一種利用近紅外光譜檢測油菜莖稈倒伏指數的方法與流程
2023-12-05 05:02:16
本發明涉及油菜田間管理領域，更特別地，涉及一種利用近紅外光譜檢測油菜莖稈倒伏指數的方法。
背景技術：
當前我國食用植物油自給率低於40％。我國是世界第一油菜種植大國，國產菜籽油佔國內植物油消費總量的20％左右，因此，探究油菜高產栽培對於提高我國食用油自給率至關重要。但在油菜實際生產過程中，受品種、當地氣候條件、栽培方式等的影響，油菜往往發生倒伏，限制了產量的進一步提高。有關油菜倒伏與產量關係研究表明，我國油菜因倒伏造成的產量損失為10.04-21.96％；油菜發生倒伏後，冠層受光不良，嚴重影響了角果光合產物的合成及分配運輸，增加了陰角癟粒，使得最終的籽粒產量下降，品質降低；在開花後二十天，油菜倒伏發生嚴重，此時莖稈倒伏，可導致產量減少7％-35％；也有研究指出，倒伏時期不同，對油菜產量影響不同，花期倒伏，單株角果數及每角果粒數受影響，角果期倒伏則主要影響千粒重。可見倒伏發生在任何時期均會顯著降低產量，因此要想進一步提高油菜產量，降低倒伏發生尤為重要。油菜倒伏具有根倒及莖倒兩種方式，常見的倒伏類型為莖倒，莖稈倒伏可用倒伏指數來評價。傳統倒伏指數指標測定是需要在油菜終花後20天測定其株高、地上部鮮重和莖稈抗折力。但這種方法費時、費力且操作步驟多，控制誤差比較困難。
因此，需要一種更簡單、更精確的方法來測定油菜莖稈倒伏指數指標。
技術實現要素：
為解決以上問題，本發明提供了一種利用近紅外光譜檢測油菜莖稈倒伏指數的方法，其特徵在於，包括以下步驟：
s1：建立油菜莖稈倒伏指數與菜莖稈切面上的近紅外光譜的對應關係；
s2：測量待檢測的油菜莖稈切面上的近紅外光譜；
s3：根據s2得到的所述待檢測的油菜莖稈切面上的近紅外光譜以及s1得到的油菜莖稈倒伏指數與菜莖稈切面上的近紅外光譜的對應關係，計算待檢測的油菜莖稈中的倒伏指數。
通過本發明的方法，可利用近紅外光譜儀檢測油菜莖稈切面上的近紅外光譜，並根據油菜莖稈倒伏指數與菜莖稈切面上的近紅外光譜的對應關係，計算待檢測油菜莖稈中倒伏指數，與傳統使用的分析方法不同，在建立了對應關係後，該方法無需再進行複雜的物理測定，可實現高通量檢測。
在一個具體實施方案中，s1包括以下步驟：
s11：採集多個與待測油菜同品種的油菜莖稈樣品；
s12：測量所述油菜莖稈樣品中的倒伏指數；
s13：測量所述多個油菜莖稈樣品的近紅外光譜；
s14：根據s12和s13的結果建立所述油菜莖稈的倒伏指數與近紅外光譜的對應關係。使用相同的品種的油菜莖稈樣品來建立對應關係可使預測結果更準確。
在一個優選實施方案中，s12中對每個油菜莖稈樣品採集7個切面的近紅外光譜，所述油菜莖稈樣品的近紅外光譜由所述7個切面的近紅外光譜平均得到，所述7個切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個新鮮橫切面，以及從所述油菜莖稈樣品的三個區段取的三個縱切面。
在一個優選實施方案中，用於建立所述對應關係的近紅外光譜的波段為6475.8cm-1-5449.8cm-1。
在一個實施方案中，用於建立所述對應關係的近紅外光譜不進行預處理，或者進行了以下預處理方法中的任一種或幾種組合的預處理：一階導數法、矢量歸一化法、減去一條直線法、多元散射校正法、消除常數偏移量法、最小-最大歸一化法、msc法、二階導數法。
在一個優選實施方案中，用於建立所述對應關係的近紅外光譜不進行預處理。切面近紅外光譜與倒伏指數對應關係模型的構建中，不對光譜預處理得到的模型比使用常用的預處理方法得到的模型更佳，採取最原始的光譜有利於模型建立。在本發明中，獲得光譜信息的油菜莖稈是完整的。在進行掃描時，由於樣品池的大小是恆定的，而油菜莖稈直徑粗細各不相同，在樣品池上方加蓋鍍金積分球，防止自然光進入樣品池中幹擾結果。
在一個具體實施方案中，s14中油菜莖稈倒伏指數與菜莖稈切面上的近紅外光譜的對應關係為通過偏最小二乘法建立的預測模型。
在一個優選實施方案中，在建立所述預測模型過程中，主成分數為8、9或10。
