文摘

水分在植物中是最常见的一种生化参数限制光合作用效率和作物生产力。因此,它具有非常重要的意义来预测含水量快速、无损。本研究的目的是调查的可行性检测叶片的含水量使用漫反射光谱在可见光及近红外光谱区域有限(400 - 1100海里),可用于确定叶绿素等生物化学参数和含氮量。实验用树叶在不同水分胁迫。统计检验结果表明,叶片水分含量的测定可以成功地由可见光及近红外光谱结合化学计量学方法。不同预处理方法的性能比较。最好的模型得到的一阶导数光谱性能。为了使校准模型更简洁和稳定,提出了一种混合波长选择方法提取有效的特征波长。在最优条件下,RMSEP 0.73%含水量预测获得了25个变量使用外来的验证。给出的结论可能会导致同步开发的便携式仪器检测水分含量和其他生化参数快速、无损。

1。介绍

水是最重要的事情之一在高的植物。水压力限制蒸腾包括气孔关闭和更少的水从叶面蒸发。此外,它减少了光合作用的效率和限制农作物产量1- - - - - -3]。因此,它具有重要影响的农业管理实践来检测植物的含水量。准确的含水量估算需要灌溉决策和预测作物产量在农业领域(4]。可以显示水的植物组织的特点如根、茎、叶或整个树冠。与其他组织的植物相比,叶分析是最重要的工具,评估营养和水的植物,它用于指导施肥和灌溉5,6]。因为叶子是新陈代谢非常活跃,这是光合作用的位置处理最重要的生物反应。

目前,研究含水量测定植物中主要出现在遥感领域和多光谱图像。水决定的不同尺度的树冠叶是实现合理的准确性依赖倒置物理模型和光谱指数或比率不同波长的反射率值之间7- - - - - -12]。但这种方法适用于估算粗在大面积和昂贵的日常使用。此外,这些光谱中发现的叶片含水量指标用电吹风叶子只是受含水量的变化大,不能检测到水压力(13,14]。因此很难获得相关信息的生理水状态新鲜叶片的光谱。在许多应用程序中,如在精准农业温室或植物生长箱空间,生化参数需要确定准确和实时环境为了进一步实现反馈控制参数。在这种情况下,便携式仪器和精确的模型需要实时估计叶生化参数。

一些研究旨在开发新方法在精密灌溉研究了初级产品的生产加工。Kriston-Vizi等人使用的视觉多光谱图像评估水状态普通话和桃叶水势的树冠的(15]。三个通道的叶子反射,分别用绿色(490 - 580海里),红(580 - 760 nm),近红外(760 - 900 nm)。结果表明,适度的好红反射和叶水势之间的相关性被发现以及绿色反射率和叶水势之间。Mizulami Y测量含水量在茶叶使用电子光谱(16]。样品用不同成熟度度分离构建不同的回归方程同时使用阻抗和电容。结果显示相关系数高,取得了令人满意的水平的标准误差在每个阶段的成熟。古登et al .,探索树叶的含水量之间的关系和它们的光谱属性使用一个非常宽的地区的近红外光谱(400到2500海里)(17]。为了给一般关系和预测精度,丰富的样本8常见的地中海树和灌木物种从两个网站在2001年和2002年的夏季是分析工作。请回归方法被用于建立的校正模型。给出的满意结果 2 = 0 。 9 3 - - - - - - 0 。 9 9 针对单一物种,SECV = 2 - 7%从同年 2 = 0 。 9 2 - - - - - - 0 。 9 5 multispecies SECV = 7%。李研究遗传算法的性能加上偏最小二乘(GA-PLSs)建模光谱反射率的检索等效水厚度(易)叶和林冠层(18]。虽然这篇文章的目的是估计含水量从遥感数据,它为我们提供了一个思想运用化学计量学方法确定叶片的含水量。

光谱分析作为一种有效的技术无损、快速、准确测量等广泛应用于农业领域植物类别歧视,检查疾病和营养状况,果实品质参数评估,和类别的歧视19- - - - - -22]。Physical-based研究表明,绿色植物的反射光谱特征光谱在900 - 2500海里地区也由液态水吸收和弱受其它生化成分的吸收。由于吸收的吸水功能地债券可以找到约760海里,970海里,1200 nm、1450 nm和1950 nm (23]。吸收功能在1450 nm和1950 nm最为明显。然而,其他生化参数的信息如叶绿素含量、含氮量将蒙面水吸收力强,在这个地区。考虑精准农业的角度或生长环境参数控制,同步测定不同参数是非常重要和必要的。它可以发现其他生化参数的吸收特性反映在能见度/近红外光谱。此外,可以使用该地区开发小和便携式仪器。因此,研究含水量的测定具有重要意义使用vi /近红外区光谱(400 - 100海里)。

