Determination of leaf nitrogen in rice using FTIR spectroscopy
林芬芳, 陈祝炉, 邓劲松, 王 珂*
全 文 :收稿日期:!""#$"%$&’ 接受日期:!""($"&$&’
基金项目:国家自然科学基金项目()"’%&&&!)资助。
作者简介:林芬芳(&(#"—),女,福建人,博士,主要从事农业遥感与信息技术研究。*+,-./:0/1234536 789: 3;9: 54
! 通讯作者 *+,-./:<=-4>6 789: 3;9: 54
傅立叶变换中红外光谱估测水稻叶片
氮素含量的研究
林芬芳,陈祝炉,邓劲松,王 珂!
(浙江大学农业遥感与信息技术应用研究所,浙江杭州 )&""!()
摘要:通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外
光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法(?.@AB)分析选取了傅立叶变换红外光谱
估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是 ( 个,最佳估测建模的波段组合分别为
&)’"C#(!&’#DC’%,&’#%C’)!!!CE" 和 )%"(CE&!)(E)C%! 5,$ &;建立的水稻氮素预测模型的精度较高,交互验
证均方根误差(FGB*HI)和预测均方根误差(FGB*@)分别为 "C&’)#和 "C&()),预测值与化学分析获得的叶片总氮
浓度之间的交互相关系数和独立检验相关系数分别为 "C()()和 "CDDE(,高于中红外光谱指数 JKB和 JKBL的预测
精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。
关键词:水稻;氮;傅立叶变换中红外光谱(KMNF);?.@AB
中图分类号:OD’%C));B’&&C"& 文献标识码:L 文章编号:&""#$’"’P(!""()"E$"%’"$"D
!"#"$%&’(#&)’ )* +"(* ’$),"’ &’ $&-" ./&’, 0123 /4"-#$)/-)45
ANJ K34+0-4>,HQ*J RS9+/9,T*JU V.4>+?14>,WLJU X3!
( !"#$%$&$%’" ’( )*+’$* ,*"#%"- . !"(’/+0$%’" ,1#$*+ 2334%50$%’",67*8%0"- 9"%:*/#%$1,;0"-<7’& =>??@A,B7%"0)
67/#$(-#:MS3 Y.,3 -4; Z9-4Y.Y[ 10 J 032Y./.7-Y.14 .? 514?.;323; -? - <3[ Y35S4.Z93 012 S.>S [.3/; -4; Z9-/.Y[ .4 521\ \21+
;95Y.14: ]-?3; 14 YS3 2.53 0.3/; 3^\32.,34Y =.YS ;.003234Y J 2-Y3?,YS3 ,.;+NF Y2-4?,.YY-453 ?\35Y2- 10 YS3 ;2.3; -4;
>2194; /3-0 ?-,\/3? =323 ;3Y32,.43; _[ K192.32 Y2-4?012, .402-23;(KMNF)?\35Y21?51\[,-4; YS34 YS3 3?Y.,-Y.14 ,1;3/
012 /3-0 4.Y21>34 514Y34Y =-? _9./Y =.YS YS3 1_Y-.43; ,.;+NF Y2-4?,.YY-453 ?\35Y2- -4; ?[432>[ .4Y32‘-/ \-2Y.-/ /3-?Y ?Z9-23
-/>12.YS,(?.@AB): MS3 1\Y.,-/ ?.@AB ,1;3/ =-? 1_Y-.43; =.YS &"" .4Y32‘-/? -4; ( @AB 51,\1434Y? : MS3 _3?Y 51,_.4-+
Y.14? 10 ?\35Y2-/ 23>.14? ?3/35Y3; =323 &)’"C#($&’#DC’%,&’#%C’)$!!CE" -4; )%"(CE&$)(E)C%! 5,+& C MS3 ‘-/93 10
