近红外光谱技术在闽楠叶片氮含量测定中的应用

doi:10.13466/j.cnki.lyzygl.2022.06.021

林业资源管理 ›› 2022, Vol. 0 ›› Issue (6): 138-144.doi: 10.13466/j.cnki.lyzygl.2022.06.021

近红外光谱技术在闽楠叶片氮含量测定中的应用

涂白连¹(), 伍艳芳¹^,², 刘新亮², 郑永杰², 张月婷², 徐海宁²()

1.江西农业大学林学院,南昌 330045
2.江西省林业科学院国家林业草原樟树工程技术研究中心,南昌 330032

收稿日期:2022-09-05 修回日期:2022-09-15 出版日期:2022-12-28 发布日期:2023-01-16
通讯作者: 徐海宁
作者简介:涂白连(1998-),女,江西九江人,在读硕士,研究方向为林木遗传育种。Email:tbl18370106478@163.com
基金资助:
江西省重点研发计划项目(20203BBF62W010);江西省重点研发计划项目(20202BBF63006);江西省林业科技创新专项(创新专项〔2021〕15号)

Application of Near-infrared Spectroscopy in the Determination of Nitrogen Content of Phoebe bournei Leaves

TU Bailian¹(), WU Yanfang¹^,², LIU Xinliang², ZHENG Yongjie², ZHANG Yueting², XU Haining²()

1. College of Forestry,Jiangxi Agricultural University,Nanchang 330045,China
2. Jiangxi Academy of Forestry,Camphor Engineering Technology Research Center for National Forestry and Grassland Administration,Nanchang 330032,China

Received:2022-09-05 Revised:2022-09-15 Online:2022-12-28 Published:2023-01-16
Contact: XU Haining

摘要/Abstract

摘要：

借助近红外光谱技术,以江西省永丰官山林场楠木种子园的64份闽楠叶片为材料,采用传统的化学分析方法测定闽楠叶片样品的氮元素含量作参考值,同时采集闽楠叶粉末样品的近红外光谱图。运用化学计量学软件NIRCal,选定建模方法、建模波段和预处理方法,建立最优测定模型。另随机抽取10份未知样品对模型进行检验,结合配对样本T检验进行评价。结果表明:用主成分回归方法(PCR)建立的模型效果最好,其校正集相关系数Rc为0.912,校正集均方根误差RMSEC为1.098,交互验证集相关系数Rv为0.897,交互验证集均方根RMSEV为1.192。外部验证结果显示,预测值与实测值的相对偏差范围在0.070~0.705之间,且配对样本T检验结果显示P值为0.116,大于0.05,无显著差异。该方法可用于闽楠营养水平和优质选种的大批量快速检测。

关键词: 闽楠, 氮含量, 干叶粉末, 近红外光谱

Abstract:

Using near-infrared spectroscopy,64 leaves of P.bournei in the P.bournei Seed Garden of Guanshan Forest Farm in Yongfeng,Jiangxi Province were used as materials,and the nitrogen content of P.bournei leaf samples was determined by the traditional chemical analysis method as a reference value.At the same time,the near-infrared spectrum of the P.bournei leaf powder samples was collected.Using the chemometric software NIRCal,the optimal determination model was established by selecting the modeling method,modeling band,and pre-treatment method.In addition,10 unknown samples were randomly selected to test the model,and the paired sample T test was used to evaluate the model.The results showed that the model established by the Principal Component Regression (PCR) method had the best effect;its related coefficient of calibration (Rc) was 0.912;the Root Mean Square Error (RMSEC) of calibration was 1.098;the related coefficient of validation (Rv) was 0.897;and the Root Mean Square Error of validation(RMSEV) was 1.192.The external verification results showed that the relative deviation between the predicted value and the measured value ranged from 0.070 to 0.705,and the paired sample T-test results showed that the P value was 0.116,greater than 0.05,and there was no significant difference.It can be used for large-scale rapid detection of the nutrient level and high-quality seed selection of P.bournei.

Key words: P.bournei, nitrogen content, leaf powder, near infrared reflectance spectroscopy

中图分类号:

S792.24

涂白连, 伍艳芳, 刘新亮, 郑永杰, 张月婷, 徐海宁. 近红外光谱技术在闽楠叶片氮含量测定中的应用[J]. 林业资源管理, 2022, 0(6): 138-144.

TU Bailian, WU Yanfang, LIU Xinliang, ZHENG Yongjie, ZHANG Yueting, XU Haining. Application of Near-infrared Spectroscopy in the Determination of Nitrogen Content of Phoebe bournei Leaves[J]. FOREST RESOURCES WANAGEMENT, 2022, 0(6): 138-144.

