WO2007129648A1 - 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム - Google Patents

植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム Download PDF

Info

Publication number
WO2007129648A1
WO2007129648A1 PCT/JP2007/059334 JP2007059334W WO2007129648A1 WO 2007129648 A1 WO2007129648 A1 WO 2007129648A1 JP 2007059334 W JP2007059334 W JP 2007059334W WO 2007129648 A1 WO2007129648 A1 WO 2007129648A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
spectral data
spectrum data
water stress
spectrum
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.)
Ceased
Application number
PCT/JP2007/059334
Other languages
English (en)
French (fr)
Inventor
Haruhiko Yamamoto
Kiyoshi Iwaya
Yoko Harada
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yamaguchi University NUC
Original Assignee
Yamaguchi University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yamaguchi University NUC filed Critical Yamaguchi University NUC
Priority to JP2008514470A priority Critical patent/JP5258044B2/ja
Publication of WO2007129648A1 publication Critical patent/WO2007129648A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • 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
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • 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
    • G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
    • 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

Definitions

  • the present invention relates to a technique for estimating water stress in plant leaves, and more particularly to a technique for estimating water stress in plant leaves by a non-destructive technique.
  • V vector is determined so that becomes maximum, and the matrix (C) at this time (variance covariance matrix of variable X
  • Non-Patent Document 2 Kumi Enomoto “Establishment of the annual fruit scrutiny system for stable kanki management in 2004 (2003-1999)” Issue)
  • the conventional method for estimating the water stress of plant leaves is mainly a destructive method, and it takes time to measure and is not simple, so it takes a long time by a non-destructive method. Therefore, there is a need for a method that can be easily measured and a device for that purpose, and the PLS regression analysis method used as a non-destructive estimation method requires a large amount of software and software to be used. Because it is not practical in terms of cost or cost, a method that can be used easily by general producers and that can estimate water stress in plant leaves by a non-destructive method without requiring a long time. A device for this purpose has been demanded.
  • the present invention has been made to solve the above-mentioned problems, and the method for estimating the moisture stress of a plant leaf according to the present invention uses a near-infrared spectroscope to analyze the reflected light from the plant leaf irradiated with light.
  • Reflected spectral force obtained by measuring the spectral data over the near-infrared wavelength range, and performing model analysis to divide the obtained spectral data into multiple models by multiple regression analysis.
  • All measured data on plant leaves including spectral data over the near-infrared wavelength range is divided into two groups, and the spectral data of one group is divided into multiple models by multiple regression analysis. Select the appropriate model by collinearity diagnosis Alternatively, a representative wavelength may be selected, and the prediction accuracy may be detected using the other group of spectral data.
  • Spectral data over the near-infrared wavelength range may be absorbance spectral data obtained by converting the spectral data obtained by the reflected spectral force into absorbance spectral data and second-order differentiation. .
  • the predicted value of the water potential in the leaf is the selected representative wavelength! It may be expressed as a linear expression of the second derivative.
  • An apparatus for estimating moisture stress of a plant leaf includes a light irradiation means including a light source, and a reflected light of the plant leaf force irradiated by the light irradiation means.
  • a light receiving unit includes a spectral data generation unit that generates spectral data ranging from the reflected light spectrum obtained by the light receiving unit to a near-infrared wavelength range, and multiple regression on the spectral data generated by the spectral data generation unit
  • a data analysis calculation unit that performs analysis, an output unit that outputs a result of analysis calculation performed by the data analysis calculation unit, and a control unit, wherein the data analysis calculation unit is generated by the spectrum data generation unit
  • the spectral data is modeled into multiple models by multiple regression analysis, and an appropriate model is selected and dealt with by collinearity diagnosis.
  • the analysis calculation unit divides all measurement data of plant leaves including the spectrum data generated by the spectrum data generation unit into two groups, and the spectral data of one group is overlapped. Perform model analysis into multiple models by regression analysis, select an appropriate model by collinearity diagnosis, select a representative wavelength, and test prediction accuracy using the spectral data of the other group Even so,
  • Tuttle data may be absorbance spectrum data obtained by converting the spectrum data obtained from the reflection spectrum force into absorbance spectrum data and second-order differentiation.
  • the predicted value of the water potential (LWP) in the leaf is the selected representative wavelength! It may be expressed as a linear expression of the second derivative.
  • a program for estimating water stress of a plant leaf comprises a wavelength of near infrared from a reflection spectrum obtained by measuring reflected light from a plant leaf irradiated with light by a near infrared spectrometer.
  • the spectrum data over a range is divided into multiple models by multiple regression analysis, an appropriate model is selected by collinearity diagnosis and a corresponding representative wavelength is selected, and for the selected model, Confirm the power of multiple regression analysis for each wavelength coefficient, test the accuracy of prediction using a part of the spectrum data, multiple correlation coefficient (R), prediction standard error (SEP), moisture in leaf Calculation of the predicted value of potential (LWP) is performed by a computer.
  • All the measurement data of plant leaves including spectral data over the near-infrared wavelength range is divided into two groups, and the spectral data of one group is divided into multiple models by multiple regression analysis.
  • An appropriate model may be selected by collinearity diagnosis, a representative wavelength may be selected, and the prediction accuracy may be detected using the other group of spectral data.
  • the predicted value of the water potential in the leaf is the selected representative wavelength! It may be expressed as a linear expression of the second derivative.
  • the present invention it is possible to predict LWP without taking a long time by a non-destructive method of analyzing the reflection spectrum data obtained by measurement of plant leaves using a multiple regression analysis method. Value is obtained, the water stress of plant leaves can be estimated with high accuracy, and the number of waves is much less than when using the PLS regression analysis method as a non-destructive method. Since the water stress of plant leaves can be estimated from long data, it is possible to reduce the cost by using a simple configuration of a device for estimating the water stress of plant leaves. Can do.
