Path planning algorithm of agricultural robot based on improved APF-FMT*
-
摘要:目的
解决农业机器人在复杂农业环境下全局路径规划耗时过长、路径最优解求解困难的问题。
方法提出一种基于改进人工势场法的快速行进树算法(APF-FMT*)。首先，在引力势场中引入相对距离，根据与目标点的距离改变引力大小，克服了人工势场法距离目标点过远时引力过大的问题；然后，将FMT*算法与改进人工势场法相结合，采用三阶B样条曲线对路径进行平滑处理；最后，建立3个农业工作地图进行仿真试验。
结果仿真结果表明，与FMT*、RRT*和Informed-RRT* 3种算法对比，在地图Map1和Map2中，APF-FMT*都能快速找到良好的解，且随样本数量增加获得的路径解得到改善，搜索时间比其他3种算法减少45%以上；在有狭小通道的Map3中，APF-FMT*、FMT*搜索时间比RRT*和Informed-RRT*减少75%以上，并且获得更好的解。
结论本研究提出的APF-FMT*算法不仅克服了FMT*算法冗余探索问题，还有效地解决了人工势场法目标点不可达的问题，提高了农业机器人路径规划效率和作业安全性。
Abstract:ObjectiveThe study is aimed to address the issue of lengthy global path planning of agricultural robot in complex agricultural environment and the path solution is not optimal.
MethodA fast marching tree algorithm based on an improved artificial potential field method (APF-FMT*) was proposed. Firstly, relative distance was introduced in the gravitational potential field, adjusting the strength of attraction based on the distance from the target point. This overcomed the issue of excessive attraction force in the artificial potential field method when the distance to the target point was too far. The FMT* algorithm was combined with the improved artificial potential field method, and a third order B-spline curve was used to smooth the path. Finally, three agricultural working maps were created for simulation experiments.
ResultAPF-FMT* was compared with FMT*, RRT*, and Informed-RRT* algorithms. The simulation results demonstrated that in maps Map1 and Map2, APF-FMT* consistently found good solutions quickly, and the path solutions were improved with an increasing number of samples. The search time reduced by over 45% compared with the other three algorithms. In Map3 with narrow channels, the search times of APF-FMT* and FMT* reduced by more than 75% compared with RRT* and Informed RRT*, and better solutions were obtained.
ConclusionThe proposed APF-FMT* algorithm based on the improved artificial potential field method not only overcomes the issue of redundant exploration in the FMT* algorithm, but also effectively solves the problem of unreachable target points in the artificial potential field method. This algorithm improves the efficiency and safety of path planning for agricultural robots.
-
