不同家禽蛋壳结构及其成分研究

唐徐华; 林君; 杨海明; 杨芷; 王志跃

doi:10.19303/j.issn.1008-0384.2022.002.004

不同家禽蛋壳结构及其成分研究

唐徐华^1,,
林君¹,
杨海明¹,
杨芷²,
王志跃^{1, 2, ,}

1.
扬州大学动物科学与技术学院，江苏　扬州　225009
2.
扬州大学农业科技发展研究院，江苏　扬州　225009

基金项目: 江苏现代农业产业技术体系建设专项（JATA[2021]443）；江苏省农业重大新品种创制项目（PZCZ201738）

详细信息

作者简介:
唐徐华（1996−），女，硕士研究生，研究方向：家禽与营养（E-mail：1455057915@qq.com）

通讯作者:
王志跃（1964−），男，教授，研究方向：家禽与营养（E-mail：dkwzy@263.net）

中图分类号: S 835
计量
- 文章访问数: 969
- HTML全文浏览量: 209
- PDF下载量: 57
出版历程
- 收稿日期: 2021-08-24
- 修回日期: 2021-10-27
- 网络出版日期: 2022-03-20
- 刊出日期: 2022-02-24

Shell Structure and Composition of Poultry Eggs

1.
College of Animal Science and Technology, Yangzhou University, Yangzhou, Jiangsu　225009, China
2.
Institutes of Agricultural Science and Technology, Yangzhou University, Yangzhou, Jiangsu　225009, China

摘要

摘要:
目的通过对不同家禽蛋壳结构及成分的比较研究，丰富人们对于鹅蛋蛋壳结构和成分的认识。
方法选取江南白鹅、如皋黄鸡和金定鸭所产蛋各30枚，测定蛋壳强度、厚度；取蛋壳内表面、外表面及禽蛋尖端、赤道以及钝端的横断面蛋壳碎片固定在铜板上，喷金，在扫描电镜合适倍数视野下观察蛋壳的超微结构。
结果蛋重、蛋壳重以及蛋壳厚度在鸡蛋、鸭蛋和鹅蛋之间均差异显著（P＜0.05），表现为鹅蛋＞鸭蛋＞鸡蛋；而鹅蛋蛋壳强度、蛋形指数和壳重比例显著高于鸡蛋和鸭蛋（P＜0.05）。鹅蛋蛋壳栅栏层的厚度与所占比例均显著大于鸡蛋和鸭蛋（P＜0.05），鹅蛋蛋壳的横断面致密度和平整性都更好，乳突层与壳膜层联系也更加紧密；蛋壳强度与有效层厚度的相关性最强，其相关系数为0.603；3种禽蛋蛋壳中碳、氧、钙、锌的相对含量均没有显著差异（P＞0.05），相对含量最高的元素均为：氧、钙、碳，说明蛋壳中无机物质主要是碳酸钙，且蛋壳质量并不取决于元素相对含量的高低。
结论鹅蛋在蛋壳强度、蛋壳厚度以及蛋壳结构等方面与鸡蛋、鸭蛋有显著差异，蛋壳强度并不取决于元素相对含量的高低，受蛋壳微观结构的影响更大，蛋壳的致密度直接影响了蛋壳强度。
- 蛋品质 /
- 蛋壳强度 /
- 超微结构 /
- 元素组成
Abstract:
Objective Shell structure and composition of eggs laid by different kinds of poultry were compared.
Method Thirty eggs of Jiangnan white geese, Rugao yellow chickens, and Jinding ducks were examined for microstructures of the inner/outer surfaces and cross-sections of fragments from various parts under a scanning electron microscope, determined on the physical properties using a strength tester, measured for the thickness with a spiral micrometer, and analyzed on the chemical composition by standard methods.
Result The egg weight, shell weight, and shell thickness of different species of poultry differed significantly (P＜0.05) with a ranking of goose eggs＞duck eggs＞chicken eggs. The shell strength, shape index, and weight ratio of the goose eggs were significantly higher than those of the chicken or duck eggs (P＜0.05). Both thickness and proportion of palisade layer of goose eggshell were significantly greater than those of chicken or duck eggshell (P＜0.05). The transverse section density and integrality of goose eggshells were better and the mastoid layer more closely related to the shell layer, while the shell strength highly correlated with the effective layer thickness showing a correlation coefficient of 0.603. The relative contents of carbon, oxygen, calcium, and zinc in the eggshells did not differ significantly (P＞0.05), and oxygen, calcium, and carbon were the greatest amount of inorganic substance and present mainly in the form of calcium carbonate. Thus, the eggshell quality did not depend on the relative content of these elements.
Conclusion Goose eggs are significantly different from chicken eggs and duck eggs in terms of shell strength, shell thickness and shell structure. The eggshell strength does not depend on the relative content of the elements, but is more affected by the ultrastructure of the eggshell, and the density of the eggshell directly affects the eggshell strength.
- eggshell quality /
- shell strength /
- ultrastructure /
- element composition