  • multiple regression analysis is used to perform multivariate analysis on the absorption spectrum data obtained by measuring the reflection spectrum of the collected plant leaves. An outline will be given in the case of applying the analysis method to the analysis of absorption spectrum data.
  • the absorbance at each wavelength can be considered as the sum of the absorptions of multiple components. Therefore, when the component content is y.
  • the diffraction grating is rotated and vibrated by a driver that operates according to a signal from the encoder, and is driven and controlled so that the operation of the diffraction grating and the opening and closing of the shirter are synchronized.
  • a driver that operates according to a signal from the encoder
  • the differential spectrum can be measured by oscillating scanning with the diffraction grating limited to a narrow wavelength range. If it is difficult to scan the diffraction grating at high speed, the optical system is slightly vibrated by the galvano or piezoelectric element placed in the optical path, and the wavelength is scanned back and forth. You may do it.
  • a signal representing a reflection spectrum obtained by measurement with a near-infrared spectrometer is amplified by an amplifier, and acquired as digital spectrum data by an AD converter.
  • the operation of the measuring device including this data acquisition is controlled by a microcomputer.
  • the obtained data is analyzed using a personal computer equipped with data analysis software.
  • the analysis of the spectrum data is performed as shown in the flow of Fig. 2.
  • the reflection spectrum data obtained as the reflectance data of the plant leaf, which is the measured value is converted into the spectral data of the absorbance, and then differential processing is performed as preprocessing.
  • Absorbance is
  • Multiple regression analysis is performed on the spectrum data subjected to the second derivative.
  • an execution program for multiple regression analysis a commercially available statistical software can be used.
  • Each data is divided into multiple models.
  • the collinearity diagnosis that confirms the condition index eliminates models that deviate significantly from the condition index as inappropriate, and selects the wavelengths corresponding to the remaining models. For example, four wavelengths are selected as representative wavelengths by multiple regression analysis. Then, for the appropriate model, for each wavelength Confirm from the table of the results of multiple regression analysis.
  • FIG. 4 shows the correlation between the predicted LWP value obtained from the analysis of the data and the LWP value obtained from the actual measurement of the plant leaves.
  • Fig. 4 shows the correlation between the predicted LWP value obtained from the analysis of the data and the LWP value obtained from the actual measurement of the plant leaves.
  • the number of data n is the number of data to perform one multiple regression analysis when all the data are divided into two.
  • the amount represented by each point is 2880 times a day for 40 leaves each time, a total of 1880 measurements for a total of 18 days (resulting in 1018 measurements.
  • N 509
  • the LWP value (horizontal axis) obtained by actual measurement in the pressure chamber and the LWP predicted value (vertical axis) obtained by the estimation method according to the present invention are shown.
  • the straight line is a guideline indicating the correlation between the actual measurement value and the predicted value for the distributed data.
  • the data shown in the correlation diagram in Fig. 4 provides sufficient accuracy for estimating water stress. This is not as accurate as PLS regression analysis, but if it was performed using 1100 wavelengths (1300 nm to 24 OOnm) under the same conditions, the wavelength could not be narrowed down when using PLS regression analysis. All the data on the must be used in the prediction formula. For this reason, the amount of data in the data analysis, the program for the analysis processing, and the device for the analysis processing become large, and the data analysis takes time.
  • Fig. 1 shows the case of using an existing near-infrared spectrometer as an experimental device and performing data analysis using a general-purpose computer for the obtained reflection spectrum data.
  • the device for doing so is configured as shown in FIG.
  • 1 is a light irradiating means including a light source
  • 2 is a light receiving means including a near-infrared spectrometer that receives light reflected on the plant leaves by the light irradiating means
  • 3 is A spectral data generation unit that converts the reflected light spectrum obtained by the light receiving device into AD data to obtain spectral data.
  • 4 is a data analysis that performs data analysis on the spectral data generated by the spectral data generation unit.
  • Arithmetic processing unit, 5 is data analysis arithmetic processing 6 is a control unit that controls the overall operation of the light irradiation unit 1, the light receiving unit 2, the data generation unit 3, the data analysis calculation unit 4, and the output unit 5. It is.
  • the estimation of moisture stress is performed by a device configured with a data analysis operation unit as shown in FIG. 5 and a general-purpose computer equipped with a program for performing data analysis operation on the generated spectrum data. Can also be used.
  • the reflection spectrum force obtained by measuring reflected light from plant leaves with a near-infrared spectrometer is a model model that divides spectral data over the near-infrared wavelength range into multiple models by multiple regression analysis. ⁇ , select the appropriate model by collinear diagnosis and select the corresponding representative wavelength, and confirm the coefficient of each wavelength from the table of multiple regression analysis for the selected model
  • the computer is used to test the prediction accuracy using a part of the spectrum data and calculate the predicted values of the multiple correlation coefficient (R), prediction standard error (SEP), and leaf water potential (LWP). It shall be executed.
  • the present invention by analyzing the reflection spectrum data obtained by measuring plant leaves by multiple regression analysis, a predicted value of LWP having a high correlation with the actual measurement value is obtained.
  • the measurement can be performed simply, and the apparatus for estimating the water stress of the bamboo leaf that does not require a long time can also be made simple and small.
  • the present invention is also applicable to the case of other general plant leaves that are not limited to the power citrus leaves such as the power citrus leaves described in particular for the citrus persimmon leaves. Brief Description of Drawings
  • FIG. 2 is a flowchart showing a process for estimating water stress of plant leaves according to the present invention.
  • FIG. 4 is a diagram showing a correlation between a predicted value of LWP obtained from reflection spectrum data measured according to the present invention and an actual measured value of LWP obtained by using a drying method.
  • FIG. 5 is a diagram showing a configuration of an apparatus for estimating water stress of plant leaves according to the present invention.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Environmental Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