水稻籽粒中的蛋白质组分因溶解性不同，可分为4类：水溶性的清蛋白、盐溶性的球蛋白、醇溶性的醇溶蛋白和碱溶性的谷蛋白，分别占稻米总蛋白质质量分数为5%、10%、5%和 80%[1-2]。清蛋白和球蛋白主要储存在果皮、糊粉层和胚等组织中，而醇溶蛋白和谷蛋白主要储存在胚乳中[3]。谷蛋白储藏在蛋白体PB-II中易被人体的胃消化吸收，而醇溶蛋白积淀在蛋白体PB-I内，不能被胃消化吸收，所以人体主要吸收谷蛋白[4]。低谷蛋白稻米是一种可吸收蛋白(指清蛋白、球蛋白、谷蛋白之和) 质量分数只有3.1%~4.0%的水稻品种[5]。糖尿病和肾脏病病人由于肾功能出现障碍，不宜食用可吸收蛋白质质量分数超过4%的大米。因此患者食用低谷蛋白大米后，人体不会因摄入过量热量而使血糖、血脂升高，能有效预防、辅助治疗糖尿病和肾病[6]。
稻米蛋白质及组分主要受稻米品种遗传基因控制，但环境因素的影响也较大。有研究表明，对蛋白质含量的影响，环境因素占89.14%，而品种差异仅占8.06%[7]。也有研究认为籽粒中蛋白质组分在基因型间存在显著差异，同时生态环境对蛋白质含量及组分也有极显著的影响[8-9]。由于经济的快速发展和人类生活方式的改变，作为功能性稻米的低谷蛋白水稻需求不断增长，但存在产量低价格高的问题。黎泉[10]研究表明，不同低谷蛋白水稻品种的产量对施氮量的响应不同。增施氮肥会增加水稻籽粒蛋白质及组分蛋白含量，然而施氮量过低或过高均会降低其产量及品质。因此，适宜的施氮量是确保低谷蛋白水稻高产优质栽培的关键。低谷蛋白水稻品种ER22的谷蛋白占总蛋白的质量分数为36.9%~37.3%，本研究以ER22为材料，进一步研究不同施氮量对其产量及蛋白组分的影响，以期为低谷蛋白水稻品种的高产优质栽培提供理论依据。
1. 材料与方法
1.1 试验设计
本研究于2016—2017年度在四川农业大学温江试验基地进行。供试土壤0~20 cm土层养分状况：有机质29.50 g·kg−1、全氮1.80 g·kg−1、碱解氮85.24 mg·kg−1、速效磷66.19 mg·kg−1、速效钾77.08 mg·kg−1、pH为6.9。供试材料：低谷蛋白品种ER22，属常规粳型糯稻，原产日本，在四川地区全生育期为150 d，株型紧凑，产量稳定，品质优良，适应性强。
试验采用随机区组设计，设N0(对照)、N1、N2、N3和N4共5个处理，分别施纯氮0、90、135、180和225 kg·hm−2。小区面积为4 m×5 m，3次重复，行穴距30 cm×25 cm，每穴栽2苗。4月17日进行旱育秧，5月27日移栽，秧龄40 d。氮肥为尿素，基肥、蘖肥和穗肥以6∶2∶2的质量比施入，磷肥为过磷酸钙 (P2O5，90 kg·hm−2)，钾肥为氯化钾 (K2O，180 kg·hm−2)，基肥和全部磷钾肥在移栽前一天施入，其余管理措施保持一致。
1.2 测定项目及方法
1.2.1 土壤基础肥力的测定
试验前取耕作层(0~20 cm)土壤样品，采用常规方法测定土壤养分含量。
1.2.2 产量的测定
成熟前每小区选取30株调查有效穗数；并各取具有代表性植株5株进行考种，调查每穗粒数、结实率、千粒质量、理论产量等指标，然后分区收获脱粒、晒干，实测产量。
1.2.3 籽粒总蛋白及蛋白组分的测定
分别于花后7、14、21、28、35 d取样，每小区取10穗，带回室内剥取籽粒并将其放入纸袋，立即在105 ℃烘箱内杀青30 min，然后恒温80 ℃ 烘干，粉碎过筛后作为测定样品。
总蛋白含量测定：蛋白质含量测定用凯氏定氮法，用瑞典FOSSTECATOR公司生产的Kjeltec 2300全自动凯氏定氮仪进行测定。
蛋白组分含量测定：采用杨静等[11]的连续提取法依次用蒸馏水、质量分数为5%的NaCl溶液、体积分数为70%的乙醇溶液和0.1 mol·L−1NaOH溶液这4种溶剂对不同组分进行分离提取。然后采用考马斯亮蓝法依次测定各蛋白组分含量[12]。
1.2.4 稻米主要品质指标测定
水稻成熟后按各处理取样并晒干保存3个月，按照米质测定方法标准NY/T83－2017[13]测定糙米率、精米率和整精米率。长宽比测定参照中华人民共和国国家标准GB/T17891－1999[14]测定。直链淀粉含量用德国BRAN LUEBBE公司生产的AA3连续流动分析仪进行测定。稻米淀粉黏滞性RVA谱采用澳大利亚Newport Scientific仪器公司生产的RVA-4型RVA仪进行快速测定，用Thermal cycle for windows (TCW) 配套软件进行分析。
1.3 数据处理
所有数据利用SPSS 20.0统计软件进行数据分析，结果均为3次重复的平均值，利用最小显著差法(LSD) 在P<0. 05水平上进行多重比较。
2. 结果与分析
2.1 施氮量对低谷蛋白水稻产量产量及构成因子的影响
由表1可知，水稻产量及构成因子(有效穗除外)均随着施氮量的增加呈先增后降趋势，N0处理下最低，N3处理下最高。就产量构成因子而言，有效穗数随施氮量增加而增加，在N4处理达到最大，N2处理与N1、N3处理差异不显著，其余各处理间差异显著。随施氮量的增加，实粒数先增加后减少，N0处理实粒数最少(68.24)，在N3处理下实粒数最多(96.56)，且各处理间差异显著。N0处理千粒质量显著低于各施氮处理，N1、N2处理均显著低于N3、N4处理。随着施氮量的增加，结实率与实粒数呈相同的变化趋势，在N0处理下最小，N3处理最大，N4处理显著低于其余各施氮处理。从整体上看，水稻产量在N0处理下产量最低，N3处理下最高，且各处理间差异显著，因此从产量指标上来看，生产实践中以N3处理效果为最优。