在这项研究中,无损的可行性和快速测量叶片的含水量使用vi /近红外光谱进行了研究。同时,为了提高模型的精度,结合不同的预处理方法,请使用和比较确定最优校正模型;为了提高模型的稳定性和解释的能力,选择有效的特征波长的hybria(即波长选择方法。,向后间隔请结合连续投影算法,Bipls-SPA)。预计提供了依据水便携式无损检测仪器的发展。

2。材料和方法

2.1。样品制备

实验是在温室进行在中国北京航空航天大学(116°46′E, 39°92′N)。25盆栽Epipremnum Aureum种植着不同水压力获得异构树叶测试的状态。五水平的供水输入(灌溉频率是3、6、9、12、15天,resp)应用。3完全展开叶植物从底部,中间,和收集。所有这些都是健康的和均匀的颜色没有花青素色素沉着或可见损伤的症状。共75个样本不同含水量的叶子。期间为了减少水损失的转移实验室树叶,树叶立即采摘后封装在一个黑色塑料袋。

2.2。水含量分析

叶片相对含水量(RWC),用作水的参考价值的内容,决心通过焙烧的方法 R W C = F W − D W F W × 1 0 0 , ( 2 。 1 )

弗兰克-威廉姆斯是鲜重,DW干重。叶子第一次称重迅速使用分析天平(梅特勒-托利多AL104,瑞士)后扫描相应的频谱和弗兰克-威廉姆斯都被记录下来。然后,他们干在120°C循环烤箱烘焙20分钟,温度降至80°C,直至恒重(干重,DW)了。

2.3。光谱采集

进化300紫外可见光谱仪(热,美国)是用于获取叶漫反射光谱。光谱仪的范围是200 - 1100 nm的可调分辨率1、2和4海里。为了得到精制叶片的光谱特性,该决议在本研究设置为1纳米。整个实验是在大约25°C。的漫反射光谱测量反射率配件积分球。样品光谱测量之前,一个基线校正是运行一个标准的白色面板(Spectralon Labsphere)已知的反射在反射样品端口。叶的表皮向轴的固定样本港口密切,每片叶子的反射光谱。对于每一个叶片,三个漫反射光谱测量随机在不同的位置,和三个光谱的平均频谱是用于分析和存储为反射( )。光谱信息删除从200 - 400 nm的地区由于其较低的信噪比。因此,只有光谱数据在400 - 1100纳米的范围考虑进行分析。

2.4。标定方法

偏最小二乘(PLS)分析(24),广泛用于校准在当前化学计量学分析,进行了水含量预测模型的建立。与其他主成分分析和线性回归方法相比,高钙,请回归的共线性变量可以表示形式的潜在变量观测变量的线性组合,同步,这些潜在变量与目标浓度最大的针对性。

校准模型的性能评估的均方根误差校准的交叉验证(RMSECV)。建立模型的预测能力独立测试样本评估预测的均方根误差(RMSEP),剩余预测偏差(RPD),和决定系数( 2 ): R 米 年代 E C V = ∑ = 1 − , R 米 年代 E P = ∑ = 1 − , 2 ∑ = 1 − = 1 − 2 ∑ = 1 − − 2 , ⎷ 年代 E P = = 1 − − 2 , − 1 R P D = 年代 t d ( ) , 年代 E P ( 2 。 2 ) 在哪里 , 表示的参考价值和预测价值 th样本预测集和分析交叉验证集,分别 − 表示均值参考价值的数据集, 和 校准和预测样本的数量, 年代 t d ( ) 参考数据的标准差。 2 是百分比变化用回归模型来解释。一般来说,一个好的模型应该很高 2 和RPD RMSEC和RMSEP价值较低。

2.5。预处理的方法

通常相关的有效信息与目标物质含量光谱是由一些无用的信息。它可能是来自探测器的噪声和基线和背景或其他不必要的物理结构所造成的各种样品的区别。因此,预处理是非常重要的对于一个好的校准模型建立在光谱分析。应删除任何不相关的信息,包括噪音、不确定性,可变性,互动,和未知的特性。常见的预处理步骤是: ( 1 ) 首先去除噪声和基线, ( 2 ) 正确的样本的差异。已经有大量的每一步预处理方法。在这项研究中,以下请预处理方法的影响被研究包括平滑移动平均滤波器的方法(MA)和Savitzky-Golay (SG)去噪,乘法散射校正(MSC)和微分系数(第一和第二衍生品,D1and D2)校正样本的差异。

2.6。波长选择

波长选择的目的是提取最有益的波长组合构建稳定、吝啬的含水量检测模型。为此,hybria波长选择的策略,也就是说,Bipls-SPA提出了波长选择特性。

波长连续投影算法(SPA)是一个成功的提取方法基于投影技术(25]。它减少了冗余信息的光谱和变量共线性尽可能使模型更稳定和精确。然而,对于叶片的光谱在可见光及近红外光谱区域,色素吸收和散射的信息是主要的背景,这掩盖了水吸收信息。此外,吸水率在400 - 1100纳米的范围是非常薄弱。因此,很难SPA提取变量与水有关的内容。另一方面,需要长时间实现全光谱的算法。因此,有效波长间隔得到首先通过逆向间隔请(Bipls)算法。然后,温泉是应用于波长间隔Bipls提取得到的特征波长更有效。

Bipls由Nørgaard et al。26]。其原理是将整个光谱分割成许多较小的等距地区和构造请在每个地区的回归模型。然后,间隔的最佳组合是在落后的选择方法。过程描述如下:数据集分为一个给定数量的间隔,请与每个区间模型计算。第一间隔了一个叶子,最贫穷的模型对RMSCV获得通过使用其他间隔。这个过程一直持续到RMSECV开始增加留下任何时间间隔。使用Bipls,区间的数量是关键参数。如果选择间隔太小,无用的信息掩盖了吸收信息不能被删除,信息提取困难;如果选择了太多的间隔,波长包含相同或相似的信息都切成两部分没有好处减少模型的复杂性。在这个工作中,反复试验,频谱分为30等距的小区间,由于利用超过这个数字没有改善的结果。

3所示。结果与讨论

3.1。VIS /样品的近红外光谱

在这部作品中,检测叶片水分含量在不同水压力进行了研究。图1展示了代表原始高光谱的叶子,中度压力和水压力,分别。这个地区的频谱特性是由色素吸收,弱水吸收,叶结构的影响。


图1
代表原始光谱的叶子有不同的含水量。

与低含水量的样品相比,水分含量高的样品还有相对低反射率在该地区700 - 1100 nm和高反射率在400 - 700海里。有几个波槽585纳米左右,670 nm和986 nm反射光谱的叶子。不同的反射槽周围670海里是由叶绿素吸收引起的。小槽周围970海里反映了水弱吸收信息(23]。反射在680 - 780海里的急剧增加使得吸水信息约760 nm完全掩盖了。猜,槽周围580海里是由叶结构引起的。

3.2。含水量和原始光谱数据之间的关系

图2显示相关系数( 水分含量和叶片反射光谱曲线。它可以发现 在整个范围不超过0.6。马克斯的绝对值 大约是550 nm和720 nm(如图2)。但是峰的位置与期望不一致。的绝对值 在980 nm和760 nm)约为0.2,非常低。因此,很难提取水弱吸收光谱在该地区的信息400 - 1100 nm虽然含水量的百分比在新鲜的叶子很大(20% - -90%)。简单的逐步多元线性回归等方法或基于相关系数的波长选择方法是不可能的。因此,使用多元校正是合理的,关于水的信息内容需要从光谱中提取。


图2
相关系数的水含量叶wavelength-dependent反射率。
3.3。请与预处理模型

施工前的校准模型,主成分分析用于检测异常值影响模型的性能。模型由于其潜在的不良影响,7个样本。努力(27)是用于将可用的样本划分为校准和预测集,以避免偏见的子集的选择。如表所示1,校准的含水量范围覆盖范围的预测集。

表1
水含量的统计值来自同一物种的校正和预测。

校准和预测建立了集后,请与整个光谱模型构建后应用不同的预处理策略(没有任何预处理,马的应用,应用MSC,应用s g D1和D2计算的程序使用一个二阶多项式滤波器,并应用这些方法的组合)。上述校准模型的评估指标计算,以验证改进后的模型的能力。总结的这个实验结果如表所示2。

