一种基于形态参数的高温胁迫下水稻产量预测方法与流程

本发明属于水稻产量评估领域，涉及一种基于形态参数建立高温胁迫下水稻产量预测模型的方法以及基于形态参数的高温胁迫下水稻产量预测方法。

背景技术：

水稻作为重要的粮食作物，对我国的粮食安全极为重要。随着温室效应的不断加剧，全球气候变暖和短期高温事件频发，已经渐渐成为影响水稻生长发育的主要因素之一。水稻作为起源于低纬度热带地区的高温短日照植物，形成了适应高温和短日照的生理生态特性。水稻在不同生长发育阶段对温度的要求和响应各不相同，但都存在一个最适温度和临界温度。虽然水稻的生长发育需要相对较高的温度，但是其在某些生育期内对温度极为敏感，如果超出了上限或下限临界温度，水稻的生长发育就会出现异常，超过水稻所能承受高温范围将形成高温胁迫。高温胁迫是指温度升高到一定程度并超过一段时间对作物生长和发育造成不可逆转的影响，影响作物形态的各个方面，包括：从地下部的根到地上部的茎叶穗，从种子萌发到作物的产量和品质，从作物的外部形态结构到内部生理生化反应。植物的形态和群体特征很大程度上影响其调节能力和资源获取能力，而形态的变化也会导致植物生理生化功能的改变。

产量估测一直是粮食生产中的一个重要环节，各种类的产量估测模型均能在某一方面上表现良好，如不同尺度大小、不同地形地貌、不同栽培措施等。在实际估产应用中，光谱诊断、高空遥感获取数据估测产量占了很大比重。田间测产估产的方法一般包括：收获前根据每公顷穗数来估计产量，收获期则多是通过测量小面积田块的实际产量而后按面积比例来完成估产。另外，也可通过获取地上干物重与收获指数来得到作物产量。

技术实现要素：

本发明的目的是提供一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，通过高温胁迫引起的水稻形态变化规律和最终产量，利用统计分析软件分析各个形态指标与水稻产量的相关关系，寻找与水稻产量变化显著相关的形态变指标，从而基于形态参数建立预测高温胁迫下水稻的产量的模型。

本发明目的是通过以下技术方案实现的：

一种基于形态参数建立高温胁迫下水稻产量预测模型的方法，包括以下步骤：

于水稻高温敏感时期孕穗期或开花期对水稻进行短期极端高温处理，同时设立对照处理；

测量灌浆前的水稻株高(此时的水稻株高为茎基部到穗尖的植株长度，即主茎茎长)和灌浆末期的水稻株高(此时的水稻株高为茎基部到穗顶的垂直高度，即收获株高)，得到水稻因灌浆导致的株高下降量；获取灌浆末期水稻的叶片黄叶面积比；获得收获期水稻穗数，测量水稻穗长、一次枝梗数和二次枝梗数；获得水稻实际产量；

获得经过短期极端高温处理与对照处理的水稻形态指标相对变化值、产量相对变化值，对形态指标相对变化值与产量相对变化值进行逐步回归分析，筛选出与产量相关的最优形态指标；获得上述指标与实际产量的拟合度值和精确度值；

基于形态参数建立高温胁迫下水稻产量预测模型，包括：

孕穗期高温胁迫下水稻产量预测模型：

y＝2.214l+0.574yr-0.006(1)

开花期高温胁迫下水稻产量预测模型：

y＝0.102hd+0.727yr+0.161(2)

其中，l为灌浆前的水稻株高，即主茎茎长，hd为水稻的株高下降量，yr为叶片黄叶面积比。

对照处理的温度基于当地常年温度变化，设定为tmin/max(22/32℃)，高温处理温度为tmin/max(30-34/40-44℃)；处理温度最低的时间段为5:00-7:00，温度最高的时间段为12:00-15:00，其余时段温度按当地温度日变化规律每隔1-2小时梯度变化；高温持续时间为2-4天。

所述的株高下降量为：

hd＝l-h(3)；

其中，l为灌浆前的水稻株高，h为灌浆末期的水稻株高，hd为株高下降量。

灌浆末期水稻的黄叶面积比的获取方法：摘取灌浆末期水稻的剑叶、倒二叶、倒三叶和倒四叶，每片叶子分别扫描得到图像，计算叶片黄叶面积和绿叶面积，得到单叶黄叶面积比，计算4片叶子的黄叶面积比平均值，即为灌浆末期水稻的叶片黄叶面积比；

黄叶面积比的计算公式为：

其中，yai和gai分别为对应叶片黄叶面积和绿叶面积，yri为对应叶片黄叶面积比，yr为4片叶片的黄叶面积比平均值；式中n＝4，i取值为1,2,3,4。

所述的形态指标相对变化值或产量相对变化值的计算公式为：

其中，pt为高温胁迫下形态指标或产量的值，pck为正常温度下形态指标或产量的值，yt为形态指标或产量的相对变化值。

本发明的另一个目的是提供一种基于形态参数的高温胁迫下水稻产量预测方法，包括：

水稻于孕穗期受到高温胁迫时，测量灌浆前的水稻株高，获取灌浆末期水稻的黄叶面积比；基于上述形态指标，根据所述的高温胁迫下水稻产量预测模型预测水稻产量；

或水稻于开花期受到高温胁迫时，测量灌浆前的水稻株高和灌浆末期的水稻株高，得到株高下降量；获取灌浆末期水稻的黄叶面积比；基于上述形态指标，根据所述的高温胁迫下水稻产量预测模型预测水稻产量。

