基于近紅外光譜的水稻葉片氮素營(yíng)養(yǎng)監(jiān)測(cè)研究.pdf

1、利用光譜技術(shù)對(duì)作物的氮素營(yíng)養(yǎng)及生長(zhǎng)狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)與快速診斷是精確農(nóng)業(yè)中的研究熱點(diǎn)，具有十分重要的理論和實(shí)踐意義。近紅外光譜技術(shù)以其快速、準(zhǔn)確等優(yōu)點(diǎn)為作物遙感監(jiān)測(cè)提供了有效手段。本研究以不同年份、不同品種、不同施氮水平的水稻田間試驗(yàn)為依托，運(yùn)用偏最小二乘法（PLS）、主成分分析（PCR）、逐步多元回歸（SMLR）和BP神經(jīng)網(wǎng)絡(luò)（BPNN）4種化學(xué)計(jì)量學(xué)方法，分析了水稻葉片近紅外光譜與氮含量、色素含量、可溶性總糖含量以及糖氮比的關(guān)系，構(gòu)建

2、了基于近紅外光譜的水稻葉片氮素及其相關(guān)組分的預(yù)測(cè)模型。研究結(jié)果為作物生長(zhǎng)監(jiān)測(cè)和精確農(nóng)作管理提供理論基礎(chǔ)和關(guān)鍵技術(shù)。
　　 首先定量分析了水稻葉片近紅外光譜與氮含量之間的關(guān)系，對(duì)鮮葉和干葉粉末在12500～4000 cm-1、8000～4500 cm-1、8000～6000 cm-1和5500～4500 cm-1波段范圍進(jìn)行了光譜預(yù)處理，并應(yīng)用PLS、PCR、SMLR和BPNN方法建立了水稻葉片氮含量的定量估測(cè)模型。結(jié)果表明，基于

3、PLS建立的模型表現(xiàn)最好，鮮葉氮含量近紅外光譜校正模型Rc2為0.940，RMSEC為0.226，主成分因子數(shù)為7；粉末氮含量的近紅外光譜校正模型Rc2為0.977，RMSEC為0.136，主成分因子數(shù)為6。模型的內(nèi)部交叉驗(yàn)證分析表明，預(yù)測(cè)鮮葉氮含量Rcv2為0.857，RMSECV為0.251；預(yù)測(cè)粉末氮含量Rcv2為0.897，RMSECV為0.211。模型的外部驗(yàn)證分析表明，預(yù)測(cè)水稻鮮葉氮含量的Rv2大于0.800，RMSEP小于

4、0.500，預(yù)測(cè)粉末氮含量的Rv2為0.916，RMSEP為0.225。綜上，基于粉末建立的近紅外光譜預(yù)測(cè)模型準(zhǔn)確性和精確度較鮮葉高；近紅外光譜分析技術(shù)與化學(xué)分析方法一致性較好。
　　 進(jìn)一步利用上述4種方法構(gòu)建了水稻葉片中葉綠素Chla+b，Chla、Chlb和類(lèi)胡蘿卜素Car的近紅外預(yù)測(cè)模型。結(jié)果顯示，對(duì)光譜進(jìn)行一階導(dǎo)數(shù)（First derivative）和平滑處理（Norris derivative filter）對(duì)模型有

5、很好的優(yōu)化效果；8000～4000cm-1范圍為最佳建模波段。Chla、Chlb、Chla+b和Car應(yīng)用PLS方法建模效果最好，模型的校正決定系數(shù)Rc2都達(dá)到了0.8以上，最佳因子數(shù)均為8。內(nèi)部交叉驗(yàn)證表明，除Chlb外，模型預(yù)測(cè)Chla、Chla+b和Car的Rcv2均在0.8以上。利用獨(dú)立數(shù)據(jù)對(duì)模型進(jìn)行外部驗(yàn)證，結(jié)果表明模型對(duì)Chlb的預(yù)測(cè)效果最好，Rv2達(dá)到了0.842，RMSEP為0.123；對(duì)Chla和Chla+b的預(yù)測(cè)結(jié)果

6、較差，Rv2分別為0.741和0.749；而對(duì)Car預(yù)測(cè)能力最差，Rv2僅0.625。
　　 最后探討了近紅外光譜估測(cè)水稻葉片可溶性總糖和糖氮比的可行性。結(jié)果表明，對(duì)光譜進(jìn)行-階導(dǎo)數(shù)處理可以有效提高模型精度；4個(gè)模型的最佳建模范圍不同，鮮葉可溶性總糖模型的建模范圍12500～4000cm-1，Rc2達(dá)到0.957；粉末可溶性總糖模型的建模范圍5500～4500cm-1，Rc2達(dá)到0.910；鮮葉糖氮比模型的建模范圍6800～56