|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
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3
基于不同光谱预处理方法构建的氮含量测模型表现比较
正文中引用本图/表的段落
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。
通过内部交叉验证来检验所建模型的准确性(曹干等, 2003)。本研究构建的不同叶片状态的数学模型中, 鲜叶氮含量近红外光谱模型RCV2为0.866, RMSECV仅为0.243; 粉末氮含量近红外光谱模型RCV2达到0.900, RMSECV为0.202 (表5)。校正集样品的内部交叉验证的预测值和真实值的相关性分析表明(图3), 利用水稻鲜叶近红外光谱建立的预测氮含量模型预测值和真实值的RCV2较小, 均小于0.9。利用叶片粉末近红外光谱建立预测模型预测值和真实值的RCV2达到0.90以上, 说明模型的预测准确性较好。
本文的其它图/表
|