表 1 不同施氮量对低谷蛋白水稻产量及其构成因子的影响1)Table 1. Effects of different nitrogen application amount on yield and its components of rice处理
Treatment施氮量/(kg·hm−2)
N application amount有效穗数/(×104 hm−2)
Number of
effective panicle实粒数
Number of
solid particle千粒质量/g
1 000-grain weight结实率/%
Seed-setting rate产量/(t·hm−2)
YieldN0 0 237.69d 68.24e 24.19c 86.23e 3.92e N1 90 345.33c 78.05d 24.79b 90.40c 6.68d N2 135 350.67bc 79.75c 24.82b 92.43b 6.94c N3 180 359.04b 96.56a 25.10a 94.68a 8.70a N4 225 369.44a 89.78b 25.07a 88.25d 8.32b 1) 同列数据后的不同小写字母表示差异显著 (P<0.05，LSD法)
1) Different lowercase letters in the same column indicate significant difference (P<0.05，LSD method)施氮量对低谷蛋白稻米组分蛋白含量的影响
2.2.1 清蛋白含量的变化
由图1A可以看出，随着生育进程的推进，不同处理下，水稻籽粒清蛋白的含量在总体上呈增加趋势。随着施氮量的增加，花后各时段籽粒清蛋白含量呈增加趋势。其中，花后7 d，N3处理下清蛋白含量最高(4.99 mg·g−1)；花后14、21和28 d，N4处理下籽粒清蛋白含量最高，分别比对照高43.75%、30.64%和38.55%；花后35 d，N4处理清蛋白含量(10.43 mg·g−1)显著高于N0(7.62 mg·g−1)、N1(8.68 mg·g−1)处理，其余各处理间差异不显著。
![]()
图 1 不同施氮量对水稻籽粒蛋白质各组分含量变化的影响各图中，不同小写字母表示开花后35 d蛋白质含量差异显著(P<0.05，LSD法)Figure 1. Effect of different nitrogen application amount on the change of protein content in rice grainIn each figure, different lowercase letters indicate significant difference 35 days after blooming(P<0.05, LSD method)2.2.2 球蛋白含量的变化
由图1B可以看出，在水稻籽粒发育过程中，不同处理下，球蛋白含量不断增加。花后各时段球蛋白含量随着施氮量的增加而增加。花后7 d，N0处理球蛋白含量最低 (2.13 mg·g−1)，N4处理最高(3.98 mg·g−1)；花后14、21和28 d，N4处理下球蛋白含量最高，分别为9.45、10.94和11.95 mg·g−1，比对照高20.84%、29.13%和19.14%；花后35 d，N3、N4处理籽粒球蛋白含量显著高于N1处理。
2.2.3 醇溶蛋白含量的变化
醇溶蛋白含量变化如图1C所示。在水稻籽粒发育过程中，各处理下醇溶蛋白含量持续增加。花后各阶段，醇溶蛋白含量随着施氮量的增加而增加，且均在N4处理下含量最高。花后35 d，N0处理醇溶蛋白含量(4.94 7 mg·g−1)显著低于其他处理，N3、N4处理醇溶蛋白含量显著高于其他处理，且二者间差异显著。
2.2.4 谷蛋白含量的变化
如图1D所示，各处理下，水稻籽粒谷蛋白含量随着花期的推进逐渐增加。不同施氮水平下，花后各时段籽粒谷蛋白含量均在N4处理下最高 (除花后7 d外)；花后35 d，N1和N4处理下谷蛋白含量 (36.46 mg·g−1)显著高于其他处理。
2.3 不同施氮量对低谷蛋白稻米总蛋白质含量变化的影响
在不同的施氮水平下，水稻籽粒总蛋白含量随着花期推进逐渐上升 (图2)。增加施氮量可以提高籽粒各时期总蛋白含量。花后7 d，与N0处理相比，各施氮处理增加了籽粒总蛋白含量，N1、N2、N3和N4处理相比对照分别增加了1.48%、3.24%、11.47%和15.29%；花后14、21和28 d，N4处理下籽粒总蛋白含量最高，分别为83.98、89.65和90.04 mg·g−1；花后35 d，籽粒总蛋白含量在N0处理下最低(77.95 mg·g−1)，N3和N4处理籽粒总蛋白含量(92.42 mg·g−1)显著高于其他处理。
![]()