图/表 10

表1

图1

表2

表3

表4

图2

表5

图3

表6

表7

参考文献 40

[1]	罗嘉东, 宋云霞, 王丽云, 等. 不同苗木类型和林地管理方式对闽楠幼林生长的影响[J]. 林业科技通讯, 2022(6):61-64.
[2]	黄志明, 娄江辉, 刘平, 等. 中国特有珍稀渐危树种——闽楠的保护与开发利用[J]. 现代园艺, 2020, 43(17):86-87.
[3]	傅立国. 中国植物红皮书——稀有濒危植物(第一册)[M]. 北京: 科学出版社,1991.
[4]	杨志坚, 冯金玲, 吴小慧, 等. 氮磷钾施肥对闽楠幼苗营养元素吸收与利用的影响[J]. 生态学杂志, 2021, 40(4):998-1011.
[5]	潘瑞炽. 植物生理学[M]. 北京: 艺轩图书出版社, 2006.
[6]	杨欢, 欧阳红萍. 氮素对闽楠幼苗生长及叶绿素含量的影响[J]. 河北林业科技, 2017(3):24-26.
[7]	王东光, 尹光天, 邹文涛, 等. 氮素营养对闽楠幼苗生长及光合特性的影响[J]. 林业科学研究, 2013, 26(1):70-75.
[8]	赵化兵. 基于光谱技术的梨树叶片氮含量的快速诊断研究[D]. 南京: 南京农业大学, 2012.
[9]	张金恒, 王珂, 王人潮. 叶绿素计SPAD-502在水稻氮素营养诊断中的应用[J]. 西北农林科技大学学报:自然科学版, 2003, 31(2):177-180.
[10]	杨一璐, 汪小旵, 李成光, 等. 基于叶绿素荧光图像的辣椒叶片氮含量的预测[J]. 湖南农业大学学报:自然科学版, 2017, 43(1):108-111.
[11]	王家强, 柳维扬, 吕双庆. 遥感技术在棉花氮素营养诊断上的应用[J]. 安徽农业科学, 2006, 34(22):6037-6038.
[12]	王洁. 基于可见/近红外光谱的梨树叶片氮含量无损诊断研究[D]. 南京: 南京农业大学, 2017.
[13]	Shiroma C, Rodriguez-Saona L. Application of NIR and MIR spectroscopy in quality control of potato chips.[J]. Journal of Food Composition and Analysis, 2009, 22(6):596-605. doi: 10.1016/j.jfca.2008.09.003
[14]	Bo S, AndersJ, ThomasB. Use of near infrared reflectance spectroscopy to predict nitrogen uptake by winter wheat within fields with high variability in organic matter[J]. Plant and Soil, 2005, 269(1/2):251-258. doi: 10.1007/s11104-004-0556-1
[15]	吴静珠, 汪凤珠, 王丽丽, 等. 基于近红外特征光谱的番茄苗氮含量快速测定方法研究[J]. 光谱学与光谱分析, 2015, 35(1):99-103.
[16]	张玉森, 姚霞, 田永超, 等. 应用近红外光谱预测水稻叶片氮含量[J]. 植物生态学报, 2010, 34(6):704-712. doi: 10.3773/j.issn.1005-264x.2010.06.010
[17]	胡永光, 李萍萍, 母建华, 等. 基于可见-近红外光谱技术预测茶鲜叶全氮含量[J]. 光谱学与光谱分析, 2008, 28(12):2821-2825.
[18]	鲍士旦. 土壤农化分析[M]. 北京: 中国农业出版社, 2000.
[19]	曹干, 谭中文, 梁计南, 等. 蔗汁品质成分的傅里叶变换近红外分析数学模型[J]. 中国农业科学, 2003, 36(3):254-258.
[20]	李鱼强. 近红外光谱数据分析与特征建模方法研究[D]. 镇江: 江苏大学, 2021.
[21]	Pasquini C. Near infrared spectroscopy:A mature analytical technique with new perspectives-A review[J]. AnalChim Acta, 2018, 1026:8-36.
[22]	Yun Yonghuan, Li Hongdong, Deng Baichuan, et al. An overview of variable selection methods in multivariate analysis of near-infrared spectra[J]. Trends in Analytical Chemistry, 2019, 113:102-115. doi: 10.1016/j.trac.2019.01.018
[23]	任东, 瞿芳芳, 陆吉祥, 等. 近红外光谱分析技术与应用[M]. 北京: 科学出版社, 2016.
[24]	张晶, 郭军, 张美莉, 等. 基于近红外建立荞麦营养成分快速检测模型[J]. 中国粮油学报, 2020, 35(6):151-158.
[25]	郭文川, 朱德宽, 张乾, 等. 基于近红外光谱的掺伪油茶籽油检测[J]. 农业机械学报, 2020, 51(9):350-357.
[26]	林艳, 何紫迪, 毛积鹏, 等. 基于近红外光谱技术建立沉香含油量预测模型[J]. 热带作物学报, 2018, 39(1):182-188.
[27]	杨福芹, 冯海宽, 李振海, 等. 基于可见光-近红外光谱特征参数的苹果叶片氮含量预测[J]. 农业机械学报, 2017, 48(9):143-151.
[28]	姚婉清, 余思榕. 近红外光谱法快速测定油茶籽出油率和过氧化值[J]. 粮食与油脂, 2021, 34(9):82-86.
[29]	邱静, 肖志红, 黎继烈, 等. 近红外光谱分析技术在木本油料检测中的应用[J]. 湖南林业科技, 2021, 48(1):83-88.
[30]	后其军, 鞠兴荣, 何荣. 近红外光谱分析技术在粮油品质评价中的研究应用进展[J]. 中国粮油学报, 2015, 30(7):135-140.
[31]	姚霞, 汤守鹏, 曹卫星, 等. 应用近红外光谱估测小麦叶片氮含量[J]. 植物生态学报, 2011, 35(8):844-852.
[32]	汤守鹏. 基于近红外光谱技术的小麦叶片氮素营养及籽粒蛋白质含量监测研究[D]. 南京: 南京农业大学, 2009.
[33]	王晓丽, 胡乾浩, 樊景超, 等. 辽北苹果叶片氮含量近红外光谱与图像数据集[J]. 农业大数据学报, 2020, 2(4):113-119.
[34]	孟庆龙, 尚静, 黄人帅, 等. 苹果可溶性固形物的可见/近红外无损检测[J]. 食品与发酵工业, 2020, 46(19):205-209.
[35]	安静, 姚国清, 朱西存. 苹果叶片氮素含量高光谱检测研究[J]. 国土资源遥感, 2016, 28(2):67-71.
[36]	母建华. 基于光谱分析的茶鲜叶全氮含量快速检测技术[D]. 镇江: 江苏大学, 2008.
[37]	伍观娣, 赖敏婷, 汪迎利, 等. 近红外光谱分析技术应用于植物叶片研究综述[J]. 林业与环境科学, 2020, 36(1):118-127.
[38]	凌智钢, 唐延林, 李玉鹏, 等. 烟叶总氮的近红外光谱检测模型研究[J]. 中国农学通报, 2014, 30(7):42-46.
[39]	易时来, 邓烈, 何绍兰, 等. 锦橙叶片氮含量可见近红外光谱模型研究[J]. 果树学报, 2010, 27(1):13-17.
[40]	石吉勇, 邹小波, 赵杰文, 等. 基于近红外光谱的设施栽培水果黄瓜磷元素亏缺初期快速诊断[J]. 光谱学与光谱分析, 2011, 31(12):3264-3268.

