Development of the portable device for rapeseed quality detection based on near-infrared spectroscopy
-
摘要:
为解决油菜籽收获、运输、存储、销售等过程中对含油量、蛋白质、硫苷等内部品质的检测需求，实现油菜籽多指标、便携式、快速无损的检测目标，该研究设计了一种基于近红外光谱的便携式油菜籽内部品质检测装置，集成微型光谱仪、LCD触摸屏、树莓派处理器、箱体、样品杯和电源，装置尺寸为246 mm×128 mm×127 mm，可在户外环境稳定工作6 h以上。以不同产区的65个油菜籽品种为研究对象，采集900～
1633 nm的近红外漫反射光谱，使用竞争性自适应重加权、最小角回归、无信息变量消除等降维算法与偏最小二乘、极限学习机、支持向量等回归算法，建立了含油量、蛋白质、硫苷、含水率和芥酸高精度预测模型，决定系数R2分别为0.949、0.861、0.730、0.976、0.862，均方根误差RMSE分别为1.39%、1.46%、20.7 μmol/g、0.36%、3.63%。使用 QT Creator 作为集成开发环境， PyTorch 作为框架，实现了模型的嵌入式部署与应用，实现了油菜籽的多品质参数一键式无损检测。使用Flask、MQTT等技术，开发了APP端、网页端和小程序端软件，实现了预测数据的多端同步和实时监控。经检验测试，含油量、蛋白质、硫苷、含水率和芥酸的预测决定系数R2分别为0.932、0.855、0.734、0.968、0.761，均方根误差RMSE分别为1.35%、1.67%、19.6 μmol/g、0.34%、2.96%，检测过程为13 s，在相对湿度40%～70%、温度15～35 ℃的环境下，装置对含杂量不大于2%、质量3～7 g的成熟期油菜籽具有数据采集稳定性；该仪器可用于对油菜籽的快速无损检测。Abstract:Oil content, protein, glucosinolates, and internal qualities are required to be detected during harvesting, transportation, storage, and sale of rapeseed. In this study, a portable device was designed to detect the rapeseed internal quality using near-infrared spectroscopy, in order to realize the multi-index, portable, and rapid non-destructive testing. The hardware was integrated with the dimensions of 246 mm × 128 mm × 127 mm, such as a mini spectrometer, an LCD touchscreen, and a Raspberry Pi processor. The device was operated stably outdoors for 6 hours. The 65 varieties of rapeseed were sampled from different production areas. Diffuse reflectance spectra were then collected from 900 to 1700 nm. The wavelength stability tests were carried out to determine a stable spectral region from 900 to 1 633 nm. Data was divided using KS (Kennard-Stone), SPXY (sample set partitioning based on joint X-Y distances), and Random number. The dataset division was obtained with R2 as the index, where the KS was used for the oil content and protein, while the random numbers were for the glucosinolates, erucic acid, and moisture content. Various methods of data smoothing were evaluated with data smoothness as the index, such as SNV, SG, MSC, D1, and D2. SG smoothing (5-window, and 3rd order) was determined as the best preprocessing. Cars, Pca, GA, Lars, Uve, and Spa were used as data reduction to explore the best dimension reduction for each physicochemical index. Cars reduced the dimensions of the oil content model by 73%. Pca reduced the dimensions of the protein and erucic acid models by 98%. Thus the predictive accuracy of erucic acid was improved by 31.49%, whereas, the predictive error was reduced by 40.78%. PLS, ANN, CNN, SVR, and ELM models were used with RMSE, R2, and MAE as the indices. The calibration model was determined for the oil content using KS+SG+Cars+PLS, for the protein using SPXY+SG+Pca+PLS, for the glucosinolates using Random+SG+PLS, for the moisture content using Random+SG+ELM, and the for erucic acid using Random+SG+Pca+PLS. Model indices were as follows: RMSE, R2, and MAE for the oil content were 1.40%, 0.95, 1.16%; for the protein 1.46%, 0.86, 1.24%; for the glucosinolates 20.70 μmol/g, 0.73, 15.73 μmol/g; for the erucic acid 3.63%, 0.86, 3.28%; for the moisture content 0.36%, 0.98, 0.24%, respectively. The device was used to collect the spectra from 1 to 7 g of rapeseed seven times for the light transmission. Results showed that the absorption error for 3 to 7 g was within ±5%. Electronic scales were then removed for direct sample testing during field tests. Five stability tests were conducted at temperatures from 15 to 35 ℃, all of which were within reliable ranges; Stability tests were set as the relative humidity from 40% to 80% and found condensation at 70% relative humidity, which was corrected to maintain stability from 40% to 70% relative humidity. Accuracy tests on the device showed the correlation coefficients (R2) for oil content, protein content, glucosinolates, moisture content, and erucic acid between predicted and real sets at 0.932, 0.855, 0.734, 0.968, and 0.761, respectively; RMSE values were 1.35, 1.67, 19.6, 0.34, and 2.96, respectively. Therefore, the device can be expected to perform real-time non-destructive testing of oil content, protein, glucosinolates, moisture content, and erucic acid in rapeseed after safe storage.