图 2 不同施氮量对水稻籽粒总蛋白含量变化的影响不同小写字母表示开花后35 d蛋白质含量差异显著(P<0.05，LSD法)Figure 2. Effect of different nitrogen application amount on the change of total protein content in rice grainDifferent lowercase letters indicate significant difference 35 days after blooming(P<0.05, LSD method)2.4 不同施氮量对低谷蛋白稻米蛋白各组分占总蛋白比例的影响
由表2可知，在不同施氮量处理下，成熟期籽粒各蛋白组分占总蛋白的比例(以质量分数计)变化不大，说明各组分蛋白的比例及低谷蛋白特性主要受基因控制。清蛋白约占9.78%~12.28%，球蛋白占13.06%~14.30%，醇溶蛋白占6.34%~8.36%，谷蛋白占31.05%~39.45%；其中，谷蛋白远远低于普通水稻 (谷蛋白约占总蛋白80%)。统计分析结果表明，施氮量主要影响醇溶蛋白和谷蛋白，对清蛋白和球蛋白影响不显著。
表 2 成熟期不同施氮量对稻米蛋白质各组分占总蛋白比例的影响Table 2. Effect of different nitrogen application amount on the ratio of each component protein to total protein at maturity stage of rice grain处理
Treatment施氮量/(kg·hm−2)
N application amountw1)/% 清蛋白
Albumin球蛋白
Globulin醇溶蛋白
Gliadin谷蛋白
Glutenin剩余蛋白
Other proteinN0 0 9.78a 14.23a 6.34c 31.05c 38.60a N1 90 10.36a 13.06a 6.61bc 32.51c 37.46a N2 135 11.02a 13.93a 6.96b 36.13b 31.96b N3 180 10.46a 13.67a 7.09b 39.06a 29.71bc N4 225 11.28a 14.30a 8.36a 39.45a 26.61c 1) 同列数据后的不同小写字母表示差异显著 (P<0.05，LSD法)
1) Different lowercase letters in the same column indicate significant difference (P<0.05，LSD method)2.5 施氮量对低谷蛋白稻米理化性质的影响
施肥处理对稻米理化性质的影响如表3所示，淀粉RVA谱特性是反映稻米食味性的重要指标。从表3可以看出，不同施氮量对RVA谱各特征值的影响达到显著差异水平，N1处理下的消减值最低 (−806.67 cp)，崩解值最高 (1 366.67 cp)，但与N2处理差异不显著；N4处理下的崩解值最低 (310.33 cp)，消减值最高(197.33 cp)，说明N1处理下稻米的食味最好，而N4处理的食味较差，各处理食味排序为N1>N2>N0>N3>N4。
表 3 施氮量对稻米RVA谱特性的影响1)Table 3. Effect of different nitrogen application amount on RVA profile characteristic of rice处理
Treatment施氮量/(kg·hm−2)
N application amount最高黏度/cp
Peak viscosity热浆黏度/cp
Hot paste viscosity崩解值/cp
Break down value最终黏度/cp
Final viscosity消减值/cp
Set back valueN0 0 1 843.67±29.54b 973.00±11.36a 870.67±20.38b 1 595.33±12.78a −248.33±17.46c N1 90 2 376.33±49.28a 1 009.67±9.82a 1 366.67±39.83a 1 569.67±9.84ab −806.67±42.81d N2 135 2 338.00±25.03a 991.00±15.04a 1 347.00±27.71a 1 541.33±27.17b −796.67±38.87d N3 180 1 444.33±17.70c 767.00±11.02b 677.33±7.88c 1 334.67±13.97c −109.67±4.10b N4 225 927.67±32.36d 617.33±11.62c 310.33±20.95d 1 125.00±13.02d 197.33±22.48a 1) 同列数据后的不同小写字母表示差异显著 (P<0.05，LSD法)
1) Different lowercase letters in the same column indicate significant difference (P<0.05，LSD method)2.6 施氮量对低谷蛋白水稻加工品质的影响
由表4可以看出，不同氮肥处理对低谷蛋白水稻加工品质各指标影响不一致。从整体上看，糙米率和精米率随着施氮量的增加而有所提高，其中N4处理显著高于N0处理，但与其他处理差异不显著。整精米率随施氮量的增加而提高，N4处理下显著高于N0、N1和N2处理，而与N3处理无显著差异。稻米的长宽比在N3处理下最大，在N2处理下最小，而各处理间无显著差异。
