文摘

稻米品质得到了更多的关注,所以监测和分析对稻米品质具有重要意义。大米在中国南部的一般质量指标确定从2011年到2020年,包括加工品质(糙米产量、糙米复苏,头水稻产量),外观质量(粒长度、长宽比、白垩大米比例、白垩质度,透明度),和烹饪质量(碱传播价值,凝胶一致性、直链淀粉)。主成分分析是用来区分区域南部大米的质量。结果表明,直链淀粉和白色大米的主要贡献的质量指标在中国南部,长江的上游,长江的中下游。在过去的十年里,总高质量的大米在南方得到了改善。随机森林是用来确定稻米品质的重要影响指标。结果表明,白垩质度、碱传播价值,和凝胶的一致性是影响南方大米质量的重要指标,和随机森林可以作为一种有效的方法连续监测和稻米品质分析。

1。介绍

水稻是主要的粮食作物之一,和超过一半的世界人口将是他们的日常主食。随着生活水平的上升,人们更加注重质量的大米以及水稻的产量。大米质量的提高已成为缓解供需之间的矛盾的关键,提高市场竞争力,发展当地经济,增加农民收入。

稻米品质主要包括加工品质、外观品质、和烹饪质量。布朗在稻米加工品质,水稻产量的比例是糙米饭的重量,糙米复苏比率的糙米饭的重量,和头部水稻产量的优点需要高质量的大米。外观质量取决于颗粒的形状,白色,透明1,2]。白垩质是白色,不透明的水稻胚乳的一部分,它是由光传导的变化由于胚乳淀粉粒之间的差距。大米的白垩质高,它的透明度很低,所以它的外观质量很差。粒形与大米的产量密切相关,对加工质量有一定的影响。直链淀粉含量、碱传播价值,凝胶一致性的主要指标是大米烹饪质量。烹饪质量是影响大米的味道的关键,而且它已经成为会议的一个重要因素影响消费需求的优质大米和国内外大米市场。

数十个新品种水稻种植在中国南方。监测常规栽培稻种质量研究大米的质量是一个重要的方法,它需要找到一种新的方法对监测数据进行分析。针对优秀的分类精度和加工效率,随机森林算法越来越广泛使用(3- - - - - -5]。李等人。6]应用随机森林的推荐系统,提出了一种基于改进的多维上下文感知推荐方法随机森林算法。结果表明,它可以减少平均绝对误差和均方根误差。金等。7)使用随机森林算法来识别水稻品种。de桑塔纳et al。8)使用随机森林和红外光谱来检测食品掺假。本文打算监视和分析中国南方的稻米品质通过使用随机森林的选择和排序的能力。

2。材料和方法

2.1。实验材料

摘要大米都是来自中国南方水稻地区,包括华南、长江的上游,长江的中下游。大米包括籼稻、粳稻和也可以分为早稻,semilate大米和晚稻。监测水稻品种的数量从2011年到2020年是261,269,271,307,304,307,293,284,269,和241年,分别。

2.2。稻米品质的决心

根据中国农业行业标准NY / T 83 - 2017, 140克大米被和脱壳与水稻糙米脱壳机(模型THU35B,日本),那么布朗大米磨成细的大米铣床(型号7132,中国),和棕色的水稻产量和糙米恢复被重计算。

水稻产量,粮食长度、长宽比、白垩大米比例、白垩质度,根据农业行业标准和透明度测定NY / T 2334 - 2013使用外观测试和分析软件。碱传播价值分析根据NY / T 83 - 2017。添加了一些完全糙米粒碱性溶液,恒温孵化后,米粒的消化是观察一个接一个的分类判断。

适量的糙米被飓风和地面成米粉磨(自由/开源软件Tecator、瑞典)。米粉是通过0.15毫米筛测定直链淀粉和凝胶陆一致性的方法和朱9]。

2.3。分析算法
2.3.1。主成分分析

主成分分析(PCA)项目的原始数据简化多维空间定义的主要组件,这是原始变量的线性组合。第一主成分方差最大,第二主成分是第二大方差,等等。多维数据减少到低维近似,解释前两个或三个主要组件的数据在二维或三维简化。因此,主成分分析可以降低数据的维数和保留尽可能多的有效信息(10]。具体的计算步骤如下:(1)原始数据的标准化有米原始数据:X1,X2、…X米转换成标准的值x1,x2、…x米。 在哪里 是样本均值;年代我标准偏差。(2)计算相关系数矩阵 在哪里rij=r霁,rij之间的相关系数我th变量和j变量。(3)计算特征值和特征向量求解特征方程 ,并找到相关系数矩阵的特征值R,λ1≥λ2≥…≥λ米≥0,相应的特征向量e1,e2、…e米,在那里ej= (e1j,e2j、…e新泽西)T,米新索引变量是由以下特征向量: 在哪里y米是米主成分。(4)计算主成分贡献率和累积贡献率:主成分的贡献率yj 主成分的累积贡献率 当 接近1,第一个 主成分可以替代米原始数据。(5)获得主成分得分 在哪里αj的贡献率是吗jth主成分yj。

在这项研究中,稻米品质指标的原始数据被用作PCA和主成分的得分1 (PC1)、主成分2 (PC2), 3(生物)和相应的主成分贡献率是收购以及载荷矩阵。

2.3.2。随机森林

随机森林算法清楚显示的处理形成一片森林组成的多个决策树以随机的方式,这是一个机器学习算法(11]。当一个未知样本进入构建森林作为输入,每个决策树在森林里将法官分别确定样本所属的类别,然后预测样本的类别判断是最。

随机森林的施工过程如下:首先,subdataset构造。随机抽样的样本进行了从原始数据集通过与一些样品抽样方法被放回。第二,使用subdataset构造决策树。假设一个子集x属性。当决策树的每个节点需要分裂,y属性是随机选择从这些属性。另外,选择一个Y属性节点的分裂属性。重复这个步骤,直到不能再分裂。上述两个步骤之后,大量的subdecision树将形成一个随机森林。最后,输入数据集不同subdecision树,然后可以获得不同的判决结果。结果是判断最是最好的随机森林分类方案。

最常用的策略是绝对多数投票。假设的集合类 ,的预测输出G我在示例x表示为一个n维向量 ,在哪里 代表的输出G我在类别Cj。

最优参数的选择的前提是获得最优的结果。在这项研究中,随机森林用于排名和分析重要的变量的影响程度。

3所示。结果与讨论

3.1。中国南方的水稻品种质量的分析

定期监测的大米质量进行了水稻品种连续十年在中国南部,包括糙米收益率(BRY)糙米复苏(MRR),头水稻产量(HRY),粮食长度(GL),长宽比(轻水反应堆),白垩大米(CRP)比例,白垩质度(CD),半透明(TC),碱传播价值(ASV),胶稠度(GC),直链淀粉()。有主要籼稻在南部地区,但仍有大约5%粳米。BRY和MRR籼稻略低于粳稻,虽然HRY低得多。因此,籼稻的加工质量总体低于粳稻稻米。至于外表,GL籼稻大于粳稻的大米。在c反应蛋白没有显著差异,CD,两者之间TC。在GC没有显著差异,但其他烹饪品质都略有不同。ASV的籼稻是低于粳稻,而恰恰相反。它可以从质量指标的趋势在过去的十年里(图1),c反应蛋白拥有最大的变化,这是逐年减少,籼稻的减少大于粳稻稻米。此外,cd两都下降了,这与以前的报告的结果是一致的(12]。在过去的十年里,HRY籼稻下降然后上升,达到2019年的61.9%的最高价值,而粳米HRY作为一个整体下降。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图1
稻米品质指标的籼稻(a),粳米(b),早稻(c), semilate大米(d),晚稻2011 - 2020 (e)。

早期的加工品质,semilate,晚稻不同;MRR的差异是最小的,但MRR的差异比较大。的顺序HRY迟到水稻> semilate水稻>早稻,BRY的顺序是早稻晚稻> > semilate大米。semilate,长宽比的差异在早期和晚期大米很小,但semilate大米的GL略长于早期和晚期的大米。外观品质,即c反应蛋白、GC和TC,三种的大米都出现在相同的顺序:>早稻晚稻> semilate米饭。至于烹饪质量,semilate ASV和晚稻高于早稻,GC semilate大米是早期和晚期的略高于大米、早稻的是18%以上,这是一般高于semilate和晚稻。见图1三米的白色,呈下降趋势,早稻CRP下降最多。GC的晚稻明显增加。

3.2。质量差异化分析的南部地区

水稻在中国南方地区可以分为几个subrice地区,包括华南、长江的上游,长江的中下游。PCA是用来区分并分析稻米品质在不同地区在过去的十年。作为一种重要的降维分析方法在多元统计分析中,PCA变换高度相关的变量相互独立或不相关的变量,其主要目的是使用更少的变量,即。、主成分解释原始变量的综合指标。

