期的NDRE进行线性回归分析(图3)。分组后的每个组的回归系数(RC)升高了。NDRE与叶绿素之间的RC从0.6557(混合)升高至0.7796(EM)和0.7301(LM)。NDRE与氮含量之间的RC从0.4919(混合)至0.6152(EM)和0.6282(LM)。这说明成熟时间的长短会影响食用反射率特征估计氮含量和叶绿素的精度。从农业视角和表型组学研究来看,当需要同时估计成百上千个水稻品种的氮积累时,将生育周期长度纳入考虑可做出更好的分析。
8.3、LAI对NDRE与氮含量的相关性有影响。为了确定冠层结构是否是影响氮含量与NDRE相关性的关键因素,使用42个水稻品种的训练数据集(2017,表5)进行分析。测量叶面积指数(LAI)和氮含量(EQA),通过UAV数据计算NDRE。使用N%LAI而非N%作为相关性分析的参数。得到了非线性模型y=1.05571e4.5666x(modelⅡ),R2为0.86(图4)。该模型的相关性比Model I更好。因此,以上实验证明,将冠层结构例如LAI纳入考虑后,NDRE与氮含量表现出强相关。
9、试验的水稻品种的氮含量变化曲线
将LY9348的6个生长时期及其亲本(LH4B、CH9348)以及另外两个水稻品种R8108和LY8H种植到一个试验田中,使用EQA法验证这5个水稻品的氮含量变化。结果显示,LY9348从JS期开始维持更高的氮含量,并且该状态持续到MRS期结束。由于无论父本还是母本均显示出低得多的氮含量,说明LY9348更高的氮积累能力并非遗传自亲本,而是杂交优势组合导致的。LY9348中更高的氮积累证明其更高的氮摄取效率(NUpE),因为这5个品种生长于相同的田地中,受到相同的水肥管理。
进行田地氮施用量跟踪实验,将LY9348和FLY4(CK),测试4个氮施用量(0kg/ha、120kg/ha,180kg/ha和240kg/ha)。在陵水,2018年12月10日播种,2019年1月移栽。每个施用量3个重复被随机布置在田地中,形成12个实验小区,每两个小区之间间隔0.4m,并且每个小区上覆盖0.4m薄膜。每个实验小区约30m2,分成两半,一半种LY9348,另一半种FLY4(CK)。每个小区种植432个植株,穴距15cm×18cm,分成24排,每排18株。在移栽前,所有的实验小区都施用基肥,过磷酸盐(90kg/ha P2O5)和硫酸钾(180kg/ha K2O)。尿素(N)分三次施用,分别在播种时、分蘖期和孕穗期施用。在移栽后,每个实验小区均维持5cm水深。收获前第10天,排干水以方便收获。使用30个植株计算每穂谷粒数、每穂结实率和每株谷物产量(g)。基于每个小区中央区域收获的100个植株谷物产量估计每kg N的谷物产量,并且通过计算时扣除13.5%的标准含水量来校准。与对照组FLY4H相比,LY9348的每穂谷粒数(图5A)、每穂结实率(图5B)和产量(图5C)均更高,这个差异在0kg/ha N施用小区比120、180和240kg/haN施用小区更明显。更高的产量相关表型说明,LY9348也是具有更高氮利用/积累效率(NUtE)的品种,并且每kg氮产生的产量随着氮施用量的增加而降低(图5D)。由于LY9348中NUpE和NUtE更高,因此LY9348被认为是具有高氮利用效率(NUE)的品种(NUE,NUE=NUpE xNUtE=Grain Weight Gained/Supply of Soil Nitrogen Amount)。
我们仔细分析LY9348在整个生育周期中氮含量的变化曲线和NDRE值发现,与51个水稻品种的NDRE值范围(TS期(0.41-0.55),JS期(0.46-0.62),PIS期(0.38-0.58),BS期(0.35-0.54))相比,LY9348的NDRE值相对较高但不是最高(TS(0.50),JS(0.56),PIS(0.54)and BS(0.51))。尽管LY9348与其他品种之间的明显氮含量差异出现在穂和籽粒发育时期,但是较早时期的氮含量水平也值得监控。许多之前的研究显示,TS和BS期增加氮肥可有效增加分蘖数、生物量和光合产物。但是,这些时期过度的氮施用可能产生更多的无效分蘖、浅根、不健康的植物形态结构,以及延迟营养生长向生殖生长的转化,从而导致减产。此外,在PIS和BS期正确地施用氮肥,可增加穂的数量、每穂颖花数、结实率和籽粒,但是如果过度施用氮肥,这些产量相关特征将会降低。因此,从全局评价的角度而言,高NUE表型不仅仅局限于生殖阶段(FHS期和MRS期)的高氮含量水平,在营养生长阶段以及在营养-生殖过渡阶段,氮含量处于适度高水平是高NUE表型的一部分。
以上实验和分析说明,通过遥感技术获得反射率数据计算的NDRE值,估算的水稻整个生育周期内或部分生育周期内的氮含量变化曲线是每个水稻品种在特定的环境下的稳定性状,可以作为NUE表型。其中,LY9348在整个生育周期中的氮含量变化曲线可作为高NUE表型标准,用于筛选具有高NUE表型的水稻品种。
10、Model I和Ⅱ在监测水稻氮含量中的应用及其可靠性