FGB*HI(211Y ,3-4 ?Z9-23 32212 10 521??+‘-/.;-Y.14).? "C&’)#,-4; 51223/-Y.14 51300.5.34Y(2)=-? "C()() .4 5-/._2-Y.14
?3Y,-4; YS3 FGB*@(211Y ,3-4 ?Z9-23 32212 10 \23;.5Y.14)=-? "C&()) -4; 51223/-Y.14 51300.5.34Y(2)=-? "CDDE( 012 Y3?Y
;-Y- ?3Y : K92YS32,123,51,\-23; =.YS ?\35Y2-/ .4;.53? JKB -4; JKBL,YS.? ,1;3/ =-? ,123 23/.-_/3 -4; 23\23?34Y-Y.‘3: NY
=-? ?9>>3?Y3; YS-Y KMNF ?\35Y21?51\[ ,-[ _3 514?.;323; -? - ;.->41?.? Y35S41/1>[ 012 /3-0 4.Y21>34 514Y34Y .4 2.53:
8"5 9)$:/:2.53;4.Y21>34;KMNF;?.@AB
水稻过量施用氮肥比较普遍,既增加生产成本,
又可能污染环境[&$)],这与没有一个可靠的水稻氮
素营养诊断方法有关。传统的化学分析方法费时费
力且分析成本高,已不能满足作物高效生产管理的
需要,尤其是在不同生产经验模式的精准农业生产
管理中。随着遥感技术的发展,人们开始研究利用
遥感技术开发作物氮营养水平诊断技术,并应用于
指导水稻施肥。叶绿素计在诊断水稻氮素营养和推
荐追肥方面有快速、简便、无损的特点,得到了广泛
的应用。但它获取的主要是反映叶色的绿度指数,
不适宜叶片氮素浓度的估测;而且其精度易受水稻
品种、生育时期、测定叶位、测定叶片的位点、生态环
植物营养与肥料学报 !""(,&’(E):%’"$%’’
""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
@/-4Y J9Y2.Y.14 -4; K32Y./.732 B5.3453
境等因素影响[!"#]。基于植物光谱反射特性的遥感
技术也具有快速、自动化程度高、非破坏性等优点,
已广泛应用于水稻叶绿素、叶面积、生物量等参数的
监测。但是,获取的冠层光谱局限于 $#%!!#%% &’
光谱范围,易受冠层结构、光照、气候条件等影响,而
且在监测生物量,叶面积指数等表观综合性参数时
的效果较好,估测氮素时精度和专一性较差[(")]。
因此,目前最可靠的水稻叶片氮素浓度的测定方法
仍然是化学分析法。傅立叶红外光谱(*+,-)具有分
辨能力高、扫描时间快、辐射通量大、杂散辐射低、光
谱范围宽等特点,可以定量分析包含各种基团的高
分子物质[.]。氮素是构成植物蛋白质、核酸与核蛋
白的重要成分,同时也是植物激素(吲哚乙酸、玉米
素)、维生素(如维生素 /、维生素 00)等重要高分子
物质的组成成分。当植株内氮素缺乏或者过量时,
都会影响这些高分子物质的合成,从而引起红外光
谱特性的变化。国内外已广泛利用红外光谱分析估
测食品和饲料的品质,也有研究开始利用红外光谱
分析水稻氮素营养水平。周启发等[1%]利用方差分
析,初步表明水稻叶尖在不同生育期均表现出傅立
叶变换红外光谱差异,吸收指数 2*34随着施氮水
平的提高而降低,但是没有明确指出氮素诊断的敏
感波段及其与水稻氮素含量的关系模型。54367公
司生产的 *+,-"81%%型光谱仪具有比同类竞争产品
更高的灵敏度、红外成像和快速扫描功能,能测定
9)%%!$#% :’" 1波数范围的红外光谱特征,信噪比
为 !!%%%:1,能充分挖掘中红外信息。因此,开展了
研究不同氮素营养水平下水稻叶片傅立叶红外光谱
特性,通过协同偏最小二乘法(;<&=>?< @&A=>BCD 0E3,
;@0E3)分析确定适宜估测氮素浓度的敏感波段及其
组合,并初步建立水稻叶片氮素估测模型,旨在寻求
一种精度可靠并能替代化学分析的傅立叶红外光谱
分析方法。
! 材料与方法
!"! 试验设计
田间试验地点在浙江省富阳市高桥镇。供试水
稻品种为直播稻秀水 11%,于 !%%9年 (月 #日播种。
试验采用单因素完全随机区组设计,设 #个氮
肥施用水平:2 %、(%、.%、1!%、1#% F? G H’!,分别标记
