Please wait a minute...
欢迎访问作物学报，今天是
作物学报
图/表 详细信息
基于氮肥运筹下水稻产量与品质协同的农艺生理指标解析
覃金华, 洪卫源, 冯向前, 李子秋, 周子榆, 王爱冬, 李瑞杰, 王丹英, 张运波, 陈松
作物学报    2025, 51 (2): 485-502.   DOI: 10.3724/SP.J.1006.2025.42024
摘要   （207） HTML （14） PDF（pc） （7181KB）（285）  

提升水稻产量与品质的协同效应是当前水稻生产面临的重大挑战。深入剖析并清晰界定影响产量与品质协同提升的关键水稻群体特征, 对于指导水稻品种的改良和栽培技术的优化具有至关重要的意义。本研究以秀水134 (XS134)和黄华占(HHZ)为材料, 分别设置常规固定施氮模式(N0、N1、N2、N3)和基于SPAD阈值的动态施氮模式(RTNM、S34、S37、S40)。通过在水稻关键生育期采集静态与动态农艺生理指标, 以及产量和稻米品质数据, 采用不同多目标回归预测模型, 以深入解析水稻关键农艺生理指标对产量和稻米品质的响应。结果表明: (1) 总体上水稻产量与稻米综合指标(GQI)呈互斥关系。随着施氮量的增加, 产量逐渐提高, 而GQI则呈降低趋势, 尤其在固定施氮模式下, 这种负相关性更为明显。然而, 与固定施氮模式(N2)相比, 动态施氮(RTNM)在施氮量减少了32.01%~58.02%的同时, 能够稳定水稻产量并提升了GQI 3.10%~38.34% (除2022年XS134外), 这凸显了动态施氮模式在缓解水稻产量与品质互斥性, 并推动两者协同提升方面的潜力。(2) 相关性分析表明, 50个静态农艺指标中, 有28个指标与水稻产量和GQI均呈显著相关性, 占比56.00%。3种“量质”回归模型对水稻产量(R2: 0.74~0.83; RMSE: 0.40~0.49)和GQI (R2: 0.81~0.90; RMSE: 0.63~0.88)的预测能力表现出不同程度的准确性。特征重要性解析表明分蘖期的群体生物量是对产量和品质的预测均为正效应(0.09~6.37), 而株高、叶面积指数和叶重等在预测产量和品质时出现互斥, 这表明在构建水稻产量与品质协同提升的分蘖期群体时, 需要在确保群体生物量的基础上, 对“量质互斥指标”开展适宜度评估与优化。同时, 穗发育期的群体净同化率(NAR)对水稻产量和GQI均呈现出不同程度的正效应值(0.06~1.00), 暗示了穗发育阶段水稻的单位叶片光合效率可能是实现二者协同提升的重要群体特征。综上, 相较于常规固定施氮模式, 基于SPAD阈值的动态施氮策略可在一定程度上实现水稻产量与品质的协同提升; 分蘖期干物重和穗发育期NAR可以作为实现这一协同效应的重要参考指标。

品种
Cultivar		 处理
Treatment		 加工品质Milling quality 外观品质 Appearance quality 食味品质Tasted quality
糙米率Bown rice rate (%) 精米率Milled rice rate (%) 整精米率Head rice rate (%) 垩白粒率Chalky rice rate (%) 垩白度Chalkiness degree (%) 食味值
Taste value		 直链淀粉含量Amylose content (%)
黄华占HHZ N0 74.98 c 63.18 a 21.53 ab 21.10 a 5.97 a 79.50 a 16.40 a
N1 76.26 ab 64.99 a 26.35 ab 16.18 b 4.81 b 79.00 a 16.17 ab
N2 76.44 ab 64.30 a 24.86 ab 17.43 ab 5.13 ab 77.50 a 15.70 ab
N3 76.79 a 64.25 a 19.37 ab 19.29 ab 4.94 ab 73.50 a 15.47 ab
RTNM 76.18 ab 63.88 a 23.36 ab 19.66 ab 5.30 ab 77.67 a 15.98 ab
S34 75.72 abc 62.81 a 15.47 b 16.81 ab 4.76 b 78.50 a 16.10 ab
S37 75.54 bc 64.91 a 19.88 ab 17.78 ab 4.76 b 78.00 a 15.93 ab
S40 76.82 a 66.39 a 30.31 ab 20.47 ab 5.00 ab 74.50 a 14.97 b
秀水134
XS134		 N0 80.67 b 70.28 a 63.25 ab 27.19 ab 7.98 ab 84.00 abc 16.10 a
N1 81.18 ab 70.85 a 64.56 ab 26.44 ab 7.85 ab 83.67 abc 16.00 a
N2 81.72 ab 69.30 a 59.89 ab 25.74 ab 7.32 ab 82.33 bc 15.87 a
N3 81.94 a 71.70 a 65.46 a 24.26 b 8.74 ab 81.33 c 15.63 a
RTNM 81.38 ab 69.90 a 62.53 ab 28.08 ab 8.51 ab 83.33 abc 15.88 a
S34 81.09 ab 69.70 a 62.81 ab 23.99 b 6.21 b 85.67 a 15.77 a
S37 80.55 b 67.61 a 57.81 b 26.00 ab 8.92 ab 85.00 ab 15.87 a
S40 80.59 b 69.36 a 62.23 ab 31.63 a 10.08 a 82.33 bc 15.63 a
View table in article
附表3 2021年不同氮肥运筹下不同类型水稻的稻米品质
正文中引用本图/表的段落
氮肥是影响水稻生产的关键因素, 对水稻农艺生理特性、产量和品质的形成具有显著影响。合理增施氮肥可以促进植株群体的构建, 增强其群体光合同化能力, 从而推动作物的全面生长。同时, 氮肥增加还有助于糖分在植株中的储存与转运, 为实现水稻产量的显著提升奠定了基础[2]。一般而言, 水稻的产量随着施氮总量的增加呈现先增加后减少的趋势, 表现为显著的二次抛物线模式, 即存在一个最佳的施氮量来实现最高产量[3]。然而, 适宜的施氮量因品种、环境等因素而异, 因此需要根据具体情况进行调整。氮肥对于稻米品质的影响更为复杂, 因为它包含多类指标, 不同指标对氮肥的响应也有所偏重。总的来说, 随着施氮量增加, 稻米加工品质(如糙米率、整精米率和精米率)可能会有所提高[4], 但外观品质和食味品质则可能会不同程度地降低[5]。而在优质大米的市场中, 外观品质和食味品质尤为受到重视。综合来看, 水稻产量和稻米品质在施氮背景下呈现出一种复杂的博弈关系, 这种关系存在着很多不确定性[4]。所以在施氮背景下, 实现水稻产量和稻米品质的协同提升是一个充满挑战的理论问题, 但同时也为研究提供了新的可能性。氮肥管理在水稻生产中的重要性远远超出了单纯的总量控制。通过在水稻生长的各个关键阶段进行细致的氮素调控, 不仅可以优化植物群体的干物质转运, 还能在一定程度上提升产量并改善稻米品质。如当水稻的基肥、蘖肥和保花肥按照4∶2∶4的比例施用时, 能够显著提高分蘖成穗率, 增强叶片的光合速率, 以及提升叶片中的含氮量, 从而促进物质在抽穗至成熟期间的有效运转和积累, 为产量的提高奠定了基础, 并能降低垩白粒率, 提高碾米品质和蛋白质含量[6]。此外, 通过确定适宜的预设SPAD阈值来实现实时和实地氮肥管理, 能够更好地协调水稻产量和品质的关系[7?-9]。由此可见, 通过优化氮肥总量和实施动态施氮策略, 以满足水稻在不同生长阶段对高产和优质的氮肥需求, 可能是解决水稻产量与品质同步提升的关键途径。因此, 在确定水稻关键生育阶段的氮肥需求时, 关键在于识别和研究关键的水稻生理和农艺指标, 以指导氮肥的精准施用, 同步实现水稻产量的增加和品质的提升。