表 4 施氮量对稻米加工品质的影响1)Table 4. Effect of different nitrogen application amount on processing quality of rice处理
Treatment施氮量/(kg·hm−2)
N application amount糙米率/%
Brown rice rate精米率/%
Milled rice rate整精米率/%
Head rice rate长宽比/%
Length-wide ratioN0 0 80.87±0.18b 69.80±0.50b 44.07±1.05b 1.72±0.03ab N1 90 81.67±0.64ab 70.53±0.37ab 44.60±0.46b 1.71±0.02b N2 135 82.27±0.48a 71.53±0.84ab 45.00±2.52b 1.69±0.03b N3 180 82.27±0.13a 72.01±0.12ab 47.73±2.15ab 1.78±0.01a N4 225 82.47±0.07a 72.67±1.43a 52.73±1.73a 1.72±0.02ab 1) 同列数据后的不同小写字母表示差异显著 (P<0.05，LSD法)
1) Different lowercase letters in the same column indicate significant difference (P<0.05，LSD method)3. 讨论与结论
3.1 氮肥对低谷蛋白稻米产量的影响
施氮量是影响水稻产量的决定性因素。大量的研究表明，氮肥施用量对水稻的产量形成有很大影响[15-16]。Anzoua等[17]研究表明，提高氮肥用量能增加水稻单位面积有效穗数，从而增加水稻产量；王宇等[18]研究指出，当施氮量为240 kg·hm−2时，水稻‘盐丰47’前中后期生长稳健，营养生长生殖生长协调，总颖花数、每穗成粒数多，单产最高(8 707.50 kg·hm−2)；鲁艳红等[19]研究发现，当施氮量为180 kg·hm−2时，水稻‘籼稻皖153’产量最高，比不施肥增产26.8%；周江明等[20]研究提出早稻施氮105 kg·hm−2、晚稻施氮165 kg·hm−2是水稻施氮的技术拐点。刘文祥等[21]研究表明，水稻产量与施氮量呈单峰曲线关系，随施氮量增加，有效穗数显著增加，但穗粒数先增加后下降。综上所述，由于水稻品种及地域差异，不同水稻品种最佳施氮用量也不尽相同。然而，已有的研究报道有一个共性，即在一定的施氮范围内，水稻产量随施氮量增加而显著增加，但当氮肥用量达到一定水平时，再增加氮肥，产量提高并不显著甚至造成减产，也就是说在一定范围内施氮量与产量呈抛物线关系。本研究中，有效穗数随施氮量增加而增加，结实率与实粒数呈先增后降的趋势，且均在N3处理时达到最大值，表明增加施氮量提高水稻产量是通过增加有效穗数、提高结实率和实粒数共同实现的。这与徐春梅等[22]的研究结果一致。在N4处理下，结实率与实粒数均下降，导致产量减少，这与前人研究一致，表明就产量而言，该供试品种的适宜施氮量为N3处理。
3.2 氮肥对低谷蛋白稻米蛋白质及各组分含量变化的影响
稻米蛋白质含量是一个受遗传和环境影响较大的品质指标，其中又以氮素的施用对其影响最大[11]。关于施氮量对蛋白质及其组分影响的研究很多[23-26]，一般认为增加氮肥用量能够提高水稻籽粒中蛋白质及其各组分的含量[27-28]。但是，肥料的施用量、施用时期对蛋白质含量均有不同程度的影响，且氮肥的施用对蛋白质组分百分比含量的影响较小[29-30]。耿春苗[5]研究发现，低谷蛋白稻米蛋白质含量对氮素供应水平的反应均随施氮量增加和穗肥比例的增加而提高，增加施氮量和穗肥后移使精米的醇溶蛋白和谷蛋白含量显著提高，但高肥处理360和270 kg·hm−2之间差异没达到极显著水平。Li等[31]研究表明，随着施氮量增加，4种蛋白组分均显著增加，但不同蛋白组分对氮素的响应不同，施氮主要影响了糙米中的谷蛋白和醇溶蛋白，而对清蛋白和球蛋白的影响较小；同一蛋白组分不同水稻品种对氮素的响应也不同。本研究中水稻籽粒总蛋白含量及各组分蛋白含量均随着施氮量的增加而增加，这与前人研究结果一致。此外，N4及N3处理下，花后35 d (成熟期) 籽粒总蛋白含量和可溶性蛋白含量差异均不显著，表明合理的施氮量就能保证低谷蛋白水稻的品质特性。这是因为在一定范围内，随施氮量增加，植株氮素积累和转运增加，籽粒蛋白质含量增加，当施氮量继续增加，植株氮素积累增加，但转运下降，故向籽粒转运减少，最终籽粒蛋白质含量反而降低[32]。通过比较成熟期水稻籽粒各组分蛋白占总蛋白比例发现，不同的施氮处理下，4个组分蛋白占总蛋白含量的比例变化很小，说明施氮量对蛋白组分比例影响较小，这与张欣等[28]在水稻上的研究结果一致。此外，本研究中花后35 d(成熟期) 各组分蛋白在各施氮处理间差异显著性均不一致，水稻籽粒清蛋白和球蛋白含量在N2、N3和N4处理间差异均不显著，醇溶蛋白含量则在N2、N3和N4处理间差异均显著，谷蛋白含量在N3和N4处理下无显著差异，但显著高于其他处理，说明不同的施氮量对清蛋白和球蛋白的影响较小，对醇溶蛋白和谷蛋白则有不同程度的影响，对成熟期水稻籽粒各组分蛋白占总蛋白比例的统计分析也验证了该结论。