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 作物学报    2025, 51 (2): 485-502.   DOI: 10.3724/SP.J.1006.2025.42024

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。

正文中引用本图/表的段落

不同氮肥运筹策略对水稻产量具有显著影响, 并且不同水稻品种及不同年份间的产量亦存在差异(附表2)。在所有氮肥运筹中, N3处理的施氮量最高, 产量也最高。固定施氮处理中, 随着施氮量增加, 水稻产量逐渐增加。与此同时, 在基于SPAD阈值的动态施氮模式中, 虽然RTNM处理在施氮总量上介于S34和S40处理之间, 其水稻产量却高于两者(图2和图3)。

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

• 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
  
• 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。
  
• 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。