免费文献传递   相关文献

Estimation of sugar to nitrogen ratio in wheat leaves with near infrared spectrometry.

应用近红外光谱法估测小麦叶片糖氮比


糖氮比能够反映作物碳氮代谢的协调程度,及时、准确地监测糖氮比对于作物氮素营养诊断和调控具有重要意义.本研究以不同年份、品种、施氮水平的小麦大田试验为基础,获取鲜叶和粉末状干叶近红外(NIR)光谱及糖氮比信息,分别运用偏最小二乘法(partial least squares, PLS)、BP神经网络(backpropagation neural network, BPNN)和小波神经网络(wavelet neural network, WNN)3种方法建立了小麦叶片糖氮比预测模型,并利用随机选择的样品集对所建模型进行测试和检验.结果表明: 小麦鲜叶光谱模型预测性能不佳;而干叶片预测模型表现了较好的准确性,在1655~2378 nm谱区范围内基于3种方法构建的干叶粉末糖氮比估算模型,其预测均方根误差均低于0.3%,决定系数均高于0.9.比较而言,WNN法表现最佳.总体显示,近红外光谱法可以准确预测小麦叶片糖氮比状况,为科学诊断糖氮比提供了理论基础和技术途径.

The soluble sugar to nitrogen ratio reflects the coordination degree of carbon (C) and nitrogen (N) metabolism. Precise and realtime monitoring of soluble sugar to nitrogen ratio is of significant importance for nitrogen diagnosis and management regulation in wheat production. In this study, timecourse near infrared spectroscopy and soluble sugar to nitrogen ratio of fresh and dry leaves were obtained under different field experiments with varied years and cultivar and N rates. The methods of partial least squares (PLS), backpropagation neural network (BPNN) and wavelet neural network (WNN) were used to develop the calibration models with the preprocessed spectra, respectively, and the dataset selected randomly was used to evaluate the constructed models. The results showed that the performance of the models for freshleaves was not satisfied, but good for dryleaves with the root mean square errors of prediction (RMSEP) by PLS, BPNN and WNN models based on 1655-2378 nm less than 0.3% and with the coefficients of determination (R2) over than 0.9, respectively. In comparison, the model based on WNN was the best one. All these indicated that near infrared spectrometry could be applied to estimating the soluble sugar to nitrogen ratio in plant. The results provided the theoretical basis and technological approach for diagnosing crop C/N.
 


全 文 :应用近红外光谱法估测小麦叶片糖氮比∗
姚  霞  王  雪  黄  宇  汤守鹏  田永超  曹卫星  朱  艳∗∗
(南京农业大学江苏省信息农业高技术研究重点实验室, 南京 210095)
摘  要  糖氮比能够反映作物碳氮代谢的协调程度,及时、准确地监测糖氮比对于作物氮素
营养诊断和调控具有重要意义.本研究以不同年份、品种、施氮水平的小麦大田试验为基础,
获取鲜叶和粉末状干叶近红外(NIR)光谱及糖氮比信息,分别运用偏最小二乘法(partial least
squares, PLS)、BP 神经网络(back⁃propagation neural network, BPNN)和小波神经网络(wave⁃
let neural network, WNN)3种方法建立了小麦叶片糖氮比预测模型,并利用随机选择的样品
集对所建模型进行测试和检验.结果表明: 小麦鲜叶光谱模型预测性能不佳;而干叶片预测模
型表现了较好的准确性,在 1655~2378 nm谱区范围内基于 3 种方法构建的干叶粉末糖氮比
估算模型,其预测均方根误差均低于 0.3%,决定系数均高于 0.9.比较而言,WNN法表现最佳.
总体显示,近红外光谱法可以准确预测小麦叶片糖氮比状况,为科学诊断糖氮比提供了理论
基础和技术途径.
关键词  近红外光谱; 糖氮比; 偏最小二乘法; BP 神经网络; 小波神经网络
文章编号  1001-9332(2015)08-2371-08  中图分类号  O433.4; S512.1  文献标识码  A
Estimation of sugar to nitrogen ratio in wheat leaves with near infrared spectrometry. YAO
Xia, WANG Xue, HUANG Yu, TANG Shou⁃peng, TIAN Yong⁃chao, CAO Wei⁃xing, ZHU Yan
(Jiangsu Key Laboratory of Information Agriculture, Nanjing Agricultural University, Nanjing
210095, China) . ⁃Chin. J. Appl. Ecol., 2015, 26(8): 2371-2378.
Abstract: The soluble sugar to nitrogen ratio reflects the coordination degree of carbon (C) and ni⁃
trogen (N) metabolism. Precise and real⁃time monitoring of soluble sugar to nitrogen ratio is of sig⁃
nificant importance for nitrogen diagnosis and management regulation in wheat production. In this
study, time⁃course near infrared spectroscopy and soluble sugar to nitrogen ratio of fresh and dry
leaves were obtained under different field experiments with varied years and cultivar and N rates.
