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。
正文中引用本图/表的段落
为了便于后续模型分析, 采用OriginPro 2021 (9.8.0.200 Learning Edition)对多项品质指标做主成分分析, 以实现数据降维。通过评估各主成分的贡献率, 选取贡献率最大的主成分作为稻米的综合指标, 并作图分析。在探索不同氮肥管理策略下, 协同提高水稻产量与品质的关键农艺生理指标方面, 本研究采用了3个常用的多目标预测回归模型: 线性回归模型(linear model, LM)、支持向量回归(support vector regression, SVR)、岭回归(ridge regression, RR); 用决定系数(R2)和均方根误差(RMSE)评估模型的预测精确度, 并进一步分析各个农艺生理指标的回归系数, 以评估它们对模型预测的贡献度。
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)。
目前常见的施氮方式有传统固定节点施氮和根据群体长势(如SPAD阈值)进行实时实地氮肥管理。传统施氮模式综合了作物养分需求和施肥成本, 易被农户接受; 但该模式易忽略作物长势, 为保障水稻产量, 实际操作中往往会前期氮肥投入过多, 而后期追肥不当。这种施氮方式极易因施肥过量而造成氮素损失和稻米品质下降[20]。本研究中, 随着氮肥总量的增加(无论固定施氮还是动态施氮), 水稻产量均不同程度提高, 而GQI总体上则呈下降趋势(图3和图4), 这种互斥的线性关系在固定施氮模式下尤为明显。大量研究均表明, 适时适量的氮肥施用是改善稻米品质的关键[7,9]。前人通过适度的氮肥调整, 如氮肥后移(增加穗肥比例)、减氮处理等, 均可在一定程度上协调水稻产量与品质[21]。而通过SPAD测定, 实时判定群体养分状态, 有助于及时调整养分供应, 有利于水稻产量和品质的协同调控[7]。与传统的氮肥管理方法相比, 实时实地氮肥管理不仅降低了基肥和水稻生长前期的氮肥用量, 还可以动态协调中后期的氮肥用量以满足作物的实时养分需求[8]。本研究发现, 在动态施肥模式下, 水稻产量与品质之间这种互斥关系得到了一定程度的改善。如RTNM处理在实现稳产的前提下, 通过优化氮肥施用时间, 减少氮肥投入, 一定程度上提高了GQI。相较N2处理, RTNM处理的总施氮量减少32.01%~ 58.02%, 在产量持平的情况下, GQI则提高3.10%~ 38.34% (除2022年XS134外)。前人的研究也得出了类似结论。研究表明, 根据品种的特性来确定适宜的预设SPAD阈值, 并通过实时实地的氮肥管理, 能有效地协调水稻产量和品质的关系[7]。与常规固定施氮模式相比, 实地氮肥管理不仅能在降低施氮量的同时实现增产, 还能明显减少直链淀粉含量和蛋白质含量, 进而改善稻米的食味品质[9]。这些发现进一步证实, 相较于常规固定施氮模式, 动态施氮模式通过反馈作物对环境和栽培管理的响应, 不仅能够增产增效, 还能确保稻米的品质。因此, 本研究认为通过氮肥运筹实现水稻“量质协同”, 其关键在于“增氮增产, 调氮提质”。通过群体营养长势的实时响应与调控可能是实现高产与优质协同的途径之一。而关于如何构建高效、快捷和准确的水稻群体长势响应指标仍有待进一步探索。
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。
-
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。
|