HTML全文

0. 引言

【研究意义】氮素是冬小麦生长所必需的营养元素之一。现有研究表明，氮素能调控冬小麦不同生育期的生长状况，对冬小麦的产量、蛋白质含量等有着显著影响^[1]。因此及时监测作物的氮素营养状况对于其生长有着重要意义^[2-3]。【前人研究进展】目前测定冬小麦氮含量的方法有SPAD-502叶绿素测量仪^[4]、Auto Analyzer3型连续流动分析仪^[5]、Dualex氮素指数测量仪^[6]等。但是这些方法费时费力，而且测定成本较高。近来发展迅速的测绘无人机以体积小、易操作等优点广泛应用于各方面研究^[7-9]。在林业研究方面，杨全月等^[10]、金忠明等^[11]利用无人机影像进行树冠信息的研究工作。周小成等^[12]利用两期无人机影像对伐区蓄积量进行估算研究。在水环境研究方面，侍昊等^[13]利用微型无人机数据对城市水环境信息进行提取研究，陈桥驿等^[14]把无人机航测技术用于河道水环境治理中，冯磊等^[15]利用无人机遥感技术监测海域陆源排污口。在农业方面，通过无人机搭载不同的传感器，可进行农作物生长监测^[16]、产量预测^[17]、作物表型参数提取^[18]等工作。李长春等^[19]利用无人机数码影像建立大豆育种材料叶面积指数预测模型，有效地估测了大豆育种材料不同生育期的叶面积指数。陈鹏等^[20]利用无人机搭载的多光谱相机获取了马铃薯的影像信息与纹理信息，通过二者融合估算了马铃薯叶片叶绿素含量。田明璐等^[21]将成像光谱仪搭载于低空无人机，使用多种模型对棉花高光谱影像进行反演，估测了棉花叶面积指数。Mengmeng D等^[22]通过无人机遥感影像获得了9种植被指数，利用这些植被指数采用逐步回归法构建了冬小麦产量估算模型。近年来，相关学者提出了用于诊断作物氮营养状况的氮营养指数（Nitrogen nutrition index, NNI）。该指数是基于作物实际氮浓度值与临界氮浓度值建立的数理模型^[23]，有效地结合了作物生物量与氮含量，诊断效果要优于使用单一作物农学参数^[24]。国内外学者将氮营养指数广泛应用于各类作物的氮营养诊断，王新等^[25]建立了加工番茄氮素营养指数模型，验证结果与种植区实测诊断结果一致。王仁红等^[26]建立了冬小麦关键生育期的氮营养指数经验模型，模型决定系数（R²）高于0.85。CHRISTOS A等^[27]对3个亚麻籽品种施加不同浓度的氮肥，发现植株氮素利用效率与NNI之间呈负相关关系。【本研究切入点】目前基于无人机开展氮素营养诊断的研究，多是基于氮含量或氮累积量进行研究，从氮营养指数角度进行氮素营养状况的研究比较缺乏。以往研究多是直接使用估算模型进行图像指数的筛选，采用方差膨胀因子结合相关性筛选相关性好、图像指数间多重共线性弱的图像指数方法也较少见。【拟解决的关键问题】本研究以冬小麦为研究对象，利用无人机高分辨率数码影像提取图像指数，然后结合相关性和方差膨胀因子，综合选取相关性高、多重共线性小的图像指数，探讨利用无人机数码影像估算冬小麦氮营养诊断模型的可行性及效果，以期为实时监测冬小麦氮素营养状况及生长状况提供有力保障。

1. 材料与方法

1.1 试验设计

研究区位于北京市昌平区小汤山国家精准农业研究示范基地，所选取的试验田有48个小区，每个小区面积是56 m²。试验品种为京9843（J9843）和中麦175（ZM175）；4个氮素水平分别为未施尿素（0，N1）、195 km·hm⁻²尿素（1/2正常，N2）、390 kg·hm⁻²尿素（正常，N3）、585 kg·hm⁻²尿素（3/2正常，N4）；3个水分水平分别为雨养（W1）、正常水（W2）、2倍正常水（W3）。16个小区为一组，每种处理重复3次，重复1（编号1-1到13-1）和重复2（编号1-2到13-2）用于建模，重复3（编号1-3到13-3）用于验证。试验方案如图1所示。

图 1 试验设计

Figure 1. Experimental design

下载: 全尺寸图片幻灯片

1.2 农学参数获取

试验分别在冬小麦挑旗期（2015年4月26日）和开花期（2015年5月13日）获取小麦叶片氮、植株氮以及生物量等农学参数。

1.2.1 地上干生物量

在室外调查固定样方2行×1 m（行距15 cm）的每个小区内，破坏性选取具有代表性的20株小麦作为样本，器官分离后迅速称其质量后分别置于纸袋中，置于烘箱105 ℃杀青30 min，然后设置温度到75 ℃烘干至恒定质量（48 h以上）。计算含水量，根据已获得的地上鲜生物量计算地上干生物量。

1.2.2 植株氮含量

将烘干后的各器官称重后进行粉碎，采用凯式定氮法测定不同植株器官的氮含量。

1.2.3 氮营养指数

基于冬小麦植株氮浓度和地上部生物量和JUSTES等^[28]建立的冬小麦临界氮浓度稀释模型[式（1）]，来计算冬小麦氮营养指数[式（2）]。

${N_{c{\rm{t}}}} = 5.35D{M^{0.442}}$

(1)

式中， ${N_{c{\rm{t}}}}$ 表示植株临界氮质量分数（%）；DM表示地上部生物量（ ${\rm{t \cdot h}}{{\rm{m}}^{\rm{-2}}}$ ）。

${\rm{NNI}} = \frac{N}{{{N_{c{\rm{t}}}}}}$

(2)

式中， ${N_{c{\rm{t}}}}$ 表示植株临界氮质量分数（%）；N为小麦地上部分实际植株氮质量分数（%）。

1.3 无人机数码数据获取及处理

采用八旋翼无人机为近地飞行平台搭载数码相机，数码相机型号是DSC-QX100，质量0.179 kg，像素达到2 090万，选择晴朗无云天气，在12:00～13:00对冬小麦试验区进行航拍。将获取的数码影像数据采用俄罗斯Agisoft LLC公司开发的Agisoft Photo Scan Professional软件处理，主要步骤为：（1）数码影像和POS点数据输入；（2）点云生成；（3）网格构建；（4）纹理生成；（5）生成无人机数字正射影像（Digital Orthophoto Map，DOM）。最后获取的无人机影像如图1所示。