在一個優選實施方案中，所述多個油菜莖稈樣品被分成校正集和驗證集，並且校正集與驗證集的數量比為2.5-4:1。
在一個優選實施方案中，s2中對待測油菜莖稈7個切面的採集近紅外光譜，所述油菜莖稈樣品的近紅外光譜由所述7個切面的近紅外光譜平均得到，所述7個切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個新橫切面，以及從所述油菜莖稈樣品的三個區段取的三個縱切面。
附圖說明
圖1為油菜莖稈樣品倒伏指數正態分布圖；
圖2為250個樣品預測值與實測值的相關性；
圖3為250個樣品預測殘差與實測值的關係；
圖4為剔除10個異常樣品後的240個樣品預測值與實測值的相關性；
圖5為剔除10個異常樣品後的240個樣品預測殘差與實測值的關係；
圖6為主成分對相關係數的影響；
圖7為主成分對rmsecv的影響。
具體實施方式
以下結合實例對本發明的原理和特徵進行描述，所舉實例只用於解釋本發明，並非用於限定本發明的範圍。
構建油菜近紅外光譜及莖稈倒伏指數關系所用試驗材料通過如下試驗獲得。
1.試驗地點及供試材料
試驗在華中農業大學試驗基地進行。供試品種為甘藍型油菜雜交種華油雜62、灃油520，甘藍型油菜常規品種華航901、華雙5號，及由150個株系構成的dh群體，由華中農業大學提供。
2.試驗設計
2.1不同油菜品種不同肥料用量試驗獲得不同特徵的油菜莖稈
採用四因素裂區試驗設計，3次重複，以4個油菜品種(灃油520，華航901，華雙5號)為主區；以施肥種類(氮、磷、鉀)為主裂區；以氮(純氮為0kg/hm2、180kg/hm2、360kg/hm2)、磷(p2o5用量為0kg/hm2、120kg/hm2、240kg/hm2)和鉀(k2o用量為0kg/hm2、150kg/hm2、300kg/hm2)為副裂區，108個氮磷鉀處理，田間管理方式按照常規。
2.2利用氮肥及密度裂區試驗獲得不同特徵的油菜莖稈
以華油雜62位試驗材料，採用裂區設計，以120kg/hm2、240kg/hm2、360kg/hm2三個氮肥為主區，以15×104株hm-2，30×104株hm-2，45×104株hm-2三個密度為副區，3次重複。分別於2013年9月21日、2014年9月25日播種。以含氮量為46.7％的尿素為氮源，氮肥按基肥∶苗肥∶薹肥為6∶2∶2施用。磷肥(p2o5)和鉀肥(k2o)用量均為150kg/hm2。其他管理同常規。
2.3利用油菜dh群體株系獲得不同特徵的油菜莖稈
兩親本和dh群體株繫於2014年9月28日播種，次年五月份收穫。採取完全隨機排列，3次重複。基肥施用(15-15-15)複合肥750kg/hm2，苗期時追施尿素75kg/hm2，硼砂用量7.5kg/hm2，田間管理方式按照常規。
3.油菜莖杆倒伏指數測定
在成熟期取10株油菜，量取第一次有效分枝部位高度，除去縮頸段後，將剩餘部分平均分為四段，採用浙江託普儀器有限公司生產的yyd-1莖稈強度測定儀測定抗折力。參照(wangcetal2014)的方法並進行一定改進，即：倒伏指數(cm·g/g)＝高度(cm)×鮮重(g)/抗折力(g)(高度和鮮重皆指測定莖段與植株頂部對應高度與鮮重，抗折力為該段中間10cm抗折力)。
4、試驗樣品的採集與收藏
倒伏指數測定完畢後，將莖稈在105℃的溫度條件下殺青，80℃烘乾至恆重備用。
5.油菜莖稈的近紅外光譜採集
近紅外光譜儀為德國布魯克儀器公司生產的brukerft-nir(vector33n型)傅立葉近紅外光譜儀，配有有pbs檢測器、石英旋轉樣品杯、鍍金積分球、opus分析軟體、波數為12000cm-1—4000cm-1。根據儀器性能及掃描油菜產品常用參數(呂麗娜等2004；丁小霞等2004)設定近紅外光譜的掃描參數：解析度：8cm-1；樣品掃描次數：64scans；背景掃描次數：64scans；數據保存範圍：12000cm-1—4000cm-1，光譜類型：aborbance；光源：tungsten(nir)；分束器：石英(quartz)；狹縫：1.4mm；檢測通道：external3；檢測器：pbs；-3350；0.9；掃描速度：6:10.0khz；光譜數據點數：1960。每次掃描前將近紅外光譜預熱20min以上，再在室溫下進行掃描，每次樣品杯放在同一檢測位置，將油菜莖稈的高度剪為剛好放在樣品杯裡，上方用鍍金積分球覆蓋，防漏光，每個油菜莖杆掃描7個切面得到7條光譜，確保掃描信息完整，所述7個切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個新橫切面，以及從所述油菜莖稈樣品的三個區段取的三個縱切面。
