|
|
|||||||||||||||||||||||||||||||||||||||
|
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。
表1
校正集和检验集氮含量的基本参数
正文中引用本图/表的段落
氮素是植物需求量最大的矿质营养元素, 显著影响作物生长发育和产量品质的形成, 因而氮肥运筹成为作物生产中最重要的管理措施。传统的获取作物氮素营养信息的方法一般是通过破坏性取样后进行实验室分析, 在时间和空间上难以满足实时快速诊断的要求。随着现代遥感技术的发展, 植被的光谱遥感技术已涉及包括氮素在内的作物生化组分的估测(Takebe et al., 1990; Stone et al., 1996; Tarpley et al., 2000; 薛利红等, 2004; 朱艳等, 2006), 并在理论和实践上为评价作物长势提供了可靠的保证。Read等(2002)分析了棉花(Gossypium hirs- utum)叶片氮浓度与光谱比值指数的关系, 发现用红边位置与近红外波段的比值来预测氮浓度的精度较高; 张霞等(2003)的研究表明, 1 175和1 409 nm的吸收特征对小麦(Triticum aestivium)全氮浓度的估算精度R2都在0.7以上。薛利红等(2003)、周冬琴等(2008)分别利用由810和1 220 nm与可见光组合的光谱植被指数监测水稻(Oryza sativa)植株氮素状况; 冯伟等(2008)研究表明, 小麦氮含量的敏感波段主要集中在近红外平台和可见光区域。可见, 近红外波段可以用来监测植株氮素营养, 并取得了较好的预测效果。
以试验1中‘9915’ (V1)开花期的近红外光谱为例, 说明不同氮素水平下水稻鲜叶及其干叶粉末光谱Log1/R的变化模式(图1)。图1A表明, 不同氮肥处理显著影响水稻鲜叶光谱Log1/R的变化, 在波数 8 000-6 000 cm-1 (1 250-1 666.7 nm)和5 500-4 500 cm-1 (1 818.2-2 222.2 nm)范围内, Log1/R随施氮水平的增加而升高, 6 700-5 500 cm-1 (1 492.5-1 818.2 nm)范围内则随施氮水平的增加而降低, 处理间差异显著, 表明这些区域对不同氮素水平的水稻长势反应比较敏感; 图1B显示干叶粉末光谱在不同施氮水平下Log1/R的变化, 趋势与鲜叶光谱相同, 但值比鲜叶光谱低。
总体上, 水稻样品氮含量变幅为0.94%-3.93%, 平均值2.55%; 粉末样品的氮含量为1.01%-4.06%, 平均值2.67%。表明样品分布范围广, 具有很好的代表性。采用不同形态样品建立的氮含量预测模型校正集样品和检验集样品的样本数目、平均值、变幅范围和标准差见表1。
本文的其它图/表
|
|||||||||||||||||||||||||||||||||||||||