【課題】非破壊的手法により、長時間を要せずに植物葉の水分ストレスの推定を行い、使用するソフトウェア、ハードウェアを簡易なものとし、使用上あるいはコスト的に実用的であって、一般的な生産者が簡便に利用できるようにする。 【解決手段】光照射された植物葉からの反射光を近赤外分光器により測定して反射スペクトル取得し、これから得られた近赤外の波長範囲にわたるスペクトルデータを吸光度スペクトルデータに変換し、二次微分したものについて重回帰分析、共線性の診断により複数のモデルに分け、代表的な波長を選択し、また一部のスペクトルデータを用いて予測精度の検定を行って、重相関係数（Ｒ）、予測標準誤差（ＳＥＰ）、葉内水分ポテンシャル（ＬＷＰ）の予測値を算出する。

Description

明 細 書
植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定する ための装置及び植物葉の水分ストレスを推定するためのプログラム
技術分野
[0001] 本発明は植物葉の水分ストレスを推定する技術に関し、特に非破壊的な手法により 植物葉の水分ストレスの推定を行うための技術に関する。
背景技術
[0002] 近年、多種少量の果実消費の影響を受けて、巿場ではカンキッ類の果実の価格が 低下する傾向が見られる。また、社会的な傾向とともに、カンキッ類の栽培は気象等 の自然的条件の影響も受ける。このような中で、生産者としては高糖度で安定した果 実の生産を目指して榭体管理を行っているが、高糖度の果実を生産するためには、 榭体、園地に応じた水分状態の診断が必要である。
[0003] 植物葉の水分状態の診断につ!、ては、葉の色、巻き具合を観察すると!、うような生 産者の経験、主観的な判断により行うのが主になつており、測定を行う場合でも、プレ ッシヤーチャンバ一法、乾燥法等の破壊的な方法や測定に長時間を要する方法など であって、簡便で実際的方法はなされていな力つた。
[0004] 非破壊的な方法にっ 、て、次のような文献に開示されて 、る。
[0005] 非特許文献 1、 2において用いられている手法は、近赤外分光法を使用し、データ の解析には PLS回帰分析を用いてカンキッ葉の水分ポテンシャルを推定し、榭体の 水分ストレスを推定するものである。この PLS回帰分析の手法について概略説明す る。
[0006] PLS (Partial least squares :部分的最小二乗法）回帰分析は、多変数のデータ を解析するにあたり、新たな変数を導入して変数間の情報の重複を排除し、情報量 を減らさずに変数の個数を少なくする PCA (Principal Component Analysis :主 成分分析)の考え方をもとに、回帰モデルを用いて目的とする変量の予測をする手 法である。
[0007] PCAでは、変数 Xに重み（固有ベクトル (V ) )をかけて変換した主成分 u u =v x +v x +···+ν x (j = l, 2, ···， q)
j jl 1 ]2 2 jm m
を考え、主成分スコア uの分散
s 2=(ν' )-(C )·(ν)
が最大になるように vベクトルを定め、この時の行列（C ) (変数 Xの分散共分散行列
)またはそれを変換した行列を用いてデータの解析を行う。
[0008] PLSは PCAをもとにしてデータの解析を行う手法であり、これを波長吸光度のよう なスペクトルデータの場合にっ 、て概略説明する。
[0009] スペクトルデータを Χ(χ , X , · · · , X )、目的変数を Y(y , y , · · ·, y )、 Xと Yとに
1 2 k 1 2 j
共通の潜在変量を T(t , t , ···, t)として
1 2 a
X=f(T)+E
Y=g(T)+F
(E, Fはそれぞれの誤差である）とし、 X変動中の Tの強度を P(p , p , · · ·, p )、 Y
1 2 a 変動中の Tの強度を Q(q , q , ···, q)とすると、
1 2 a
X=TP+E
Y=TQ+F
と表される。 PLSでは、 Tと Eで X変動を表現し、（B)を Xから Yを直接予測する回帰 行列式として、回帰式 Y= (Β)Χで Υを予測するのと同等である。
[0010] 直交型 PLSでは、互いに直交する因子スコア t , t , ···, tによって X変動を表現
1 2 a
し、最初の誤差行列を E=X—く X>、f=y—く y>(<X>、 <y>は平均値）として 第 1因子のパラメータを求め、その影響を差し引いた新たな誤差行列 E、 f を生成し 、この新たな誤差行列力も第 2因子のパラメータを求める、という手順を反復し、影響 力 くなつた段階で終了することになる。
[0011] 非特許文献 1、 2に開示のものでは、 PLS回帰分析によりデータ解析を行い、推定 精度を向上させることに重点をおいている。し力しながら、この手法で水分ストレスを 精度よく推定するには、膨大な量のスペクトルデータを収集し、それを解析するため の専用のソフトウェアが必要であるため、推定のための装置も小型化できず、コストを 要することになり、試験場等で使用することはできても、一般の生産者にとって実用 的なものではなかった。 非特許文献 1：宫本久美「平成 15年カンキッ経営安定のための連年果実精査システ ムの確立 (平成 15〜19年)」試験研究成績書 (独立行政法人農業 ·生物系特定産業 技術研究所発行）
非特許文献 2：宫本久美「平成 16年カンキッ経営安定のための連年果実精査システ ムの確立 (平成 15〜19年)」試験研究成績書 (独立行政法人農業 ·生物系特定産業 技術研究所発行）
発明の開示
発明が解決しょうとする課題
[0012] 従来の植物葉の水分ストレスを推定する方法は破壊的方法が主であり、また、測定 に時間を要し簡便なものではなかったため、非破壊的な方法で、長時間を要せずに 簡便に測定できる方法及びそのための装置が求められており、また非破壊的な推定 方法として用いられている PLS回帰分析による手法では、使用するソフトウェア、ノヽ 一ドウエアが大規模になり、使用上あるいはコスト的にも実用的なものではな力つたた め、一般的な生産者が簡便に利用し、長時間を要することなく非破壊的手法により植 物葉の水分ストレスを推定できる方法及びそのための装置が求められていた。
課題を解決するための手段
