论文部分内容阅读
水稻是主要的粮食作物,世界上近半数的人口以大米为食。水稻植株对于镉具有强吸收的特性,低程度的镉污染就会造成镉在水稻根、茎、叶、籽粒中的积累,会对植物造成毒害,破坏细胞结构,抑制酶活性,影响代谢活动,改变水稻表型信息,最终形成“镉大米”。根茎是水稻重金属吸收、运转和积累的重要器官。传统的重金属实验室分析方法,过程繁琐、成本高、耗时长,急需一种快速检测重金属的方法和手段,实现重金属污染的监测和防治。本研究以水稻根茎表型信息快速获取为目标,研究了不同镉胁迫下水稻根茎形态特征和生理特性响应规律,建立了水稻根茎逆境生理信息高光谱快速检测模型、根茎镉胁迫程度、镉元素及矿质营养元素的快速检测模型,实现了作物表型多信息精准快速检测,对作物逆境胁迫及重金属检测和修复具有重要意义。主要研究内容和结论如下:（1）探明了镉胁迫下水稻根茎形态特征响应规律,建立了根系形态参数根长、表面积、总体积、根尖数、分枝数的量化关系模型,为作物根系重金属胁迫效益和吸收转运规律研究提供了理论支撑。基于根系分析系统Win RHIZO获取水稻根系的形态参数,探明了不同胁迫条件下根茎形态特征的组间显著性与变化规律;基于扫描电镜与透射电镜技术,揭示了不同镉胁迫条件下水稻根茎微观组织与亚细胞结构的形态特征。结果表明:（1）镉胁迫对根茎形态特征具有“低促高抑”的作用。水稻根茎形态特征的最佳生长状态出现在低浓度镉（CK/5/25μM）中长时间（15/20 day）条件下,最差生长状态出现在高浓度镉（100μM）长时间（20 day）条件下。（2）根长与表面积、根尖数、分枝数具有强相关性,其相关系数分别为0.9052、0.8987与0.9412;表面积与总体积、分枝数具有强相关性,其相关系数分别为0.9340与0.8841;根尖数与分枝数具有强相关性,其相关系数为0.8369。（2）探究了镉胁迫下水稻根茎逆境生理响应规律与作用机理,建立了水稻根茎可溶性蛋白和丙二醛逆境生理信息快速检测模型,为作物根茎逆境生理信息的快速检测提供了技术支撑。以不同重金属镉胁迫浓度（CK、5μM、25μM、50μM、100μM）、不同胁迫时间（5 day、10 day、15 day、20 day）下的新鲜水稻根系、茎秆为研究对象,分析了镉胁迫下水稻根茎生理（可溶性蛋白与丙二醛）响应规律与作用机理,研究并建立了基于全谱与特征波段的水稻根茎逆境生理信息高光谱快速检测模型。结果表明:（1）低浓度镉胁迫促进细胞中蛋白质合成代谢;高浓度镉胁迫会促进蛋白水解酶的活性,加强可溶性蛋白分解。低浓度镉胁迫能够诱导根系中抗氧化系统酶类活性,抑制根系中丙二醛的合成;高浓度镉胁迫会导致抗氧化酶系统代谢紊乱,刺激组织产生并积累大量活性氧（Reactive oxygen substance,ROS）,促进根系中丙二醛的合成。（2）采用连续投影算法（SPA）、随机蛙跳（RF）与蒙特卡罗算法（CARS）三种方法筛选与逆境生理信息相关的特征波长,基于偏最小二乘回归算法（Partial least squares regression,PLSR）、支持向量机（Support vector machine,SVM）与极限学习机（Extreme learning machine,ELM）三种方法建立逆境生理快速检测模型,并采用相关系数（Correlation coefficient,R）与均方根误差（Root mean standard error,RMSE）评价模型效果。水稻根系可溶性蛋白的最优预测模型为CARS-ELM（Rp=0.9161,RMSEP=0.0687）,输入变量减少了89.25%;丙二醛的最优预测模型为CARS-ELM（Rp=0.9021,RMSEP=0.2507）,输入变量减少了85.25%。对于水稻茎秆可溶性蛋白的最优预测模型为RF-ELM（Rp=0.7718,RMSEP=0.0233）,输入变量减少了90.50%;丙二醛的最优预测模型为CARS-ELM（Rp=0.7994,RMSEP=0.4824）,输入变量减少了90.50%。