为了测试ModelI和ModelII在更大的水稻群体中选择高NUE表型分析的性能和准确性,我们对51个水稻品种的6个生育期的数据进行了进一步分析。EQA法进行氮含量估计显示,在51个水稻品种中,LY9348所有6个时期均维持较高的氮含量,但是在MRS期比其他水稻品种都高(图6A)。ModelI和ModelII都检测到LY9348在FHS和MRS期具有最高氮含量水平(图6B和C)。但是,ModelI得到的51个水稻品种TS、JS、PIS到BS期的氮含量变化曲线比ModelII更平,因此,ModelII似乎具有更好的检测敏感性和精度。
为了进一步评价哪个模型更适合检测氮积累,将横跨LY9348整个生育周期的氮含量测量曲线和估计曲线放在一个图里(图7A)。ModelI的氮估计曲线(N%-RS)与EQA测量(N%-AM)拟合良好,仅仅在JS期有低估。ModelII(N%*LAI-RS)估计的氮含量是ModelI的2-4倍,并且不同的生育期之间波动比ModelI和EQA法更大。统计显示,EQA测量的所有生育期的氮含量都均匀分散在中值附近(图7B)。但是,ModelI在TS、JS、PIS和BS分布更紧密,而在FHS和MRS更松散(图7C);ModelII表现出与ModelI相反的模式(图7D)。因此,ModelII更适合较早的四个时期的检测,而ModelI更适合较晚的两个时期的检测。可在不同时期使用不同的模型对水稻中的氮含量进行估算。
有趣的是,我们使用测氮仪N-pen N110 meter检测氮含量,绘制氮含量变化曲线,结果显示,尽管测氮仪检测的氮含量与EQA测量的氮含量具有高相关性(R2为0.68-0.89),但是它未能在FHS和MRS期将LY9348与其他品种区分出来。这可能是因为通过掌上测氮仪测量和估计的反射率特征的饱和度无法检测低于2%的氮含量。
我们的实验还证明,获取反射率的高度(50-200m)不影响对氮含量的估算。此外,无论是在ModelI还是ModelII中,我们都没有对叶和穂进行区分以用于氮含量估计,仅仅将每个品种的总反射率特征用于对氮含量进行混合估计。
需要说明的是,尽管我们尽量将modelI与ModelII的数据与EQA测量结果相拟合,但是,EQA的测量方式是采样测量,也存在系统误差,而ModelI和II是宏观数据测算结果,事实上我们不能完全确定到底是ModelI和II估算结果与真实氮含量之间的误差大,还是EQA测量结果与真实氮含量之间的误差大。这种系统误差可能就是EQA法未能比modelI与ModelII更好地从群体中区分出高NUE的LY9348的原因。
不管如何,我们最终分别使用两种估算模型成功对水稻氮含量进行了估算,并且这两个估算模型都能将NUE水稻品种LY9348从较高NUE水稻品种群中区分出来,这说明了本发明的方法在从大量水稻品种中筛选高NUE品种的可靠性和可操作性。
此外,尽管本发明的实施例部分一直围绕水稻和NUE进行描述,但是,本发明的方法也可适应性地应用到其他植物(例如小麦、玉米等)和其他营养元素(例如磷、钾等)中。
以上所述仅为本发明的较佳实施例,并不用以限制本发明。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种表示水稻动态性状的方法,其特征在于,将横跨所述植物的整个生育周期或部分生育周期中的多个时间点对应的生理参数的构成的集合。
2.根据权利要求1所述的表示植物性状的方法,所述植物动态性状为水稻的氮利用效率。
3.根据权利要求2所述的表示植物动态性状的方法,其特征在于,所述集合包括水稻的TS期、JS期、PIS期、BS期、FHS期和MRS期对应的水稻植株氮含量中的两个或更多个。
4.根据权利要求3所述的表示植物动态性状的方法,其特征在于,所述水稻植株氮含量通过使用所述水稻植株种植区的植被指数计算得到。
5.根据权利要求4所述的表示植物性状的方法,其特征在于,所述水稻植株氮含量通过以下方法得到:
S1:获取水稻种植区的反射率;
S2:根据所述反射率计算NDRE值;
S3:将所述NDRE值代入式Ⅰ所示的估算模型,计算得到所述水稻植株氮含量;
y=5.754x2+8.167x+0.5752,Ⅰ
其中,y表示氮百分含量,x表示NDRE值。
6.一种高NUE水稻品种筛选标志,其特征在于,为包括FSH期对应的氮含量和MRS期对应的氮含量的集合;并且
所述FSH期对应的氮含量不低于2.97%,所述MRS期对应的氮含量不低于2.66%。
7.根据权利要求6所述的筛选标志,其特征在于,所述集合还包括以下中的一个或多个:TS期对应的氮含量、JS期对应的氮含量、PIS期对应的氮含量、BS期对应的氮含量;并且
所述TS期对应的氮含量不低于3.21%;
所述JS期对应的氮含量不低于3.35%;
所述PIS期对应的氮含量不低于3.30%;
所述BS期对应的氮含量不低于3.24%。
8.一种筛选高NUE水稻品种的方法,其特征在于,包括以下步骤:
S1:获取水稻种植区的反射率信息,计算所述水稻种植区特定生育期的植被指数;
S2:根据所述特定生育期的植被指数估算所述水稻种植区特定生育期的氮含量;
S3:使用S2得到的所述水稻种植区特定生育期的氮含量与权利要求6或7中所述的高NUE水稻品种筛选标志中相应的生育期的氮含量进行比较,所述水稻种植区特定生育期的氮含量符合所述筛选标记中相应的生育期的氮含量即判定所述水稻种植区中的水稻品种为高NUE水稻品种。
9.根据权利要求8所述的方法,其特征在于,S3中要求所述水稻种植区所有生育期的氮含量均符合所述筛选标记中相应的生育期的氮含量即判定所述水稻种植区中的水稻品种为高NUE品种。