-
Keywords:
- non-destructive testing /
- near-infrared /
- portable /
- multi-index /
- rapeseed
-
0. 引 言
小麦是中国三大粮食作物之一，其播种面积和产量占全国粮食作物的1/4左右[1]。黄淮海平原是中国重要的小麦生产基地，产量贡献率达57%，降水年内、年际间分布不均，干旱、渍涝灾害频发[2-3]。小麦生产过程中以深翻耕为主要耕作方式，长期翻耕导致土壤结构受损[4]，耕层变浅、压实层紧实上移[5]，引起土壤蓄水保墒能力下降[6]，土壤退化等问题，严重制约该区小麦生产[7-8]。保障小麦可持续生产并减轻土壤退化现状，建立科学合理耕作模式是实现该地区小麦稳产高产的关键所在。为逆转或减轻土壤退化现状，有研究表明可通过改变耕作方式调节土壤水、肥、气、热的关系，解决作物和土壤环境之间矛盾，减少土壤养分和水分流失，促进作物正常生长发育[9]。通过合理配置土壤耕作模式，将深耕、免耕等土壤耕作措施进行合理组合与轮换，既能弥补各项单一土壤耕作措施的不足，又有利于充分和持续均衡土壤水分，达到蓄水保墒、增产增收等效应[10]。
耕作方式对土壤理化性质及作物产量的研究较多，但结果差异较大。相比于常规耕作，深耕能够打破坚硬的犁底层，提高土壤水分渗透强度[11]，同时将表层的养分与整个耕层充分混合，从而缓解土壤紧实对有效养分的限制，但对土壤扰动程度大，且产生的积极效应不持久[12]。传统连年旋耕作业可导致耕层过浅、犁底层变硬，土壤养分表层积聚，作物生育后期供肥能力变差 [13]。免耕被认为是改善土壤结构较为优异的耕作措施，可降低机械化翻动对土壤结构的破坏，有效增强土壤蓄水保墒的能力，但连年免耕易使土壤容重增加，影响作物根系的生长发育，而免耕与秸秆还田等措施结合又易在土壤表层滋生病虫害，不利于小麦生产[13]。孙海国等[14]发现随土壤扰动程度降低，土壤养分含量增加，表层有机质含量也增加。目前，国内外采用多种耕作方式交替进行的轮耕模式，在维持作物产量，提高土壤质量方面具有一定优势，有学者对美国中北部免耕持续年限调查发现，平均在1.4 a或2.5 a之后须采取其他耕作方式[15]。王玉玲等[16]研究发现在黄土旱塬区进行免耕-深松组合的逐年轮耕模式能提高冬小麦生育期0～200 cm土壤含水量。候贤清等[17]在宁夏南部半干旱区研究发现深松-免耕、免耕-深松的隔年轮耕模式较传统连年翻耕提高了0～40 cm土壤有机质含量。于淑婷等[18]在黄淮海麦玉两熟区研究发现深耕-旋耕、深耕-旋耕-旋耕模式增加了10～40 cm土层有机碳和氮储量。蒋向等[19]在河南新乡研究发现旋耕2 a后深耕较连续3 a旋耕更能改善麦田土壤物理性状。孔凡磊等[20]在河北栾城研究发现免耕-翻耕、免耕-旋耕的轮耕组合较连年免耕显著提高了冬小麦有效穗数，且分别增产11.8%、16.9%。关小康等[21]在河南商丘研究发现深耕-免耕结合较传统连年深耕可使冬小麦增产8.7%～7.0%。
轮耕模式在耕作组合和频次等方面受种植模式、土壤质地和区域小气候等因素的影响，在半干旱一年一熟种植制度下的黄土高原、东北黑土区耕作方式多为翻耕结合深松和浅旋耕隔年进行，以此实现土壤水分保蓄。而黄淮海平原冬小麦-夏玉米周年复种轮作模式下，连年深耕可导致耕层土壤变浅、犁底层加厚变硬、土壤水分保蓄能力不足、土壤养分循环转化困难，在高强度耕作和作物生产模式下，以土壤水肥持续稳定供应支撑一年两熟小麦玉米生产是该区需要着重考虑的重要问题。
综上，前人多采用多种耕作措施组合，而对简化耕作措施组合的研究较少，因此，本研究以长期定位试验的方式，设置连年深耕、一年深耕两年免耕（轮耕）和连年免耕3种耕作模式，探究冬小麦-夏玉米周年复种轮作耕作措施对土壤水肥状况和小麦产量的影响，优化调整维持和稳定土壤质量，以期为黄淮海平原冬小麦生产探索适宜的耕作模式提供理论依据和技术支持。
1. 材料与方法
1.1 试验地概况
试验在豫西北温县平安种业试验基地（34°56’55” N，112°59’1” E，海拔109 m）进行。该区属暖温带大陆性季风气候，四季分明，光照充足，年平均气温14～15 ℃，年积温4 500 ℃以上，年日照2484 h，降水多集中在7—9月，年降水量550～700 mm，无霜期210 d。供试土壤的质地为中壤土，其耕层（0～40 cm）初始的理化性状如下：有机质含量12.39 g/kg，全氮1.18 g/kg，有效磷20.12 mg/kg，速效钾94.66 mg/kg，土壤砂粒、粉粒、黏粒质量分数分别占18.60%、42.20%和39.20%，土壤容重1.45 g/cm3。2020年10月—2022年6月的气温和降雨量见图1。
![]()
图 1 2020—2022年冬小麦生育期降雨量和温度Figure 1. Precipitation and average daily temperature of winter wheat during the growth period in 2020-20221.2 试验设计
长期耕作定位试验始于2017年，本研究于2020年10月—2021年6月，2021年10月—2022年6月冬小麦季开展调查与取样测定，采用冬小麦-夏玉米一年两熟种植模式，设置3种耕作模式，即冬小麦季连年深耕（deep tillage，DT）、连年免耕（no-tillage，NT）、 3 a循环式深耕免耕相结合，即第一年小麦季深耕，第二和第三年小麦季免耕的轮耕模式（rotation tillage，RT）。每个模式设置3次重复，小区面积600 m2（40 m×15 m），各小区间隔1 m。
耕作处理如下：深耕处理均在每年冬小麦播种前进行，耕作深度为30 cm；免耕处理对土壤不耕作；轮耕处理于2020—2021年小麦季播前深耕，2021—2022年小麦季免耕播种；3个处理均为当季作物秸秆粉碎还田。
供试冬小麦品种平安11，小麦播深2～3 cm，播量195 kg/hm2，行距20 cm。播种前对种子进行包衣处理，施复合肥（N-P2O5-K2O=25-14-6）用量均为750 kg/hm2，拔节期追肥（N-P2O5-K2O=30-5-5）600 kg/hm2。灌溉方式为微喷灌，苗期灌水30 mm，拔节期、孕穗期和灌浆期分别灌水60 mm，其他田间管理与当地管理相同。
1.3 测定项目与方法
1.3.1 土壤含水量
于冬小麦苗期（2020年12月26日和2021年12月21日），拔节期（2021年3月25日和2022年3月28日）、孕穗期（2021年4月11日和2022年4月13日）、灌浆期（2021年4月29日和2022年4月30日）和成熟期（2021年6月3日和2022年6月6日），采用土钻法获取0～100 cm土样，每隔20 cm取一个样，用烘干法测定土壤含水量。
1.3.2 土壤养分的测定