[0013] 本発明は前述の課題を解決すべくなしたものであり、本発明による植物葉の水分ス トレスを推定する方法は、光照射された植物葉からの反射光を近赤外分光器により 測定して得られた反射スペクトル力 近赤外の波長範囲にわたるスペクトルデータを 得ることと、 得られた前記スペクトルデータについて重回帰分析により複数のモデル に分けるモデルィ匕を行い、共線性の診断により適切なモデルを選択するとともに対応 する代表的な波長を選択することと、前記選択されたモデルに対して、各波長の係 数について重回帰分析の表力も確認し、前記スペクトルデータの一部を用いて予測 精度の検定を行い、重相関係数 (R)、予測標準誤差 (SEP)、葉内水分ポテンシャル (LWP)の予測値を算出することとからなるものである。
[0014] 前記近赤外の波長範囲にわたるスペクトルデータを含む植物葉についてのすべて の測定データを 2つの群に分け、一方の群のスペクトルデータについて重回帰分析 により複数のモデルにわけるモデルィ匕を行い共線性の診断により適切なモデルを選 定して代表的な波長を選択し、他方の群のスペクトルデータを用いて予測精度の検 定を行うようにしてもよい。
[0015] 前記近赤外の波長範囲にわたるスペクトルデータが前記反射スペクトル力 得られ たスペクトルデータを吸光度スペクトルデータに変換し二次微分することにより得られ た吸光度スペクトルデータであるようにしてもょ 、。
[0016] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであるようにしてもよい。
[0017] 本発明による植物葉の水分ストレスを推定するための装置は、光源を含む光照射 手段と、該光照射手段により照射された植物葉力 の反射光を受光し近赤外分光器 を含む受光手段と、該受光手段で得られた反射光スペクトルから近赤外の波長範囲 にわたるスペクトルデータを生成するスペクトルデータ生成部と、該スペクトルデータ 生成部により生成されたスペクトルデータに対して重回帰分析を行うデータ解析演算 部と、該データ解析演算部により解析演算された結果を出力する出力部と、制御部と を備えてなり、前記データ解析演算部は前記スペクトルデータ生成部により生成され たスペクトルデータについて重回帰分析により複数のモデルに分けるモデル化を行 い、共線性の診断により適切なモデルを選択するとともに対応する代表的な波長を 選択し、前記選択されたモデルに対して、各波長の係数について重回帰分析の結 果の表から確認し、前記スペクトルデータの一部を用いて予測精度の検定を行い、 重相関係数 (R)、予測標準誤差 (SEP)、葉内水分ポテンシャル (LWP)の予測値を 算出する演算処理を行うものであり、前記制御部は前記光照射手段、近赤外分光器 、スペクトルデータ生成部、データ解析演算部、出力部の動作を制御するものである
[0018] 前記解析演算部においては、前記スペクトルデータ生成部により生成されたスぺク トルデータを含む植物葉のすべての測定データを 2つの群に分け、一方の群のスぺ タトルデータについて重回帰分析により複数のモデルにわけるモデルィ匕を行い共線 性の診断により適切なモデルを選定して代表的な波長を選択し、他方の群のスぺタト ルデータを用いて予測精度の検定を行うようにしてもょ 、。
[0019] 前記スペクトルデータ生成部において生成される近赤外の波長範囲にわたるスぺ タトルデータが前記反射スペクトル力 得られたスペクトルデータを吸光度スペクトル データに変換し二次微分することにより得られた吸光度スペクトルデータであるように してちよい。
[0020] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであるようにしてもよい。
[0021] 本発明による植物葉の水分ストレスを推定するためのプログラムは、光照射された 植物葉からの反射光を近赤外分光器により測定して得られた反射スペクトルから近 赤外の波長範囲にわたるスペクトルデータについて重回帰分析により複数のモデル に分けるモデルィ匕を行い、共線性の診断により適切なモデルを選択するとともに対応 する代表的な波長を選択し、前記選択されたモデルに対して、各波長の係数につい て重回帰分析の表力 確認し、前記スペクトルデータの一部を用いて予測精度の検 定を行い、重相関係数 (R)、予測標準誤差 (SEP)、葉内水分ポテンシャル (LWP) の予測値を算出することをコンピュータにより実行するようにしたものである。
[0022] 前記近赤外の波長範囲にわたるスペクトルデータを含む植物葉についてのすべて の測定データを 2つの群に分け、一方の群のスペクトルデータについて重回帰分析 により複数のモデルにわけるモデルィ匕を行い共線性の診断により適切なモデルを選 定して代表的な波長を選択し、他方の群のスペクトルデータを用いて予測精度の検 定を行うようにしてもよい。
[0023] 前記近赤外の波長範囲にわたるスペクトルデータが前記反射スペクトル力 得られ たスペクトルデータを吸光度スペクトルデータに変換し二次微分することにより得られ た吸光度スペクトルデータであるようにしてもょ 、。
[0024] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであるようにしてもよい。
発明の効果
[0025] 本発明によれば、植物葉についての測定により得られた反射スペクトルのデータを 重回帰分析の手法を用いて解析するという非破壊的手法により、長時間を要すること はなく LWPの予測値が得られ、精度よく植物葉の水分ストレスを推定ことができ、非 破壊的な手法としての PLS回帰分析の手法を用いた場合に比して格段に少な ヽ波 長データにより植物葉の水分ストレスを推定することができるため、ソフトウェア、ハー ドウエアとしても小規模ィ匕でき、植物葉の水分ストレスを推定するための装置を簡易な 構成として、コストを低下させることができる。
発明を実施するための最良の形態
[0026] 本発明においては、採取された植物葉の反射スペクトルを測定することにより得ら れた吸収スペクトルのデータについて多変数解析を行うにあたり、重回帰分析法を用 いるものであり、重回帰分析の手法を吸収スペクトルのデータの解析に適用する場合 に即して概略説明する。
[0027] [重回帰分析]
多成分系の吸収スペクトルでは、個々の波長における吸光度は複数の成分による 吸収の和であると考えることができる。そこで、成分含量を y.とした時に、
{y } =b +b x +b x +•••+b x
i 0 1 li 2 2i p pi
(b：回帰定数、 b :偏回帰係数）
0 i
t 、う線形モデルを考える（ {y }は yの予測値)。