1.4 数码图像指数的选取

可见光波段是植物叶片的强吸收波段，由于植物色素的吸收，特别是叶绿素a和b的强吸收，在可见光波段形成两个吸收谷（蓝光和红光）和一个反射峰（绿光）。图像指数是将不同波段的DN值按照一定的数学运算规则进行运算。氮素是叶绿素的主要组成成分之一，叶绿素含量直接影响着氮素的丰缺。根据文献和资料中已有的可见光植被指数^[29-36]，以及定义的r、g、b图像指数，共选25个图像指数对氮营养指数进行反演，如表1所示。

表 1 研究用到的图像指数

Table 1. Image indices applied

图像指数 Image index	公式 Formula	参考文献 Reference
r	r=R/（R+G+B）	/
g	g=G/（R+G+B）	/
b	b=B/（R+G+B）	/
r/b	r/b	*
g/b	g/b	*
r−b	r−b	*
g+b	g+b	*
g−b	g−b	*
IKAW	IKAW= （r−b）/（r+b）	文献[29]
三波段植被指数（r−g−b）/（r+g）	（r−g−b）/（r+g）	*
超绿指数 ExG	ExG=2×g−b−r	文献[30]
红绿植被指数 GRVI	GRVI=（g−r）/（g+r）	文献[31]
修正红绿植被指数 MGRVI	MGRVI=（g²−r²）/（g²+r²）	文献[32]
红绿蓝植被指数 RGBVI	RGBVI=（g²−b×r）/（g²+ b×r）	文献[32]
超红指数ExR	ExR=1.4×r−g	文献[30]
归一化差异植被指数 NDI	NDI=（r−g）/（r+g+0.01）	文献[33]
大气阻抗植被指数 VARI	VARI=（g−r）/（g+r−b）	文献[34]
超绿超红差分指数 EXGR	EXGR=3×g−2.4×r−b	文献[30]
沃贝克指数 WI	WI=（g−b）/（r−g）	文献[32]
r/g	r/g	*
r+b	r+b	*
地平面影像指数 GLA	GLA=（2×g−r+b）/（2×g+r+b）	文献[35]
地平面影像指数 GLI	GLI=（2×g−r−b）/（2×g+r+b）	文献[35]
超红绿指数 ExGR	ExGR=ExG−1.4×r−g	文献[33]
彩色植被指数 CIVE	CIVE=0.441×r−0.881×g+0.3856×b+18.78745	文献[36]
注：“ / ” 表示数码影像三个波段R、G、B分别归一化后的值，“ * ” 表示经验的图像指数。 Note: " / " divides normalized R, G and B band values of digital image; " * " represents measured indices.

下载: 导出CSV

| 显示表格

1.5 数据分析方法

1.5.1 方差膨胀因子

在衡量多元线性回归模型中变量间多重共线性严重程度时通常使用方差膨胀因子（Variance Inflation Factor，VIF），它表示解释变量之间的相关性^[37]。其定义为：

${\rm{VIF = }}\frac{1}{{1 - {R_i}^2}}$

(3)

式中， ${R_i}^2$ 表示第i个变量与其他变量的决定系数。一般来说，当0≤VIF＜10时，回归模型不存在多重共线性；当10≤VIF≤20时，回归模型存在一定的多重共线性；当VIF＞20时，回归模型存在严重的多重共线性^[38]。

1.5.2 偏最小二乘法

偏最小二乘法（Partial Least Square Regression，PLSR）其实质是将典型关联分析、主成分分析及多元线性回归分析于一身，其表达式为：

${y_i} = {a_0} + {a_1}{x_1} + {a_2}{x_2} + \cdots+ {a_n}{x_n}$

(4)

式中，y_i为氮营养指数，i=1，2 $,\;\cdots,$ n，a₀、a₁、a₂ ${\text{、}}\cdots{\text{、}}$ a_n为回归系数，x₁、x₂ ${\text{、}}\cdots{\text{、}}$ x_n为图像指数。

1.5.3 精度评价

为了评价模型的效果，选取决定系数（Correlation Coefficient, R²）、均方根误差（Root Mean Square Error, RMSE）及平均绝对误差（Mean Absolute Error, MAE）作为结果精度评价指标。计算公式为：

${R^2} = \frac{{\displaystyle\sum\limits_{i = {\rm{1}}}^n {{{\left( {{X_i} - \overline X } \right)}^2}{{\left( {{Y_i} - \overline Y } \right)}^2}} }}{{n\displaystyle\sum\limits_{i = {\rm{1}}}^n {{{\left( {{X_i} - \overline X } \right)}^2}\displaystyle\sum\limits_{i = {\rm{1}}}^n {{{\left( {{Y_i} - \overline Y } \right)}^2}} } }}$

(5)

$RMSE{\rm{ = }}\sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^n {{{\left( {{Y_i} - {X_i}} \right)}^2}} }}{n}}$

(6)

$MAE{\rm{ = }}\frac{{\displaystyle\sum\limits_{i = 1}^n {\left| {{Y_i} - {X_i}} \right|} }}{n}$

(7)

式中，n可表示为样本总数， ${X_i}$ 、 ${Y_i}$ 可分别表示为第i个样本氮营养指数实测值与预测值， $\overline X$ 、 $\overline Y$ 可表示为样本氮营养指数实测平均值与预测平均值。