冬小麦收获后测定0～20、>20～40 cm土层的土壤养分含量，经自然风干后，碾碎土样，过0.25和1 mm筛子待测[22]，采用凯氏定氮法测定全氮含量，钼锑抗比色法测定有效磷含量，火焰光度法测定速效钾含量，重铬酸钾外加热法测定有机质, 土壤pH值采用pH计测定。
1.3.3 冬小麦产量的测定
于冬小麦成熟期，各处理选取10株小麦用于考种，每个处理选取有代表性的1 m2小麦植株，5次重复，带回实验室后测产并计算产量，脱粒后将植株样其他部位放至烘箱85 ℃烘干至恒质量并称量，得到地上部生物量。收获指数为籽粒产量与地上部生物量的比值。收获指数为籽粒产量与地上部生物量的比值。
用变异系数（coefficient of variance，CV）表示产量稳定性，衡量各处理不同年间的变异程度，其值越小，表明产量稳定性越高。CV为产量标准差（σ）与平均产量（Ym）的比值。
产量可持续性指数（sustainable yield index，SYI）是衡量生态系统可持续生产的参数，其值越大，表明可持续性好，按照以式（1）计算。
SSYI=（Ym−σ）/Ymax×100% (1) 式中 Ymax为试验点最高产量，kg/hm2；SSYI为SYI。
1.4 数据处理与分析
采用单因素方差分析耕作模式对冬小麦土壤含水量、土壤养分和产量的影响，使用Microsoft Excel 2016进行数据处理，用SPSS 26.0进行方差分析和相关性分析，应用Origin 2021进行绘图。
2. 结果与分析
2.1 不同耕作方式对土壤含水量的影响
不同耕作处理下冬小麦生育期内0～100 cm土壤含水量变化动态如图2所示。冬小麦土壤含水量变化受耕作方式的影响显著，从不同耕作处理土壤含水量时空分布变化来看，总体上各耕作处理土壤含水量随土层深度呈高-低-高的趋势，同时随生育期推进各土层土壤含水量呈降低趋势：免耕（NT）在苗期较轮耕（RT）、深耕（DT）显著提高了0～20 cm土壤含水量，RT在孕穗、灌浆期较DT、NT显著提高了0～20 、>20～40 cm土壤含水量，DT在成熟期较RT、NT显著提高了>60～100 cm土壤含水量。从年际变化来看，两个试验年度各处理土层土壤含水量变化趋势总体一致：在苗期，NT处理0～20 cm土壤含水量较RT、DT显著提高4.26%和14.99%（2020—2021年）、15.57%和29.11%（2021—2022年）；在拔节期，NT处理0～20 cm土层含水量较RT、DT显著提高12.64%和15.54%（2021—2022年)）。RT处理在孕穗期0～20 cm土壤含水量较DT和NT处理分别显著提高25.47%和11.14%（2020—2021年）、29.65%和19.75%（2021—2022年），>20～40 cm土壤含水量分别显著提高27.90%和24.62%（2020—2021年）、19.69%和26.04%（2021—2022年）。
![]()
图 2 2020—2022年耕作模式处理下冬小麦生育期土壤含水量注：DT为深耕；RT为轮耕；NT为免耕；不同小写字母表示不同处理间差异显著（P<0.05）。下同。Figure 2. Soil water content during the growth period of winter wheat under different tillage mode treatments in 2020-2022Note : DT is deep tillage; RT is rotational tillage; NT is no-tillage. Different lowercase letters indicate significant differences among different treatments (P<0.05). Same as below.在灌浆期，RT处理0～20 cm土壤含水量较DT和NT处理分别显著提高10.11%和13.54%（2020—2021年）、10.61%和14.94%（2021—2022年），>20～40 cm土壤含水量分别显著提高8.87%、7.85%（2020—2021年）、11.63%和20.92%（2021—2022年）。在成熟期，DT处理>60～80 cm土壤含水量较RT、NT处理显著提高23.43%和22.81%（2021—2022年）， >80～100 cm土壤含水量显著提高24.51%和25.37%（2021—2022年）。
2.2 不同耕作方式对耕层土壤养分的影响
不同耕作处理对冬小麦耕层土壤养分的影响如图3所示。2020—2021年和2021—2022年不同耕作处理0～20 cm土层全氮（TN）、有机质（SOM）、有效磷（AP）和速效钾（AK）含量均高于>20～40 cm土层，且2020—2021年和2021—2022年小麦季各土层AN、SOM、AP和碳氮比（CN）均表现出RT处理显著高于NT和DT处理。
![]()
图 3 不同耕作方式对2020—2021年、2021—2022年冬小麦成熟期耕层土壤养分的影响Figure 3. Effects of different tillage methods on soil nutrients in tillage layer during winter wheat ripening in 2020-2021 and 2021-2022在2020—2021年，较DT处理，RT处理显著提高0～20 cm土层TN、SOM和CN 27.06%、63.79%和28.95%，较DT与NT，RT使 >20～40 cm土层TN、SOM和CN分别提高了26.98%和25.00%、57.16%和25.96%、23.56%和0.89%。在2021—2022年，较DT和NT处理，RT处理显著提高0～20 cm土层TN、SOM和CN 40.45%和31.58%、56.66%和45.34%、11.62%和9.91%，使 >20～40 cm土层TN、SOM和CN分别提高了57.14%和22.22%、91.35%和43.02%、20.92%和16.96%。两个试验年度0～20 cm土层AK含量表现出免耕处理最高，分别显著高于轮耕和深耕处理17.91%和19.10%（2020—2021年）、24.32%和34.00%（2021—2022年）。
2.3 不同耕作方式对冬小麦产量与产量可持续特征的影响
不同耕作处理对冬小麦产量和千粒质量影响显著（表1），较DT和NT处理相比，RT处理产量提高了20.20%和13.39%（2020—2021年）、20.35%和18.74%（2021—2022年）。分析产量构成因素发现，两个试验年度RT处理较NT处理显著提高了千粒质量，与NT处理相比，RT处理千粒质量显著提高9.97%（2020—2021年）、8.44%（2021—2022年）。两个试验年度收获指数均表现为轮耕>免耕>深耕。由此可知，轮耕处理高产主要通过提高千粒质量来实现，其产量构成穗数、穗粒数较协调，同时也促进收获指数协同提高。