（3）揭示了水稻根茎镉元素转运积累规律,提出了全谱、特征谱线与单变量、多变量融合分析方法,建立了水稻根茎镉胁迫程度快速诊断模型,研究了水稻根茎镉元素快速检测方法,为作物重金属胁迫程度与元素含量快速检测提供了方法支撑。基于标准化学方法检测水稻根茎中镉元素的积累量,研究了水稻根茎镉元素积累规律;确定了激光诱导击穿光谱（Laser induced breakdown spectroscopy,LIBS）系统最佳采集参数,建立了镉胁迫程度与镉元素定量检测方法和模型。采用主成分分析（Principal component analysis,PCA）实现不同镉胁迫程度水稻根茎样本的聚类分析,基于偏最小二乘判别分析算法（Partial least squares-discriminant analysis,PLS-DA）、SVM与ELM实现不同胁迫程度样本的快速诊断;以Cd II 214.44 nm、Cd II 226.50 nm与Cd I 228.80 nm为特征谱线,建立单变量分析模型;以特征谱线组合、230-884 nm长波段、211-232 nm短波段,建立多变量分析模型;采用区间偏最小二乘算法（Interval partial least squares,i PLS）、SPA与RF特征筛选方法,建立基于特征波段的PLSR、最小二乘支持向量机（Least squares support vector machines,LSSVM）、ELM与径向基函数神经网络（Radial basis function neural network,RBFNN）等多变量分析模型。结果表明:（1）根系镉含量范围为0-1033.77 mg/kg,茎秆镉含量范围为0-302.00 mg/kg。对于相同胁迫时期,茎秆中的镉含量要远远少于根系中镉积累量。（2）对水稻根系和茎秆,最佳延时时间分别为2.5和2μs,最优能量分别为85和90 m J。（3）对单一胁迫时间与所有胁迫时间的水稻根茎,230-884 nm长波段与211-232 nm短波段均能取得优秀的判别结果,其最优模型预测集准确率超过88%。（4）对水稻根系镉元素检测最优模型为基于211-232 nm的全谱模型（Rp=0.9958,RMSEP=29.58 mg/kg）,与230-884 nm长波段相比,变量个数减少了95.35%。（5）对水稻茎秆镉元素快速检测最优模型为基于211-232nm短波段的SPA-ELM模型（Rp=0.9965,RMSEP=7.46 mg/kg）,与211-232 nm短波段相比,变量个数减少了99.51%,对便携式仪器的开发具有重要的参考价值。（4）探究了水稻根茎中重金属镉元素与矿质元素的积累规律,基于LIBS技术建立了水稻根茎中矿质元素快速检测模型,实现了作物多种矿质元素同时精准快速检测,为便携式仪器的开发提供了模型支撑。通过标准化学方法检测水稻根茎样本中9种矿质元素（K、Ca、Na、Mg、P、Fe、Mn、Zn、Cu）,分析水稻根茎中重金属镉元素与矿质元素的积累规律;采用面积归一化、异常光谱剔除、小波变化与光谱平均化等预处理方法,提高检测信号的稳定性,减少点对点波动、异常值与背景噪声等的干扰;基于PLSR、LSSVM、ELM与RBFNN模型与i PLS、SPA与RF特征筛选方法,对比基于全谱与特征波段的定量检测效果,研究水稻根茎矿质元素的快速检测方法,探究LIBS技术用于植物样本中矿质元素含量检测的准确性及可靠性。结果表明:（1）根系中K、Na、P、Ca、Mg、Mn、Zn元素含量均低于茎秆中相应元素含量,而根系中Cd、Fe、Cu含量均高于茎秆中相应元素含量。（2）根系中矿质元素LIBS最优预测模型相关系数,K、Mg、Na和Mn大于0.98,Ca、P和Fe大于0.95,Zn和Cu大于0.90;茎秆中矿质元素LIBS最优预测模型相关系数,Na、Fe和Mn大于0.98,Ca大于0.95,K、Mg、P、Zn和Cu大于0.90。LIBS技术对于水稻根茎矿质元素快速检测取得了良好的预测效果,对水稻生长过程信息快速检测和精准调控提供了支撑。