|
|
||
|
应用近红外光谱预测水稻叶片氮含量
植物生态学报
2010, 34 (6):
704-712.
DOI: 10.3773/j.issn.1005-264x.2010.06.010
以水稻(Oryza sativa)新鲜叶片和干叶粉末两种状态的样品为研究对象, 基于近红外光谱(NIRS)技术, 应用偏最小二乘法(PLS)、主成分回归(PCR)和逐步多元回归(SMLR), 建立并评价了水稻叶片氮含量(NC)近红外光谱模型。结果表明, 基于PLS建立的模型表现最好, 鲜叶氮含量近红外光谱校正模型校正决定系数RC2为0.940, 校正标准误差RMSEC为0.226; 干叶粉末氮含量的近红外光谱校正模型RC2为0.977, RMSEC为0.136。模型的内部交叉验证分析表明, 预测鲜叶氮含量内部验证决定系数RCV2为0.866, 内部验证标准误差RMSECV为0.243; 预测干叶粉末氮含量RCV2为0.900, RMSECV为0.202。模型的外部验证分析表明, 预测水稻鲜叶氮含量的外部验证决定系数RV2大于0.800, 外部验证标准误差RMSEP小于0.500, 预测干叶粉末氮含量的RV2为0.944, RMSEP为0.142。说明, 近红外光谱分析技术与化学分析方法一致性较好, 且基于干叶粉末建立的近红外光谱预测模型的准确性和精确度较新鲜叶片高。  View image in article
图2
N2处理下‘27123’品种叶片光谱Log1/R随生育期的变化动态。
A, 鲜叶; B, 干叶粉末。
正文中引用本图/表的段落
本研究采用近红外光谱仪自带的OMNIC V7.2a软件记录样本的光谱图, 记录的是每个波长处的样品吸光度值Log1/R, 其中R是反射光强与入射光强的比值, 即样本的反射率。利用该软件可以对采集的光谱进行平滑处理、基线校正、图谱放大缩小和图谱微分处理等。利用TQ Analyst软件对数据进行分析建模, 采用内部交叉验证和外部验证检验模型的准确性, 以内部交叉验证决定系数(RCV2)、内部交叉验证标准误差(RMSECV)、外部验证决定系数(RV2)和外部验证标准误差(RMSEP)等4个统计指标对模型进行综合评价, 并绘制试验观察值与模型预测值之间的1:1关系图。
以试验1中‘27123’ (V2) N2处理下拔节至灌浆后期的鲜叶片光谱为例, 描述水稻叶片光谱Log1/R随生育时期的变化动态(图2)。图2A显示, 生育期对水稻鲜叶光谱的影响与施氮水平类似, 具有明显规律性变化的波段位于8 000-4 500 cm-1(1 250- 2 222.2 nm)范围内, 这主要是由于不同生育阶段氮素营养运移剧烈, 影响光谱特征。从拔节到抽穗期, 植株生长旺盛, 吸氮量急剧增加, 并在抽穗期维持在较高水平, 导致近红外光谱的吸收增强, Log1/R升高; 随着从开花期到灌浆期的推进, 叶片中的氮素营养开始向籽粒中转移, 氮含量降低, 但由于灌浆前期氮素的转移速度低于叶片对氮素的吸收速度, 所以在灌浆前期叶片的Log1/R值有小幅升高; 随着灌浆进程的推进, 叶片中积累的氮素逐步转移到籽粒中, 绿叶中减少, 枯黄叶中增加, 叶片对光谱的吸收降低, Log1/R下降。图2B显示粉末光谱Log1/R随生育期的变化动态, 趋势与鲜叶光谱相同, 数值减小。
本文的其它图/表
|