表 1 不同耕作方式对小麦产量及其构成因素的影响Table 1. Effect of different tillage methods on wheat yield and its components年度
Year处理
Treatment穗数
Spike number穗粒数
Grain number per spike千粒质量
1000-grain mass/g产量
Yield/(kg·hm−2)收获指数
Harvest index2020—2021 DT 647.25±56.73a 36.11±2.58a 51.23±1.05ab 8 160.42±357.95b 0.42 RT 662.25±66.22a 37.67±1.08a 54.16±1.78a 9 808.56±259.00a 0.43 NT 714.75±25.54a 36.67±2.17a 49.25±1.02b 8 650.32±164.96b 0.42 2021—2022 DT 628.00±41.92b 35.90±0.40a 46.99±0.90b 8 444.48±273.37b 0.42 RT 654.50±35.01ab 39.87±1.31a 53.09±2.74a 10 163.03±171.46a 0.45 NT 694.00±21.7a 39.00±2.72a 48.96±1.89b 8 559.00±162.58b 0.43 不同耕作处理对产量（CV）和（SYI）的影响存在差异（图4），CV大小顺序为深耕>免耕>轮耕，CV越大，产量越不稳定。SYI大小顺序为轮耕>免耕>深耕，SYI值越大，说明产量可持续性越好。由此可知，轮耕处理的变异系数低，产量可持续指数较高，说明冬小麦产量稳定性、可持续性越好，是促进冬小麦生产力可持续性有效耕作模式。
![]()
图 4 不同耕作方式对冬小麦产量可持续指数与变异系数的影响Figure 4. Effects of different tillage methods on the yield sustainability index (SYI) and coefficient of variation (CV) of winter wheat2.4 小麦产量与土壤水分、养分的相关性分析
对冬小麦产量和土壤水分养分进行相关分析结果见表2。
表 2 产量与土壤养分和土壤含水量的相关性分析Table 2. Correlation analysis of yield with soil nutrients and soil water content土层Soil layer/cm 指标Index 相关系数Correlation coefficient 0～20 TN 0.96** SOM 0.99** CN 0.82* pH 0.047 AP 0.46 AK −0.22 WT 0.95** >20～40 TN 0.90* SOM 0.94** CN 0.83* pH 0.058 AP 0.91* AK 0.62* WT 0.92** >40～60 WT 0.22 >60～80 WT −0.80 >80～100 WT −0.65 注：TN、SOM、CN、AP、AK和WT分别为为土壤全氮、有机质、碳氮比、有效磷、速效钾含量和土壤含水量。*，P<0.05；**，P<0.01。 Note: TN, SOM, CN, AP, AK and WT are soil total nitrogen, organic matter, carbon-nitrogen ratio, available phosphorus, available potassium content and soil water content, respectively. *，P<0.05；**，P<0.01. 表2表明，产量随0～20、>20～40 cm土层的全氮（TN）、有机质（SOM）、碳氮比（CN）和土壤水分（WT）的增加而增加，且均呈现出显著正相关关系（P<0.05），与0～20 cm土壤pH、有效磷（AP）、速效钾（AK）和>40～100 cm WT无显著相关关系。其中，小麦产量（Y）与0～20 cm TN、0～40 cm SOM和WT呈极显著相关关系（P<0.01）。
3. 讨 论
3.1 土壤含水量对不同耕作方式的响应
土壤水分是土壤重要的组成部分，是作物吸水的重要来源[23]。土壤水分含量可以反映土壤供应水分能力的高低，对作物生长发育和产量有较大影响。试验结果表明，在苗期NT处理显著提高0～20 cm土壤水分含量，少免耕加秸秆覆盖降低水分散失，极大提高土壤蓄水保墒能力[24]。冬小麦苗期底墒充足确保一播全苗，此期麦苗素质关系后期产量的高低[25]。RT处理显著提高了冬小麦苗期0～20 cm土层土壤水分吸收利用，促进冬小麦对土壤养分的吸收。各耕作处理均能提高0～40 cm土层土壤含水量，其中影响较大的是RT和NT处理，这可能由于免耕通常以前茬作物秸秆形成的天然覆盖层，使太阳辐射降低，从而减少土壤水分蒸散、土层扰动和地表径流[24]。RT处理两年免耕后进行深耕作业，破除板结、打破犁底层，增强土壤接纳灌溉水和自然降雨的能力，进而能有效促进降水入渗，增加蓄水能力[26]，RT处理将深耕、免耕的优势进行组合，产生积极效应，以最大程度上保存土壤水分，提高土壤水分稳定供应能力，这为作物增产提供保障[27]，这与杨佳宇等[28]在黑土农田进行深翻-旋耕的轮耕组合提高30～45 cm土壤含水量研究结果一致。在孕穗期、灌浆期RT处理0～20、>20～40 cm土壤含水量最高，这是由于耕作方式可以改变土壤物理性质，影响土壤水分运移[29]，有利于小麦活跃根系对土壤水分的吸收利用。试验发现三种耕作处理在>40～100 cm土层内随土层深度增加土壤含水量呈升高趋势，>40～100 cm以下土壤含水量更均匀、水分差距缩小，有利于水分在深层土壤的积蓄，且RT处理能有效保蓄降水，对水分供应能力强[30]。
3.2 土壤养分对不同耕作方式的响应