本发明的有益效果：

本发明提供的高温胁迫下水稻产量预测方法，通过获得植株形态指标，并利用统计分析方法分析各指标与产量的关系，能够在水稻生长中后期通过观测表现较明显的若干形态指标，高效、快速、实时的估计水稻产量，对水稻高温灾害程度的预测进行有效判断。

附图说明

图1为2016-2017年水稻移栽后生长期间外界的温度变化(6月-9月)。

具体实施方式

下面集合实施例对本发明的技术方案做进一步详细说明，以利于对本发明的理解，但并不作为此技术方案的限制。

实施例1

人工气候室控温试验于2016-2017年在华中单、双季稻稻作区进行。选用两个耐热性不同的粳稻品种：淮稻5号(hd5，较敏感)和武运粳24号(wyj24，耐热)，每年5月中下旬播种，采用旱育秧方式育秧，至6月中下旬移栽到高35cm、直径30cm的塑料盆中，每盆移栽3穴，每穴2株。盆内土壤为黄黏土，每盆施入3.0gn，2.0gp2o5和1.5gk2o，磷钾肥一次性施入作为基肥，氮肥基追比为5:1:2:2，其他管理同高产栽培。利用美国decagon公司的em50g(decagondevicesinc.washington,usa)设备采集空气温度以及土壤温度数据，设备设置为每小时采集数据12次。其中外界温度变化见图1。

处理期前水稻生长于自然环境中，到水稻孕穗期至减数分裂期(主茎剑叶抽出，穗分化长度至1.5-4cm)或开花期(群体的50％开花)移入人工气候室进行高温处理，处理后于自然环境下生长。

设置3个温度处理，t(tmax/tmin)分别为：t1(32/22)℃、t2(40/30)℃、t3(44/34)℃。设置温度水平持续时间为d1(2天)、d2(4天)。共6个温度处理，以t1&d1为对照处理，t1&d2主要是为体现温室本身由于透光率等这类不可避免的问题造成的水稻生长变化，但对研究形态变化与产量变化的关系无明显影响。

表1温度设定情况

挑选长势一致的水稻3盆，在每盆中挑选长势一致的水稻3株，并用记号笔标记其主茎用于测试水稻株高。测量灌浆前的水稻株高l(此时的水稻株高为茎基部到穗尖的植株长度，即主茎茎长)和灌浆末期的水稻株高h(此时的水稻株高为茎基部到穗顶的垂直高度，即收获株高)，得到水稻因灌浆而导致的株高下降量hd。

hd＝l-h

选取处于灌浆末期的颜色一致的水稻3盆，每盆选取1个叶片完好的单茎，共3个单茎。分别摘取剑叶、倒二叶、倒三叶和倒四叶，共12张叶片，采用scanjetg4010型扫描仪(美国hewlett-packard公司)扫描，得到图像，利用adobephotoshoplightroom5.3对扫描图片进行校正后，利用mathworkmatlab7.0对校正后的图片进行处理，获得叶片黄叶面积和绿叶面积的像素点，得到像素面积，获得黄叶面积比。黄叶面积比的计算公式为：

其中，yai和gai分别为对应叶片黄叶面积和绿叶面积，yri为对应叶片黄叶面积比，yr为4片叶片的黄叶面积比平均值。

于收获期获得各处理的水稻穗数，测量水稻穗长、一次枝梗数和二次枝梗数。获得田间试验各处理的水稻实际产量。

由于大田试验与盆栽试验的差异性，本发明采用相对变化值来进行阐述，以期消除大田试验与盆栽试验各指标绝对值的差异。获得经过高温处理与对照处理的水稻形态指标相对变化值、产量相对变化值，形态指标相对变化值或产量相对变化值的计算公式为：

其中，pt为高温胁迫下形态指标或产量的值，pck为正常温度下形态指标或产量的值，yt为形态指标或产量的相对变化值。

利用spss软件做形态指标相对值与产量相对值的线性相关分析，筛选出与产量变化显著相关的形态指标，见表2。

表2水稻形态指标相对值与产量相对值的线性相关关系

注：*代表显著，**代表极显著，—表示无数据。

由表2可知，高温影响的水稻茎、叶、穗形态指标的变化与水稻产量密切相关，这些指标均在一定程度上能反映出高温对产量效应。

利用spss软件的逐步回归分析方法，将水稻形态指标参数逐个引入模型，分析形态指标相对变化值与产量相对变化值的线性关系并进行统计学检验，剔除引起多重共线性的变量，筛选出与产量相关的最优解释变量集(见表3)，利用最小二乘法获得这些指标与实际产量的拟合度值和精确度值。

表3对水稻产量影响最大的形态指标组合

由表3可知，孕穗期遭受高温形态变化影响水稻产量的指标主要为主茎茎长和黄叶面积比，基于主茎茎长和黄叶面积比建立孕穗期高温胁迫下水稻产量预测模型：

y＝2.214l+0.574yr-0.006

模型的拟合度达到0.698，指标系数均极显著。

开花期遭受高温形态变化影响水稻产量的指标主要为株高下降量和黄叶面积比，基于株高下降量和黄叶面积比建立孕穗期高温胁迫下水稻产量预测模型：

y＝0.102hd+0.727yr+0.161

模型的拟合度达到0.604，指标系数均极显著。