BRY MRR大米在中国南部和长江中下游的略高于长江的上游。HRY而言,在长江的上游是在第一个五年,减少在后者的五年,而在长江中下游的相对较高的在过去的五年。CRP和CD的大米在长江的上游较高,表明这个地区水稻的外观质量相对较低。从2011年到2016年,中国南方ASV很低然后增加,达到平均值在上游,长江的中下游。GC在长江的上游是高于中国南部和长江的中下游。

从三个区域的PCA图表(图2(一个)),它可以看到三维点在长江的上游是完全不同于在中国南部和长江的中下游,而三维点在中国南部和长江中下游的部分重叠,表明水稻的总体质量在长江的上游可能显著不同于其他两个地区。见数据2 (b)和2 (c)在头五年里,三个地区的三维点完全区分,而在后者的五年里,中国南方的三维点和长江中下游的部分重叠,表明稻米品质的歧视程度在两个地区减少。原因可能与南方的水稻品种的流行,和相同或相似的品种在不同地区种植。根据载荷矩阵得分在PCA,大米的总体质量的贡献指数在三个区域可以判断。从图3在PC1三个区域的第一个五年,作为最大的积极的负载,ASV紧随其后。PC2, BRY最大的积极的负载。PC1和PC2后者的五年,ASV和相应的最大积极的负载。这个结果符合的结果十年整体负载矩阵得分图表。的最大PC1积极的负载,和哭和CD的最大PC2积极的加载,说明直链淀粉和白色是主要的贡献指标区分三个地区的大米的质量。

(一)
(一)
(b)
(b)
(c)
(c)
图2
PCA图表的水稻三个区域,包括华南、长江的上游,长江的中下游。(一)十年;(b)第一个五年;(c)后五年。
(一)
(一)
(b)
(b)
(c)
(c)
图3
负载值的PCA地区大米的质量。(一)十年;(b)第一个五年;(c)后五年。
3.3。分析影响稻米品质指数在中国南部

根据中国南方的稻米品质指标的年度平均值在过去的十年里(图4),轻水反应堆有一个小增加趋势,但CRP和CD逐年减少。从2011年到2020年,水稻的总质量率(总HQR)拒绝,然后增加,2018年超过50%,2020年达到56.4%的最高价值。根据之前的报道在稻米品质指标13,14),相关分析、主成分分析和聚类分析通常是用来识别大米指标之间的差异,常见的分析方法,但是他们不能链接与水稻稻米品质率指标。在本部分中,随机森林是利用获得的链接。表演的质量指标和总高质量率如图5使用随机森林,每个索引可以获得的重要性来确定最重要的稻米品质的影响。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
图4
年度平均值稻米品质指标和总高质量率(总HQR)从2011年到2020年在中国南部。(一)BRY(糙米率);(b) MRR(糙米复苏);(c) HRY(头水稻产量);长度(d) GL(粮食);(e)轻水反应堆(长宽比);(f) CRP(白垩大米比例);(g) CD(白色);(h) TC(半透明);(我)、(碱传播价值); (j) GC (gel consistency); (k) AS (amylose).

图5
原理图的随机森林大米质量的连续监测和分析。

随机森林的参数由最小方差,这是如下:该方法“回归”,决策树的数量是10或20;最小的叶子节点是5;“Oobvarimp”和“代孕”都是“;”Fboot 1。根据随机森林的结果,HRY的排名,CD, ASV, GC,相对较高。上述五个指标输入到随机森林了。结果表明,CD, ASV和GC是更重要的。因此,白垩质度,碱传播价值,和凝胶的一致性是影响南方大米质量的重要指标。

4所示。结论

持续的监控实现了通过分析中国南方的稻米品质的变化从2011年到2020年。籼稻的加工质量是低于粳稻稻米。早期的加工品质,semilate,晚稻不同,外表品质显示相同的顺序。至于烹饪质量,semilate的碱扩散值比早稻和晚稻高,凝胶的一致性中产大米略高于早期和晚期的米饭,和早稻的直链淀粉是通常高于semilate和晚稻。主成分分析是用来区分区域南部大米的质量。结果表明,水稻的总体质量在长江的上游是显著不同,在中国南部和长江的中下游。直链淀粉和白色是主要的贡献指标区分三个地区的稻米品质。在过去的十年里,总高质量的大米在中国南部率增加了,在2020年达到最高的价值。随机森林是用来确定稻米品质的重要影响指标。结果表明,白垩质度、碱传播价值,和凝胶的一致性是影响南方大米质量的重要指标。

数据可用性

的数据支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。