CN107356553A - 一种利用近红外光谱检测油菜茎秆氮含量的方法 - Google Patents
一种利用近红外光谱检测油菜茎秆氮含量的方法 Download PDFInfo
- Publication number
- CN107356553A CN107356553A CN201710439731.XA CN201710439731A CN107356553A CN 107356553 A CN107356553 A CN 107356553A CN 201710439731 A CN201710439731 A CN 201710439731A CN 107356553 A CN107356553 A CN 107356553A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- rape stem
- rape
- nitrogen content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 117
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 59
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000003608 fece Anatomy 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 240000002791 Brassica napus Species 0.000 description 2
- 235000011293 Brassica napus Nutrition 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001290610 Abildgaardia Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229910021538 borax Inorganic materials 0.000 description 1
- 238000009841 combustion method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000004328 sodium tetraborate Substances 0.000 description 1
- 235000010339 sodium tetraborate Nutrition 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- UDKYUQZDRMRDOR-UHFFFAOYSA-N tungsten Chemical compound [W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W][W] UDKYUQZDRMRDOR-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种利用近红外光谱检测油菜茎秆氮含量的方法，包括以下步骤：建立油菜茎秆氮含量与油菜茎秆切面的近红外光谱的对应关系；测量待检测的油菜茎秆切面的近红外光谱；根据所述待检测的油菜茎秆切面上的近红外光谱以及油菜茎秆氮含量与菜茎秆切面的近红外光谱的对应关系，计算待检测的油菜茎秆中的氮含量。通过本发明的方法，可利用近红外光谱仪检测油菜茎秆切面上的近红外光谱，并根据油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系，计算待检测的油菜茎秆中的氮含量，与传统使用化学分析法不同，在建立了对应关系后，该方法无需进行再进行复杂的化学实验操作，可高通量的检测。
Description
技术领域
本发明涉及油菜田间管理领域，更特别地，涉及一种利用近红外光谱检测油菜茎秆氮含量的方法。
背景技术
氮素是油菜生长需要量最大的营养元素，油菜茎秆中氮素积累量均先升高后降低，185d(花期)达最大值，70.5千克/公顷，之后氮积累量下降。氮素是茎秆内许多重要有机化合物(如叶绿素、蛋白质、核酸、酶等)的组分，其氮含量直接或间接影响着各项生理代谢活动。在适宜的施氮量范围内，油菜的净光合速率、叶面积指数、叶绿素含量均随施氮量的增加而提高，增产效果显著。但施氮量过高或过低时，产量则会下降，特别是在施氮过量条件下，不仅对增产无益，还加重了油菜倒伏发生，造成产量降低，加大了机械收获难度。由此可见，茎秆中氮素累积动态与油菜高产、抗倒密切相关。为了从茎秆氮素角度研究油菜高产、高效、抗倒栽培机理，往往需要测定其茎秆中氮含量指标。传统氮含量指标测定是通过化学分析方法得到。但这种方法费时、费力、费钱，且操作步骤多，误差大。
因此，需要一种更简单更精确的方法来测定油菜茎秆氮含量指标。
发明内容
为解决以上问题，本发明提供了一种利用近红外光谱检测油菜茎秆氮含量的方法，其特征在于，包括以下步骤：
S1：建立油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系；
S2：测量待检测的油菜茎秆切面上的近红外光谱；
S3：根据S2得到的所述待检测的油菜茎秆切面上的近红外光谱以及S1得到的油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系，计算待检测的油菜茎秆中的氮含量。
通过本发明的方法，可利用近红外光谱仪检测油菜茎秆切面上的近红外光谱，并根据油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系，计算待检测油菜茎秆中氮含量，与传统使用化学分析法不同，在建立了对应关系后，该方法无需再进行复杂的化学实验操作，可实现高通量检测。
在一个具体实施方案中，S1包括以下步骤：
S11：采集多个与待测油菜同品种的油菜茎秆样品；
S12：测量所述多个油菜茎秆样品的近红外光谱；
S13：测量所述油菜茎秆样品中的氮含量；
S14：根据S12和S13的结果建立所述油菜茎秆的氮含量与近红外光谱的对应关系。使用相同的品种的油菜茎秆样品来建立对应关系可使预测结果更准确。
在一个优选实施方案中，S12中对每个油菜茎秆样品采集7个切面的近红外光谱，所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到，所述7个切面分别为所述油菜茎秆样品的两端横切面，从所述油菜茎秆样品上不同部位横切两次得到的两个新鲜横切面，以及从所述油菜茎秆样品的三个区段取的三个纵切面。
在一个优选实施方案中，用于建立所述对应关系的近红外光谱的波段为7501.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1。
在一个实施方案中，用于建立所述对应关系的近红外光谱不进行预处理，或者进行了以下预处理方法中的任一种或几种组合的预处理：一阶导数法、矢量归一化法、减去一条直线法、多元散射校正法、消除常数偏移量法、最小-最大归一化法、MSC法、二阶导数法。
在一个优选实施方案中，用于建立所述对应关系的近红外光谱不进行预处理。切面近红外光谱与氮含量对应关系模型的构建中，不对光谱预处理得到的模型比使用常用的预处理方法得到的模型更佳，采取最原始的光谱有利于模型建立。在本发明中，获得光谱信息的油菜茎秆是完整的。在进行扫描时，样品池的大小是恒定的，而油菜茎秆直径粗细各不相同，在样品池上方加盖镀金积分球，防自然光进入样品池中干扰光谱信息。
在一个具体实施方案中，S14中油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系为通过偏最小二乘法建立的预测模型。
在一个优选实施方案中，在建立所述预测模型过程中，主成分数为8、9或10。
在一个优选实施方案中，所述多个油菜茎秆样品被分成校正集和验证集，并且校正集与验证集的数量比为2.5-4:1。
在一个优选实施方案中，S2中对待测油菜茎秆7个切面的采集近红外光谱，所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到，所述7个切面分别为所述油菜茎秆样品的两端横切面，从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面，以及从所述油菜茎秆样品的三个区段取的三个纵切面。
附图说明
图1为油菜茎秆样品氮含量正态分布图；
图2为250个样品预测值与实测值的相关性；
图3为250个样品预测残差与实测值的关系；
图4为剔除50个异常样品后的200个样品预测值与实测值的相关性；
图5为剔除50个异常样品后的200个样品预测残差与实测值的关系；
图6为主成分对相关系数的影响；
图7为主成分对RMSECV的影响。
具体实施方式
以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
构建油菜近红外光谱及茎秆氮含量关系所用试验材料通过如下试验获得。
1.试验地点及供试材料
试验在华中农业大学试验基地进行。供试品种为甘蓝型油菜杂交种华油杂62、沣油520，甘蓝型油菜常规品种华航901、华双5号，及由150个株系构成的DH群体，由华中农业大学提供。
2.试验设计
2.1不同油菜品种不同肥料用量试验获得不同特征的油菜茎秆
采用四因素裂区试验设计，3次重复，以4个油菜品种(华油杂62、沣油520，华航901，华双5号)为主区；以施肥种类(氮、磷、钾)为主裂区；以氮(纯氮为0kg/hm2、180kg/hm2、360kg/hm2)、磷(P2O5用量为0kg/hm2、120kg/hm2、240kg/hm2)和钾(K2O用量为0kg/hm2、150kg/hm2、300kg/hm2)为副裂区，108个氮磷钾处理，田间管理方式按照常规。
2.2利用氮肥及密度裂区试验获得不同特征的油菜茎秆
以华油杂62为试验材料，分别采用裂区设计，以120kg/hm2、240kg/hm2、360kg/hm2三个氮肥为主区，以15×104株hm-2，30×104株hm-2，45×104株hm-2三个密度为副区，3次重复。分别于2013年9月21日、2014年9月25日播种。以含氮量为46.7％的尿素为氮源，氮肥按基肥∶苗肥∶薹肥为6∶2∶2施用。磷肥(P2O5)和钾肥(K2O)用量均为150kg/hm2。其他管理同常规。
2.3利用油菜DH群体株系获得不同特征的油菜茎秆
两亲本和DH群体株系于2014年9月28日播种，次年五月份收获。采取完全随机排列，3次重复。基肥施用(15-15-15)复合肥750kg/hm2，苗期时追施尿素75kg/hm2，硼砂用量7.5kg/hm2，田间管理方式按照常规。
3.试验样品的采集与收藏
于成熟期进行取样，于105℃杀青，80℃烘至恒重，干燥保存。
4.油菜茎秆的近红外光谱采集
近红外光谱仪为德国布鲁克仪器公司生产的BRUKERFT-NIR(VECTOR33N型)傅里叶近红外光谱仪，配有有PbS检测器、石英旋转样品杯、镀金积分球、OPUS分析软件、波数为12000cm-1—4000cm-1。根据仪器性能及扫描油菜产品常用参数(吕丽娜等2004；丁小霞等2004)设定近红外光谱的扫描参数：分辨率：8cm-1；样品扫描次数：64Scans；背景扫描次数：64Scans；数据保存范围：12000cm-1—4000cm-1，光谱类型：Aborbance；光源：Tungsten(NIR)；分束器：石英(Quartz)；狭缝：1.4mm；检测通道：External3；检测器：PbS；-3350；0.9；扫描速度：6:10.0KHz；光谱数据点数：1960。每次扫描前将近红外光谱预热20min以上，再在室温下进行扫描，每次样品杯放在同一检测位置，将油菜茎秆的高度剪为刚好放在样品杯里，上方用镀金积分球覆盖，防漏光，每个油菜茎杆扫描7个切面得到7条光谱，确保扫描信息完整，所述7个切面分别为所述油菜茎秆样品的两端横切面，从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面，以及从所述油菜茎秆样品的三个区段取的三个纵切面。
5.油菜茎杆氮含量测定
测定所使用的仪器是元素分析仪Elementar(型号MAX CN)，方法采用250mg样品干重，加氧90s。原理采用燃烧法燃烧管900度，还原管830度，将样品中各种形态N转化为稳定态氮气，通过红外线检测氮气信号生产电信号再换算为氮含量。
6.油菜茎秆氮含量的近红外光谱定量分析
6.1化学法实测氮含量的结果
采用化学分析方法测定340个样品氮含量，结果如表1。340个样品氮含量范围为0.123％-0.684％，样品含量范围较广。同时从图1中可以看出，氮含量分布符合正态分布，数据具有代表性。
表1 340个样品氮含量的实测结果统计
6.2异常样品的剔除
将340个光谱信息分为两个部分，分别为验证集和校正集，为避免分为校正集和验证集的偏差，将样品含量从小到大依次排列，每四个为一组，在四个样品中随机选取一个数值作为验证集、剩余三个作为校正验，保证样本划分的合理性。本例中，校正集样品为250个，验证集样品为90个，比例约为3:1。数据见表2。
表2 340个样品的校正集与验证集的划分