试验表明各耕作处理>20～40 cm相较于0～20 cm土层养分含量呈下降趋势，这是由于不同耕作方式对土层扰动程度的大小不同，进而影响养分在土壤中的分布情况，这与薛兰兰[31]研究土壤养分含量随土层加深均出现降低趋势的研究结果一致。一般认为，长期连续采取单一耕作措施会逐渐降低土壤耕层养分含量，试验结果表明，连年DT、NT使0～20 cm土层全氮、有效磷含量呈下降趋势，有学者研究发现长期定位单一免耕耕作会降低5～10 cm亚表层全氮含量[32]。0～20、>20～40 cm土壤全氮、有效磷、有机质和碳氮比的变化规律一致，具体表现为RT > NT >DT，这由于RT打破养分在土壤剖面常年单一的空间分布，增加土壤透气性，促使土壤矿化增强，养分得以释放，避免养分富集在表层土壤，提高土壤结构质量[33]。张琦等[34]研究发现免耕-翻耕-深松轮耕模式下0～40 cm土层有机质和全氮含量增加。赵刚等[35]在豫西地区采取免耕方式显著提高了0～20 cm土壤有机碳含量，王改玲等[36]研究表明长期免耕能增加土壤有机质含量，因为免耕对下层土壤几乎没有扰动，空气对深层土壤的接触减少。试验发现RT、NT处理土壤有效钾含量随耕作年限越久呈上升趋势，这是由于秸秆与耕层土壤混合腐解，释放磷、钾等营养元素[37]，这与朱长伟等[38]的深耕-条旋耕-旋耕的轮耕模式有利于提高速效钾含量研究结果一致。通过对小麦产量与土壤养分及土壤含水量的相关性分析发现，不同耕作模式下土壤全氮、有机质、碳氮比对小麦产量的相关性系数高且呈显著正相关，说明不同耕作方式形成了一个相对平衡和较高水平的土壤状况，有利于提高土壤各种养分在植物体内吸收利用，从而提高小麦籽粒产量。
3.3 小麦产量对不同耕作方式的响应
长期采取少、免耕方式，会造成耕层变浅、作物减产的问题[39]，张鑫琪等[40]研究发现免耕-旋耕的轮耕模式对旱地小麦产量的影响主要受有效穗数和穗粒数的增加。耕作方式对小麦产量的影响因区域的生态条件、秸秆还田的种类和耕作处理的时长等不同而得到的结论不一致[41]。本文结果表明，RT处理冬小麦产量最高。这主要由于 RT在免耕的农田上进行深耕能够打破机械压迫形成的紧实土壤，通过调节土壤水肥特性、促进根系和地上部发育等生态优势，促进冬小麦增产[42]。RT处理2a免耕后进行土壤深耕，使土壤维持较高水分供应能力和肥力水平，产生残效叠加效应，从而实现作物高产。此外，RT处理在免耕秸秆覆盖2a的基础上进行深耕，具备秸秆覆盖减少蒸发经后茬耕作使秸秆腐解，促进有机碳的周转，发挥增产优势[43]。试验结果表明，轮耕处理小麦产量2个试验年度呈增长趋势，可能原因在于随着定位试验年数的增加，其效应对小麦产量及构成因素具备一定的累积激发效应，同时受2021年夏季特大降雨的影响，深耕充分接纳自然降雨，使冬小麦季土壤底墒充足，同时灌浆期深层水分含量较足，显著提高了小麦千粒质量，这与牛润芝等[44]的深耕-条旋耕的轮耕模式较单一连续旋耕提高千粒质量，增产14.64%研究结果一致。作物高产稳产和可持续生产是农业发展的目标，产量稳定性表现是多个性状稳定性影响的结果，本试验结果表明，RT处理CV值小于NT、DT处理，SYI值大于NT、DT处理，说明RT处理能够减少冬小麦产量的年际间波动，提高小麦产量稳定性、可持续性。
4. 结 论
本研究通过长期定位试验，设置连年深耕、一年深耕两年免耕（轮耕）和连年免耕3种耕作方式，探究冬小麦-夏玉米周年复种轮作耕作措施对土壤水肥状况和小麦产量的影响，结果表明：
1）3种耕作处理土壤含水量随土层深度呈高-低-高的趋势，且年际间变化趋势一致，较深耕、免耕相比，轮耕显著提高冬小麦孕穗期和灌浆期0～20、>20～40 cm土壤含水量。不同耕作处理0～20 cm土层全氮、有机质、有效磷和有效钾含量均高于>20～40 cm土层，2a小麦季0～20、>20～40 cm全氮、有机质、有效磷和碳氮比均表现出轮耕显著高于免耕和深耕。
2）轮耕产量比深耕和免耕高13.39%～20.35%，轮耕高产主要通过提高千粒质量来实现。轮耕产量变异系数低，产量可持续指数高。
3）相关性分析表明，0～20 cm土壤全氮、有机质和含水量，0～20、>20～40 cm土壤有机质和土壤含水量与产量呈极显著相关，对产量影响大。
综上，轮耕能有效提高耕层土壤含水量，有利于增强冬小麦对土壤养分的吸收利用，可有效避免单一耕作带来的弊端，进而提高冬小麦产量稳定性及可持续生产能力，是促进冬小麦生产力可持续的有效耕作模式。
-
![]()
图 2 检测装置核心组件示意图
1.装置箱体 2. 微型光谱仪 3. 箱体上板 4. 样品杯 5. LCD触摸屏 6. 树莓派处理器 7.锂离子电池
Figure 2. Schematic diagram of the core components of the detector
1. Device enclosure 2. Miniature spectrometer 3. Enclosure upper panel 4. Sample cup 5. LCD touch screen 6. Raspberry Pi processor 7. Lithium-ion battery
![]()
图 13 装置含杂量与样品质量稳定性验证
Figure 13. Verification of device impurity content and sample weight stability
![]()
图 14 装置温湿度稳定性验证
Figure 14. Verification of temperature and humidity stability of the device
![]()
图 15 便携式油菜籽品质检测装置预测精度验证
Figure 15. Portable rapeseed quality testing device prediction accuracy verification
表 1 装置参数表
Table 1 Device parameters
项目Item 参数Parameter 尺寸 Size/mm 246×128×127 质量 Weight / kg 1.9 取样范围 Sampling range/g 3～7 决定系数 Coefficient ofdetermination R2>0.73 稳定性 Stability 15～35 ℃、40%～70%相对湿度 波段 Wavelength range/nm 900～ 1700 预测时间 Prediction time/s 13 信噪比 Signal-to-noise ratio 5000 ∶1
下载: 导出CSV
表 2 不同数据集划分方法下的偏最小二乘模型指标
Table 2 Partial least squares (PLS) model indicators for different dividing methods of dataset
划分方法
Dividing method理化值
Physicochemical
values均方根误差
RMSE决定系数
R2均方误差
MAE随机数
Random含油量/% 1.403 0.848 1.228 蛋白质/% 2.078 0.593 1.493 硫苷/(μmol·g−1) 23.018 0.635 17.640 含水率/% 0.459 0.890 0.343 芥酸/% 7.017 0.637 5.260 KS(Kennard-Stone) 含油量/% 1.374 0.901 1.153 蛋白质/% 1.713 0.770 1.443 硫苷(μmol·g−1) 29.603 −0.316 24.530 含水率/% 0.633 0.656 0.472 芥酸/% 7.693 −0.229 5.522 空间平衡随机