[0028] 最小 2乗法により偏差平方和 S =∑ (y— {y }) 2を最小にする bを求める。これは、 S を全ての bについて偏微分した値を 0とする連立方程式の解を求めることになる。す ると、
b = <y>— b <x >— b <x > b <x >
0 1 1 2 2 p p
(く y >、 < x >は平均値を示す)となり、 biは分散共分散行列 (C )の逆行列 (Cxx)
_ 1と分散共分散行列 (C )の要素ベクトル (C )との積として表され、このようにして
Xy
重回帰式が求められる。
[0029] さらに、全体の変動として、 S =∑ (y— <y» 2
回帰式により説明された変動として、 S =∑ ({y } - <y» 2
R i
予測誤差の変動として、 S =∑(y - {y }) 2
e
を求め、これら力 、回帰式によって全体の変動がどの程度説明されたかという寄与 を示す R (重相関係数)が R2 = S ZS = 1 -S /S の関係力も求められ、検量線
尺 e yy
の標準誤差 SECが誤差平方和を誤差の自由度 (n— p— 1)で割った誤差分散 Vの e 平方根として求められ、 SEC=〔S
e Z(n— p— 1)〕1/2となる。重回帰分析では、この ように重回帰式を求め、それから求めた重相関係数 R、検量線の標準誤差 SECに基 づ 、て解析されたデータにつ 、ての評価がなされる。
[0030] 本発明では、前述した重回帰分析の手法により、榭葉による反射スペクトルを測定 し、それにより得られたデータを解析して榭葉の水分ストレスの推定を行うものであり、 この推定の手法にっ 、て実測値との対比により評価がなされるが、本発明にお!/、て 行った実験の概要、それに用いた実験の装置、データの解析の流れ、水分ストレスを 推定するための装置の構成について説明する。
[0031] [実験の概要]
圃場にて栽培されたゥンシユウミカンの 10本の榭体を測定、実験の対象とし、夏季 〜秋季（6月〜 12月）の期間において平均 10日おきに全 18回の測定を行い、測定 においては、各榭体について東西南北 4方位力 地上 lmほどの位置の春梢葉を各 1枚、計 40枚採取し、圃場にて測定装置により各葉についての反射スペクトルを測定 してデータを取得し、引き続きプレッシャーチャンバ一-法により葉内水分ポテンシャ ルを測定した。測定波長域は 1300ηπ！〜 2400nmであり、波長間隔 lnmとして反射 スペクトルのデータを取得し、重回帰分析の手法でのデータの解析により LWPの予 測値を得た。
[0032] [実験の装置]
反射スペクトルの測定、データの解析を行った装置は図 1に示すようなものである。 この装置では、光源からの光を回折格子で回折させた上で、背景としての白色紙上 に配置された葉に照射し、シャツタを介して配置された近赤外分光器に葉からの反 射光を入射させる。
[0033] 回折格子はエンコーダからの信号により動作するドライバにより回転、振動の動作 を行い、回折格子の動作とシャツタの開閉とが同期するように駆動制御される。回折 格子を全波長範囲として回転することにより通常のスペクトル測定が可能になり、回 折格子を狭い波長範囲に制限して振動走査することにより微分スペクトルを測定する ことができる。また、回折格子を高速で走査するのが困難であれば、光路中に配置し たガルバノまたは圧電気素子により光学系に微振動を加えて波長を前後に走査する ようにしてもよい。
[0034] 近赤外分光器での測定により得られた反射スペクトルを表す信号は増幅器により増 幅され、 AD変^^によりデジタル値のスペクトルデータとして取得される。このデー タ取得を含めた測定装置の動作はマイクロコンピュータにより制御される。取得された データについてデータ解析用のソフトウェアを備えたパーソナルコンピュータによりデ ータ解析を行う。
[0035] [データ解析の流れ]
スペクトルデータの解析は図 2のフローに示すように行う。最初に、測定値である植 物葉の反射率のデータとして得られた反射スペクトルデータを吸光度のスペクトルデ ータに変換し、その後に前処理として微分処理をする。吸光度は
吸光度 =log (1Z
10 反射率）
で表される。吸光度のスペクトルデータに変換するのは、スペクトルの数学的な扱い として吸光度が一般的であることによるものである。また、実際のデータでは分布が偏 つたり、非線形である場合が多ぐデータにノイズが存在し、微細なショルダー、隠れ たピークが存在する場合もあるため、前処理として二次微分処理を行う。微分処理で は次数が高いほどピーク幅が狭くなり、強調されるという特性があり、一次微分では原 スペクトルの変曲点がピークとなつて現れるが、二次微分では原スペクトルのピークが 負のピークとなって現れるため、視覚的に原スペクトルとの対応が把握し易ぐスぺク トルの構造が解析し易くなる。スペクトルデータは離散値であるため、二次微分 d2A の計算は差分
d2A =A - 2A +A
i i+2k i i-2k
で近似する。
[0036] 二次微分がなされたスペクトルデータについて重回帰分析を行う。重回帰分析の 実行プログラムとしては、一般的な統計ソフトとして市販されているものを利用できる。 各データにつ 、て複数のモデルに分ける。
Figure imgf000010_0001
、て条件指数を確認 するという共線性の診断により、条件指標が大きく外れるモデルを不適切なものとし て排除し、残ったモデルに対応する波長が選択される。重回帰分析により、例えば 4 つの波長が代表的な波長として選択される。次に適切なモデルに対して、各波長の
Figure imgf000011_0001
ヽて重回帰分析の結果の表から確認する。
[0037] このように、スペクトルデータを用いて予測式としてのモデル作成を行い、また、スぺ タトルデータの一部により予測精度の検定を行う。その予測精度として、重相関係数（ R)、予測標準偏差 (SEP)を算出する。また、各モデルにおける波長成分について の分散の比率力 LWPの予測値が代表的な波長での 4つの代表的波長での二次 微分についての線形の式として求められる。例えば、実際に行った結果として、 LWP 予測値が
1. 47 X 105 X d2A + 1. 75 X 104 X d2A
1707nm 1410nm
5. 60 X 104 X d2A L ++ 77.. 2222 XX 110044 XX dd22AA —1. 42
1554nm 1676nm
(d2A:吸光度の二次微分)のように求められた。