10.一种检测植物植物施肥需求的方法,其特征在于,包括以下步骤:
1)获取植物良好生长状态下的植物种植区的反射率信息,计算所述植物种植区各生育期的植被指数,根据所述植物种植区各生育期的植被指数计算所述水稻种植区各生育期的营养元素含量,作为所述植物的所述营养元素得到满足的标志;
2)获取待检测的植物种植区的特定生育期的反射率信息,计算所述待检测的植物种植区的特定生育期的植被指数,根据所述待检测的植物种植区的特定生育期的植被指数计算所述待检测植物种植区的特定生育期的营养元素含量;
3)将所述待检测植物种植区的特定生育期的营养元素含量与所述植物的营养元素得到满足的标志中相应的生育期的营养元素进行比较,如果所述待检测植物种植区的特定生育期的营养元素含量低于所述植物的营养元素得到满足的标志中的相应生育期的营养元素,则应当加大在所述待检测植物种植区施用含有所述营养元素的肥料;如果所述待检测植物种植区的特定生育期的营养元素含量高于所述植物的营养元素得到满足的标志中的相应生育期的营养元素,则应当注意减少在所述待检测植物种植区施用含有所述营养元素的肥料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001565.3A CN112285062B (zh) | 2020-09-22 | 2020-09-22 | 一种高nue水稻筛选标志及筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011001565.3A CN112285062B (zh) | 2020-09-22 | 2020-09-22 | 一种高nue水稻筛选标志及筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112285062A true CN112285062A (zh) | 2021-01-29 |
CN112285062B CN112285062B (zh) | 2022-07-26 |
Family
ID=74422211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011001565.3A Active CN112285062B (zh) | 2020-09-22 | 2020-09-22 | 一种高nue水稻筛选标志及筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112285062B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
-
2020
- 2020-09-22 CN CN202011001565.3A patent/CN112285062B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
Non-Patent Citations (5)
Title |
---|
宋晓等: "基于地面观测光谱数据的冬小麦冠层叶片氮含量反演模型", 《应用生态学报》 * |
张秋阳 等: "基于 GeoEye高分遥感影像的冬小麦氮肥推荐应用", 《麦类作物学报》 * |
杨琦 等: "利用无人机影像构建作物表面模型估测甘蔗 LAI", 《农业工程学报》 * |
阮新民 等: "氮素高效利用水稻新品种筛选与评价", 《上海农业学报》 * |
黄永兰 等: "氮高效水稻种质资源筛选及相关特性分析", 《植物遗传资源学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112285062B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassan et al. | A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform | |
Akinseye et al. | Assessing crop model improvements through comparison of sorghum (sorghum bicolor L. moench) simulation models: A case study of West African varieties | |
Basnayake et al. | Sugarcane for water-limited environments. Variation in stomatal conductance and its genetic correlation with crop productivity | |
Law et al. | Terrestrial carbon observations: Protocols for vegetation sampling and data submission | |
Fernández-Aparicio et al. | Escape and true resistance to crenate broomrape (Orobanche crenata Forsk.) in grass pea (Lathyrus sativus L.) germplasm | |
