|
|
||||||||||||||||||||||||||||||||||||||||||||||||||
|
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4
基于不同光谱波段范围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
鲜叶光谱测定: 从获取的水稻植株样品中, 每株选一根有代表性的单茎, 分别测量其顶一叶(顶部第一张完全展开叶, 下同)、顶二叶、顶三叶和顶四叶共4张功能叶片上部、中部和下部的光谱(避开叶脉), 每部位重复3次取平均值。
不同波段范围显著影响模型的精度和预测能力。为了建立叶片氮含量最佳预测模型, 本研究采用PLS建模, 在建模过程中选择了全波段12 500- 4 000 cm-1和4个包含对重要有机化合物敏感的波段(8 000-4 500 cm-1、8 000-6 000 cm-1、6 700-5 500 cm-1和5 500-4 500 cm-1)来建模(表4)。结果显示, 鲜叶氮含量模型在全波段12 500-4 000 cm-1范围建立的模型精度最高, RC2达到0.945, RMSEP为0.390。粉末氮含量模型在全波段12 500-4 000 cm-1、8 000- 4 500 cm-1和6 700-5 500 cm-1范围内模型RC2均大于0.95, 但RMSEP以8 000-4 500 cm-1最小, 说明基于8 000-4 500 cm-1所建模型的预测误差最小。
本文的其它图/表
|
||||||||||||||||||||||||||||||||||||||||||||||||||