[0038] 測定値である植物葉の反射率のデータとして得られた反射スペクトルデータのデー タ数が多い場合には、すべてのデータを重回帰分析、共線性の診断を行いモデル の作成を行うためのデータと、モデルの精度検定を行うためのデータとに二分するの がよい。この場合のデータ解析の流れは図 3に示すようになる。図 3のフローにおい て、二次微分処理がなされたスペクトルデータを含む葉のすべての測定データをモ デル作成用のデータと検定用のデータとに二分する。その際、すべてのデータを昇 順に並べ替えて 1つおきに分けるのであり、それぞれのデータ群の間に実質的な差 違はないものとする。
[0039] 二分されたスペクトルデータのうち一方の群のデータについてについて重回帰分 析を行い、各データを複数のモデルに分け、その各モデルについて条件指数を確認 するという共線性の診断を行い、条件指数が大きく外れるモデルを排除し、残った適 切なモデルに対応する波長を代表的波長として選定し、
Figure imgf000011_0002
ヽて重相 関係数、予測標準誤差、各波長の係数を確認することでは図 2のフローの場合と同 様であるが、図 3のフローは、二分されたスペクトルデータのうちの他方の群のデータ
Figure imgf000011_0003
、うように、二次微分処理されたスペクトルデータ を重回帰分析を行って複数のモデルに分けるためのものと、モデルの精度検定を行 うためのものとに二分しておくと 、う形にぉ 、て異なって!/、る。
[0040] 測定された植物葉の反射スペクトルのデータ力 本発明による重回帰分析によるデ ータの解析で得られた LWPの予測値と、植物葉にっ 、ての実測により得られた LW Pの値との相関を示すと図 4のようになった。図 4にお 、て、
n:テータ数
SEP :予測標準誤差
であり、データ数 nは全てのデータを二分した場合には、一方の重回帰分析を行うた めのデータの数である。各点の表す量は、毎回 40枚の葉について 1日 2回、全 18日 の測定で計 1880回の測定 (結果的には、 1018回分の測定。これを 2分するため、 n = 509である。 )に関しプレッシャーチャンバ一での実測で得られた LWPの値 (横軸） 、本発明による推定の手法により得られた LWP予測値 (縦軸)を示して ヽる。
[0041] 直線は分布するデータについて、実測値と予測値との相関を示す目安となる。図 4 の相関図に示された各データでは、水分ストレスの推定には十分な精度が得られる。 これは PLS回帰分析ほどの精度ではないが、同じ条件で 1100波長（1300nm〜24 OOnm)を使用して実施した場合、 PLS回帰分析を用いた時には、波長を絞り込むこ とができず、 1100波長についての全てのデータを予測式に使用せざるを得ない。そ のため、データの解析におけるデータ量、解析処理のためのプログラム、解析処理の 装置ともに大がかりになり、データ解析に時間を要することになる。
[0042] それに対し、本発明での重回帰分析によれば、水分ストレスの推定に十分な精度を 得るために 4波長程度に絞り込むことができ、データ解析に要するプログラム、解析 処理の装置は格段に小規模ですみ、データ解析に要する時間も少なくなる。
[0043] [水分ストレスを推定するための装置]
図 1においては、実験装置として、既存の近赤外分光器を用いと得られた反射スぺ タトルデータについて汎用コンピュータによりたデータ解析を行う場合を示しているが 、植物葉の水分ストレスを推定するための装置としては図 5に示すような構成になる。
[0044] 図 5において、 1は光源を含む光照射手段であり、 2は光照射手段により植物葉に 照射されて反射した光を受光する近赤外分光器を含む受光手段であり、 3は受光手 段により得られた反射光スペクトルを AD変換しスペクトルデータとするスペクトルデ ータ生成部であり、 4はスペクトルデータ生成部において生成されたスペクトルデータ につ 1、てデータ解析を行うデータ解析演算処理部であり、 5はデータ解析演算処理 部により演算処理された結果を出力する出力部であり、 6は光照射手段 1、受光手段 2、データ生成部 3、データ解析演算部 4、出力部 5の動作を全体的に制御する制御 部である。
[0045] [水分ストレスを推定するためのプログラム]
水分ストレスを推定することは、図 5に示すようなデータ解析演算部を備える構成の 装置によってなされる力 また、生成されたスペクトルデータについてデータ解析演 算を行うためのプログラムを備えた汎用コンピュータを用いて行うこともできる。そのた めのプログラムとしては、植物葉からの反射光を近赤外分光器により測定して得られ た反射スペクトル力 近赤外の波長範囲にわたるスペクトルデータについて重回帰 分析により複数のモデルに分けるモデルィ匕を行 、、共線性の診断により適切なモデ ルを選択するとともに対応する代表的な波長を選択し、前記選択されたモデルに対 して、各波長の係数について重回帰分析の表から確認し、前記スペクトルデータの 一部を用いて予測精度の検定を行い、重相関係数 (R)、予測標準誤差 (SEP)、葉 内水分ポテンシャル (LWP)の予測値を算出することをコンピュータにより実行するも のとする。
[0046] このように、本発明においては、植物葉について測定して得られた反射スペクトル データを重回帰分析により解析することにより、実測値との高い相関を有する LWPの 予測値が得られ、測定は簡易に行うことができ、長時間を要することはなぐ榭葉の水 分ストレスを推定するための装置としても、簡易で小型のものとすることができる。また 、本発明は、特にカンキッ榭葉に関して説明した力 カンキッ等の榭葉に限られるこ とはなぐ他の一般的な植物葉の場合についても同様に適用されるものである。 図面の簡単な説明
[0047] [図 1]植物葉の水分ストレスを推定する際に反射スぺ外ルを測定する測定装置を概 略的に示す図である。
[図 2]本発明の植物葉の水分ストレスを推定する処理を示すフロー図である。
[図 3]全てのデータを重回帰分析を行う複数のモデルに分けるためのものと、モデル の精度検定を行うためのものとに二分する場合の植物葉の水分ストレスを推定する 処理を示すフロー図である。 [図 4]本発明による測定された反射スペクトルデータにより求められた LWPの予測値 と乾燥法を用いて得られた LWPの実測値との相関を示す図である。
[図 5]本発明による植物葉の水分ストレスを推定するための装置の構成を示す図であ る。
符号の説明
1 光照射手段
2 受光手段
3 スペクトルデータ生成部
4 データ解析演算処理部
5 出力部
6 制御部