The methods of partial least squares (PLS), back⁃propagation neural network (BPNN) and wavelet
neural network (WNN) were used to develop the calibration models with the preprocessed spectra,
respectively, and the dataset selected randomly was used to evaluate the constructed models. The
results showed that the performance of the models for fresh⁃leaves was not satisfied, but good for
dry⁃leaves with the root mean square errors of prediction (RMSEP) by PLS, BPNN and WNN
models based on 1655-2378 nm less than 0.3% and with the coefficients of determination (R2)
over than 0.9, respectively. In comparison, the model based on WNN was the best one. All these
indicated that near infrared spectrometry could be applied to estimating the soluble sugar to nitrogen
ratio in plant. The results provided the theoretical basis and technological approach for diagnosing
crop C / N.
Key words: near infrared spectroscopy; soluble sugar to nitrogen ratio; partial least squares; back⁃
propagation neural network; wavelet neural network.
∗国家自然科学基金项目(31201130,31201131)、公益性行业(农业)科研专项(201303109)、江苏省自然科学基金项目(BK20141371)、江苏省
现代作物生产协同创新中心项目( JCICMCP)、江苏省高校优势学科建设项目 ( PAPD)和中央高校基本科研业务费项目 ( KYZ201202,
KYRC201401)资助.
∗∗通讯作者. E⁃mail: yanzhu@ njau.edu.cn
2014⁃08⁃28收稿,2015⁃03⁃16接受.
应 用 生 态 学 报  2015年 8月  第 26卷  第 8期                                                         
Chinese Journal of Applied Ecology, Aug. 2015, 26(8): 2371-2378
    碳氮代谢是作物正常生长发育的物质基础.植
株的碳氮含量及碳氮比是反映植株体内碳氮代谢状
况的指标.植物碳氮比不仅体现植物的氮素利用效
率,而且能调节枯枝落叶的分解速率,对植物生长、
碳氮循环的研究具有重要作用[1] .植株体内总碳含
量相对稳定地维持在 45%左右,而可溶性糖含量对
水分及养分状况反映更敏感,因此采用可溶性糖与
全氮的比值能够比单一的糖或氮更好地反映植株生
长状况;而传统的测定糖和氮的方法耗时费力,具有
极大的局限性.近年来,近红外光谱技术的快速发
展,为精确获取作物长势、生理参数和品质信息提
供了有效的手段和方法[2-6] .近红外 ( near infrared
spectrometry,NIR)为光谱波长范围约 780 ~ 2526 nm
的电磁波,该谱区主要是含氢基团(C⁃H、O⁃H、N⁃H
等)的倍频与合频信息,这些基团吸收频率的特征
性强,适合做定量分析[7] .
目前,关于利用近红外光谱对植物组织中氮素
的定量估测较多[7-11],而对糖氮比的研究较少,且主
要集中在对总碳、木质素、纤维素、面筋、蛋白质、韧
性等单个指标的研究[12-20] . Batten 等[2]、 McGrath
等[3]应用近红外光谱技术测定小麦和水稻组织中
果寡糖和非结构性碳水化合物的含量,并以此监测
作物长势和营养状况.Gillon 等[20]用近红外光谱法
准确地测定了几种植物的总碳和总氮含量.施润和
等[21-22]证实了植物叶片碳氮比光谱估测的可行性;
并以(纤维素+木质素) /蛋白质代表碳氮比,深入研
究了碳氮比各组成物质浓度差异在 2030 ~ 2220 nm
区间内光谱响应的物理机制.另外,部分学者还利用
冠层光谱对水稻和小麦等作物的碳氮比进行研究,
均取得了可喜的进展[23-26] .综观已有研究,目前关
于应用近红外光谱预测作物碳氮比是可行的,但对
于糖氮比的预测研究在国内外报道较少,有必要进
行进一步的研究和探讨.
本文拟以不同年份、品种、施氮水平的小麦田
间试验为基础,运用偏最小二乘法 ( partial least
squares,PLS)、BP 神经网络(back⁃propagation neural
network,BPNN)和小波神经网络(wavelet neural net⁃
work,WNN)建立小麦叶片糖氮比近红外预测模型,
同时比较不同光谱预处理方法对模型精确性和稳定
性的影响,确定基于近红外光谱估测小麦叶片糖氮
比的最佳方法和模型,以期为利用近红外光谱法预
测作物碳氮代谢参数提供理论依据和技术支持.
1  材料与方法
1􀆰 1  试验设计
本文共进行 3 个不同的田间试验,具体设计方
案如下:
试验 1(EXP.1):2006—2007 年在江苏省南京
市农林局试验站(31°56′ N,118°59′ E)进行.供试品
种为宁麦 9 号和豫麦 34 号,设 4 个施氮水平,分别
为 0、90、180和 270 kg·hm-2纯氮.土壤有机质含量
1.0%、全氮含量 0.1%、速效磷含量 40.29 mg·kg-1、
速效钾含量 100.27 mg·kg-1,前茬为水稻.试验设两
因素随机区组排列,3次重复,小区面积约 23 m2,基
本苗 1.5 × 106 株·hm-2,行距 25 cm.氮肥基追比
2 ∶ 1 ∶ 1,追肥时期为拔节期和孕穗期.各处理配施
105 kg P 2O5·hm
-2和 80 kg KCl·hm-2,全部用作基
肥.其他管理措施同高产小麦田.