6.油菜莖稈倒伏指數的近紅外光譜定量分析
6.1採用物理方法實測倒伏指數的結果
採用倒伏指數(cm·g/g)＝高度(cm)×鮮重(g)/抗折力(g)(高度和鮮重皆指測定莖段與植株頂部對應高度與鮮重，抗折力為莖稈中部10cm抗折力)的方法測定340個樣品倒伏指數，進行初步統計，結果如表1，340個樣品倒伏指數範圍為0.352-2.659。同時從圖1中可以看出，倒伏指數分布符合正態分布，數據具有代表性。
表1340個樣品倒伏指數的實測結果統計
6.2異常樣品的剔除
將340個光譜信息分為兩個部分，分別為驗證集和校正集，為避免分為校正集和驗證集的偏差，將樣品含量從小到大依次排列，每四個為一組，在四個樣品中隨機選取一個數值作為驗證集、剩餘三個作為校正驗，保證樣本劃分的合理性。本例中，校正集樣品為250個，驗證集樣品為90個，比例約為3:1。數據見表2。
表2340個樣品的校正集與驗證集的劃分
樣品剔除前，如圖2和3所示，當主成分數為8時，相關係數r為0.964，內部交叉驗證均方差rmsecv為0.142％，模型預測精度較好，預測殘差約為0.300％。
為了避免異常樣品存在對於實驗結果影響，採用基於預測濃度殘差的方法來剔除樣品，每剔除一次數據，進行一次留一法交叉驗證，若相關係數增大，內部交叉驗證均方差減小，則剔除樣品(夏俊芳，2007)。基於上述原則，剔除出10個樣本數據後，剩餘240個樣品採用偏最小二乘法建立模型。結果如圖4和5所示，主成分數為8時，相關係數提高到0.967，內部交叉驗證均方差減少到0.135％，預測模型精度提高，預測殘差保持為0.300％。
6.3光譜預處理的評估
分別採用消除常數偏移量、減去一條直線等10種方法對剔除異常樣本後的光譜進行預處理。結果見表3。
表3預處理方法對預測模型的影響
據表3，不進行預處理得到的模型相關係數最大，為0.967，內部驗證均方差最小，為0.135％。在建立倒伏指數模型時，最好不對光譜進行預處理。
6.4光譜波段的優化
建立模型時，將光譜波段優化，可減少運算量，提取更準確光譜信息。利用無預處理和偏最小二乘法建立模型，把光譜分為33個波段，確定適宜波段。結果如表4。
表4不同光譜波段對rmsecv的影響
分為33個不同波段後，不同波段有不同的rmsecv值，最佳波段為6475.8cm-1-5449.8cm-1，它所對應的rmsecv值最小，為0.135％。
6.5主成分的優化
用無光譜預處理的方法和光譜波段為6475.8cm-1-5449.8cm-1範圍，以相關係數r最大和內部交叉驗證均方差rmsecv最小的標準來確定最佳主成分，連續選取1到10十個數，偏最小二乘法建立模型，模型預測結果如圖6和7所示，在主成分數取8時相關係數最大為0.967，內部交叉驗證均方差最小為0.135％，效果最佳。
綜上，油菜莖稈倒伏指數近紅外光譜建立，最佳光譜處理方法是無光譜預處理，光譜波段在6475.8cm-1-5449.8cm-1，主成分數是8時，建立模型相關係數r最大為0.967，內部交叉驗證均方差rmsecv最小為0.135％。
6.6校正模型的驗證
將驗證集中90個樣品光譜圖導入所建立的模型中，結果見表5。
表5模型驗證結果
由表中可以看出，殘差正負均等，均不超過±1；經過計算，驗證集相關係數r為0.853，rmsep為0.200％，說明採用此方法預測準確。
以上所述僅為本發明的較佳實施例，並不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。