|
||||||||||||||||||||||||||||||||||
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2
基于不同方法构建的氮含量预测模型表现比较
正文中引用本图/表的段落
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。
本研究应用近红外光谱分析常用的计量方法: PLS、PCR和SMLR来建立定标模型。表2显示, 应用PLS建立的模型普遍优于PCR和SMLR, 其中鲜叶氮含量预测模型应用PLS效果最佳, RC2为0.945, 应用PCR和SMLR所建模型的RC2都小于0.5。粉末氮含量预测模型结果与鲜叶模型相似, 也为应用PLS的效果最好, 模型RC2达到0.962, RMSEP为0.133; 应用PCR和SMLR所建模型的RMSEP均大于0.4。
由于原始光谱数据含有来自高频随机噪音、样本不均匀、基线漂移、光散射等不利因素的影响, 需对光谱进行预处理。光谱预处理方法选择原始光谱(original spectrum)、基线校正(baseline correction)、Norris平滑(norris derivative filter, NDF)、多元散射校正(multiplicative signal correction, MSC)、一阶导数(first derivative)、二阶导数(second derivative)、first derivative + MSC和first derivative + MSC + NDF(表3), 模型的构建采用PLS。结果表明, 对原始光谱进行基线校正和平滑处理对模型基本没有影响; 对原始光谱进行二阶导数和多元散射校正处理使模型的精度略有下降; 对原始光谱进行一阶导数处理对模型的优化贡献最大, 鲜叶和粉末氮含量模型的RC2大于0.97; 利用一阶导数与多元散射校正和平滑处理结合对原始光谱进行处理, 模型的准确性和预测能力也有所提高。
RC2、RMSEC、RMSEP, 同
RC2、RMSEC、RMSEP, 同
RC2、RMSEC、RMSEP, 同
利用独立试验数据对模型进行了外部验证(图4), 结果表明, 水稻鲜叶氮含量模型的RV2为0.840, RMSEP为0.477; 叶片粉末氮含量近红外光谱模型RV2为0.944, RMSEP为0.142 (表5)。其中用鲜叶建立的叶片氮含量近红外光谱模型RV2较小, RMSEP大, 预测准确度稍差; 用粉末近红外光谱建立的模型RV2较大, RMSEP小, 表明粉末叶片氮含量预测模型的精度更高。
利用水稻两种状态叶片样品的近红外光谱进行氮含量的建模分析表明, 干叶粉末氮含量预测模型表现较好, 预测精度较高(RV2大于0.90), 同时发现鲜叶近红外光谱模型也能够较准确地预测叶片氮含量, 两类模型在准确度、实时性和非破坏性方面可以相互补充。水稻叶片水分、物理、化学特性及外部形态结构等对叶片光谱均会产生一定的影响, 因此, 本研究同时获取水稻鲜叶和干叶粉末两种形态的样品, 后者可以扣除水分的干扰, 从而提高模型的准确度; 前人对粉末状样品进行了大量研究(Mroczyk & Michalski, 1995; Kokaly & Clark, 1999), 但由于粉末制样繁琐, 且破坏植株, 所以构建具有较高精度的鲜叶氮素监测模型具有广阔的应用前景, 必将为作物氮素营养快速无损监测提供技术途径, 同时为便携式氮素营养监测仪的试制提供理论基础。
本文的其它图/表
|