免费文献传递   相关文献

Determination of leaf nitrogen in rice using FTIR spectroscopy

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*

The time and quantity of N fertilization is considered as a key technique for high yield and quality in crop production. Based on the rice field experiment with different N rates, the mid-IR transmittance spectra of the dried and ground leaf samples were determined by Fourier transform infrared (FTIR) spectroscopy, and then the estimation model for leaf nitrogen content was built with the obtained mid-IR transmittance spectra and synergy interval partial least square algorithm (siPLS). The optimal siPLS model was obtained with 100 intervals and 9 PLS components. The best combinations of spectral regions selected were 1350.89–1586.57, 1587.53–1822.40 and 3709.41–3943.72 cm-1. The value of RMSECV (root mean square error of cross-validation) is 0.1538, and correlation coefficient (r) was 0.9393 in calibration set, and the RMSEP (root mean square error of prediction) was 0.1933 and correlation coefficient (r) was 0.6649 for test data set. Furthermore, compared with spectral indices NFS and NFSA, this model was more reliable and representative. It was suggested that FTIR spectroscopy may be considered as a diagnosis technology for leaf nitrogen content in rice.


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:%&’),;%&’)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 $% ,5/4 <&9 , "#@I#<%FK#>DJ ()* 8(!09!,):(!0 ; !,),()*+
8(+,9+0):(+, ; +0)J
通过氨基酸的合成转变成有机氮化合物,迅速参与
到蛋白质、核酸等许多重要有机物结构中,这些高分
子物质在中红外区域内的敏感谱带一般是一系列波
数范围,而非明确的、具体的某个波数。
! 结论
研究表明,水稻叶片总氮浓度(L(M)与 )!NO光
谱的二阶导数之间的相关性在波数 ,3//.-4、
,3PP.0,、,/06.4,、,,P1.05 <&9 ,等处都达到了极显
著正或负相关。为了进一步确定水稻氮素的敏感波
段并建立水稻氮素预测模型,利用协同偏最小二乘
法(@FQL*)算法选取了水稻氮素监测的最佳波数组
合,分别是 ,4/-.61!,/65./P,,/6P./4!,600.3- 和
4P-1.3,!4134.P0 <&9 ,,最优主成分数是 1 个。利
用 ,4/-.61!,/65./P,,/6P./4!,600.3- 和 4P-1.3,
!4134.P0 <&9 ,构建水稻叶片氮含量估测模型,估测
精度基本满足应用要求,值得在今后试验中进一步
验证和完善;同时利用 )!NO中红外光谱技术监测
水稻氮素的机理也有待进一步研究与分析。
参 考 文 献:
[,] *2#"%@ V V,)"$’T W HJ S$FX# I"7C?%F7’ F&I$<%@ 7’ G"7?’CB$%#" Z?$>F%D[R]J R J V’KF"7’J [?$> J,,11,,0-
(,):,09,5.
[0] \?$’G R L,\# ),M?F W \ "# $% J H#%#"&F’$%F7’ 7A 7I%F&$> ’F%"7G#’
"$%# A7" "F<# K$"F#%F#@ ?@F’G $ 7"7IED>> &#%#"[R]J )F#>C M"7I@ O#@J,
0--6,,-/:P-96-.
[4] Q#’G * ],]?"#@E O R,\?$’G R L "# $% J *%"$%#GF#@ A7" 7K#"<7&F’G >7B
$G"7’7&F< ’F%"7G#’ ?@# #AAF)F#>C M"7I@ O#@J,0--5,15:4P93P.
[3] \7#> ] ^,*7>E$?G W +J VAA#<% 7A F""$CF$’<# 7’ 7"7IED>> #@%F&$%F7’
BF%E %E# SF’7>%$ *Q+H 9 /-0 >#$A 7"7IED>> &#%#"[R]J +’’J ]7% J,
,116,60:4619410.
[/] V@A$E$’F S,+>F +22$@F \ O,O$2F#F ],W$K7?@F SJ N&I"7K#&#’% 7A
’F%"7G#’ &$’$G#&#’% F’ "F<# I$CCD AF#>C@ ?@F’G 7"7IED>> &#%#"
(*Q+H)[R]J Q$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 *715:,4/9,30.
[6] LF$’G *J [?$’%F%$%FK# "#&7%# @#’@F’G 7A >$’C @?"A$<#@[S]J \727T#’,
(#B R#"@#D:R7E’ _F>#D a *7’@,N’[1] 刘树深,易忠胜 J 基础化学计量学[S]J 北京:科学出版社,
,111.
LF? * *,bF c *J ]$@F< ,111.
[,-] 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’#@ $’C %#7GD 7A I>$’% IED@F7>7GF<$> $’C 2F7F<$> #eI#"F&#’%[S]J ]#FdF’G:\FGE#" VC?<$%F7’ Q"#@@,0---. ,439
,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 $G"F%?"$> D@F@(4"C VC’)[S]J
]#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<$>
%#[,3] 陆婉珍,袁洪福,徐广通,强冬梅 J 现代近红外光谱分析技术
[S]J 北京:中国石化出版社,0---.
L? _ c,b?$’ \ ),‘? U !,[F$’G H SJ S7C#"’ ’#$" F’A"$"#C
@I#<%"7@<7IF< %#[,/] 张琳,张黎明,李燕,等 J 偏最小二乘法在傅立叶变换红外光
谱中的应用及进展[R]J 光谱学与光谱分析,0--/,0/(,-):
,5,-9,5,4.
cE$’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@ J,0--/,0/(,-):,5,-9,5,4.
[,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*
$>G7"F%E&@[R]J R J QE$"&$ J,0--6,,5:/569/P4.
[,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#<%"$> %#D@F@
A7" I7>D&#" &$%#"F$>@[S]J ]#FdF’G:*[,6] 潘瑞炽 J 水稻生理[S]J 北京:科学出版社,,1P1.
Q$’ O MJ QED@F7>7GD 7A "F<#[S]J ]#FdF’G:*//P3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