耿春苗[5]研究表明，随着施氮量的增加，蛋白质组分中清蛋白和球蛋白变化不显著，但醇溶蛋白和谷蛋白含量显著增加。抽穗前期 (灌浆期前15 d) 是清蛋白和球蛋白积累的关键时期，这一时期植株的代谢较快，而随着生育进程推进，成熟期代谢减慢，清蛋白和球蛋白的积累趋于稳定，因此不同施氮量对成熟期籽粒的清蛋白和球蛋白影响较小。有研究表明，环境对醇溶蛋白和谷蛋白的影响大于对球蛋白和清蛋白的影响[33]，氮素对水稻籽粒醇溶蛋白和谷蛋白的调控作用大于基因型，而对清蛋白和球蛋白的调控作用小于基因型[34]。也有研究指出灌浆成熟期间前、中期温度对清蛋白和谷蛋白含量影响大，灌浆成熟期间中、后期温度对球蛋白和醇溶蛋白含量影响大[35]，因此灌浆成熟后期温度对醇溶蛋白的影响是成熟期籽粒醇溶蛋白在不同施氮量下差异显著的重要原因。此外，谷蛋白和醇溶蛋白是水稻的主要储藏蛋白，分别积累在蛋白体II (PB-II)和蛋白体I (PB-I)上，这种分布的差异也是二者受氮肥影响不同的原因之一。综上，要保证低谷蛋白水稻的功能特性，需要合理控制施氮量。
3.3 氮肥对低谷蛋白稻米理化性质及加工品质的影响
稻米RVA谱特征值为判断稻米食味品质提供了数据支撑，有研究认为随施氮量增加，最高黏度降低，崩解值下降，消碱值增加，糊化温度升高，稻米食味品质变劣，使稻米胶稠度变小，米饭变硬[36]。也有研究指出，淀粉RVA谱特征值中消减值>0时，崩解值越小、消减值越大，适口性越好；当消减值<0时，崩解值越大，消减值越小，则适口性好[37]。本研究中，除N4处理外，消减值均<0，且随着施氮量增加，消减值呈先降低后增加的趋势，而崩解值则呈相反趋势，均在N1处理时达到最大值，说明N1处理下稻米的食味最好，这与之前的研究基本一致。对各处理食味排序为N1>N2>N0>N3>N4，表明一定范围内，低谷蛋白稻米ER22蒸煮品质随施氮量的增加有所改善，而过量施氮会使稻米蒸煮品质下降。此外，稻米的RVA谱特性还与蛋白质含量及组分蛋白的比例相关，吴洪恺等[38]研究发现，谷蛋白相对于醇溶蛋白的含量对稻米食味品质有着一定程度的影响，认为lgclgc型稻米 (谷蛋白含量大于醇溶蛋白含量) 米饭软而黏，食味较好。
众多研究一致认为，增加氮肥用量，可以提高糙米率、精米率和整精米率[33, 39-41]，本研究也不例外，在一定施氮量范围内，较高的氮含量可维持根系活力和提高叶片光合速率，促进物质运转，增加籽粒质量和充实度，同时植株含氮量增加，向穗部运转的氮素化合物增加，谷粒硬度也随之增大，加工品质提高。过高的施氮量使穗部物质分配下降，灌浆受阻而导致不饱满籽粒增加，最终使加工品质下降[32]。本研究发现，当施氮量达到225 kg·hm−2时(N4处理)，对稻米加工品质的影响相对于低氮处理(N1、N2处理)表现出显著差异，但与N3处理差异不显著，说明过高的施氮量对加工品质并没有显著的改善，甚至略有降低，因此，选择合理的施氮量对提高低谷蛋白水稻ER22的食味品质及加工品质有很大的影响。
3.4 结论
在本试验条件下，在施氮量为0~180 kg·hm−2范围内，增施氮肥提高水稻产量是通过增加有效穗、提高结实率和实粒数共同实现的。但在N4(225 kg hm−2)处理下，结实率与实粒数均下降，导致产量降低。表明就产量而言，ER22的适宜施氮量为N3(180 kg·hm−2)。施氮量对低谷蛋白水稻ER22籽粒的总蛋白及组分蛋白有不同程度的影响。总体而言水稻籽粒总蛋白含量及各组分蛋白含量在花后各时期均随着施氮量的增加而增加，但在N4 (225 kg·hm−2) 及N3 (180 kg·hm−2)处理下，成熟期籽粒总蛋白含量和可溶性蛋白含量差异均不显著，说明合理的施氮量才能保证低谷蛋白水稻的品质特性。就各组分蛋白而言，成熟期水稻籽粒清蛋白和球蛋白含量在N2 (135 kg·hm−2)、N3 (180 kg·hm−2)和N4 (225 kg·hm−2) 处理间差异均不显著，醇溶蛋白和谷蛋白则表现出不同的差异性，说明不同的施氮量对清蛋白和球蛋白的影响较小，对醇溶蛋白和谷蛋白影响较大。此外，不同的施氮处理下，各组分蛋白占总蛋白的比例变化较小，表明施氮量并不改变组分蛋白的比例。低谷蛋白水稻ER22稻米的食味品质在90~135 kg·hm−2处理范围内表现良好，加工品质在N3 (180 kg·hm−2) 处理最好，施氮量在N4 (225 kg·hm−2)处理时，稻米综合品质降低。综上所述，低谷蛋白水稻ER22优质高产的适宜施氮范围在135~180 kg·hm−2之间。
-
![]()
图 1 FMT*规划结果
红色圆心表示起始点，绿色圆心表示目标点，红色曲线为最终路径
Figure 1. FMT* planning result
The red circle represents the starting point, the green circle represents the goal point, and the red curve represents the final path
![]()
图 5 APF-FMT*节点扩展过程