试验 2(EXP.2):2007—2008 年在南京农业大
学江浦试验站(32°02′ N,118°37′ E)进行.供试品种
为宁麦 9 号,设 4 个施氮水平,分别为 0、90、180 和
270 kg·hm-2纯氮.土壤有机质含量 2.0%,全氮含量
0.1%,速效磷含量 13. 41 mg·kg-1,速效钾含量
48􀆰 86 mg·kg-1,前茬为玉米.试验设两因素随机区
组排列,3 次重复,小区面积约为 16 m2,基本苗
1.5×106 株·hm-2,行距 25 cm.氮肥基追比 1 ∶ 1,追
肥时期为拔节期.各处理配施 150 kg P 2O5·hm
-2和
150 kg K2O·hm
-2,全部用作基肥.其他管理措施同
高产小麦田.
试验 3(EXP.3):2007—2008 年在南京农业大
学江浦试验站进行.供试品种为矮抗 58 号、宁麦 9
号、淮麦 17 号和扬麦 12 号,设 3 个施氮水平,分别
为 75、150 和 225 kg·hm-2纯氮.土壤有机质含量
0􀆰 6%、全氮含量 0.1%、速效磷含量 13.94 mg·kg-1、
速效钾含量 151 mg·kg-1,前茬为玉米.试验为两因
素随机区组排列,3次重复,小区面积约为 18 m2,基
本苗 1.65×106 株·hm-2,行距 25 cm.氮肥基追比为
1 ∶ 1,75 和 225 kg·hm-2追肥时期为拔节期,150
kg·hm-2追肥时期分为拔节期和孕穗期.各处理配
施 120 kg P 2O5·hm
-2和 135 kg K2O·hm
-2,全部用
作基肥.其他管理措施同高产小麦田.
1􀆰 2  测定方法
1􀆰 2􀆰 1 光谱数据采集  在小麦的关键生育时期(拔
节、孕穗、开花、灌浆初期、灌浆中期和成熟期),于 3
个试验小区取上部 3张完全展开叶,即顶 1 叶、顶 2
叶、顶 3叶,用于鲜叶光谱测定,每个处理每个叶位
2732 应  用  生  态  学  报                                      26卷
测 9张代表性叶片.与鲜叶光谱测试同步,于拔节期
每小区取有代表性小麦 20 株,至孕穗后取 50 个单
茎,将叶片按叶位分离,105 ℃下杀青并在 80 ℃下
烘干后粉碎,过 40 目筛,用自封袋密封后置于干燥
器中,用于可溶性糖和全氮测定和叶片粉末光谱
测定.
小麦鲜叶光谱采集用 Thermo Nicolet 5700 FT⁃
IR近红外光谱(自带 InGaAs检测器的漫反射附件、
OMNIC 7.2集成软件).光谱采集前,先在室温下开
机预热约 1 h,将叶片中部对准样品台的通光孔,然
后用镀金内壁紧压后进行扫描,每次操作前均采集
背景光谱.扫描范围 1100~2500 nm,分辨率 1 nm,每
次光谱数据采集均扫描 64次,每张叶片重复采集光
谱 3次,取平均值代表该处理样品的光谱,并以吸光
度的形式存储于计算机中.
叶片粉末光谱采集是将过筛样品装入内径 2.5
cm、高 5 cm的专用石英杯,容量约 1 / 3,并用专用砝
码压紧,置于样品台扫描,每份样品重复采集光谱 9
次,取平均值代表该粉末样品光谱,其他光谱采集参
数同鲜叶光谱.
为描述方便,记鲜叶为Ⅰ,粉末状干叶为Ⅱ.
1􀆰 2􀆰 2糖氮比测定  叶片可溶性总糖含量(%)采用
蒽酮比色法测定.每份样品每个指标重复测定 3 次,
取平均值作为该样品总糖含量.
叶片全氮含量(%)采用凯氏微量定氮法测定,
每份样品重复测定 3 次,取平均值作为该样品全氮
含量.
叶片可溶性总糖含量与全氮含量的比值为糖
氮比.
1􀆰 3  数据处理
运用马氏距离法[24]剔除奇异样品后,对叶片光
谱进行预处理,然后采用偏最小二乘法(PLS)进行
建模,得到 PLS模型;同时,将 PLS 压缩后的主成分
作为反向传播神经网络(BPNN)和小波神经网络
(WNN)的输入节点,叶片糖氮比作为输出节点,训
练后得到网络模型. PLS、BPNN 和 WNN 算法利用
Matlab 7.0软件编程实现.
1􀆰 3􀆰 1 样品集的划分  为了减少偶然误差、提高模型
精度,首先运用马氏距离法[24]从采集到鲜叶和干叶
的粉末各 180份样品中分别剔除 5份奇异样品,剩下
175份样品,再从中随机取 140份样品作为模型校正
集,其余 35份作为模型检验集,划分比为 4 ∶ 1.
1􀆰 3􀆰 2光谱预处理  本研究将近红外光谱仪自带的
TQ Analyst 7. 0 软件中的多元散射校正 (MSC)、
Savitzky⁃Golay平滑与导数和 Norris导数滤波 3 种光
谱预处理方法组合起来对原始的光谱数据进行预处
理,并采用校正均方根误差(RMSEC)及其决定系数
(RC 2)和“剔一法”交互验证均方根误差(RMSECV)
及其决定系数 (RCV2 )来选择最优的光谱预处理
方法.
1􀆰 3􀆰 3定量校正方法   近红外光谱吸收谱峰较弱,
谱带严重重叠,属于弱信号,所以必须借助化学计量
学方法和计算机技术才能进行定量校正.常见的校
正方法有多元线性回归、主成分回归和偏最小二乘
法,其中,偏最小二乘法应用最为广泛.但以上方法
都是线性校正方法,而实际上,近红外光谱和组分之
间可能存在非线性关系.人工神经网络(ANN)可以
解决连续非线性函数的逼近问题,其中,反向传播神
经网络(BPNN)是采用最多也是最成熟的网络之一.
但是,考虑到 BPNN 可能存在易陷于局部最小和收
敛速度慢等弱点,本研究尝试把小波神经网络
(WNN)引入近红外光谱的定量分析中.因此,分别
采用 PLS、BPNN和 WNN方法对小麦样品近红外光
谱与糖氮含量比之间的关系进行了建模.
1􀆰 4  模型的优化与评价
为保证模型的整体性能,本研究通过“剔一法”
得到的 RMSECV来优化建模参数;而模型的预测性
能,则通过预测均方根误差(RMSEP )和决定系数
(R2)来评价.
RMSECV =


i = 1
(Oi - P i) 2
M - 1
RMSEP =


i = 1
(Oi - P i) 2

式中:M、N分别表示用于建模和检验的样品数;Oi、
P i分别为样品 i化学组分的观测值和预测值.
2  结果与分析
2􀆰 1  小麦叶片糖氮比的统计分析
由表 1 可以看出,校正集和检验集小麦叶片糖
氮比的变幅分别为 0.3% ~ 5.9%和 0.4% ~ 5.4%,变
异系数均>42.3%,显示出样品具有较好的代表性.
2􀆰 2  小麦叶片近红外光谱
通过小麦鲜叶和干样粉末原始吸光度图谱和经
过预处理后的图谱(图 1)可以看出,吸光度图谱表
现为明显的水分和生化组分的吸收峰和谷.其中,鲜
叶的吸光度图谱的峰和谷更明显,主要原因为小麦
37328期                            姚  霞等: 应用近红外光谱法估测小麦叶片糖氮比           
表 1  校正集和检验集小麦叶片糖氮比统计参数
Table 1  Statistical parameters of calibration and validation sets for the ratio of sugar to nitrogen in wheat leaves
项目
Item
样品数
Number of
samples
最小值
Minimum value
(%)
最大值
Maximum value
(%)
平均值
Mean value
(%)
标准差
Standard deviation
(%)
变异系数
Coefficient of
variation (%)
校正集 Calibration set 140 0.3 5.9 2.4 1.0 42.3
检验集 Validation set 35 0.4 5.4 2.4 1.1 46.6
图 1  小麦鲜叶、干叶原始吸光度图谱(A)和经过预处理后的图谱(B)
Fig.1  Original near infrared absorbance spectra (A) and spectra after preprocessing (B) for wheat fresh and dry leaves.
a) 鲜叶 Fresh leaf; b) 干叶 Dry leaf. 下同 The same below.
叶片中的水分在 1460和 1950 nm有较强的吸收,并
有向两侧延展的吸收翼的特征.小麦干叶粉末的吸
光度图谱体现了化学物质中的吸收峰和谷,主要原
因可能为小麦叶片糖、氮物质中的 N⁃H、C⁃H及羟基
的振动.
2􀆰 3  光谱预处理方法的选择
分别采用 MSC、 Savitzky⁃Golay 平滑与导数和
Norris导数滤波 3 种光谱预处理方法对原始的光谱
数据进行预处理.结合物质吸收以及光谱与糖氮含
量的相关性程度,利用 TQ Analyst 7.0软件中的自动
优化功能,筛选建模的最佳光谱预处理方法、谱区范
围和主成分数.TQ 软件显示,对于鲜叶光谱,MSC+
Savitzky⁃Golay二阶导数效果最好,建模光谱范围为
1725~1874 和 1994 ~ 2432 nm,最佳主成分数为 5;
对于干叶光谱,采用 MSC+Norris一阶导数处理后的
光谱校正效果最好,建模光谱范围为 1655 ~ 2378
nm,最佳主成分数为 6.图 1 为 1100 ~ 2500 nm 范围
原始光谱和处理后的效果.