Claims

請求の範囲
[1] 光照射された植物葉からの反射光を近赤外分光器により測定して得られた反射ス ベクトル力 近赤外の波長範囲にわたるスペクトルデータを得ることと、
得られた前記スペクトルデータについて重回帰分析により複数のモデルに分けるモ デル化を行 ヽ、共線性の診断により適切なモデルを選択するとともに対応する代表 的な波長を選択することと、
前記選択されたモデルに対して、各波長の係数につ!、て重回帰分析の表から確認 し、前記スペクトルデータの一部を用いて予測精度の検定を行い、重相関係数 (R)、 予測標準誤差 (SEP)、葉内水分ポテンシャル (LWP)の予測値を算出することと 力 なることを特徴とする植物葉の水分ストレスを推定する方法。
[2] 前記近赤外の波長範囲にわたるスペクトルデータを含む植物葉についてのすべて の測定データを 2つの群に分け、一方の群のスペクトルデータについて重回帰分析 により複数のモデルにわけるモデルィ匕を行い共線性の診断により適切なモデルを選 定して代表的な波長を選択し、他方の群のスペクトルデータを用いて予測精度の検 定を行うようにしたことを特徴とする請求項 1に記載の植物葉の水分ストレスを推定す る方法。
[3] 前記近赤外の波長範囲にわたるスペクトルデータが前記反射スペクトル力 得られ たスペクトルデータを吸光度スペクトルデータに変換し二次微分することにより得られ た吸光度スペクトルデータであることを特徴とする請求項 1に記載の植物葉の水分ス トレスを推定する方法。
[4] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであることを特徴とする請求項 1〜3のいず れかに記載の植物葉の水分ストレスを推定する方法。
[5] 光源を含む光照射手段と、該光照射手段により照射された植物葉からの反射光を 受光し近赤外分光器を含む受光手段と、該受光手段で得られた反射光スペクトルか ら近赤外の波長範囲にわたるスペクトルデータを生成するスペクトルデータ生成部と 、該スペクトルデータ生成部により生成されたスペクトルデータに対して重回帰分析 を行うデータ解析演算部と、該データ解析演算部により解析演算された結果を出力 する出力部と、制御部とを備えてなり、
前記データ解析演算部は前記スペクトルデータ生成部により生成されたスペクトル データについて重回帰分析により複数のモデルに分けるモデルィ匕を行い、共線性の 診断により適切なモデルを選択するとともに対応する代表的な波長を選択し、前記選 択されたモデルに対して、各波長の係数にっ 、て重回帰分析の結果の表から確認 し、前記スペクトルデータの一部を用いて予測精度の検定を行い、重相関係数 (R)、 予測標準誤差 (SEP)、葉内水分ポテンシャル (LWP)の予測値を算出する演算処 理を行うものであり、
前記制御部は前記光照射手段、近赤外分光器、スペクトルデータ生成部、データ 解析演算部、出力部の動作を制御するものであることを特徴とする植物葉の水分スト レスを推定するための装置。
[6] 前記解析演算部においては、前記スペクトルデータ生成部により生成されたスぺク トルデータを含む植物葉にっ 、てのすべての測定データを 2つの群に分け、一方の 群のスペクトルデータについて重回帰分析により複数のモデルにわけるモデル化を 行 ヽ共線性の診断により適切なモデルを選定して代表的な波長を選択し、他方の群 のスペクトルデータを用いて予測精度の検定を行うようにしたことを特徴とする請求項 5に記載の植物葉の水分ストレスを推定するための装置。
[7] 前記スペクトルデータ生成部にお 、て生成される近赤外の波長範囲にわたるスぺ タトルデータが前記反射スペクトル力 得られたスペクトルデータを吸光度スペクトル データに変換し二次微分することにより得られた吸光度スペクトルデータであることを 特徴とする請求項 5に記載の植物葉の水分ストレスを推定するための装置。
[8] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであることを特徴とする請求項 5〜7のいず れカ 1項に記載の植物葉の水分ストレスを推定するための装置。
[9] 光照射された植物葉からの反射光を近赤外分光器により測定して得られた反射ス ベクトルから近赤外の波長範囲にわたるスペクトルデータについて重回帰分析により 複数のモデルに分けるモデルィ匕を行 、、共線性の診断により適切なモデルを選択す るとともに対応する代表的な波長を選択し、前記選択されたモデルに対して、各波長 の係数について重回帰分析の表力も確認し、前記スペクトルデータの一部を用いて 予測精度の検定を行い、重相関係数 (R)、予測標準誤差 (SEP)、葉内水分ポテン シャル (LWP)の予測値を算出することをコンピュータにより実行するようにしたこと特 徴とする植物葉の水分ストレスを推定するためのプログラム。
[10] 前記近赤外の波長範囲にわたるスペクトルデータを含む植物葉についてのすべて の測定データを 2つの群に分け、一方の群のスペクトルデータについて重回帰分析 により複数のモデルにわけるモデルィ匕を行い共線性の診断により適切なモデルを選 定して代表的な波長を選択し、他方の群のスペクトルデータを用いて予測精度の検 定を行うようにしたことを特徴とする請求項 9に記載の植物葉の水分ストレスを推定す るためのプログラム。
[11] 前記近赤外の波長範囲にわたるスペクトルデータが前記反射スペクトル力 得られ たスペクトルデータを吸光度スペクトルデータに変換し二次微分することにより得られ た吸光度スペクトルデータであることを特徴とする請求項 9に記載の植物葉の水分ス トレスを推定するためのプログラム。
[12] 前記葉内水分ポテンシャル (LWP)の予測値が選択された代表的な波長につ！、て の二次微分の一次式として表されるものであることを特徴とする請求項 9〜： L 1のいず れカ 1項に記載の植物葉の水分ストレスを推定するためのプログラム。
PCT/JP2007/059334 2006-05-02 2007-05-01 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム Ceased WO2007129648A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2008514470A JP5258044B2 (ja) 2006-05-02 2007-05-01 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2006128090 2006-05-02
JP2006-128090 2006-05-02

Publications (1)

Publication Number Publication Date
WO2007129648A1 true WO2007129648A1 (ja) 2007-11-15

Family

ID=38667757

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2007/059334 Ceased WO2007129648A1 (ja) 2006-05-02 2007-05-01 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム

Country Status (2)