2. 结果与分析

2.1 图像指数敏感性的筛选

2.1.1 图像指数与氮营养指数的相关性分析

将无人机数码影像的图像指数与冬小麦氮营养指数进行相关性分析，结果如表2所示。从表2可以看出，冬小麦挑旗期、开花期的图像指数大部分都与氮营养指数存在极显著相关（P＜0.01）。在挑旗期，图像指数r、r/b、g/b、r−b、g−b、IKAW、（r−g−b）/（r+g）、ExR、ExGR、r/g、CIVE与氮营养指数呈现极显著负相关（P＜0.01），其中极显著负相关最大的图像指数是r/b，其值是−0.855 2；图像指数b、g+b、GRVI、MGRVI、NDI、VARI、WI、GLA、ExGR与氮营养指数呈现极显著正相关（P＜0.01），其中极显著正相关最大的图像指数是b，其值为0.855 7。按照相关性绝对值从大到小排列的前10个图像指数依次为：b、r/b、IKAW、r−b、（r−g−b）/（r+g）、r、g+b、GLA、g/b、VARI。在开花期，图像指数r、g/b、r−b、IKAW、（r−g−b）/（r+g）、ExR、NDI、r/g、r+b、CIVE与氮营养指数呈现极显著负相关（P＜0.01），其中极显著负相关最大的图像指数是IKAW，其值是−0.818 4；图像指数g、b、g+b、ExG、GRVI、MGRVI、VARI、EXGR、GLA、GLI、ExGR与氮营养指数呈现极显著正相关（P＜0.01），其中极显著正相关的图像指数与挑旗期的图像指数一样，都是b，其值为0.783 4。按照相关性绝对值从大到小排列的前10个图像指数依次为：IKAW、r/b、r−b、b、（r−g−b）/（r+g）、g+b、r、GLA、VARI、ExR。

表 2 不同生育期图像指数与氮营养指数的相关性

Table 2. Correlation coefficients between image indices and NNIs at two growth stages of winter wheat crop

图像指数 Image index	生育期 Growth stage
图像指数 Image index	挑旗期 Flagging stage	开花期 Flowering stage
r	−0.804 0^**	−0.710 3^**
g	0.313 4	0.370 1^**
b	0.855 7^**	0.783 4^**
r/b	−0.855 2^**	−0.813 7^**
g/b	−0.738 0^**	−0.289 6
r−b	−0.848 2^**	−0.806 5^**
g+b	0.804 0^**	0.710 3^**
g−b	−0.660 1^**	−0.148 6
IKAW	−0.851 3^**	−0.818 4^**
（r−g−b）/（r+g）	−0.820 0^**	−0.746 0^**
ExG	0.313 4	0.370 0^**
GRVI	0.711 5^**	0.595 9^**
MGRVI	0.711 4^**	0.594 7^**
RGBVI	0.190 0	0.335 2
ExR	−0.729 8^**	−0.610 6^**
NDI	−0.711 4^**	−0.595 7^**
VARI	0.729 8^**	0.621 5^**
EXGR	−0.574 1^**	0.491 9^**
WI	0.644 6^**	−0.058 5
r/g	−0.711 0^**	−0.588 5^**
r+b	−0.313 4	−0.370 1^**
GLA	0.777 6^**	0.668 0^**
GLI	0.314 4	0.370 3^**
ExGR	0.664 3^**	0.552 7^**
CIVE	−0.365 8^**	−0.391 2^**
注：表示相关性在0.01水平下达到显著。 Note: represents correlation reached a significant level at 0.01.

下载: 导出CSV

| 显示表格

2.1.2 图像指数间多重共线性筛选

为防止偏最小二乘回归模型入选参量之间的高相关，采用方差膨胀因子对图像指数进行多重共线性分析，如图2所示。从图2可以看出，当0≤VIF＜10时，图像指数间不存在多重共线性，如g/b与GRVI 、g与r、g−b与r等；当10≤VIF≤20时，图像指数间存在一定的共线性，如GRVI与g+b、（r−g−b）/（r+g）与ExR等；当VIF＞20时，图像指数间存在严重的共线性，如r/b与r−b、ExR与VARI等。为了有效降低模型多重共线性，同时保证对氮营养指数反演敏感的图像指数，将相关系数与方差膨胀因子进行整合，选择图像指数与氮营养指数间相关性强、图像指数间共线性弱的图像指数进行建模。结合表2和图2，选取挑旗期图像指数b、g/b、（r−g−b）/（r+g）、NDI、WI，开花期图像指数b、r/b、（r−g−b）/（r+g）、VARI作为多元变量入选偏最小二乘回归估算模型。

图 2 各生育期图像指数之间的方差膨胀因子

注：A：挑旗期；B：开花期。

Figure 2. Variance inflation factor of image indices at flagging and flowering stages

Note: A: Flagging; B: Flowering stage. The same as below.

下载: 全尺寸图片幻灯片

2.2 冬小麦氮营养指数的估算及填图

结合相关系数与方差膨胀因子获得挑旗期和开花期对氮营养指数较为敏感的图像指数，通过偏最小二乘回归建立挑旗期和开花期的氮营养指数反演模型。估算和验证结果见表3和图3。挑旗期的估算模型为：

表 3 建模与验证

Table 3. Modeling and validation

生育期 Growth period	建模 Modeling			验证 Validation
生育期 Growth period	R²	RMSE	MAE	R²	RMSE	MAE
挑旗期 Flagging stage	0.711 6	0.107 5	0.086 0	0.764 1	0.135 8	0.105 2
开花期 Flowering stage	0.720 4	0.085 8	0.071 7	0.798 9	0.187 1	0.131 0

下载: 导出CSV

| 显示表格

图 3 冬小麦各生育期NNI实测值与偏最小二乘模型估测值关系

Figure 3. Correlation between measured and estimated values of NNIs of winter wheat at each growth stage by partial least squares model

下载: 全尺寸图片幻灯片

$\begin{split} y =\;& -\! 93.432 \times b \!-\! 14.054 \!\times\! \left( {\frac{g}{b}} \right) - 2.699 \times \left( {\frac{{r - g - b}}{{r + g}}} \right) - \\ &16.173 \times {\rm{NDI}} + 0.016 \times {\rm{WI + 44}}{\rm{.073}} \end{split}\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!$