2􀆰 4  神经网络结构和参数的确定
2􀆰 4􀆰 1网络结构的设计  本研究中的 2 种神经网络
都采用常见的 3 层结构:输入层、隐层和输出层.与
建立各种数学模型一样,正确获取输入变量是建立
神经网络模型的最关键一步.选择输入变量的基本
原则是尽量做到“少而精”.“少”是尽量减少样本各
变量的相关性;“精”是尽量保持原始信息[26] .研究
表明,如果将 PLS 压缩后的主成分作为网络输入节
点,既可以保证输入数据的高精度,又可以大大加快
网络收敛速度[26] .因此,本研究将 PLS 主成分输入
神经网络,即鲜叶和干叶网络输入层节点数可分别
确定为 5和 6,依次对应于各主成分;输出层节点数
为 1,即为叶片糖氮比.这样,网络结构设计实际上就
是确定隐层节点数 h.小波神经网络的隐层节点数
就是小波基函数的个数[27-28] .我们尝试取不同的 h
(h≤10)来进行建模,并把 RMSECV最小时的隐层节
点数确定为最佳隐层节点数.从图 2 可以看出,鲜叶
BPNN和 WNN 中的最佳隐层节点数分别为 8 和 5,
干叶中分别为 7和 4.因此,对于鲜叶 BPNN和 WNN
的结构形式分别为 5⁃8⁃1和 5⁃5⁃1,干叶分别为 6⁃7⁃1
和 6⁃4⁃1(输入节点数⁃隐层节点数⁃输出节点数).
2􀆰 4􀆰 2网络参数的确定  神经网络参数直接关系模
4732 应  用  生  态  学  报                                      26卷
图 2  交互验证均方根误差(RMSECV)随隐层节点数的变化
Fig.2  Changes of RMSECV with the number of neurons in hid⁃
den layer.
BPNN: BP 神经网络 Back⁃propagation neural network; WNN: 小波神
经网络法 Wavelet neural network. 下同 The same below.
型的预测性能.为了不失一般性,小波神经网络的隐
层小波基函数采用 Morlet函数[29-31],该函数时频域
分辨率较高;BPNN 隐层传递函数和输出层函数分
别采用 Tansig函数和 Purelin函数,综合考虑网络稳
定性和训练时间,将学习速率都设为 0.01,网络优
化算法选择 Levevberg⁃Marquardt 算法,最大训练次
数都为 1000,网络模型期望误差分别为 0􀆰 003 和
0􀆰 001,其他参数由 Matlab程序随机设置.
2􀆰 5  校正模型的构建与评价
光谱经过预处理并确定了网络建模参数后,分
别运用 PLS、BPNN和 WNN方法对 NIR光谱与糖氮
比进行建模,建模数据集为随机选择出来的 140 份
样品.
为了检验叶片糖氮比模型的可靠性,随机取鲜
叶和干叶各 35份样品分别对模型进行了测试,采用
RMSEP和 R2综合评价模型性能(图 3).
    由图 3可以看出,小麦干叶 PLS、BPNN和WNN
模型的 RMSEP和 R2分别为 0. 3%和 0. 85、0. 3%和
0􀆰 87,和 0.3%和 0􀆰 87.显示出 3 种模型对干叶的预
测性能均较好,其中,基于神经网络BPNN模拟的
图 3  小麦叶片糖氮比近红外模型观测值与预测值的相关性
Fig.3  Correlation between observed and predicted values of sugar to nitrogen ratio in wheat leaves with NIR models.
Ⅰ: 宁麦 9号 Ningmai 9; Ⅱ: 扬麦 12号 Yangmai 12; Ⅲ: 淮麦 17号 Huaimai 17. PLS: 偏最小二乘法 Partial least square. ∗∗P<0.01.
57328期                            姚  霞等: 应用近红外光谱法估测小麦叶片糖氮比           
模型效果比 PLS方法更好,原因可能由于 PLS 属于
线性回归方法,而神经网络可以较好地克服非线性
干扰;但是小波神经网络没有表现出比 BP 神经网
络明显的优势.另外,小麦鲜叶模型的 RMSEP都在
0􀆰 8%以上,R2都在 0.65以下,测定精度较差.
3  讨    论
3􀆰 1  小麦鲜叶和干叶糖氮比模型效果
植物碳氮代谢对作物产量及品质形成具有重要
作用.本研究分别采用偏最小二乘法(PLS)、BP 神
经网络(BPNN)和小波神经网络(WNN)对小麦鲜
叶和粉末的近红外光谱与其糖氮比之间的关系进行
定量校正.其中,对于鲜叶,对光谱进行最佳的 MSC+
Savitzky⁃Golay二阶导数处理后,模型的 RMSEP都高
于 0.8%,R2都低于 0.65,估测精度较差;对于干叶,
对光谱进行 MSC+Norris 一阶导数预处理后的建模
效果最好,在 1655~2378 nm谱区内,基于 PLS 建立
模型的 RMSEP和 R2分别为 0.3%和 0.85,BPNN模型
的 RMSEP和 R2为 0.3%和 0.87,WNN模型的 RMSEP
和 R2为 0.3%和 0.87,均表现了较好的准确性和稳
定性.鲜叶效果优于干叶,其原因可能为:一是由于
新鲜叶片表面的蜡质层能引起高反射;二是叶片中
强势组分水的影响,使得在短波红外区水的强烈吸
收会在很大程度上掩盖其他生化组分的吸收特征,
因而对其他组分的估算比较困难;三是细胞结构间
隙因气和水介质差异导致折射率不同而使多次散射
更加复杂等[32] .
