水稻葉片色素含量近紅外光譜估測模型研究

摘 要 以不同品種類型和不同施氮水平的水稻（Oryza sativa）葉片近紅外光譜信息為基礎， 運用逐步多元回歸法（Stepwise multiple linear regression， SMLR）、主成分回歸法（Principal component regression， PCR）、偏最小二乘法（Partial least square， PLS）和BP神經網絡法（Backpropagation neural network， BPNN）， 建立了水稻葉片中葉綠素a（Chl a）、葉綠素b（Chl b）、葉綠素a＋b （Chl a＋b）和類胡蘿卜素（Car）的近紅外預測模型。結果顯示， 利用8000～4000 cm

1波段范圍的一階導數（First derivative， FD）建模效果最佳。其中， 基于PLS的預測模型效果最好；4類近紅外色素模型的內部交叉驗證誤差分別為0.251， 0.063， 0.305和0.073；外部交叉驗證的誤差RMSEP分別為 0.335， 0.123， 0.302和0.072， 表明的預測效果較好。因此， 可以基于近紅外模型對水稻葉片色素含量進行快速測定。

關鍵詞 水稻; 葉片色素; 近紅外光譜; 最佳因子數; 偏最小二乘法

1 引 言

葉片色素是植物與外界進行物質交換和能量轉化的物質基礎， 直接決定作物的光合作用潛力和物質生產能力\\。近些年， 隨著傳感器技術的發展， 利用高光譜反演葉片色素含量已成為作物長勢監測和營養調控的重要手段\\。前人對色素的研究多致力于基于高光譜或者多光譜尋找有限核心波段， 構建敏感參數建立線性模型\\， 而沒有充分利用高光譜海量信息， 發揮化學計量學的信息提取優勢， 所建模型的精度不高， 普適性不強。近紅外光譜（NIRS）技術是20世紀80年代后期迅速發展起來的綠色測試技術， 具有快速、高效、無損的特點， 已經在許多領域廣泛應用\\。NIRS在水稻領域的應用主要集中在稻米蛋白質、直鏈淀粉和脂肪等品質指標的估測\\， 而對水稻色素等指標的快速測定鮮有報道。因此， 如何最大程度地挖掘NIR譜區的豐富信息， 并克服外界環境對光譜的影響， 同時結合化學計量學定量分析的優勢， 實現水稻葉片色素含量的精確快速測定， 有待于進一步深入研究。

本研究利用2年內4個不同水稻品種、不同施氮水平的大田試驗資料， 應用近紅外光譜技術， 運用逐步多元回歸法（Stepwise multiple linear regression， SMLR）、主成分回歸法（Principal component regression， PCR）、偏最小二乘法（Partial least square， PLS）和BP神經網絡法（Backpropagation neural network， BPNN） 4種方法， 建立了基于近紅外光譜的水稻葉片葉綠素a、葉綠素b、葉綠素a＋b和類胡蘿卜素含量的估算模型。預期結果將為水稻葉片色素含量的近紅外光譜監測提供理論基礎和技術支持。

2 實驗部分

2.1 田間試驗和樣品采集

2.1.1 田間試驗 共進行了4個田間試驗， 涉及到不同年份和不同品種。試驗地點在南京市江寧試驗區（118°59′ E， 31°56′ N）， 根據土壤基礎肥力差異施氮量有所不同， 4個試驗設計了不同的氮素處理（表1）。試驗1 （EXP.1）和試驗3 （EXP.3）采用隨機區組排列， 3次重復；小區面積為5.0 m×5.0 m， 株行距為0.15 m×0.25 m。小區之間以埂相隔， 埂上覆膜， 獨立排灌。氮肥按基肥35%、分蘗肥15%、促花肥25%、保花肥25%施入；另外配施P2O5 135 kg/hm2， K2O 190 kg/hm2， 做基肥施入， 其它管理同水稻高產栽培。試驗2（EXP.2）和試驗4 （EXP.4）分別采用隨機區組和裂區設計， 裂區設計以2個品種為主區， 以3個氮素供應水平為副區， 重復3次；小區面積為5.0 m×5.0 m， 株行距為0.20 m×0.28 m。氮肥按基肥、分糵肥、促花肥、保花肥5∶1∶2∶2施入， 磷鉀肥的施用和其它管理同試驗1。

2.1.2 樣品采集 在水稻關鍵生育期取樣， 包括拔節期（Jointing）、孕穗期（Booting）、抽穗期（Heading）、開花期（Anthesis）、灌漿前期（Initialfilling）、灌漿中期（Midfilling）。取樣時從每個小區內選取有代表性水稻植株6株， 連根整穴取出放入盛有水的桶里運回實驗室， 供室內光譜和色素指標的測定。