为 2%、21、2!、2$、28,8个重复。氮肥采用尿素,其
中基肥 #%I,分蘖肥 $#I,穗肥 1#I。另外,每个小
区施用相同量磷肥(过磷酸钙)!!# F? G H’! 作基肥,
钾肥(氯化钾)按 $%% F? G H’!标准分 !次分别在孕穗
期和抽穗期等量均匀施入各试验小区。
!"# 测定项目与方法
孕穗期进行叶绿素、光合速率、叶片氮含量和叶
片傅立叶中红外光谱的测定。
1J!J1 净光合速率(0&) 上午 .:%%!1!:%%,在天
气晴朗无云的自然光条件下,应用光合作用仪
(E@(8%%,美国莱卡公司产品)测定叶片中部净光合
速率(0&),每处理每次测定 #株。
1J!J! 叶绿素 选取稻株第 $完全展开叶并剪下
中间部分,剪碎混匀后称取 %J1%%% ?左右,然后加入
混合液[丙酮 K无水乙醇 K蒸馏水 L 8 K # K 1(M G M)]!#
’E,于室温下遮光静置 ) H,直至样品完全发白。浸
提后的混合液用 NM " !##%型分光光度计分别测定
89%、(8(、(($&’波长处的吸光度 4,然后根据以下公
式分别计算叶绿素 C(6HD C)、叶绿素 O(6HD O)、类胡
萝卜素(6C>)、总叶绿素(+:HD)含量和叶绿素比值 C G
O[11]。
6HD C(’? G E)L 1!J!14(($"!J)14(8( (1)
6HD O(’? G E)L !%J1$4(8( " #J%$4(($ (!)
6C>(’? G E)L(1%%%489% " $J!96HD C "
1%8 6HD O)G !!. ($)
+:HD L 6HD C P 6HD O (8)
6HD C G O L 6HD C G 6HD O (#)
式中,489%、4(8(、4(($分别为叶绿素色素提取液在波
长 89%、(8(、(($&’处的吸光度。
1J!J$ 叶片总氮含量(E26) 采集的水稻叶片样
品,在 9%Q烘干、粉碎、称重后采用标准微量开氏定
氮法测定[1!]。
1J!J8 叶片 *+,-光谱 使用日本分光公司 54367
的 *+,- " 81%%光谱仪测量水稻样品的透射率,设置
其光谱分辨率为 8J% :’" 1,测定范围为 8%%%!8%%
:’" 1。
光谱测定时,先将叶片粉末与溴化钾以 ! K .)比
例于研钵中混匀,并将混匀后的粉末置于一个圆形
小孔压片,然后进行样本扫描,每次测定前进行背景
测量。每个样本重复扫描 $次。整个操作尽量在避
光条件下进行,以免溴化钾分解。
!"$ 数据处理与分析
描述统计、方差分析和相关分析等在 30331$J%
中进行。用于敏感波段选择和建模的 ;<&=>?< @&A=>R
BCD 0E3(;@0E3)算法程序下载于网站 HAAAS:G G TTTU
’VW=D;U FBD U WF G,透射率光谱数据的预处理在 ’CADCO
中编程实现。
1J$J1 协同偏最小二乘法(;@0E3) 偏最小二乘法
1#98期 林芬芳,等:傅立叶变换中红外光谱估测水稻叶片氮素含量的研究
(!"#)是建立自变量($)的潜变量与因变量(%)的潜
变量的回归模型,以间接反映自变量与因变量之间
的关系。在 !"# 中对每个 $ 矩阵的潜变量方向进
行了修改,使它与 % 矩阵间的协方差最大,即在原
回归方程中删去那些特征值近似为零的项,其 $ 和
% 矩阵按以下示意图分解为较小的矩阵:
$ & ’ !( ) * & !+","( (-)
式中:’ 为 $ 的得分矩阵,+"为得分向量,,为 $的
载荷矩阵,,"为相应的载荷向量,* 是残差矩阵,是
$ 中无法用"个潜在变量 + 反映的部分。
% & ./( ) 0 & !1"2"( (3)
式中:.为 %的得分矩阵,1"为得分向量,/为 %的
载荷矩阵,2"为相应的载荷向量,0是残差矩阵,是
%中无法用"个潜在变量 1反映的部分。
!"#回归分别在 $和 %中提取各自的潜变量,
它们分别为自变量与因变量的线形组合。二者满足
以下条件:#两组潜变量分别最大程度地承载自变
量和因变量的变异信息;$二者之间的协方差最大
化。!"# 对每一维度的计算采用迭代的方法进行,
在迭代计算中互相利用对方的信息,每一次迭代不
断根据 $、% 的剩余信息(即其残差矩阵)调整 +"、1"
进行第二轮的成分提取,直到残余矩阵中的元素绝
对值近似为零,回归式的精度满足要求,则算法停
止,此时得到的 +"、1"能同时最大限度地表达 $和 %
的方差,由此得到的系数 4"能更好反映 $和 %的关
系。对于公式 % & $5中一般模型的 5系数矩阵 5
& 6(!6)7 8/(,需已知矩阵 !、/、6,其中 6为 !"#
的权重矩阵。从自变量和因变量中提取潜变量的方
法有多种,如主成分法、迭代法、#9:法等,而本文采
用的是非线性迭代偏最小二乘法[8;,8<]。
协同偏最小二乘法(=>!"#)的基本原理与普通
偏最小二乘法类似(!"#),只是在选取自变量时,将
自变量分成多个数据段,然后按照 !"#的运算原理
计算所有可能的不同波段组合(组合为 ?或 @或 ;)
的 !"#模型,以寻找最优的波段组合。该算法的计
算时间可能持续很长,主要是取决于数据间隔数和
组合方式。
8A@A? 模型的精度验证 在应用 =>!"# 进行分析
时,样本数据分独立的两个部分,其中一部分(B &
?;)作为分析与建模数据集;另一部分(B & 8-)作为
模型的独立检验数据集。模型精度根据 @个参数来
分析与验证,它们分别为交互验证均方根误差(CDE
#*F9)、预测均方根误差(CD#*!)和水稻叶片预测
值与观察值之间的相关系数(G)。
!"#$%& &
!
B
> & 8
(H
(
> 7 H>)?
" B (I)
式(I)中:B为校正集的样本数,H>为样本 >的观测
值,H
(
>为在交互验证中利用除去样品 > 后的剩余样
本建立的模型的预测值。
!"#$’ &
!
B
> & 8
(H> 7 H
(
>)
?
" B (J)
式(J)中:B为独立检验集的样本数,H>为样本 >的
观测值,为利用最佳模型预测出的组分浓度。
( & 8 7
!
B
> & 8
(H
(
> 7 H>)?
!
B
> & 8
(H> 7 H)" ?
(8K)
式(8K)中:H为所有样本的平均值。
! 结果与分析
!"# 不同氮肥处理下水稻叶片氮素与叶绿素、净光
合速率之间的关系
水稻叶片总氮浓度与叶片各叶绿素指标、净光
合作用速率等有很好的相关性。其中,水稻叶片氮
浓度("LF)与叶绿素 M、4比值(FNO M P 4)的相关系数
最大,其次是净光合速率(!B)(表 8)。说明氮素对
水稻叶绿素和光合作用有最直接的影响。当水稻缺
氮时,首先是蛋白质的合成受阻,酶量减少,叶绿素
的合成受影响;生育后期缺氮,则叶片容易早衰,光
合作用减弱,物质生产降低。而水稻叶片含氮率的
提高,通过增加叶片可溶性蛋白质含量、增加叶绿体
数目、改变叶绿体基粒结构和提高叶片气孔导度,使
C15,羧化酶活力增强,叶片净光合速率就随之提
高[8I]。
!"! 中红外光谱数据的预处理
采用 #MQ>+RSHETUOMH卷积平滑与求导[J]进行中红
外光谱数据预处理。该方法与移动平均平滑法的基
本思想类似,只是没有使用简单的平均,而是通过多
项式来对移动窗口内的数据进行多项式最小二乘拟
合。其实质是一种加权平均法,更强调中心点的贡
献。但该平滑法需要注意移动窗口宽度及多项式次
数的优化选择。基本假设是光谱含有的噪声为零均
随机白噪声,若取多次测量的平均值可降低噪声,提
高信噪比。
在 #MQ>+RSHETUOMH卷积平滑的基础上,通过最小
二乘可计算得到与平滑系数相似的一阶(8=+ :VG)和
二阶(?BW :VG)微分系数。微分光谱可以有效地消除
基线和其他背景的干扰,分辨重叠峰,提高分辨率和
?<3 植 物 营 养 与 肥 料 学 报 8<卷
灵敏度,尤其是二阶微分可以消除样品颗粒分布不
均匀引起的光散射[!"]。经计算分析,本文选取的最
佳移动窗口宽度为 !",多项式次数为 #(图 !)。
表 ! 不同水稻生理参数的基本统计和相关性分析
"#$%& ! "’& (&)*+,-.,/& ).#.,).,*) #0( *1++&%#.,10 $&.2&&0 345、*’%1+1-’6%% *10.&0. #0( 70
参数
$%&%’()(&
基本统计
*(+,&-.)-/( +)%)-+)-,+
相关系数(&)
01&&(2%)-13 ,1(44-,-(3)
5(%3 67*7 5-37 5%87 9:0 0;2 % 0;2 < =,;2 0;2 % > < 0%& $3
9:0(?) !@AB# C@"AD !@"!B #@EBE !
0;2 %(’F > 9) D@GBC !@"!H E@"CD !!@HG# C@EE!!! !
0;2 <(’F > 9) !@DG! C@"G# !@!DG #@ECG C@GG#!! C@AG"!! !
=,;2(’F > 9) !C@E#! !@EGA G@HAH !H@CGA C@EDA!! C@AAA!! C@ADH!! !
0;2 % > < H@G"C C@"!G H@#AH B@"HH I C@DEB!! I C@G!B!! I C@DB!!! I C@GHA!! !
0%&(’F > 9) #@"#E C@"CG !@GHH #@A"H C@E"D!! C@ADG!! C@AHA!! C@AD"!! I C@EDE!! !
$3[0J#!’12 >(’
#·+)] !G@"D" #@D"A !!@"CC #!@CBC C@GG"!! C@ED"!! C@GH"!! C@GCC!! I C@GED!! C@G!!!! !
注(:1)():!! 表示 !?水平下的显著性 *(31)(+ +-F3-4-,%3) K-44(&(3,( %) C@C! .&1<%<-2-)L 2(/(2。
图 ! 正常氮素水平下原始光谱经 8#/,.9:6;<1%#6
求导后的图
=,>?! "’& @,+). #0( )&*10( (&+,/#.,/&) *1A-B.&( B),0>
8#/,.9:6;<1%#6 )A11.’,0> B0(&+ 01+A#% 0,.+1>&0
CDE 水稻叶片氮含量与中红外光谱透射率的相关
性分析
叶片总氮含量(9:0)与 6%/-)MNLOP12%L二阶导数
之间的相关性随波长位置变化剧烈(图 #)。分析发
现两者在 HCE@A!、AAE@CB、!!E#@DG、!!E"@D"、!!GD@"C、
!!GA@#E、 !!DC@##、 !!D!@!A、 !""C@EH、 !""!@E!、
!""#@BG、 !"""@B"、 !""H@BC、 !"D#@G!、 !"DD@BC、
!H#"@#!、 !H#H@!D、 !H#B@!H、 !H#E@!C、 !H#G@CG、
!H#D@C"、 !HHH@H#、 !HBB@C"、 !HGG@#!、 !B#D@"!、
!BHC@DB、 !EAH@!E、 #CAE@#H、 #CAG@#!、 #!##@#D、
#BDD@AG、#BAB@G#、#BAE@ED、"CD!@EA、"CD#@EB、"A#D@#A
,’I !等波数处都达到了极显著的正或负相关。其
中在 !HBB@C"和 !!GA@#E ,’I !处分别具有最大和最
小的正负相关系数,其值为 C@BD""和 I C@EH#"。理
论上叶片总氮含量(9:0)与波长特征值显著相关的
波长均可作为预测建模的候选波长。一般来说,相
关系数越高,机会越大,但还要综合分析氮素影响植
物叶片中红外光谱透射率的机理。氮素是构成蛋白
质、核酸、核蛋白和维生素等高分子物质的组成成
分。因此,氮素含量的高低必然影响这些物质的合
成,从而造成中红外光谱透射光谱特征的差异。
图 C 水稻叶片总氮浓度与 8#/,.9:6;<1%#6
二阶导数光谱的相关关系
=,>?C 51++&%1>+#A 1@ %@ 0,.+1>&0 *10*&0.+#.,10 #0(
.’& )&*10( (&+,/#.,/& .+#0)A,..#0*& ,0 +,*&
CDF 基于 860&+>6 ,0.&+/#% 738(),738)的敏感波段
选择与建模
偏最小二乘法是化学计量学中常用的多变量校
正方法。相对于多元线性回归方法、主成分回归方
法等,它可以使用全谱或部分谱数据,并将数据矩阵
分解和回归交互结合为一步,得到的特征值向量直
"BGH期 林芬芳,等:傅立叶变换中红外光谱估测水稻叶片氮素含量的研究
接与被测组分或性质相关,而不是与数据矩阵中变
化最大的变量相关,建立的模型具有较高的预测精
度[!"#!$]。目前,国内外在偏最小二乘算法(%&’)的
基础上,发展了多种扩展的 %&’算法,如 ()*+,-./ %&’
((%&’),0.123.,4 ()*+,-./ %&’(0(%&’),56)+,76 ()*+,-./
%&’(5(%&’),%&’89+)+*(1(9:%&’),;*(83.6 %&’(=8
%&’)等。本文以红外光谱的 ’.-(*>2689?/.6二阶导数
为数据源,采用协同偏最小二乘法(5(%&’)分析水稻
在中红外区域内叶片氮素含量预测的最佳敏感波
段。与间隔偏最小二乘法((%&’)的基本思想类似,
但是,它不是利用单一波段间隔建模,而是将不同区
间进行组合,选出最佳的波段组合作为建模的参
数[!@]。
根据交互验证均方根误差最小的原则,选取不
同波长间隔数下的最优区间组合。当利用整个波长
范围 "AAA!"AA 1B# !建立模型时,均方根误差(C;8
’DEF)最大,为 AGH"!I;而当整个波长范围被分成
!$个间隔时,通过[$ @ !$]这三个波长区间组合建
立的非线性模型的均方根误差(C;’DEF)最小,为
AG!$HJ,测量值与预测值的相关系数达到 AGKHKH(表
L、图 H)。[$ @ !$]这三个组合分别对应的波数范围
为 !H$AGJK!!$J@G$I,!$JIG$H!!JLLG"A 和 HIAKG"!
!HK"HGIL 1B# !(图 ")。因此,选取[$ @ !$]这三个
波长区间作为水稻叶片氮素预测的最优变量。同
时,为了检验该模型的可靠性,以独立检验集的数据
为基础,结果表明预测均方根 C;’D%为 AG!KHH,观
察值与预测值之间的相关系数(,)为 AG@@"K,达到了
相伴概率 AGA! 的极显著水平。沈德言等[!I]认为,
在中红外光谱范围内,波数 !H$AGJK!!$J@G$I 1B# !
可能对应着硝基化合物的谱带;!$JIG$H!!JLLG"A
1B# !可能对应着含氮化合物酰胺基酰亚胺的谱带,
这几个含氮化合物的数量与植物氮素营养水平有相
关关系。传统的植物营养诊断理论认为,当植物有
酰胺积累时植物的氮素营养水平较高,一般不需要
施肥。本研究分析确定的敏感波段组合中的两个波
段与上述两个含氮化合物的特征波段相近,可能与
类似含氮化合物有关,这有待进一步分析。
周启发等[!A]以水稻叶尖切片为材料,通过 %M8
@AAA NOPC分光计发现,波数 H"AA 1B# !和 !@$H 1B# !
处的透射率或吸收率对水稻氮肥处理是敏感的,且
归一化后的光谱指数 =N’或者 =N’:随着施氮水平
的提高而降低。但是,在本文中,光谱指数 =N’ 或
者 =N’:在不同氮素水平之间没有产生显著差异
(表 H)。水稻根系从环境吸收硝态氮和铵态氮后,
表 ! 基于 "#$%&的不同波长区间组合
’()*+ ! ,+"-*." /0 "#$%& 1(*#)2(.#/3 4/5+* "+*+1.+5
5#00+2+3. "6+1.2(* 2+7#/3"
间隔数
=?Q ?R
()*+,-./5
主成分数
%&’
1?BS?)+)*5
被选的间隔
’+/+1*+4
()*+,-./5
交互验证
均方根误差
C;’DEF
! H [! !] AGH"!I
!A H [" "] AG!@!@
!! H [" $] AG!IAI
!L H [" $] AG!I$I
!H $ [$ @] AG!I!$
!" !A [$ @ !"] AG!@JI
!$ K [$ @ !$] AG!$HJ
!@ H [@ I] AG!@HJ
!I K [@ I !I] AG!$I"
!J I [@ I !!] AG!@HH
!K K [@ !$] AG!@AJ
LA K [I J LA] AG!$JA
图 8 基于最优波长组合的水稻叶片氮素含量预测精度
9#7:8 ,+0+2+31+ 4+("-2+5 ;+2"-" 9’<, 62+5#1.+5 )=
"#$%& #3 1(*#)2(.#/3 "+.