Mbangiwa et al. | Modelling and measurement of water productivity and total evaporation in a dryland soybean crop | |
CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
Hund et al. | Non-invasive field phenotyping of cereal development | |
CN112285062B (zh) | 一种高nue水稻筛选标志及筛选方法 | |
CN112362803B (zh) | Ly9348在高通量筛选高nue水稻品种中的应用 | |
Celestina et al. | Use of spike moisture content to define physiological maturity and quantify progress through grain development in wheat and barley | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
Naderi et al. | Evaluation of SPAD meter as a tool for N fertilization of rapeseed (Brassica napus L.) | |
Bort et al. | Factors affecting the grain yield predicting attributes of spectral reflectance indices in durum wheat: growing conditions, genotype variability and date of measurement | |
El-Hendawy et al. | Capability of multiple selection criteria to evaluate contrasting spring wheat germplasms under arid conditions | |
Torres-Cruz et al. | Leaf area index and grain yield of durum wheat in southern Sonora, Mexico, during the season 2020-2021 | |
Major et al. | Estimation of whole-plant biomass and grain yield from spectral reflectance of cereals | |
Fox | An integrated approach for predicting nitrogen status in early cotton and corn | |
Prastowo et al. | Morphological variations of robusta coffee as a response to different altitude in Lampung | |
Xiong et al. | Corrigendum to: Utilisation of unmanned aerial vehicle imagery to assess growth parameters in mungbean (Vigna radiata (L.) Wilczek) | |
Siband et al. | Analysis of the yield of two groups of tropical maize cultivars. Varietal characteristics, yield potentials, optimum densities | |
Makuni | Direct and indirect methods of estimating lucerne (Medicago sativa) yield | |
Taylor et al. | Applications of optical sensing of crop health and vigour | |
del Pozo et al. | Aerial and ground-based phenotyping of an alfalfa diversity panel to assess adaptation to a prolonged drought period in a Mediterranean environment of central Chile | |
Amador-Ramírez et al. | An empirical model to predict yield of rainfed dry bean with multi-year data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |