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
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。

View image in article
附图1
2021-2022年不同类型水稻氮肥处理下稻米品质的主成分分析 A、B、C分别代表了主成分PC1与PC2、PC1与PC3、PC2与PC3的载荷分布。PC1: 主成分1; PC2: 主成分2; PC3: 主成分3。BRR: 糙米率; MRR: 精米率; HRR: 整精米率; CGR: 垩白粒率; CD: 垩白度; PC: 蛋白质含量; AC: 直链淀粉含量; TV: 食味值。
正文中引用本图/表的段落
试验采用裂区设计, 氮肥运筹为主区, 品种为副区。供试品种为常规籼稻黄华占(HHZ)和常规粳稻秀水134 (XS134)。为了构建氮肥运筹差异性的水稻生长群体, 在前人研究基础上, 采用了2种氮肥运筹模式, 即固定施氮和动态施肥模式。固定施氮模式下设置4个氮肥处理, 包括N0 (不施氮, 空白对照)、N1 (施氮67.5 kg hm-2)、N2 (施氮135.0 kg hm-2)、N3 (施氮202.5 kg hm-2); 动态施肥模式采用基于SPAD阈值的动态氮肥决策模式, 包括固定阈值S34 (SPAD≤34)、S37 (SPAD≤37)、S40 (SPAD≤40)和阶段阈值决策RTNM处理。试验共设置8个不同氮运筹处理。每个处理设置3个区组重复。采用露地湿润育秧, 播种后25 d秧龄(三叶一心)采用人工移载, 株行距20 cm×20 cm, 籼稻每穴2~3株苗、粳稻每穴3~4株苗。田间灌溉和病虫害防治等按照当地高产栽培管理。试验田概况见图1。
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。
附图和附表 请见网络版: 1) 本刊网站 http://zwxb.chinacrops.org/; 2) 中国知网 http://www.cnki.net/; 3) 万方数据 http://c.wanfangdata.com.cn/Periodical-zuowxb.aspx。
本文的其它图/表
-
图1
试验地概况 该图基于国家地理信息公共服务平台下载的审图号为GS (2024) 0650号标准地图制作, 底图边界无修改。
-
表1
2021-2022年不同氮肥运筹对应施肥量
-
附表1
2021-2022年不同类型水稻供试品种取样日期
-
附表2
水稻产量、稻米综合指标和各稻米品质的方差分析
-
图2
2021-2022年不同氮肥运筹下施氮量积分图 A代表2021-2022年水稻XS134、HHZ的固定施氮N1、N2、N3处理的施氮累积动态, B、C、D、E分别代表2021-2022年水稻XS134和HHZ动态施氮RTNM、S34、S37、S40处理的施氮累积动态。21XS: 2021年秀水134; 21HHZ: 2021年黄华占; 22XS: 2022年秀水134; 22HHZ: 2022年黄华占。处理及缩写同表1。
-
图3
2021-2022年氮肥处理对不同类型水稻产量的影响 A、B分别代表2021-2022年氮肥运筹对水稻XS134产量的影响; C、D分别代表2021-2022年氮肥运筹对水稻HHZ产量的影响。图中误差棒表示标准误, 不同小写字母表示不同氮肥处理间差异显著(P < 0.05, LSD)。处理及缩写同表1。
-
附表3
2021年不同氮肥运筹下不同类型水稻的稻米品质
-
附表4
2022年不同氮肥运筹下不同类型水稻的稻米品质
-
图4
2021-2022年氮肥运筹对不同类型水稻GQI的影响 A、B分别代表2021-2022年氮肥运筹对水稻XS134中GQI的影响; C、D分别代表2021-2022年氮肥运筹对水稻HHZ中GQI的影响。GQI: 稻米综合指标。图中误差棒表示标准误, 不同小写字母表示不同氮肥处理间差异显著(P < 0.05, LSD)。处理及缩写同表1。
-
图5
水稻产量及GQI与各生育期的静态农艺指标的相关性图 A、B分别是水稻产量、GQI与各生育期静态农艺指标的相关性, 红色代表显著相关(P < 0.05), 蓝色代表不相关; C是各生育期里的静态农艺指标与水稻产量和GQI显著相关的数量及占比; D是各生育期里同时与水稻产量、GQI显著相关的静态农艺指标。MT: 分蘖期; PI: 幼穗分化期; FL: 齐穗期; MGF: 灌浆中期; FGP: 结实率; GW: 千粒重; PN: 有效穗数; GN: 每穗粒数; BIO: 生物量; LAI: 叶面积指数; SLA: 比叶面积; SNA: 茎鞘氮积累; LNA: 叶氮积累量; PNA: 穗氮积累量; SNC: 茎鞘氮浓度; LNC: 叶片氮浓度; PNC: 穗氮浓度; PH: 平均株高; TILL: 平均分蘖; SW: 单位面积茎鞘重; LW: 单位面积叶重; PW: 单位面积穗重; TW: 单位面积总重; TNA: 总氮积累量; TNC: 全株氮浓度; NI: 氮肥投入量; IEN: 氮素产谷利用率; RE: 氮吸收利用率; AE: 农学氮肥利用效率。
-
图6
不同回归模型对水稻产量和GQI 的预测精确度(基于动态及静态农艺指标) A、C、E分别是线性回归、支持向量回归、岭回归模型对水稻产量的预测; B、D、F分别是线性回归、支持向量回归、岭回归模型对GQI的预测。Actual GY: 真实产量; Predict-lrGY: 线性回归模型预测产量; Predict-svrGY: 支持向量回归模型预测产量; Predict-ridgeGY: 岭回归模型预测产量; ActualGQI: 真实GQI; Predict-lrGQI: 线性回归模型预测GQI; Predict-svrGQI: 支持向量回归模型预测GQI; Predict-ridgeGQI: 岭回归模型预测GQI。
-
附图2
不同回归模型对水稻产量和GQI的预测精确度(基于静态指标) A、C、E分别是线性回归、支持向量回归、岭回归模型对水稻产量的预测; B、D、F分别是线性回归、支持向量回归、岭回归模型对GQI的预测。缩写同图6。
-
附图3
不同回归模型中静态指标对水稻产量和GQI的回归参数排序 A、C、E分别是线性回归、支持向量回归、岭回归模型中静态指标对水稻产量的回归参数排序; B、D、F分别是线性回归、支持向量回归、岭回归模型中静态指标对GQI的回归参数排序。缩写同图5。
-
图7
不同回归模型中动态及静态农艺指标对水稻产量和GQI的回归参数排序 A、C、E分别是线性回归、支持向量回归、岭回归模型中动态及静态指标对水稻产量的相关参数排序; B、D、F分别是线性回归、支持向量回归、岭回归模型中动态及静态指标对GQI的相关系数排序。MT: 分蘖期; PI: 幼穗分化期; FL: 齐穗期; MGF: 灌浆中期; MS: 成熟期; CGR: 干重增率; CGRN: 氮积累增率; PBR: 孕穗至齐穗-穗干重增长占比; SBR: 孕穗至齐穗-茎秆干重增长占比; LBR: 孕穗至齐穗-叶干重增长占比; PNR: 孕穗至齐穗-穗氮积累增长占比; SNR: 孕穗至齐穗-茎秆氮积累增长占比; LNR: 孕穗至齐穗-叶氮积累增长占比; LAD: 光合势; NAR: 净同化率。
-
表2
不同回归模型中响应水稻产量和GQI的动态及静态农艺生理指标类型
-
图8
动态及静态农艺生理指标对水稻产量和稻米品质的响应 图中红字是“量质协同”类, 椭圆三角是“量质互斥”类, 椭圆是“非量质互斥”类。A是静态农艺生理指标, B是动态农艺生理指标。TP: 移栽期; 缩写同图5和图7。
|