图 > 基于 "#$%&算法的最优波长组合 ?8@ABCD!?@CEB@F,
?@CFB@8!?C!!B>A和 8FADB>?!8D>8BF!14G ?
9#7:> H6.#4(* "6+1.2(* 2+7#/3 "+*+1.+5 )= "#$%& I#.J
I(;+3-4)+2" ?8@ABCDG?@CEB@F,?@CFB@8G?C!!B>A (35
8FADB>?G8D>8BF! 14G ?
"$I 植 物 营 养 与 肥 料 学 报 !$卷
表 ! 不同氮素水平下的光谱指数 "#$和 "#$%的差异
&’()* ! #&+, -.*/01’) 234*5 ’- 1*)’0*4 06
320167*3 1’0*- ’..)2*4
处理 !"#$%’% ()*! ()*+!!
(, -./,01 2 -.,34- $2
(0 -.5031 $ -.,5/0 $
(4 -.36/4 2 -.,405 2
(3 -.//34 $2 -.,311 $2
注((7%#):同列不同小写字母代表 ! 8 -.-/显著性水平。! 代
表(!09!,):(!0 ; !,),!,,!0分别表示波数 43--和 ,5/4 <&9 ,处的透
射率;!! 代表(+,9+0):(+, ; +0),+,,+0分别表示波数 43--和
,5/4 <&9 ,处的吸收率。=$>?#@ A7>>7B#C 2D %E# @$ >#%%#" F’ #$
$"# ’7% @FG’FAF<$’%>D CFAA#"#’%( ! 8 -.-/,H?’<$’’@ &?>%FI># "$’G# %#@%)J !,
(+,)$’C !0(+0)"#I"#@#’% %"$’@&F%%$’<#($2@7"I%F7’ K$>?#)$% ’#$" 43--
<&9 , $’C $% ,5/4 <&9 , "#@I#<%FK#>DJ ()* 8(!09!,):(!0 ; !,),()*+
8(+,9+0):(+, ; +0)J
通过氨基酸的合成转变成有机氮化合物,迅速参与
到蛋白质、核酸等许多重要有机物结构中,这些高分
子物质在中红外区域内的敏感谱带一般是一系列波
数范围,而非明确的、具体的某个波数。
! 结论
研究表明,水稻叶片总氮浓度(L(M)与 )!NO光
谱的二阶导数之间的相关性在波数 ,3//.-4、
,3PP.0,、,/06.4,、,,P1.05 <&9 ,等处都达到了极显
著正或负相关。为了进一步确定水稻氮素的敏感波
段并建立水稻氮素预测模型,利用协同偏最小二乘
法(@FQL*)算法选取了水稻氮素监测的最佳波数组
合,分别是 ,4/-.61!,/65./P,,/6P./4!,600.3- 和
4P-1.3,!4134.P0 <&9 ,,最优主成分数是 1 个。利
用 ,4/-.61!,/65./P,,/6P./4!,600.3- 和 4P-1.3,
!4134.P0 <&9 ,构建水稻叶片氮含量估测模型,估测
精度基本满足应用要求,值得在今后试验中进一步
验证和完善;同时利用 )!NO中红外光谱技术监测
水稻氮素的机理也有待进一步研究与分析。
参 考 文 献:
[,] *
(,):,09,5.
[0] \?$’G R L,\# ),M?F W \ "# $% J H#%#"&F’$%F7’ 7A 7I%F&$> ’F%"7G#’
"$%# A7" "F<# K$"F#%F#@ ?@F’G $
0--6,,-/:P-96-.
[4] Q#’G * ],]?"#@E O R,\?$’G R L "# $% J *%"$%#GF#@ A7" 7K#"<7&F’G >7B
$G"7’7&F< ’F%"7G#’ ?@# #AAF
[3] \7#> ] ^,*7>E$?G W +J VAA#<% 7A F""$CF$’<# 7’
BF%E %E# SF’7>%$ *Q+H 9 /-0 >#$A
,116,60:4619410.