样品分配	样品序号	最小值/ (g/kg)	最大值/ (g/kg)	平均值± 标准差
建模集样品	1~54	9.29	19.15	13.28±2.667
外部验证集样品	55~64	10.73	17.00	13.77±2.241

化学计量学方法	Rc	Rv	RMSEC	RMSEV
PCR	0.937	0.889	0.919	1.238
PLS	0.993	0.817	0.317	1.771

波长范围/nm	Rc	Rv	RMSEC	RMSEV
1000~2500	0.916	0.896	1.069	1.213
1000~1350,1400~2000	0.911	0.898	1.102	1.196
1000~2000	0.912	0.894	1.095	1.220

预处理方法	Rc	Rv	RMSEC	RMSEV
DB1+SNV	0.912	0.894	1.095	1.220
MSC+DB1+NLE	0.911	0.894	1.096	1.217
DB1+SG+NLE	0.912	0.895	1.094	1.214

样品序号	预测值/(g/kg)	参比值/(g/kg)	相对偏差/%
55	11.85	12.36	0.255
56	15.27	16.31	0.520
57	16.20	17.00	0.400
58	11.18	12.59	0.705
59	11.86	10.75	0.555
60	11.35	10.73	0.310
61	11.40	12.44	0.520
62	11.54	12.25	0.355
63	16.62	16.48	0.070
64	14.45	15.52	0.400

近红外光谱技术在闽楠叶片氮含量测定中的应用

Application of Near-infrared Spectroscopy in the Determination of Nitrogen Content of Phoebe bournei Leaves

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 40

相关文章 4

编辑推荐

Metrics

本文评价

名称	配对差值					t	自由度	Sig.(双尾)
	平均值	标准偏差	标准误差平均值	差值95%置信区间
	平均值	标准偏差	标准误差平均值	下限	上限
实测值预测值	-0.44376	0.80802	0.25552	-1.02179	0.13427	-1.737	9	0.116

[1]	陈绍栓, 陈彬, 陈淑容. 马尾松林冠下套种不同阔叶树后林分防火效能比较研究[J]. 林业资源管理, 2019, 0(4): 137-142.
[2]	王奕茹, 李际平, 曹小玉, 李琪媛. 杉木-闽楠混交林林分结构与生产力功能耦合关系研究[J]. 林业资源管理, 2019, 0(2): 54-59.
[3]	石乐, 李际平, 赵春燕, 陈磊, 黄笑. 基于林木竞争关系的闽楠人工林目标树密度研究[J]. 林业资源管理, 2017, 0(4): 37-43.
[4]	吕文强, 唐金刚, 罗时琴, 林涛, 周传艳. 4种植被恢复模式对贵州石漠化地区表层土壤有机碳氮的影响研究[J]. 林业资源管理, 2016, 0(5): 47-52.