3􀆰 2  最小二乘法与神经网络法的比较
偏最小二乘法(PLS)集多元线性回归、典型相
关分析和主成分分析的基本功能于一身,能够在自
变量存在严重多重相关性的条件下进行建模,是近
红外光谱定量分析中常用的校正方法,其本质是以
线性关系为基础.但是由于样品各组分化合物之间
的关系复杂,会发生不同程度的缔合作用,如诱导效
应、空间位阻效应和氢键效应等[33],这些因素决定
了样品近红外光谱与糖氮比之间的非线性关系,而
人工神经网络 BP 模仿人脑处理信息,具有分布并
行处理、非线性映射、自适应学习和容错鲁棒等特
性,对处理非线性体系的信息有着突出的优点,因此
逼近精度较 PLS 更高,但其训练过程存在随机性,
对计算机性能要求较高,预测结果波动相对较大,尤
其是在网络结构设计和参数的选取方面尚无明确的
理论指导,需要依靠研究人员的经验积累和反复尝
试,因此神经网络在实用性方面不如 PLS 模型.当
然,今后我们将计划尝试更加先进的方法,如小波分
析法、连续投影法[34],建立准确性更高、普适性更好
的模型.
3􀆰 3  基于室内近红外光谱的化学计量学方法和前
人的光谱指数法比较
有关小麦叶片碳氮比的光谱估测,前人利用多
光谱、高光谱技术手段作了大量研究.薛利红等[1]用
冠层多光谱反射率分别确立了小麦和水稻叶片碳氮
比与光谱参数的定量关系;冯伟等[35]则在小麦叶片
糖氮比的高光谱监测中获得成功;周冬琴等[23]研究
表明,利用水稻冠层高光谱特征可以定量估测不同
栽培条件下叶片碳氮比的变化状况.但是,这些研究
所用的光谱仪分辨率相对于近红外光谱较低,且均
为在室外获取的冠层光谱信息,易受到冠层几何结
构、土壤覆盖度和大气吸收等外界环境因素的影
响[36] .由于不同时空条件下这些影响因子不同,因
此,所建立的模型很难外推应用到其他生态地
点[37] .本研究在室内采集近红外光谱,一定程度上
避免了外界环境对光谱的影响;同时考虑了光谱数
据连续相关性的特点[38],充分利用了 NIR光谱的丰
富信息和化学计量学的分析优势,因而所建模型更
稳健、更精确.水分在近红外区域有较强的吸收峰,
是近红外光谱定量分析的主要干扰因素[39-41] .对于
鲜叶,水通常占湿质量的 40% ~80%,是其最主要的
生化组分,但由于水在 1140和 1190 nm处的强吸收
中心和向两侧延展的吸收翼掩盖了其他生化组分在
该区域的吸收特征[42],因此将粉碎后的干叶作为研
究对象可以克服这个问题,并且减少了叶片物理及
外部形态结构对光谱的干扰[37],提高了模型的预测
效果.
3􀆰 4  样品集的选择与近红外预测模型的性能
样品集的选择直接影响近红外预测模型的性
能.所以,要想建立满意的近红外光谱监测模型,不
仅需要足够多的定标样品,同时还要求定标样品具
有较好的代表性,并且化学组分的含量应有尽可能
大的涵盖范围.本研究中,小麦叶片采自不同年份、
不同品种、不同施氮水平的田间试验,样品涵盖范围
较大,因而具有较好的代表性,在一定程度上可适用
于不同栽培条件下、不同生育期和不同叶位的小麦
叶片糖氮比的预测,具有较好的应用前景.若今后能
通过不同生态区、不同生产系统、更多品种类型的广
泛检验并不断完善,实现模型的预测精度和普适性
的有效统一,将在小麦植株碳氮代谢参数的诊断中
发挥更大的应用价值.
6732 应  用  生  态  学  报                                      26卷
4  结    论
植物碳氮代谢是植株生长发育最基本的生理代
谢.本研究基于不同年份、不同品种、不同施氮水平
条件下的 3 个试验研究,分别采用偏最小二乘
法(PLS)、BP 神经网络 ( BPNN)和小波神经网络
(WNN)对小麦鲜叶和粉末的近红外光谱与其糖氮
比之间的关系进行定量校正,并选择了最佳的光谱
预处理方法.其中,鲜叶模型的 RMSEP都高于 0.8%,
R2都低于 0􀆰 65;干叶的建模效果最好,在 1655 ~
2378 nm谱区内,基于 PLS 建立模型的 RMSEP均低
于 0.3%,R2均高于 0.85,均表现了较好的准确性和
稳定性.本研究结论进一步论证了运用近红外光谱
法预测小麦叶片糖氮比的可行性,这对于小麦植株
碳氮代谢参数的精确诊断具有重要意义,为近红外
光谱法在作物精准农业中的可能应用奠定了技术
基础.