样品剔除前，如图2和3所示，当主成分数为9时，相关系数R为0.929，内部交叉验证均方差RMSECV为0.030％，模型预测精度好，预测残差仅仅约为0.080％。
为了避免异常样品存在对于实验结果影响，采用基于预测浓度残差的方法来剔除样品，每剔除一次数据，进行一次留一法交叉验证，若相关系数增大，内部交叉验证均方差减小，则剔除样品(夏俊芳，2007)。基于上述原则，剔除出50个样本数据后，剩余200个样品采用偏最小二乘法建立模型。结果如图4和5所示，主成分数为9时，相关系数提高到0.959，内部交叉验证均方差减少到0.024％，预测模型精度提高，预测残差减小到0.06％。
6.3光谱预处理的评估
分别采用消除常数偏移量、减去一条直线等10种方法对剔除异常样本后的光谱进行预处理。结果见表3。
表3预处理方法对预测模型的影响
据表3，不进行预处理得到的模型相关系数最大，为0.959，内部验证均方差最小，为0.0240％。故在建立氮含量模型时，采用不对光谱进行预处理的方法。
6.4光谱波段的优化
建立模型时，将光谱波段优化，可减少运算量，提取更准确光谱信息。利用无预处理和偏最小二乘法建立模型，把光谱分为45个波段，确定适宜波段。结果如表4。
表4不同光谱波段对RMSECV的影响
分为45个不同波段后，不同波段有不同的RMSECV值，最佳波段为7501.7cm-1-5449.8cm-1，4601.3cm-1-4246.5cm-1，它所对应的RMSECV值最小，为0.024％。
6.5主成分的优化
不对光谱进行预处理和光谱波段为7501.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1范围，以相关系数R最大和内部交叉验证均方差RMSECV最小的标准来确定最佳主成分，连续选取1到10十个数，偏最小二乘法建立模型，模型预测结果如图6和7所示，在主成分数取9时相关系数最大为0.959，内部交叉验证均方差最小为0.024％，效果最佳。
综上，油菜茎秆氮含量近红外光谱建立，最佳光谱处理方法是无光谱预处理，光谱波段在7501.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1，主成分数是9时，建立模型相关系数R最大为0.959，内部交叉验证均方差RMSECV最小为0.024％。
6.6校正模型的验证
将验证集中90个样品光谱图导入所建立的模型中，结果见表5。
表5模型验证结果
由表中可以看出，残差有正有负，经过计算，验证集相关系数R为0.875，RMSEP为0.033％，测定效果好。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种利用近红外光谱检测油菜茎秆氮含量的方法，其特征在于，包括以下步骤：
S1：建立油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系；
S2：测量待检测的油菜茎秆切面上的近红外光谱；
S3：根据S2得到的所述待检测的油菜茎秆切面上的近红外光谱以及S1得到的油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系，计算待检测的油菜茎秆中的氮含量。
2.根据权利要求1所述的方法，其特征在于，S1包括以下步骤：
S11：采集多个与待测油菜同品种的油菜茎秆样品；
S12：测量所述多个油菜茎秆样品的近红外光谱；
S13：测量所述油菜茎秆样品中的氮含量；
S14：根据S12和S13的结果建立所述油菜茎秆的氮含量与近红外光谱的对应关系。
3.根据权利要求2所述的方法，其特征在于，S12中对每个油菜茎秆样品采集7个切面的近红外光谱，所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到，所述7个切面分别为所述油菜茎秆样品的两端横切面，从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面，以及从所述油菜茎秆样品的三个区段取的三个纵切面。
4.根据权利要求2所述的方法，其特征在于，用于建立所述对应关系的近红外光谱的波段为7501.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1。
5.根据权利要求2所述的方法，其特征在于，用于建立所述对应关系的近红外光谱进行了以下预处理方法中的任一种或几种组合的预处理：一阶导数法、矢量归一化法、减去一条直线法、多元散射校正法、消除常数偏移量法、最小-最大归一化法、MSC法、二阶导数法。
6.根据权利要求2所述的方法，其特征在于，用于建立所述对应关系的近红外光谱未进行预处理。
7.根据权利要求2-6中任一项所述的方法，其特征在于，S14中油菜茎秆氮含量与菜茎秆切面上的近红外光谱的对应关系为通过偏最小二乘法建立的预测模型。
8.根据权利要求7所述的方法，其特征在于，在建立所述预测模型过程中，主成分数为8、9或10。
9.根据权利要求2所述的方法，其特征在于，所述多个油菜茎秆样品被分成校正集和验证集，并且校正集与验证集的样品数量比为2.5-4:1。
10.根据权利要求1所述的方法，其特征在于，S2中对待测油菜茎秆7个切面的采集近红外光谱，所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到，所述7个切面分别为所述油菜茎秆样品的两端横切面，从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面，以及从所述油菜茎秆样品的三个区段取的三个纵切面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710439731.XA CN107356553A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆氮含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710439731.XA CN107356553A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆氮含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107356553A true CN107356553A (zh) | 2017-11-17 |
Family