(8)

开花期估算模型为：

$\begin{split} y = \;&5.741 \times b - 22.684 \times \left( {\frac{r}{b}} \right) + 66.026 \times \left( {\frac{{r - g - b}}{{r + g}}} \right) + \\ &23.789 \times {\rm{VARI}} + 53.798 \end{split}\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!\!$

(9)

从表3和图3可以看出，挑旗期图像指数反演氮营养指数的 ${R^2}$ 为0.711 6，RMSE为0.107 5，MAE为0.086 0；验证模型的RMSE为0.135 8，MAE为0.105 2，实测值与预测值分布在1∶1线附近，表明该模型具有较高的精度和可靠性。开花期图像指数反演氮营养指数的 ${R^2}$ 为0.720 4，RMSE为0.085 8，MAE为0.071 7；验证模型的RMSE为0.187 1，MAE为0.131 0，实测值与预测值分布在1∶1线附近偏下，一些氮营养指数值被严重低估，建模效果较好，但验证效果较差。

结合相关性和方差膨胀因子筛选的变量，采用偏最小二乘回归方法构建冬小麦氮营养指数模型，对模型进行填图及可视化，结果如图4所示。从图中可以看出，颜色由蓝色过渡到红色表示冬小麦氮素营养状况由氮肥不足到氮肥过量，小区颜色越偏向蓝色，表明该小区氮肥越不足，越接近红色，表明该小区氮肥越过量。结合图1分析可知，在图4a冬小麦挑旗期，建立的冬小麦氮营养诊断模型总体上能反映该生育期冬小麦氮素营养状况，有一部分试验区被低估，但与实测值相差较小。在图4b冬小麦开花期，建立的冬小麦氮营养诊断模型能够较为准确地反映冬小麦氮素营养状况，只有极少部分试验区内作物氮素被低估。总之，采用遥感监测图可以直观地反映冬小麦氮素营养空间分布状况，为缺氮小区或过氮小区及时调整氮肥施加量提供了有效依据。

图 4 冬小麦各生育期NNI预测值

Figure 4. Estimated values of NNIs of winter wheat at each growth stage

下载: 全尺寸图片幻灯片

3. 讨论

氮营养指数是一个可以相对准确地判定作物氮营养状况的指标，当氮营养指数小于1时，处于缺氮状态，作物生长缓慢，茎生长细且很短；当氮营养指数大于1时，处于过氮状态，作物贪青徒长，推迟成熟期；当氮营养指数等于1时，作物植株氮素营养适量。本研究首先结合相关性和方差膨胀因子筛选了对氮营养指数敏感的图像指数，然后采用偏最小二乘法构建了挑旗期和开花期的氮营养指数模型。在挑旗期利用筛选的图像指数预测氮营养指数变化范围为0.50～1.04，在相同施氮水平下预测的氮营养指数值与实测氮营养指数值接近，在开花期利用筛选的图像指数预测氮营养指数变化范围为0.45～0.96，在相同施氮水平下预测的氮营养指数一部分与实测的氮营养指数值相近，一部分被低估。魏鹏飞等^[39]用多光谱传感器获取多光谱影像反演夏玉米叶片氮含量状况，其模型的决定系数的范围为0.56～0.64，均方根误差为20.50%～31.12%。陈鹏飞等^[40]用多光谱传感器获取多光谱影像反演棉花氮素营养状况，其模型的决定系数范围为0.19~0.57，均方根误差的范围为0.17%～0.23%。刘帅兵等^[41]利用数码影像反演冬小麦氮含量，其模型的决定系数范围0.689 7～0.815 5，均方根误差为0.106 1～0.375 8。秦占飞等^[42]通过UHD185机载成像光谱仪获取高光谱影像反演氮素营养状况，其模型的决定系数是0.673，均方根误差是0.329。本研究使用的数码相机传感器所能提供的光谱信息很少，通过结合相关系数-方差膨胀因子，其估算作物氮素营养状况的效果与这些研究相当或高于上述研究结果，为冬小麦氮素营养诊断反演提供了一种有效的思路。

另外，本研究仅利用了冬小麦挑旗期和开花期的数码影像及地面实测数据，而且是分生育期进行建模，对构建的模型的通用性有一定的影响，应增加不同年限及不同区域的数据，以提高模型的稳定性和普适性。另外，数码影像仅包含红绿蓝三个波段的信息，接下来的研究是提取数码影像的图像频率，利用图像频率结合图像指数对作物氮素营养状况进行研究是今后努力的方向。

4. 结论

本研究从数码影像红绿蓝三个波段形成的图像指数着手，结合相关性和方差膨胀因子筛选对氮营养指数敏感的图像指数，采用偏最小二乘回归方法探讨筛选的敏感指数估算氮营养指数的能力，并利用该模型对数码影像进行填图和空间可视化分析，结果表明：

（1）结合相关系数-方差膨胀因子，筛选出与氮营养指数相关性好、指标与指标间多重共线性小的图像指数。其中，挑旗期筛选的图像指数是b、g/b、（r−g−b）/（r+g）、NDI、WI，开花期筛选的图像指数是b、r/b、（r−g−b）/（r+g）、VARI。

（2）将挑旗期和开花期构建的氮营养指数模型填图于无人机数码影像中，两个生育期都能反映出各自生育期的氮素营养状况，但开花期氮营养指数模型能更加准确地反映冬小麦氮素营养状况。本研究结果可为无人机数码影像在精准施肥中的应用提供理论依据。