参考文献
[1]  Xue L⁃H (薛利红), Yang L⁃Z (杨林章), Fan X⁃H
(范小晖), et al. Based on carbon and nitrogen metabo⁃
lism of rice nitrogen content and C / N ratio spectrum
estimation. Acta Agronomica Sinica (作物学报), 2006,
32(3): 430-435 (in Chinese)
[2]  Batten GD, Blakeney AB, McGrath VB, et al. Non⁃
structural carbohydrate: Analysis by near infrared reflec⁃
tance spectroscopy and its importance as an indicator of
plant growth / / Barrow NJ, ed. Plant Nutrition: From
Genetic Engineering to Field Practice. Amsterdam, the
Netherlands: Springer, 1993, 54: 243-246
[3]  McGrath VB, Blakeney AB, Batten GD. Fructan to ni⁃
trogen ratio as an indicator of nutrient stress in wheat
crops. New Phytologist, 1997, 136: 145-152
[4]  Batten GD. Plant analysis using near infrared reflectance
spectroscopy: The potential and the limitations. Austra⁃
lian Journal of Experimental Agriculture, 1998, 38:
697-706
[5]  Williams P, Norris K. Near⁃infrared Technology in the
Agricultural and Food Industries. 2nd Ed. Saint Paul,
MN: American Association of Cereal Chemists Inc,
2001
[6]  Gao H⁃Z (高洪智), Lu Q⁃P (卢启鹏), Ding H⁃Q
(丁海泉), et al. Choice of characteristic near⁃infrared
wavelengths for soil total nitrogen based on successive
projection algorithm. Spectroscopy and Spectral Analysis
(光谱学与光谱分析), 2009, 29(11): 2951- 2954
(in Chinese)
[7]  Yan Y⁃L (严衍禄). Foundation and Application of
Near⁃infrared Spectroscopy Analysis. Beijing: China
Light Industry Press, 2005 (in Chinese)
[8]  Bolster KL, Martin ME, Aber JD. Determination of car⁃
bon fraction and nitrogen concentration in tree foliage by
near infrared reflectance: A comparison of statistical
methods. Canadian Journal of Forest Research, 1996,
26: 590-600
[9]  McClure WF, Crowell B, Stanfield DL, et al. Near in⁃
frared technology for precision environmental measure⁃
ments. Ⅰ. Determination of nitrogen in green and dry⁃
grass tissue. Journal of Near Infrared Spectroscopy,
2002, 10: 177-185
[10]  Gislum R, Micklander E, Nielsen JP. Quantification of
nitrogen concentration in perennial ryegrass and red fes⁃
cue using near⁃infrared reflectance spectroscopy (NIRS)
and chemometrics. Field Crops Research, 2004, 88:
269-277
[11]  Morón A, García A, Sawchik J, et al. Preliminary study
on the use of near⁃infrared reflectance spectroscopy to
assess nitrogen content of undried wheat plants. Journal
of the Science of Food and Agriculture, 2006, 87: 147-
152
[12]  Elvidge CD. Visible and near infrared reflectance cha⁃
racteristics of dry plant materials. International Journal
of Remote Sensing, 1990, 11: 1775-1795
[13]  Grossman YL, Anderson EW, Ustin SL. Relationships
between leaf chemistry and reflectance for plant species
from Jasper Ridge Biological Reserve, California. IEEE
International Geoscience and Remote Sensing Sympo⁃
sium, Pasadena, CA, 1994, 4: 2357-2359
[14]  Curran PJ, Dungan JL, Peterson DL. Estimating the fo⁃
liar biochemical concentration of leaves with reflectance
spectrometry: Testing the Kokaly and Clark methodolo⁃
gies. Remote Sensing of Environment, 2001, 76: 349-
359
[15]  Ono K, Hiraide M, Amari M. Determination of lignin,
holocellulose, and organic solvent extractives in fresh
leaf, litterfall, and organic material on forest floor using
near⁃infrared reflectance spectroscopy. Journal of Forest
Research, 2003, 8: 191-198
[16]  Richardson AD, Reeves Ⅲ JB. Quantitative reflectance
spectroscopy as an alternative to traditional wet lab ana⁃
lysis of foliar chemistry: Near⁃infrared and mid⁃infrared
calibrations compared. Canadian Journal of Forest
Research, 2005, 35: 1122-1130
[17]   Qian H⁃B (钱海波), Sun L⁃J (孙来军), Wang L⁃K
(王乐凯), et al. Near infrared spectroscopy calibration
model optimizing of wet gluten based on successive pro⁃
jections algorithm. Chinese Agricultural Science Bulletin
(中国农学通报), 2011, 27(18): 51- 56 ( in Chi⁃
nese)
[18]  Huan K⁃W (宦克为), Liu X⁃X (刘小溪), Zheng F
(郑   峰), et al. Variable selection of near⁃infrared
spectroscopy for measuring wheat protein based on MC⁃
LPG. Transactions of the Chinese Society of Agricultural
Engineering (农业工程学报), 2013, 29(4): 266-
271 (in Chinese)
[19]  Ayse CM, Ismail HB, Huseyin E, et al. Prediction of
wheat quality parameters using near⁃infrared spectro⁃
scopy and artificial neural networks. European Food
77328期                            姚  霞等: 应用近红外光谱法估测小麦叶片糖氮比           
Research and Technology, 2011, 233: 267-274
[20]  Gillon D, Houssard C, Joffre R. Using near⁃infrared re⁃
flectance spectroscopy to predict carbon, nitrogen and
phosphorus content in heterogeneous plant material.
Oecologia, 1999, 118: 173-182
[21]  Shi R⁃H (施润和), Niu Z (牛   铮), Zhuang D⁃F
(庄大方). The use of hyperspectral data to estimate leaf
C / N ratio of feasibility study. Remote Sensing Technology
and Application (遥感技术与应用), 2003, 18(2):
76-80 (in Chinese)
[22]  Shi R⁃H (施润和), Niu Z (牛   铮), Zhuang D⁃F
(庄大方 ). Leaf biochemical concentrations on leaf
spectra study on 2100 nm absorption characteristics of
the ratio of carbon to nitrogen inversion for example.
