农业科研：基于遥感与气象数据的冬小麦主产区籽粒蛋白质含量预报

随着社会经济的日益发展和生活水平的不断提高，中国农业大而不强、多而不优的问题依然存在。为了提升农业的科技水平，农业农村部农业遥感机理与定量遥感重点实验室/北京农业技术推广服务中心、北京市农业技术推信息化工程技术研究中心，与全国农业技术推广服务中心联手展开了研究。

籽粒蛋白质含量是小麦品质评价的关键指标，而品质的高低决定小麦收购价格、加工用途和使用价值等。该团队开展小麦籽粒蛋白质含量的监测预报研究，对于指导农户调优栽培、企业分类收储、期货小麦价格、进口政策调整等具有重要意义。

基于作物籽粒蛋白质含量(Grain Protein Content，GPC)遥感监测预报的研究目前已得到探索和初步应用，可以归纳为4类：

(1)基于“遥感信息-籽粒蛋白质含量”模式的经验模型，该模型通过分析作物关键生育时期的遥感信息(敏感波段、植被指数、红边参数等光谱特征)直接构建作物GPC统计经验模型;

(2)基于“遥感信息-农学参数-籽粒蛋白质含量”模式的定量模型，该模型根据遥感信息与关键生育期农学参数之间的定量关系及农学参数与GPC之间的定量关系，构建GPC预测模型;

(3)基于遥感数据和生态因子的GPC半机理模型，该模型考虑了作物氮素运转机理和生态因子对GPC的影响，改善了模型的年际扩展性和空间转移性;

(4)基于遥感信息和作物模型结合的机理解释模型，该模型综合考虑籽粒蛋白质形成过程中各种生态因子的影响，通过遥感信息和作物生长模型耦合的同化方法，调整模型模拟变量与遥感观测值的误差达到最小，以调整作物模型的初始参数和状态变量，进而实现GPC的预测。

综合分析以上各类方法与模型的选择，前两类模型研究较多，操作简单且易实现，但机理解释性不强，在区域间和年际间扩展应用过程中监测结果偏差较大;同化模型方法考虑过多的输入变量，并且复杂的同化算法、品质生长模型本地化精度和高耗时运算时间问题，限制了该类方法的区域大面积应用。

Li等和Xu等通过综合考虑影响品质遥感预报模型中环境变异因素及品种筋型因子，引入分层线性模型(Hierarchical Linear Models，HLM)解释籽粒蛋白质含量-遥感-环境的嵌套问题，构建基于开花期的冬小麦品质预测模型，很好地解决了模型年际扩展和空间扩展存在较大偏差的问题。因此，发展以遥感信息(反映作物养分状况)与环境因子(体现时空变异)结合的GPC半机理预测方法，构建普适性及适用于时空扩展的籽粒蛋白质遥感预测模型具有可行性。

该研究拟在前期构建的冬小麦品质分层遥感预测的基础上，初步尝试在全国冬小麦主产区(河南省、山东省、河北省、安徽省和江苏省)开展GPC模型的构建，以期实现冬小麦品质收获前预测。

为了解决预测模型在年际扩展和空间扩展存在偏差的问题，在蛋白质含量估算模型中考愿了气象内系(温度、降水、辐射量)、冬小麦筋型、抽穗一开花期增强型植被指数(EVI)等因素。

结果表明，融合3个气象因素的蛋白质含量估算模型建模集精度(R =0.39，RMSE = 1.04%)与验证集精度(R =0.43、RMSE = 0.94%)均高于融合2个气象因子的估算模型和单个气象因子的估算模型。将蛋白质含量估算模型应用冬小麦主产区品质预报图，冬小麦主产区的蛋白质含量遥感估算，得到了2019年冬小麦主产区品质预报图，并形成黄淮海地区冬小麦品质分布专题图。

该研究结果可同时为后续小麦种植区划和实现绿色、高产、优质、高效粮食生产提供数据支撑。

审核编辑 黄宇