日前，河南农业大学农学院熊淑萍教授团队联合国际玉米小麦改良中心CIMMYT在国际期刊《Information Processing in Agriculture》（一区TOP，IF=7.4）在线发表了题为“Multi-stage prediction of winter wheat grain protein content: integrating mechanism model and hyperspectral inversion of agronomic parameters”的研究论文。
       小麦在粮食生产中占据核心地位，籽粒蛋白质含量（GPC）是决定小麦品质的关键指标，其积累过程受环境与栽培管理措施的强烈影响。在小麦生育期内实时感知、精准预测GPC，从而采取及时保优促产栽培调控措施和市场应对策略，具有重要现实意义。
       然而，监测冬小麦GPC长期依赖破坏性取样，费时费工，也难以满足田间实时管理需求。该研究以农学参数(APs)为中介变量，将冠层光谱信息与作物生理过程有效链接，构建了覆盖拔节期、开花期和水熟期的多阶段预测框架，在保证预测精度的同时显著降低了数据获取成本与应用门槛。研究结果表明，该框架下APs在不同生育阶段存在桥接功能差异且具有不同预测能力，并根据误差传播模型揭示了模型在不同生育阶段的误差来源，为小麦品质形成机制解析及精准管理提供了重要技术支撑。        高光谱预测粮食品质已被证明是可行的，但目前半机理模型研究中对光谱与籽粒品质之间的APs桥接功能存在不同观点。此外，APs在不同生育阶段对作物冠层生长状况的表征能力也有所不同。本研究将机理模型与APs高光谱反演相结合，建立了最优的GPC预测模型，并进一步分析了误差来源，确定了多阶段预测的未来方向。研究的具体目标如下：(1)建立基于多时期APs的GPC回归预测机制模型；(2)利用不同机器学习算法构建并评价基于高光谱特征波段的多时期APs反演框架；(3)构建并评价成熟期GPC的高光谱模型，并识别模型预测中的不确定性来源。        本研究中检测的所有9种APs均与最终GPC品质有显著相关性。结果表明，不同品质类型小麦的APs与成熟度GPC的线性回归结果可靠。每种AP都能反映当前植物生理状况的差异，但其生理意义各不相同。碳氮吸收动态参数比值指标LNC和PNC与碳积累相关的AGB和LDW以及氮积累相关的LNA和PNA等参数相比，与成熟GPC参数的相关性更高，在回归建模中对GPC的预测精度也更高。本研究表明，LAI在生长前期具有较好的预测性能。这是因为该AP提供了对作物群体冠层尺度生长状况的表征，这最终决定了植物是否健康发育完全。在开花期和水熟期等生殖生长阶段，与碳和氮积累动态相关的APs成为最佳预测因子。LNC可以反映出AS和WS期间GPC潜力。在不考虑模型预测应用时间约束的情况下，随着生育期接近成熟期植株向籽粒的氮转运，利用氮相关指标预测成熟GPC的准确性逐渐提高。        结果表明，一阶导数光谱预处理与特征选择相结合，在降低输入维数的同时有效增强了特征强度。在多时期预测模型中，以APs作为中间变量时，各生长阶段的预测效果存在差异。其中，水熟期LNC的PLSR模型预测精度最高（R²=0.74, nMAE=6.80%, nRMSE=5.12%）。在拔节期和开花期，分别采用LAI（R²=0.51, nMAE=9.28%, nRMSE=7.91%）和LNC（R²=0.59, nMAE=8.46%, nRMSE=7.03%）的PLSR和SVM（R²=0.59, nMAE=8.46%, nRMSE=7.03%）的处理效果最佳。        误差来源分析表明，模型不确定性表现出明显的阶段依赖特征，在开花期由于光谱反演不确定性较低，理论误差最小；在生育前期对输入噪声的敏感性增加，而在生殖阶段由于冠层衰老引起的光谱信号衰减而导致性能下降。与传统的高光谱方法相比，该框架提高了预测可靠性，同时减少了对复杂输入的依赖，从而增强了其在大规模和数据有限的农业系统中的适用性。总体而言，本研究为多时相GPC预测提供了理论见解和实践框架，为小麦品质精准管理提供了有力支持。