图 1 禽蛋蛋壳内、外表面

Figure 1. Inner and outer surfaces of eggshell samples

下载: 全尺寸图片幻灯片

图 2 禽蛋蛋壳横截面

Figure 2. Cross-section view of eggshells

下载: 全尺寸图片幻灯片

图 3 禽蛋蛋壳壳膜层

Figure 3. Membrane layer of eggshells

下载: 全尺寸图片幻灯片

图 4 禽蛋蛋壳乳突层

Figure 4. Mammillary layer of eggshells

下载: 全尺寸图片幻灯片

图 5 禽蛋蛋壳栅栏层

Figure 5. Palisade layer of eggshells

下载: 全尺寸图片幻灯片

图 6 禽蛋蛋壳晶体层

Figure 6. Crystal layer of eggshells

下载: 全尺寸图片幻灯片

表 1 3种禽蛋蛋品质的比较

Table 1 Quality of 3 kinds of poultry eggs

品种 Varieties	蛋重 Egg weight/g	蛋壳强度 Eggshell strength/（kg·cm⁻²）	蛋形指数 Egg shape index/%	蛋壳重 Eggshell weight/g	壳重比例 Eggshell weight ratio/%	蛋壳厚度 Eggshell thickness/mm
鸡 Chicken	41.94±4.24 c	4.56±0.49 b	1.30±0.04 b	4.00±0.67 c	9.51±0.86 b	0.34±0.03 c
鸭 Duck	73.53±4.97 b	4.79±0.81 b	1.31±0.07 b	6.66±0.75 b	9.08±0.97 b	0.38±0.02 b
鹅 Goose	147.27±11.30 a	10.82±1.62 a	1.45±0.07 a	16.90±1.95 a	11.50±1.18 a	0.41±0.08 a
注：同列数据后相同字母或无字母表示差异不显著（P＞0.05），不同小写字母表示差异显著（P＜0.05）。 Note: The same lowercase letter or no letter in the table indicate no significant difference(P＞0.05), different lowercase letters indicate significant difference(P＜0.05).

下载: 导出CSV

表 2 3种禽蛋蛋壳横断面各层厚度及占比

Table 2 Thickness and proportion of eggshell layers in transverse section of poultry eggs

品种 Varieties		鸡 Chicken	鸭 Duck	鹅 Goose
壳膜层 Shell layer	厚度/μm	15.02±1.18 b	22.97±1.54 a	21.41±3.30 a
壳膜层 Shell layer	占比/%	4.52±0.32 b	6.25±0.65 a	4.20±0.62 b
乳突层 Mastoid layer	厚度/μm	139.84±15.18 b	127.17±13.07 b	181.88±16.13 a
乳突层 Mastoid layer	占比/%	42.07±4.28 a	34.37±0.57 b	35.64±3.11 b
栅栏层 Palisade layer	厚度/μm	135.41±21.23 c	175.94±24.04 b	244.93±19.85 a
栅栏层 Palisade layer	占比/%	40.55±4.39 b	47.43±1.50 a	47.96±3.20 a
晶体层 Crystal layer	厚度/μm	42.53±7.40 b	44.13±4.08 b	62.52±7.61 a
晶体层 Crystal layer	占比/%	12.86±2.70	11.96±0.82	12.22±1.06
有效层 Effective layer	厚度/μm	177.94±19.91 c	220.06±27.10 b	307.45±21.89 a
有效层 Effective layer	占比/%	53.41±4.03 b	59.39±1.17 a	60.18±2.54 a
注：同行数据后相同字母或无字母表示差异不显著（P＞0.05），不同小写字母表示差异显著（P＜0.05）。 Note: The same lowercase letter or no letter in the table indicate no significant difference (P＞0.05), different lowercase letters indicate significant difference (P＜0.05).

下载: 导出CSV

表 3 鹅蛋蛋壳强度、厚度与蛋壳结构相关性

Table 3 Correlation between strength, thickness, and structure of goose eggs

项目 Item	蛋壳强度 Eggshell strength	蛋壳厚度 Eggshell thickness
蛋壳强度 Eggshell strength	1	0.296
蛋壳厚度 Eggshell thickness	0. 296	1
壳膜层厚度 Shell layer thickness	0.318	0.361
乳突层厚度 Mastoid layer thickness	0.185	0.049
栅栏层厚度 Palisade layer thickness	0.524^*	0.275
晶体层厚度 Crystal layer thickness	0.439^*	0.241
有效层厚度 Effective layer thickness	0.603^*	0.306
注：表示相关性显著（P＜0.05）。 Note: The data with a shoulder mark indicates a significant correlation (P＜0.05).

下载: 导出CSV

表 4 3种禽蛋蛋壳元素相对含量

Table 4 Relative contents of chemical elements in shells of poultry eggs

品种 Varieties	碳 C/%	氧 O/%	钙 Ca/%	镁 Mg/%	锌 Zn/%
鸡 Chicken	19.94±0.42	56.26±0.73	23.39±0.73	0.37±0.12 a	0.05±0.01
鸭 Duck	19.57±0.22	56.57±0.60	23.72±0.64	0.11±0.03 b	0.04±0.01
鹅 Goose	19.67±0.66	56.22±0.51	23.87±0.41	0.19±0.02 b	0.05±0.01

下载: 导出CSV

参考文献(23)