Country Link
JP (1) JP5258044B2 (ja)
WO (1) WO2007129648A1 (ja)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893567A (zh) * 2010-07-05 2010-11-24 浙江大学 一种油菜叶片氨基酸总量快速检测方法
JP2012225736A (ja) * 2011-04-19 2012-11-15 Iwate Univ 水ポテンシャル測定方法及び水ポテンシャル測定装置
CN103308465A (zh) * 2013-05-31 2013-09-18 南京农业大学 一种主动光源式作物冠层反射光谱测量装置用信号处理系统及方法
CN104634744A (zh) * 2014-12-19 2015-05-20 云南省烟草公司昆明市公司 一种基于反射光谱的烟叶成熟度测定方法
CN105052576A (zh) * 2015-08-19 2015-11-18 南京信息工程大学 一种设施作物干旱胁迫等级的确定方法
CN106067169A (zh) * 2016-05-24 2016-11-02 北京农业信息技术研究中心 植物水分胁迫状态自动监控方法及系统
WO2017123701A1 (en) * 2016-01-12 2017-07-20 University Of Florida Research Foundation, Inc. Portable spectrograph for high-speed phenotyping and plant health assessment
CN107748233A (zh) * 2017-11-21 2018-03-02 江苏大学 一种快速定量检测植物抗盐能力的方法
CN108254396A (zh) * 2017-12-05 2018-07-06 江苏大学 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法
WO2023126996A1 (ja) * 2021-12-27 2023-07-06 日本たばこ産業株式会社 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10126234B2 (en) 2015-10-23 2018-11-13 Panasonic Intellectual Property Management Co., Ltd. Water content of a part of plant evaluation method and water content of a part of plant evaluation apparatus
JP5975366B1 (ja) * 2015-10-23 2016-08-23 パナソニックＩｐマネジメント株式会社 植物水分量評価方法及び植物水分量評価装置
JP6455794B2 (ja) * 2016-05-31 2019-01-23 パナソニックＩｐマネジメント株式会社 水分量観察装置、水分量観察方法および栽培装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10311792A (ja) * 1997-05-12 1998-11-24 Shizuoka Prefecture 茶葉の水分測定装置及び水分測定方法
JP2000245260A (ja) * 1999-03-02 2000-09-12 Satake Eng Co Ltd 穀類の品質推定方法及びその装置
WO2005111583A1 (ja) * 2004-05-17 2005-11-24 The New Industry Research Organization 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002022652A (ja) * 2000-07-10 2002-01-23 Horiba Ltd 波長分析型赤外画像および可視画像解析装置
JP2005291704A (ja) * 2003-11-10 2005-10-20 New Industry Research Organization 可視光・近赤外分光分析方法
JP4524473B2 (ja) * 2004-03-25 2010-08-18 長崎県 植物の受ける水分ストレスの測定方法及び装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10311792A (ja) * 1997-05-12 1998-11-24 Shizuoka Prefecture 茶葉の水分測定装置及び水分測定方法
JP2000245260A (ja) * 1999-03-02 2000-09-12 Satake Eng Co Ltd 穀類の品質推定方法及びその装置
WO2005111583A1 (ja) * 2004-05-17 2005-11-24 The New Industry Research Organization 近赤外線分光法による野菜等の成分の非破壊検査法、及び同装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MIYAMOTO K. ET AL.: "Kinsekigai Bunkoho ni yoru Jutai no Jinsoku Eiyo Shindan. Mizu Stress Shindanho no Kaihatsu 2) Kinsekigai Bunkoho ni yoru Jutai no Mizu Stress Sokutei Gijutsu no Kaihatsu 3) PLS Kaiki Bunseki ni yoru Hamizu Potential Kenryo Model no Kaihatsu", WAKAYAMA RESEARCH CENTER OF AGRICULTURE, FORESTRY AND FISHERIES KAJU SHIKENJO KAJU SHIKEN KENKYU SEISEKI, no. 2004, 2004, pages 45 - 46, XP003012999 *
MIYAMOTO K.: "Kinsekigai Bunkoho no Mizu Stress Shindan eno Riyo Kanosei ni Tsuite", WAKAYAMA RESEARCH CENTER OF AGRICULTURE, FORESTRY AND FISHERIES KAJU SHIKENJO KAJU SHIKEN KENKYU SEISEKI, no. 2004, 2004, pages 287 - 291, XP003012998 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101893567A (zh) * 2010-07-05 2010-11-24 浙江大学 一种油菜叶片氨基酸总量快速检测方法
JP2012225736A (ja) * 2011-04-19 2012-11-15 Iwate Univ 水ポテンシャル測定方法及び水ポテンシャル測定装置
CN103308465A (zh) * 2013-05-31 2013-09-18 南京农业大学 一种主动光源式作物冠层反射光谱测量装置用信号处理系统及方法
CN103308465B (zh) * 2013-05-31 2016-04-13 南京农业大学 一种主动光源式作物冠层反射光谱测量装置用信号处理系统及方法
CN104634744A (zh) * 2014-12-19 2015-05-20 云南省烟草公司昆明市公司 一种基于反射光谱的烟叶成熟度测定方法
CN105052576A (zh) * 2015-08-19 2015-11-18 南京信息工程大学 一种设施作物干旱胁迫等级的确定方法
US11493385B2 (en) 2016-01-12 2022-11-08 University Of Florida Research Foundation, Incorporated Portable spectrograph for high-speed phenotyping and plant health assessment
WO2017123701A1 (en) * 2016-01-12 2017-07-20 University Of Florida Research Foundation, Inc. Portable spectrograph for high-speed phenotyping and plant health assessment
CN106067169A (zh) * 2016-05-24 2016-11-02 北京农业信息技术研究中心 植物水分胁迫状态自动监控方法及系统
CN107748233A (zh) * 2017-11-21 2018-03-02 江苏大学 一种快速定量检测植物抗盐能力的方法
CN108254396A (zh) * 2017-12-05 2018-07-06 江苏大学 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法
WO2019109383A1 (zh) * 2017-12-05 2019-06-13 江苏大学 一种基于micro-CT和偏振-高光谱成像多特征融合的番茄苗期水分胁迫检测方法
US11436824B2 (en) 2017-12-05 2022-09-06 Jiangsu University Water stress detection method for tomatoes in seedling stage based on micro-CT and polarization-hyperspectral imaging multi-feature fusion
WO2023126996A1 (ja) * 2021-12-27 2023-07-06 日本たばこ産業株式会社 植物が含有する所定の成分の量を予測する方法、システム及びプログラム

Also Published As

Publication number Publication date
JPWO2007129648A1 (ja) 2009-09-17
JP5258044B2 (ja) 2013-08-07

Similar Documents

Publication Publication Date Title
WO2007129648A1 (ja) 植物葉の水分ストレスを推定する方法、植物葉の水分ストレスを推定するための装置及び植物葉の水分ストレスを推定するためのプログラム
CN101620180B (zh) 近红外技术快速检测茶叶品质的方法
CN102879353B (zh) 近红外检测花生中蛋白质组分含量的方法
An et al. Eliminating the interference of soil moisture and particle size on predicting soil total nitrogen content using a NIRS-based portable detector
CN111999258B (zh) 一种面向光谱基线校正的加权建模局部优化方法
CN114676636A (zh) 一种综合植被和生境特征的草原区土壤水分快速反演方法
Zhu et al. Wavelength selection of hyperspectral scattering image using new semi-supervised affinity propagation for prediction of firmness and soluble solid content in apples
CN102830096A (zh) 基于人工神经网络的元素浓度测量误差修正方法
CN106295865A (zh) 一种水稻产量的预测方法
Chen et al. Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods
CN104596979A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶纤维素的方法
Buelvas et al. Biomass estimation from canopy measurements for leafy vegetables based on ultrasonic and laser sensors
CN119354911A (zh) 基于红外光谱橡胶助剂成分分析与质量控制方法及其系统
CN119760321A (zh) 一种基于光谱分析的文冠果油质量评估系统及方法
Xu et al. Predicting internal parameters of kiwifruit at different storage periods based on hyperspectral imaging technology
CN104596975A (zh) 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法
Sun et al. Nondestructive detection of reducing sugar of potato flours by near infrared spectroscopy and kernel partial least square algorithm
Priyadarshi et al. Comparing various machine learning algorithms for sugar prediction in chickpea using near-infrared spectroscopy.
CN121275684A (zh) 近红外光谱结合cpo-svm硅橡胶吸水率检测方法
CN118566143B (zh) 一种基于高光谱数据的水稻叶绿素含量估测方法
Sang et al. Exploring soil multi-parameter stacking measurement through Raman and NIR dual-spectroscopy
Xie et al. Nondestructive determination of soluble solids content and pH in tomato juice using NIR transmittance spectroscopy
CN113418889A (zh) 一种基于深度学习的干菜水分含量和菌落总数的实时检测方法
Yang et al. Estimation model of leaf nitrogen content based on GEP and leaf spectral reflectance
CN106529680A (zh) 一种基于经验模态分解的多尺度极限学习机集成建模方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 07742769

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2008514470

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 07742769

Country of ref document: EP

Kind code of ref document: A1