(Sample set partitioning
based on joint X-Y distances)含油量/% 1.706 0.812 1.559 蛋白质/% 1.935 0.749 1.694 硫苷(μmol·g−1) 18.350 0.300 16.845 含水率/% 0.399 0.794 0.315 芥酸/% 5.057 −0.102 4.140 注：表中决定系数R2为负数代表严重的过拟合，表示划分方法与对应理化值不匹配。 Note: A negative coefficient of determination R2 in the table indicates severe overfitting, meaning the dividing method does not match the corresponding physical and chemical values.
下载: 导出CSV
表 3 不同特征筛选方法下测试集的预测精度
Table 3 Prediction accuracy under different feature selection methods
理化值
Physicochemical values提取算法
Extraction algorithms数据维度
Data dimensionalityRMSE R2 MAE 含油量
Oil/%Pca 2 1.831 0.824 1.598 Cars 56 1.579 0.892 1.071 Lars 3 4.173 0.663 3.527 Uve 69 8.732 0.563 1.690 Spa 18 1.948 0.811 1.624 GA 81 1.995 0.754 1.680 蛋白质Protein/% Pca 2 1.412 0.866 1.195 Cars 73 1.351 0.787 1.617 Lars 2 3.691 0.591 3.454 Uve 32 13.414 0.488 1.725 Spa 12 1.441 0.835 1.207 GA 75 1.623 0.808 1.316 硫苷
Glucosinolates/
(μmol·g-1)Pca 2 21.876 0.490 16.308 Cars 24 17.913 0.444 15.484 Lars 2 22.765 0.489 21.234 Uve 23 77.327 0.258 16.824 Spa 16 20.890 0.535 17.513 GA 80 21.818 0.493 18.281 含水率
Moisture/%Pca 2 0.504 0.671 0.414 Cars 18 0.525 0.712 0.355 Lars 32 1.428 0.513 1.422 Uve 87 0.664 0.636 0.315 Spa 19 0.512 0.694 0.433 GA 80 0.399 0.807 0.314 芥酸
Erucic acid/%Pca 2 4.155 0.838 3.626 Cars 41 4.227 0.552 5.304 Lars 105 10.50 0.280 10.679 Uve 9 6.537 0.346 9.811 Spa 12 7.040 0.534 5.190 GA 78 6.885 0.554 5.351
下载: 导出CSV
表 4 不同回归算法下的模型预测精度
Table 4 Model prediction accuracy under different regression algorithms
回归算法
Regression algorithm理化值
Physicochemical valuesRMSE R2 MAE 偏最小二乘
PLS含油量/% 1.400 0.949 1.169 蛋白质/% 1.456 0.862 1.240 硫苷/(μmol·g-1) 20.708 0.730 15.732 含水率/% 0.371 0.885 0.313 芥酸/% 3.627 0.862 3.280 人工神经网络
ANN含油量/% 8.056 0.591 4.979 蛋白质/% 5.112 −0.465 4.531 硫苷/(μmol·g-1) 26.066 0.276 24.460 含水率/% 1.678 0.463 1.463 芥酸/% 10.241 0.414 6.993 支持向量
SVR含油量/% 3.170 0.226 2.516 蛋白质/% 2.681 0.622 2.333 硫苷/(μmol·g-1) 27.147 0.215 22.236 含水率/% 0.800 0.668 0.584 芥酸/% 11.591 0.564 5.449 极限学习机
ELM含油量/% 2.358 0.572 1.871 蛋白质/% 2.497 0.412 1.511 硫苷/(μmol·g-1) 23.615 0.406 18.813 含水率/% 0.363 0.976 0.236 芥酸/% 9.221 0.200 5.728 卷积神经网络
CNN含油量/% 2.611 0.475 2.135 蛋白质/% 2.694 0.316 2.350 硫苷/(μmol·g-1) 30.986 −0.023 27.445 含水率/% 0.739 0.716 0.572 芥酸/% 10.288 0. 460 6.801
下载: 导出CSV
-
[1] 国家统计局. 2023年中国统计年鉴 [M]. 2023年中国统计年鉴. 北京: 中国统计出版社, 2023. [2] 湖北省粮油食品质量监测站:GB/T 11762-2006 油菜籽[S]. 北京:中国标准出版社,2006. [3] HU Q, HUA W, YIN Y, et al. Rapeseed research and production in China[J]. The Crop Journal, 2017, 5(2): 127-135. doi: 10.1016/j.cj.2016.06.005
[4] BARTHET V J, PETRYK M W, SIEMENS B. Rapid nondestructive analysis of intact canola seeds using a handheld near‐infrared spectrometer[J]. Journal of the American Oil Chemists' Society, 2020, 97(6): 577-589. doi: 10.1002/aocs.12335