ID=60272792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710439731.XA Withdrawn CN107356553A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆氮含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107356553A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024649A (zh) * | 2020-01-09 | 2020-04-17 | 山西省农业科学院农作物品种资源研究所 | 近红外光谱法快速测定小米中直链与支链淀粉的方法 |
-
2017
- 2017-06-12 CN CN201710439731.XA patent/CN107356553A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111024649A (zh) * | 2020-01-09 | 2020-04-17 | 山西省农业科学院农作物品种资源研究所 | 近红外光谱法快速测定小米中直链与支链淀粉的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| Xue et al. | Monitoring leaf nitrogen status in rice with canopy spectral reflectance | |
| Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
| Wei et al. | Common spectral bands and optimum vegetation indices for monitoring leaf nitrogen accumulation in rice and wheat | |
| US20230078617A1 (en) | A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates | |
| CN107314985A (zh) | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 | |
| CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
| Bei et al. | Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data | |
| CN107314986A (zh) | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 | |
| Johnson et al. | Application of infrared spectroscopy for estimation of concentrations of macro-and micronutrients in rice in sub-Saharan Africa | |
| Cheng et al. | Hyperspectral remote sensing of leaf nitrogen concentration in cereal crops | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| Mazzei et al. | HRMAS-NMR metabolomics of Aglianicone grapes pulp to evaluate terroir and vintage effects, and, as assessed by the electromagnetic induction (EMI) technique, spatial variability of vineyard soils | |
| Başayiğit et al. | The prediction of iron contents in orchards using VNIR spectroscopy | |
| Wang et al. | Discriminant analysis and comparison of corn seed vigor based on multiband spectrum | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| CN110596048A (zh) | 一种光谱速测烟草叶片中钾含量的方法 | |
| Longobardi et al. | Characterization of the geographical and varietal origin of wheat and bread by means of nuclear magnetic resonance (NMR), isotope ratio mass spectrometry (IRMS) methods and chemometrics: a review | |
| CN107314987A (zh) | 一种利用近红外光谱检测油菜单株产量的方法 | |
| He et al. | Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages | |
| CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
| CN107356553A (zh) | 一种利用近红外光谱检测油菜茎秆氮含量的方法 | |
| CN107153047A (zh) | 一种利用近红外光谱检测油菜茎秆倒伏指数的方法 | |
| Alwi et al. | Near infrared spectroscopy of Eucalyptus pellita for foliar nutrients and the potential for real-time monitoring of trees in fertiliser trial plots | |
| Wu et al. | Determining farming methods and geographical origin of chinese rice using NIR combined with chemometrics methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171117 |