${{X}}_{\text{init}}$为初始点；${{X}}_{\mathrm{g}\mathrm{o}\mathrm{a}\mathrm{l}}$为目标点；${{V}}_{\text{open}}$为已遍历点集；${{V}}_{\mathrm{u}\mathrm{n}\mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{e}\mathrm{d}}$为未遍历点集；${{V}}_{\mathrm{c}\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{e}}$为确认点集；${{r}}_{{n}}$为搜索半径
Figure 5. APF-FMT* node expansion process
${{X}}_{\text{init}}$ is the initial point; ${{X}}_{\mathrm{g}\mathrm{o}\mathrm{a}\mathrm{l}}$ is the goal point; ${{V}}_{\text{open}}$ is the traversed point set; ${{V}}_{\mathrm{u}\mathrm{n}\mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{e}\mathrm{d}}$ is the untraversed point set; ${{V}}_{\mathrm{c}\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{e}}$ is the confirmed point set; ${{r}}_{{n}}$ is the search radius
![]()
图 7 4种算法应用于不同地图的比较
红色圆心表示起始点，绿色圆心表示目标点，红色曲线为最终路径
Figure 7. Comparison of four algorithms applied on different maps
The red circle represents the starting point, the green circle represents the goal point, and the red curve represents the final path
![]()
图 8 不同地图上4种算法样本数与时间和路径的关系
柱状图表示样本数和时间关系，折线图表示样本数和路径长度关系
Figure 8. Relationship between sample size and time, path of four algorithms on different maps
The relationship between sample size and time is represented by a bar chart, while the relationship between sample size and path length is represented by a line chart
-
[1] 孙叶丰. 农业机器人发展现状及展望[J]. 现代农业研究, 2022, 29(3): 92-94. doi: 10.3969/j.issn.1674-0653.2022.03.030 [2] 艾尔肯·亥木都拉, 穆占海, 郑威强. 采用多策略改进黑猩猩算法的农业机器人路径规划[J]. 西安交通大学学报, 2023, 57(8): 161-171. doi: 10.7652/xjtuxb202308001 [3] 陆宇豪, 刘义亭, 郁汉琪, 等. 基于改进BIT算法的农业机器人路径优化研究[J]. 仪器仪表用户, 2022, 29(11): 1-6. [4] 石志刚, 梅松, 邵毅帆, 等. 基于人工势场法的移动机器人路径规划研究现状与展望[J]. 中国农机化学报, 2021, 42(12): 182-188. [5] KAZEMI M, GUPTA K K, MEHRANDEZH M, et al. Randomized kinodynamic planning for robust visual servoing[J]. IEEE Transactions on Robotics: A publication of the IEEE Robotics and Automation Society, 2013, 29(5): 1197-1211.
[6] KAVRAKI L E, SVESTKA P, LATOMBE J C, et al. Probabilistic roadmaps for path planning in high-dimensional configuration spaces[J]. IEEE Transactions on Robotics and Automation, 1996, 12(4): 566-580. doi: 10.1109/70.508439
[7] KARAMAN S, FRAZZOLI E. Sampling-based algorithms for optimal motion planning with deterministic µ-calculus specifications[C]//2012 American Control Conference (ACC). Montreal, QC, Canada: IEEE, 2012: 735-742.