[1]	MEIR M, NIR A, AR A. Increasing hatchability of Turkey eggs by matching incubator humidity to shell conductance of individual eggs [J]. Poultry Science, 1984, 63(8): 1489−1496. DOI: 10.3382/ps.0631489
[2]	ROBERTS J R. Factors affecting egg internal quality and egg shell quality in laying hens [J]. The Journal of Poultry Science, 2004, 41(3): 161−177. DOI: 10.2141/jpsa.41.161
[3]	高金波, 韩海霞, 周艳, 等. 正常蛋与暗斑蛋的品质和蛋壳超微结构差异分析 [J]. 山东农业科学, 2019, 51(8):112−115. GAO J B, HAN H X, ZHOU Y, et al. Analysis of quality and eggshell ultrastructure differences between normal and translucent eggs [J]. Shandong Agricultural Sciences, 2019, 51(8): 112−115.(in Chinese)
[4]	NYS Y, GAUTRON J, GARCIA-RUIZ J M, et al. Avian eggshell mineralization: Biochemical and functional characterization of matrix proteins [J]. Comptes Rendus Palevol, 2004, 3(6/7): 549−562.
[5]	陈金泉, 任祖方, 任奕林. 鸭蛋壳与鸡蛋壳超微结构比较研究 [J]. 中国家禽, 2010, 32(24):24−26,31. CHEN J Q, REN Z F, REN Y L. Comparative study on eggshell ultrastructure of duck and chicken [J]. China Poultry, 2010, 32(24): 24−26,31.(in Chinese)
[6]	蒋晶晶. 三种家禽蛋壳厚度整齐性及蛋壳形状指标的研究[D]. 杭州: 浙江农林大学, 2020 JIANG J J. The uniformity of eggshell thickness and eggshell shape indicators of three poultry[D]. Hangzhou: Zhejiang A & F University, 2020. (in Chinese)
[7]	范佳英, 黄炎坤. 固始鹅蛋壳质量性状分析 [J]. 中国畜牧兽医, 2009, 36(6):182−183. FAN J Y, HUANG Y K. Analyzed of eggshell quality characters of Gushi goose [J]. China Animal Husbandry & Veterinary Medicine, 2009, 36(6): 182−183.(in Chinese)
[8]	DUNN I C, RODRÍGUEZ-NAVARRO A B, MCDADE K, et al. Genetic variation in eggshell crystal size and orientation is large and these traits are correlated with shell thickness and are associated with eggshell matrix protein markers [J]. Animal Genetics, 2012, 43(4): 410−418. DOI: 10.1111/j.1365-2052.2011.02280.x
[9]	李琦章, 章玲玲, 章世元, 等. 中国6个地方鸡种蛋壳质量和超微结构的比较 [J]. 中国畜牧杂志, 2011, 47(21):6−11. LI Q Z, ZHANG L L, ZHANG S Y, et al. Comparison of eggshell quality and ultrastructure of 6 Chinese indigenous chicken breeds [J]. Chinese Journal of Animal Science, 2011, 47(21): 6−11.(in Chinese)
[10]	王佩伦. 不同周龄及不同品质鸡蛋壳的化学组分和物理结构[D]. 杭州: 浙江农林大学, 2012 WANG P L. Chemical composition and physical structure of eggshells with distinct eggshell quality or from various aging hens[D]. Hangzhou: Zhejiang A & F University, 2012. (in Chinese)
[11]	SUN C J, CHEN S R, XU G Y, et al. Global variation and uniformity of eggshell thickness for chicken eggs [J]. Poultry Science, 2012, 91(10): 2718−2721. DOI: 10.3382/ps.2012-02220
[12]	王瑛, 杨玉峰, 何健, 等. 蛋壳超微结构及有机基质蛋白对蛋壳品质的影响 [J]. 中国家禽, 2015, 37(11):43−47. WANG Y, YANG Y F, HE J, et al. Effects of ultrastructure and organic matrix proteins on eggshell quality [J]. China Poultry, 2015, 37(11): 43−47.(in Chinese)
[13]	周光玉. 蛋壳颜色、成分和结构与蛋壳质量关系的研究[D]. 扬州: 扬州大学, 2010. ZHOU G Y. The reserach on relationship between eggshell color, composition, structure and eggshell quality[D]. Yangzhou: Yangzhou University, 2010. (in Chinese)
[14]	万秋蓓, 杨海明, 周卫东, 等. 鸡蛋壳的超微结构研究 [J]. 中国家禽, 2006, 28(22):12−14. DOI: 10.3969/j.issn.1004-6364.2006.22.004 WAN Q B, YANG H M, ZHOU W D, et al. Investigation on the ultrastructure of fowl eggshell [J]. China Poultry, 2006, 28(22): 12−14.(in Chinese) DOI: 10.3969/j.issn.1004-6364.2006.22.004
[15]	张益鹏. 多场环境下蛋壳传质特性研究[D]. 武汉: 华中农业大学, 2013. ZHANG Y P. Research on mass transfer characteristics of duck eggshells[D]. Wuhan: Huazhong Agricultural University, 2013. (in Chinese)
[16]	王东卫, 王瑛, 杨玉峰, 等. 蛋壳的超微结构和组成与蛋壳质量关系的研究进展 [J]. 中国家禽, 2011, 33(17):43−45. WANG D W, WANG Y, YANG Y F, et al. Advances in the relationship between eggshell ultrastructure and composition, and eggshell mass [J]. China Poultry, 2011, 33(17): 43−45.(in Chinese)
[17]	RODRIGUEZ-NAVARRO A, KALIN O, NYS Y, et al. Influence of the microstructure on the shell strength of eggs laid by hens of different ages [J]. British Poultry Science, 2002, 43(3): 395−403. DOI: 10.1080/00071660120103675
[18]	章玲玲, 李琦章, 姜涛, 等. 鸡蛋壳有机成分与蛋壳质量关系的研究 [J]. 畜牧兽医学报, 2013, 44(2):228−232. ZHANG L L, LI Q Z, JIANG T, et al. Study on the relationship between the organic ingredients in eggshell and eggshell quality [J]. Chinese Journal of Animal and Veterinary Sciences, 2013, 44(2): 228−232.(in Chinese)
[19]	FATHI M M, ZEIN EL-DE A, EL-SAFTY S A, et al. Using scanning electron microscopy to detect the ultrastructural variations in eggshell quality of Fayoumi and Dandarawi chicken breeds [J]. International Journal of Poultry Science, 2007, 6(4): 236−241. DOI: 10.3923/ijps.2007.236.241
[20]	于曦, 高文靖, 王晶, 等. 鲎素抗菌肽对蛋鸡产蛋后期蛋品质及蛋壳超微结构的影响 [J]. 中国兽医学报, 2019, 39(6):1175−1179. YU X, GAO W J, WANG J, et al. Effect of tachyplesin addition agent on egg quality and ultrastructure of egg shell in laying hens [J]. Chinese Journal of Veterinary Science, 2019, 39(6): 1175−1179.(in Chinese)
[21]	张亚男. 饲粮锰调控鸡蛋壳品质的作用机制研究[D]. 北京: 中国农业科学院, 2017. ZHANG Y N. Dietary manganese supplementation modulated eggshell quality in laying hens[D]. Beijing: Chinese Academy of Agricultural Sciences, 2017. (in Chinese)
[22]	BAR A, VAX E, STRIEM S. Relationships among age, eggshell thickness and vitamin D metabolism and its expression in the laying hen [J]. Comparative Biochemistry and Physiology Part A: Molecular & Integrative Physiology, 1999, 123(2): 147−154.
[23]	俞路, 王雅倩, 章世元, 等. 鸡蛋壳内部组成、构造及其质量的基因调控技术 [J]. 动物营养学报, 2008, 20(3):366−370. DOI: 10.3969/j.issn.1006-267X.2008.03.021 YU L, WANG Y Q, ZHANG S Y, et al. Gene regulation technology for internal composition, structure and quality of chicken eggshell [J]. Chinese Journal of Animal Nutrition, 2008, 20(3): 366−370.(in Chinese) DOI: 10.3969/j.issn.1006-267X.2008.03.021