[5] CHMIELEWSKA A, KOZŁOWSKA M, RACHWAŁ D, et al. Canola/rapeseed protein–nutritional value, functionality and food application: a review[J]. Critical Reviews in Food Science and Nutrition, 2021, 61(22): 3836-3856. doi: 10.1080/10408398.2020.1809342
[6] LIN L, HE Y, XIAO Z, et al. Rapid-detection sensor for rice grain moisture based on NIR spectroscopy[J]. Applied Sciences, 2019, 9(8): 1654. doi: 10.3390/app9081654
[7] LIU Y, LI D, LI H, et al. Design of a phenotypic sensor about protein and moisture in wheat grain[J]. Frontiers in Plant Science, 2022, 13: 881560. doi: 10.3389/fpls.2022.881560
[8] CHENG X, VELLA A, STASIEWICZ M J. Classification of aflatoxin contaminated single corn kernels by ultraviolet to near infrared spectroscopy[J]. Food Control, 2019, 98: 253-261. doi: 10.1016/j.foodcont.2018.11.037
[9] AYKAS D P, BALL C, SIA A, et al. In-situ screening of soybean quality with a novel handheld near-infrared sensor[J]. Sensors, 2020, 20(21): 6283. doi: 10.3390/s20216283
[10] 金文玲,曹乃亮,朱明东,等. 基于近红外超连续激光光谱的水稻种子活力无损分级检测研究[J]. 中国光学,2020,13(5):1032-1043. doi: 10.37188/CO.2020-0027 JIN Wenling, CAO Nailiang, ZHU Mingdong, et al. Nondestructive grading test of rice seed activity using near infrared super-continuum laser spectrum[J]. Chinese Optics, 2020, 13(5): 1032-1043. (in Chinese with English abstract) doi: 10.37188/CO.2020-0027
[11] BEĆ K B, GRABSKA J, HUCK C W. Near-infrared spectroscopy in bio-applications[J]. Molecules, 2020, 25(12): 2948. doi: 10.3390/molecules25122948
[12] BEC K B, HUCK C W. Breakthrough potential in near-infrared spectroscopy: Spectra simulation. A review of recent developments[J]. Frontiers in Chemistry, 2019, 7: 48. doi: 10.3389/fchem.2019.00048
[13] OZAKI Y. Infrared spectroscopy—Mid-infrared, near-infrared, and far-infrared/terahertz spectroscopy[J]. Analytical Sciences, 2021, 37(9): 1193-1212. doi: 10.2116/analsci.20R008
[14] 李永玉,吴继峰,王威,等. 便携式双档位柑橘多品质无损检测装置设计与试验[J]. 农业工程学报,2023,39(23):259-267. doi: 10.11975/j.issn.1002-6819.202309146 LI Yongyu, WU Jifeng, WANG Wei, et al. A portable dual-gear device for non-destructive testing on multi quality of citrus[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(23): 259-267. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202309146
[15] 郭俊先,张振振,韩景,等. 基于傅里叶变换近红外光谱的籽棉含水率无损检测[J]. 农业工程学报,2023,39(21):152-160. doi: 10.11975/j.issn.1002-6819.202308012 GUO Junxian, ZHANG Zhenzhen, HAN Jing, et al. Non-destructive detection of seed cotton moisture content based on Fourier transform near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(21): 152-160. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202308012
[16] JIAO Y, LI Z, CHEN X, et al. Preprocessing methods for near-infrared spectrum calibration[J]. Journal of Chemometrics, 2020, 34(11): e3306. doi: 10.1002/cem.3306
[17] FERREIRA R D A, TEIXEIRA G, PETERNELLI L A. Kennard-Stone method outperforms the Random Sampling in the selection of calibration samples in SNPs and NIR data[J]. Ciência Rural, 2021, 52(5): e20201072.