Journal of Remote Sensing (遥感学报), 2005, 9(1):
1-7 (in Chinese)
[23]  Zhou D⁃Q (周冬琴), Zhu Y (朱  艳), Yang J (杨
杰), et al. Based on canopy hyperspectral parameters of
rice leaf carbon and nitrogen ratio monitoring. Transac⁃
tions of the Chinese Society of Agricultural Engineering
(农业工程学报), 2009, 25(3): 135-141 ( in Chi⁃
nese)
[24]  Smith BM, Gemperline PJ. Wavelength selection and
optimization of pattern recognition methods using the
genetic algorithm. Analytica Chimica Acta, 2000, 423:
167-177
[25]  Qi X⁃M (齐小明), Zhang L⁃D (张录达), Du X⁃L
(杜晓林), et al. PLS⁃BP method for near infrared
spectroscopy quantitative analysis PLS⁃BP. Spectroscopy
and Spectral Analysis (光谱学与光谱分析), 2003, 23
(5): 870-872 (in Chinese)
[26]  Dou Y, Mi H, Zhao LZ, et al. Determination of com⁃
pound aminopyrinephenacetin tablets by using artificial
neural networks combined with principal components
analysis. Analytical Biochemistry, 2006, 351: 174-180
[27]  Wen X (闻  新), Zhou L (周  露), Wang D⁃L (王
丹力), et al. MATLAB Neural Network Application
Design. Beijing: Science Press, 2001 (in Chinese)
[28]  Zhang Q. Using wavelet network in nonparametric esti⁃
mation. IEEE Transactions on Neural Networks, 1997,
8 : 227-236
[29]  Zhong HB, Zhang J, Gao M, et al. The discrete wavelet
neural network and its application in oscillographic chro⁃
nopotentiometric determination. Chemometrics and Intel⁃
ligent Laboratory Systems, 2001, 59: 67-74
[30]  Tabaraki R, Khayamian T, Ensafi AA. Wavelet neural
network modeling in QSPR for prediction of solubility of
25 anthraquinone dyes at different temperatures and
pressures in supercritical carbon dioxide. Journal of
Molecular Graphics and Modelling, 2006, 25: 46-54
[31]  Subasi A, Alkan A, Koklukaya E, et al. Wavelet neural
network classification of EEG signals by using AR model
with MLE preprocessing. Neural Networks, 2005, 18:
985-997
[32]   Pu R⁃L (浦瑞良), Gong P (宫  鹏). Hyperspectral
Remote Sensing and Its Application. Beijing: Higher
Education Press, 2000 (in Chinese)
[33]  Weng S⁃F (翁诗甫). Fourier Transforms Infrared Spec⁃
trometer. Beijing: Chemical Industry Press, 2005 ( in
Chinese)
[34]  Shao XG, Du GR, Jing M, et al. Application of latent
projective graph in variable selection for near infrared
spectral analysis. Chemometrics and Intelligent Laborato⁃
ry Systems, 2012, 114: 44-49
[35]  Feng W (冯  伟), Yao X (姚  霞), Tian Y⁃C (田
永超), et al. Monitoring the sugar to nitrogen ratio in
wheat leaves with hyperspectral remote sensing. Scientia
Agricultura Sinica (中国农业科学), 2008, 41(6):
1630-1639 (in Chinese)
[36]  Asner GP. Biophysical and biochemical sources of varia⁃
bility in canopy reflectance. Remote Sensing of Environ⁃
ment, 1998, 64: 234-253
[37]  Xue L⁃H (薛利红), Luo W⁃H (罗卫红), Cao W⁃X
(曹卫星), et al. Crop water and nitrogen spectrum
diagnosis progress. Journal of Remote Sensing (遥感学
报), 2003, 7(1): 73-80 (in Chinese)
[38]  Jiang JH, Berry RJ, Siesler HW, et al. Wavelength in⁃
terval selection in multi⁃component spectral analysis by
moving window partial least⁃squares regression with ap⁃
plications to mid⁃infrared and near⁃infrared spectroscopic
data. Analytical Chemistry, 2002, 74: 3555-3565
[39]  Hans BP. Analysis of water in food by near infrared
spectroscopy. Food Chemistry, 2003, 82: 107-115
[40]   Curran PJ. Remote sensing of foliar chemistry. Remote
Sensing of Environment, 1989, 30: 271-278
[41]  Jacquemoud S, Baret F. PROSPECT: A model of leaf
optical properties spectra. Remote Sensing of Environ⁃
ment, 1990, 34: 75-91
[42]  Kokaly RF, Clark RN. Spectroscopic determination of
leaf biochemistry using band⁃depth analysis of absorption
features and stepwise multiple linear regression. Remote
Sensing of Environment, 1999, 67: 267-287
作者简介  姚  霞,女,1977年生,副教授. 主要从事作物生
长监测研究. E⁃mail: yaoxia@ njau.edu.cn
责任编辑  杨  弘
8732 应  用  生  态  学  报                                      26卷