施引文献(18)

期刊类型引用(9)

1.	余庆，赖伟鑫，曹德胜，万程鹏，沈欣怡. 基于交通波理论的内河航道拥塞度预测方法研究. 中国航海. 2025(01): 50-59 . 百度学术
2.	刘美艳，聂胜，王成，习晓环，程峰，冯宝坤. 基于ICESat-2和Sentinel-2A数据的森林蓄积量反演. 自然资源遥感. 2024(01): 210-216 . 百度学术
3.	岳蓉，尹本酥，李振发，李粉玲. 基于无人机RGB影像的染条锈冬小麦花青素含量监测. 麦类作物学报. 2024(07): 936-946 . 百度学术
4.	陈桂良，黎小清，许木果，刘忠妹，耿顺军，杨丽萍. 基于光谱敏感变量优选的澳洲坚果叶片氮素含量估算. 热带作物学报. 2024(10): 2107-2116 . 百度学术
5.	樊意广，冯海宽，刘杨，边明博，孟炀，杨贵军. 基于冠层光谱特征和株高的马铃薯植株氮含量估算. 农业机械学报. 2022(06): 202-208+294 . 百度学术
6.	舒时富，李艳大，曹中盛，孙滨峰，叶春，吴罗发，朱艳，丁艳锋，何勇. 基于无人机图像的水稻地上部生物量估算. 福建农业学报. 2022(07): 824-832 . 本站查看
7.	徐艺，邵光成，丁鸣鸣，章二子，何菁. 基于岭回归的土壤全氮含量反演模型. 排灌机械工程学报. 2022(11): 1159-1166 . 百度学术
8.	何相良，戴建国，侯文庆，蒋楠，左昌鑫. 基于深度卷积神经网络的棉花叶片缺氮诊断. 江苏农业科学. 2022(22): 180-191 . 百度学术
9.	赵芳，贺怡. 基于无人机遥感影像的农业种植数量测量. 无线电工程. 2021(10): 1110-1115 . 百度学术

其他类型引用(9)

资源附件(0)

图(6) / 表(4)

计量

文章访问数: 969
HTML全文浏览量: 209
PDF下载量: 57
被引次数: 18

0. 引言
1. 材料与方法
1.1 试验设计
1.2 农学参数获取
1.2.1 地上干生物量
1.2.2 植株氮含量
1.2.3 氮营养指数
1.3 无人机数码数据获取及处理
1.4 数码图像指数的选取
1.5 数据分析方法
1.5.1 方差膨胀因子
1.5.2 偏最小二乘法
1.5.3 精度评价
2. 结果与分析
2.1 图像指数敏感性的筛选
2.1.1 图像指数与氮营养指数的相关性分析
2.1.2 图像指数间多重共线性筛选
2.2 冬小麦氮营养指数的估算及填图
3. 讨论
4. 结论

0. 引言
1. 材料与方法
1.1 试验设计
1.2 农学参数获取
1.2.1 地上干生物量
1.2.2 植株氮含量
1.2.3 氮营养指数
1.3 无人机数码数据获取及处理
1.4 数码图像指数的选取
1.5 数据分析方法
1.5.1 方差膨胀因子
1.5.2 偏最小二乘法
1.5.3 精度评价
2. 结果与分析
2.1 图像指数敏感性的筛选
2.1.1 图像指数与氮营养指数的相关性分析
2.1.2 图像指数间多重共线性筛选
2.2 冬小麦氮营养指数的估算及填图
3. 讨论
4. 结论

参考文献(23)

施引文献(18)

资源附件(0)

不同家禽蛋壳结构及其成分研究

作者简介: 唐徐华（1996−），女，硕士研究生，研究方向：家禽与营养（E-mail：1455057915@qq.com）

通讯作者: 王志跃（1964−），男，教授，研究方向：家禽与营养（E-mail：dkwzy@263.net）

计量

出版历程