[8] RICKERT M, SIEVERLING A, BROCK O. Balancing exploration and exploitation in sampling-based motion planning[J]. IEEE Transactions on Robotics, 2014, 30(6): 1305-1317. doi: 10.1109/TRO.2014.2340191
[9] GAMMELL J D, SRINIVASA S S, BARFOOT T D. Informed RRT*: Optimal sampling-based path planning focused via direct sampling of an admissible ellipsoidal heuristic[C]//2014 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS). Chicago, IL, USA: IEEE, 2014: 2997-3004.
[10] JANSON L, SCHMERLING E, CLARK A, et al. Fast marching tree: A fast marching sampling-based method for optimal motion planning in many dimensions[J]. The International Journal of Robotics Research, 2015, 34(7): 883-921. doi: 10.1177/0278364915577958
[11] STAREK J A, GOMEZ J V, SCHMERLING E, et al. An asymptotically-optimal sampling-based algorithm for bi-directional motion planning[C]//2015 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS). Hamburg, Germany: IEEE, 2015: 2072-2078.
[12] XU J, SONG K, ZHANG D, et al. Informed anytime fast marching tree for asymptotically-optimal motion planning[J]. IEEE Transactions on Industrial Electronics, 2021, 68(6): 5068-5077. doi: 10.1109/TIE.2020.2992978
[13] WU Z, CHEN Y, LIANG J, et al. ST-FMT*: A fast optimal global motion planning for mobile robot[J]. IEEE Transactions on Industrial Electronics, 2022, 69(4): 3854-3864. doi: 10.1109/TIE.2021.3075852
[14] ICHTER B, SCHMERLING E, PAVONE M. Group marching tree: Sampling-based approximately optimal motion planning on GPUs[C]//2017 First IEEE International Conference on Robotic Computing(IRC). Taichung, TaiWan: IEEE, 2017: 219-226.
[15] GAO W, TANG Q, YAO J, et al. Heuristic bidirectional fast marching tree for optimal motion planning[C]//2018 3rd Asia-Pacific Conference on Intelligent Robot Systems. Singapore: IEEE, 2018: 71-77.
[16] 臧强, 张国林, 靳雨桐, 等. 一种基于动态步长的AAPF-RRT*移动机器人路径规划新算法[J]. 中国科技论文, 2021, 16(11): 1227-1233. doi: 10.3969/j.issn.2095-2783.2021.11.012 [17] KHATIB O. Real-time obstacle avoidance for manipulators and mobile robots[C]//1985 IEEE International Conference on Robotics and Automation. St. Louis, MO, USA: IEEE, 1985: 500-505.
[18] GAMMELL J D, BARFOOT T D, SRINIVASA S S. Batch informed trees (BIT*): Informed asymptotically optimal anytime search[J]. The International Journal of Robotics Research, 2020, 39(5): 543-567. doi: 10.1177/0278364919890396
[19] 杨琛, 陈继洋, 胡庆松, 等. 基于多目标PSO-ACO融合算法的无人艇路径规划[J]. 华南农业大学学报, 2023, 44(1): 65-73. doi: 10.7671/j.issn.1001-411X.202205005 -
期刊类型引用(5)
1. 程功，焦洁洁，蒋建潮，薛逸琳，郑炳松，闫道良. 植物对氮磷亏缺的生长及生理、分子响应研究进展. 湖北林业科技. 2024(05): 65-72 . 
百度学术
2. 李雅雪，盘耀亮，彭光粉，田江，陆星，梁翠月. GmNTLs调控大豆根系响应低磷胁迫的功能研究. 华南农业大学学报. 2023(02): 221-229 . 本站查看
3. 薛迎斌，宋佳，李枭艺，李小豪，陈经烨，伍萍珍，朱胜男，刘颖. 大豆GmMADS4基因克隆、亚细胞定位及功能分析. 华南农业大学学报. 2023(03): 420-429 . 本站查看
4. 吕铭滔，龚海光，黄永芳，龚勇军. 磷对铝胁迫油茶芽苗初生根保护酶的影响. 经济林研究. 2023(03): 271-277 . 百度学术
5. 单玉静，王召军，程泽华，余婧，雷波，闫筱筱，张洪映，崔红. NtSPX4基因敲除对烟草苗期磷吸收和生长发育的影响研究. 中国烟草学报. 2022(01): 78-85 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 1201
- HTML全文浏览量: 140
- PDF下载量: 40
- 被引次数: 7