[/] V@A$E$’F S,+>F +22$@F \ O,O$2F#F ],W$K7?@F SJ N&I"7K#’% 7A
’F%"7G#’ &$’$G#’% F’ "F<# I$CCD AF#>C@ ?@F’G
(*Q+H)[R]J Q$CCD _$%#" V’KF"7’J,0--P,5(0):,96.
[5] (G?D#’ \ !,L## ] _J +@@#@@’% 7A "F<# >#$A G"7B%E $’C ’F%"7G#’
@%$%?@ 2D EDI#"@I#<%"$> <$’7ID "#A>#<%$’<# $’C I$"%F$> >#$@% @Z?$"# "#Y
G"#@@F7’[R]J V?" J RJ +G"7’J,0--5,03:43194/5.
[P] ‘?# L \,M$7 _ ‘,L?7 _ \ "# $% J S7’F%7"F’G >#$A ’F%"7G#’ @%$%?@ F’
"F<# BF%E <$’7ID @I#<%"$> "#A>#<%$’<#[R]J +&J *7
[6] LF$’G *J [?$’%F%$%FK# "#&7%# @#’@F’G 7A >$’C @?"A$<#@[S]J \727T#’,
(#B R#"@#D:R7E’ _F>#D a *7’@,N’
,111.
LF? * *,bF c *J ]$@F<
[,-] cE7? [ ),*E#’ c [,_$’G O \J )7?"F#" %"$’@A7"& F’A"$"#C @I#<%"$>
CFAA#"#’<# 7A >#$A %FI@ F’ "F<# "#>$%#C %7 ’F%"7G#’ A#"%F>FX#" "$%#@[R]J
+<%$ ]7% J *F’J,0--0,33:/3P9//-.
[,,] 李合生 J 植物生理生化实验原理和技术[S]J 北京:高等教育
出版社,0---. ,439,4P.
LF \ *J Q"F’
,4P.
[,0] 鲍士旦 J 土壤农化分析(第三版)[S]J 北京:中国农业出版
社,0---. 0549056.
]$7 * HJ *7F> $’C $G"F>%?"$>
]#FdF’G:MEF’$ +G"F>%?"$> Q"#@@,0---. 0549056.
[,4] 褚小立,袁洪福,陆婉珍 J 近红外分析中光谱预处理及波长选
择方法进展与应用[R]J 化学进展,0--3,,5(3):/069/30.
ME? ‘ L,b?$’ \ ),L? _ cJ Q"7G"#@@ $’C $II>F<$%F7’ 7A @I#<%"$>
C$%$ I"#%"#$%’% $’C B$K#>#’G%E @#>#<%F7’ %E7C@ F’ (NO $’$>D%F<$>
%#
[S]J 北京:中国石化出版社,0---.
L? _ c,b?$’ \ ),‘? U !,[F$’G H SJ S7C#"’ ’#$" F’A"$"#C
@I#<%"7@<7IF< %#
谱中的应用及进展[R]J 光谱学与光谱分析,0--/,0/(,-):
,5,-9,5,4.
cE$’G L,cE$’G L S,LF b "# $% J +II>F<$%F7’ $’C F&I"7K#’% 7A
I$"%F$>Y>#$@%Y@Z?$"#@ F’ )7?"F#" %"$’@A7"& F’A"$"#C @I#<%"7@<7ID[ R]J
*I#<%"7@
[,5] ME#’ [ *,cE$7 R _,LF? S \ "# $% J H#%#"&F’$%F7’ 7A %7%$> I7>DIE#Y
’7>@ <7’%#’% F’ G"##’ %#$ ?@F’G )!Y(NO @I#<%"7@<7ID $’C CFAA#"#’% QL*
$>G7"F%E&@[R]J R J QE$"&$
[,P] 沈德言 J 红外光谱法在高分子研究中的应用[S]J 北京:科学
出版社,,160.
*E#’ H bJ +II>F<$%F7’ 7A F’A"$"#C @I#<%"$> %#
A7" I7>D" &$%#"F$>@[S]J ]#FdF’G:*
Q$’ O MJ QED@F7>7GD 7A "F<#[S]J ]#FdF’G:*