本研究测定了不同的稻米品质类型参数(包括食味品质、加工品质、外观品质、营养品质), 并发现这些稻米品质受到氮肥运筹、年份和品种的显著性影响(附表2、附表3和附表4)。进一步, 采用主成分分析法(PCA)进行降维分析, 探索与构建稻米品质综合指标用于后续模型分析。如附图1所示, 经PCA降维后, 提取了3个主要的主成分PC1、PC2和PC3, 它们的特征解释率分别为51.80%、20.11%和11.74%。进一步分析各主成分对稻米品质指标的贡献(相关系数 > 0.5, P < 0.01), 发现PC1在食味值、垩白度、垩白粒率、糙米率、精米率和整精米率等稻米品质性状呈显著正相关, 而蛋白质含量呈显著负相关。这表明PC1能够综合反映稻米加工品质、外观品质和食味品质。对于PC2而言, 与稻米品质性状呈现正向效应的相关系数均低于0.50, 食味值和直链淀粉含量则呈现负向效应, 这表明PC2主要反映了稻米的食味品质特征。至于PC3, 除了整精米率外, 与其他稻米品质指标的相关系数普遍低于0.50, 表明其与稻米品质的关联度较小。综合考虑, 本研究选择PC1作为稻米综合指标(grain quality index, GQI)。GQI的值与食味值、垩白度、垩白粒率、糙米率、精米率和整精米率呈正相关, 与蛋白质含量呈负相关。
为了探索水稻不同生育阶段响应水稻产量和品质的共性农艺生理指标, 本研究采用回归预测方法, 旨在筛选出与产量和品质紧密相连的关键农艺特征。选取线性回归、支持向量回归、岭回归模型作为预测模型, 将28个与水稻产量和GQI均显著相关的静态农艺指标作为预测自变量, 而将水稻产量和GQI作为模型的因变量, 构建多个回归模型, 并分析各指标对模型预测的贡献。结果表明, 所选3种模型均显示出了预测水稻产量和品质的能力。具体来看, 线性回归模型在预测水稻产量时, 其R2和RMSE分别为0.68和0.56, 支持向量回归模型的R2和RMSE分别为0.63和0.59, 岭回归模型的R2和RMSE分别为0.67和0.56。在GQI预测方面, 线性回归模型的R2和RMSE分别达到了0.86和0.78、支持向量回归模型的R2和RMSE分别为0.80和0.91、岭回归模型的R2和RMSE分别为0.86和0.78 (附图2)。这不仅证实了模型的有效性, 也揭示了不同静态农艺指标在预测中所扮演的角色存在显著差异。进一步的分析根据3种多目标预测模型中至少2种模型的回归系数方向(正、负), 将静态农艺指标分为4类(表2): (1) 量质协同指标: 在分蘖期, 干物重的效应值为0.09~6.37; 幼穗分化期的群体氮浓度和齐穗期的穗氮浓度则表现为-0.17~ -0.40和-0.06~ -0.37的负效应值, 这些指标对产量和GQI均有正向或负向的显著影响。(2) 量质互斥指标: 分蘖期的叶面积指数、株高和茎鞘重对产量有正向影响, 而对GQI的影响则相反; 齐穗期的穗数、群体和穗氮积累量亦呈现出类似趋势。(3) 增产不降质指标: 分蘖期的叶片氮浓度(正效应值: 0.27~0.36)、幼穗分化期的分蘖数(正效应值: 0.21~0.25)、齐穗期的群体氮浓度(正效应值: 0.36~0.99)和灌浆期的叶重(正效应值: 0.40~0.46), 这些指标对产量有显著正向响应, 而对GQI的影响不显著。(4) 提质不减产指标: 分蘖期的叶片氮积累量(正效应值: 0.23~0.97)和比叶面积(正效应值: 0.08~0.23)、幼穗分化期的叶片氮积累量(正效应值: 0.30~0.47)和灌浆期的叶片氮积累量(负效应值: -0.53~ -0.07), 这些指标对GQI有显著正向或负向响应, 而对产量的影响则不显著。进一步探究水稻关键生育阶段的动态农艺指标(如群体生长速率、干物质分配比例和净同化速率等)和静态农艺生理指标结合的回归预测, 结果显示, 融合动态和静态指标显著提高了模型预测的精确度(图6)。线性回归模型对水稻产量的R2提升至0.83, RMSE降至0.40; 对GQI的R2提升至0.90, RMSE降至0.64。支持向量回归和岭回归模型也显示出类似的改进。这表明动态农艺生理指标为评估水稻生长和发育过程提供了更多维度的特征参数, 有助于实现更精确的预测。
本文的其它图/表
京ICP备15008789号-2