[18] CHEN W, CHEN H, FENG Q, et al. A hybrid optimization method for sample partitioning in near-infrared analysis[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 248: 119182. doi: 10.1016/j.saa.2020.119182
[19] 张柏,凌彩金,李露青,等. 基于数据融合策略的红茶发酵程度判别[J]. 农业工程学报,2022,38(15):339-347. doi: 10.11975/j.issn.1002-6819.2022.15.037 ZHANG Bai, LING Caijin, LI Luqing, et al. Discrimination of black tea fermentation degrees based on data fusion strategy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 339-347. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.15.037
[20] ANOWAR F, SADAOUI S, SELIM B. Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE)[J]. Computer Science Review, 2021, 40: 100378. doi: 10.1016/j.cosrev.2021.100378
[21] 刘莉,陶红燕,方静,等. 基于近红外高光谱的梨叶片炭疽病与黑斑病识别[J]. 农业机械学报,2022,53(2):221-230. LIU Li, TAO Hongyan, FANG Jing, et al. Identifying anthracnose and black spot of pear leaves on near-infrared hyperspectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(2): 221-230. (in Chinese with English abstract)
[22] 彭彦昆,孙晨,赵苗. 苹果品质动态无损感知及分级机器手系统[J]. 农业工程学报,2022,38(16):293-303. doi: 10.11975/j.issn.1002-6819.2022.16.032 PENG Yankun, SUN Chen, ZHAO Miao. Dynamic nondestructive sensing and grading manipulator system for apple quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 293-303. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.16.032
[23] LIU L, LI Y, HAN J, et al. A least angle regression assessment algorithm based on joint dictionary for visible and near-infrared spectrum denoising[J]. Optik, 2021, 242: 167093. doi: 10.1016/j.ijleo.2021.167093
[24] CHEN R C, DEWI C, HUANG S W, et al. Selecting critical features for data classification based on machine learning methods[J]. Journal of Big Data, 2020, 7(1): 52. doi: 10.1186/s40537-020-00327-4
[25] KNADEL M, CASTALDI F, BARBETTI R, et al. Mathematical techniques to remove moisture effects from visible–near-infrared–shortwave-infrared soil spectra[J]. Applied Spectroscopy Reviews, 2023, 58(9): 629-662. doi: 10.1080/05704928.2022.2128365
[26] CAO Y, BAO N, LIU S, et al. Reducing moisture effects on soil organic carbon content prediction in visible and near-infrared spectra with an external parameter othogonalization algorithm[J]. Canadian Journal of Soil Science, 2020, 100(3): 253-262. doi: 10.1139/cjss-2020-0009
[27] FILZMOSER P, NORDHAUSEN K. Robust linear regression for high‐dimensional data: An overview[J]. Wiley Interdisciplinary Reviews: Computational Statistics, 2021, 13(4): e1524. doi: 10.1002/wics.1524
[28] 郭志明,王郡艺,宋烨,等. 手持式可见近红外苹果品质无损检测系统设计与试验[J]. 农业工程学报,2021,37(22):271-277. doi: 10.11975/j.issn.1002-6819.2021.22.031 GUO Zhiming, WANG Junyi, SONG Ye, et al. Design and experiment of the handheld visible-near infrared nondestructive detecting system for apple quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 271-277. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2021.22.031
[29] JIANG W, LU C, ZHANG Y, et al. Moving-window-improved monte carlo uninformative variable elimination combining successive projections algorithm for near-infrared spectroscopy (NIRS)[J]. Journal of Spectroscopy, 2020, 2020(1): 3590301.
[30] 张楠楠,张晓,王城坤,等. 基于高光谱和连续投影算法的棉花叶面积指数估测[J]. 农业机械学报,2022,53(S1):257-262. doi: 10.6041/j.issn.1000-1298.2022.S1.028 ZHANG Nannan, ZHANG Xiao, WANG Chengkun, et al. Cotton LAl estimation based on hyperspectral and successive projection algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(S1): 257-262. (in Chinese with English abstract) doi: 10.6041/j.issn.1000-1298.2022.S1.028
[31] TIAN X, LI J, YI S, et al. Nondestructive determining the soluble solids content of citrus using near infrared transmittance technology combined with the variable selection algorithm[J]. Artificial Intelligence in Agriculture, 2020, 4: 48-57. doi: 10.1016/j.aiia.2020.05.001
-
期刊类型引用(3)
1. 刘洪光，李智杰，李玲，徐强，白振涛，王潭刚. 粉垄深松深耕改善南疆重度盐碱土理化性质和棉花产量及其后效. 农业工程学报. 2024(13): 45-57 . 
本站查看
2. 杨铭，王红军，贾利元. 轮耕方式与生物炭还田对土壤碳氮组分及小麦产量的影响. 江苏农业科学. 2024(17): 246-252 . 百度学术
3. 杨铭，杜星佑，吕仿杰，贾利元，王红军. 不同轮耕模式与生物炭还田对小麦产量、品质及土壤肥力的影响. 江苏农业科学. 2024(18): 91-98 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 366
- HTML全文浏览量: 48
- PDF下载量: 129
- 被引次数: 9
