基于通用作物生長模型的油菜非葉綠色器官產(chǎn)量估算研究
Plant Phenomics | 中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所基于通用作物生長模型的油菜非葉綠色器官產(chǎn)量估算研究
油菜是世界第三大油料作物，不僅是重要的食用油來源，也是飼料蛋白和生物柴油的重要原料之一，對現(xiàn)代食品、工業(yè)和生物能源等產(chǎn)業(yè)具有重要作用。過去十年，隨著世界人口的逐漸增加，油菜籽的產(chǎn)量增長率僅為其他油料作物產(chǎn)量增長率的85%，難以滿足人們對于油菜籽及其加工產(chǎn)品的需求，因此對油菜進行動態(tài)、精準的生長模擬與產(chǎn)量估算對于穩(wěn)定市場波動和減少風險至關重要。然而，通用作物生長模型忽略了非葉綠色器官（如角果）的光合作用，在油菜產(chǎn)量估算中存在顯著的低估現(xiàn)象，這不僅影響了對于油菜生長狀態(tài)的準確評估，也為農業(yè)管理和政策制定帶來了挑戰(zhàn)。因此，開展針對油菜的產(chǎn)量估算方法研究，對于提高油菜的產(chǎn)量預測能力，推動農業(yè)可持續(xù)發(fā)展具有重要意義。
2024年9月，Plant Phenomics在線發(fā)表了中國農科院農業(yè)資源與農業(yè)區(qū)劃研究所吳尚蓉研究員團隊題為Rape Yield Estimation Considering Non-Foliar Green Organs Based on the General Crop Growth Model 的研究論文。
研究團隊通過對我國湘南主要油菜產(chǎn)區(qū)進行為期兩年的田間數(shù)據(jù)采集和分析，考慮到非葉片綠色器官的光合作用，提出了總光合面積指數(shù) (TPAI) 作為模型校準的替代變量；并基于總光合面積指數(shù)TPAI，提出了兩種新型參數(shù)校準方法：基于總光合面積指數(shù)和比角果面積的方法 (TPAI-SPA) 和基于總光合面積指數(shù)和曲線擬合的方法 (TPAI-Curve) 。所提總光合面積指數(shù)TPAI和校準方法突破了傳統(tǒng)通用作物生長模型依賴于葉面積指數(shù) (LAI) 作為校準參數(shù)的局限性，可以更全面地反映油菜生長過程中光合器官作用和演替的復雜性。研究結果符合作物產(chǎn)量形成的農學機理，即油菜的莢果在生長后期逐漸成為主要的光合器官，莢果的光合作用在增產(chǎn)中發(fā)揮著重要作用。因此，考慮莢果光合作用對提高油菜產(chǎn)量估算的準確性至關重要。
圖1 SN-MGGE網(wǎng)絡的架構
為進一步提高模型的預測準確性，研究使用了湘南油菜產(chǎn)區(qū)的兩年田間實測數(shù)據(jù)，對所提兩種模型參數(shù)校準方法進行了基于油菜產(chǎn)量模擬精度評價。研究結果表明，與傳統(tǒng)的基于LAI的模型校準方法相比，TPAI-SPA和TPAI-Curve方法在提高油菜產(chǎn)量估算準確性方面表現(xiàn)出色。通過對比分析，采用TPAI-SPA方法時，貯藏器官干物質重 (TWSO) 和地上生物量 (TAGP) 的估算精度分別提高了9.68%和49.86%；采用TPAI-Curve方法的提高幅度則為14.04%和42.94%。上述實驗結果表明，所提考慮非葉片綠色器官光合作用的TPAI-SPA和TPAI-Curve方法可有效修正基于通用作物模型的油菜產(chǎn)量模擬低估現(xiàn)象。
圖2 基于LAI、TPAI-SPA、TPAI-Curve方法驗證模型精度
注：LAI方法：(A) 20/21年TWSO. (B) 20/21年TAGP. (C) 22/23年TWSO. (D) 22/23年TAGP. TPAI-SPA方法：(E) 20/21年TWSO. (F) 20/21年TAGP. (G) 22/23年TWSO. (H) 22/23年TAGP. TPAI-Curve方法：(I) 20/21年TWSO. (J) 20/21年TAGP. (K) 22/23年TWSO. (L) 22/23年TAGP.
中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所副研究員吳尚蓉為通訊作者，中北大學信息與通信工程學院碩士研究生阮世偉和中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所碩士研究生曹紅為共同第一作者。本研究得到了國家自然科學基金項目、中國農業(yè)科學院青年創(chuàng)新計劃等項目的資助。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0253
——推薦閱讀——
Maturity classification of rapeseed using hyperspectral image combined with machine learning
https://doi.org//10.34133/plantphenomics.0139
Plant Phenomics | 華中農業(yè)大學基于高光譜圖像與機器學習對油菜籽的成熟度進行分類研究
High-Throughput Yield Prediction of Diallele Crossed Sugar Beet in a Breeding Field Using UAV-Derived Growth Dynamics
https://doi.org/10.34133/plantphenomics.0209
Plant Phenomics | 利用無人機獲取的生長動態(tài)在育種田中對雙親雜交甜菜進行高通量產(chǎn)量預測
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、�？l(fā)布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業(yè)大學創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2023影響因子為7.6，位于農藝學一區(qū)（1/125名），植物科學一區(qū)（13/265名），遙感一區(qū)（6/62名）。2023年中科院期刊分區(qū)位于農林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：阮世偉、曹紅
編輯排版：王平、張婕（上海交通大學）
審核：尹歡、孔敏