表2
校准的结果和预测集通过PLS模型与不同的预处理方法。

模型的预测性能没有预处理 2 = 0 。 8 7 1 RMSEP = 1.2%。结果不是太坏。为了验证这一事实含水量和反射光谱之间的线性关系发生在400 - 1100纳米的范围, 测试和 测试进行的测试模型线性回归参数的显著性检验。回归模型通过了 测试在0.005的显著性水平,还通过了回归参数 测试在0.1的显著性水平。预测集的RPD是2.86应用深入分析请模型的预测效果。前研究表明,RPD≥3表示,预测效果很好,校正模型可用于实际的测试;2.5 < RPD < 3表示模型可以用于定量分析(28,29日]。考虑到这条规则,叶片的含水量可以使用可见光及近红外光谱分析技术定量检测。但它在实践中不能用于测试。

从表2,得出结论如下: ( 1 ) 去噪方法可以提高校准精度或解释能力( 2 ); ( 2 ) 散射校正方法和微分系数可以降低模型复杂度(请因素的数量)。特别是,SG平滑25分结合一阶导数是最好的预处理方法。 2 从0.871到0.920,而增加RMSEP与lv = 5从1.2%下降到1.0%。结论可以解释的字符数据。由于相同的物种数据,散射差异并不明显。然而,含水量信息隐藏的背景区域的平面反射740 - 1100 nm和哪一个一阶导数可以完全正确(如图3)。


图3
由最优预处理方法光谱校正。

相关系数( )曲线的含水量和光谱数据预处理后如图4。发现相对论是改善明显。的地区 高于0.6 506 - 524 nm, 566 - 577 nm, 765 - 784 nm和950 - 957 nm。后两个区域描述周围的水吸收波段760和970海里。但是有一些偏离理论。据推测,这是因为水特征波长位移由叶诱导结构改变的水压力。前两个地区相对叶绿素含量来表示信息。从这个视图中,含水量和叶绿素含量有相关性。它与前者一致研究[30.]。


图4
相关系数的含水量在叶wavelength-dependent预处理后反射。

后进行适当的预处理方法,预测集的最优RPD 3.66从SG组合方法去噪和D1。结果满足实际测试的要求。

3.4。波长选择

波长选择不仅增强了模型的稳定性,而且使模型更简洁。温泉是一个成功的变量选择方法应用于各种光谱测量。它与混合策略Bipls-SPA提议通过应用在水含量检测,请模型波长选择后的结果见表3。

表3
校准的结果和预测集通过PLS模型与变量选择不同的方法。

与full-spectra模型相比,获得了更好的结果,请应用在30变量选择SPA。RMSEP是0.81%,减少了16.5%。同时,模型复杂度大大降低。从图5,它可以发现变量选择温泉分布在整个光谱范围。事实上,水是短期的主要吸收信息制品近红外光谱(760 - 1100海里)。因此,选择一些不相关的变量。在该混合策略,Bipls用于选择有效波长间隔水疗之前删除无用的信息。共有260个变量从8有效波长间隔(553 - 556 nm, 689 - 720 nm, 755 - 842 nm, 950 - 970 nm, 1013 - 1034 nm和1055 - 1075海里)。校准模型的精度提高基于所选择的时间间隔(RMSECV = 1.2%)相比,全光谱模型。Bipls的目的是选择尽可能少的变量保持模型的预测精度。然后,25个变量选择SPA应用的有效波长间隔(如图5)。这个模型变得更加吝啬的。RMSEP减少到0.73%,通过直接SPA相比减少了9.9%。


图5
有效波长选择不同的方法。

水含量的预测和参考价值的叶子校准和预测基于Bipls-SPA模型如图设置6。样本回归线分布紧密,这显示了一个优秀的光谱分析性能。从上面的分析,得出的结论是,Bipls-SPA是一种有效的变量选择方法。由这些波长校准模型更稳定和吝啬的和有更高的预测能力。它提供了理论依据便携式仪器开发探测水含量叶快速无损。


图6
校准模型和预测能力的水含量叶Bipls-SPA基于波长选择。

4所示。结论

在这部作品中,结果表明,它是可行的使用可见光及近红外光谱(400 - 1100 nm)光谱分析含水量在树叶中发现使用化学计量学的方法,它克服了困难提取水弱吸收信息的短波近红外区域(760 - 1100 nm)。同时,它是发现,请结合预处理方法可以建立精确的模型,并提出一个令人满意的预测精度。一阶导数可以去除基线,使水吸收信息突出最佳的预处理方法。最好的模型适用于测试含水量在实践中与RPD = 4.86。此外,波长选择方法Bipls-SPA提出了可以选择有效波长。它降低了模型的复杂性,提取水的最有效的信息内容,提高了模型精度,使模型更稳定。本文中给出的技术提供了一个详细的分析视图的水分在植物,可用于探索便携式仪器实现无损、快速同步含水量和其他生化参数的估计,从而更有效的精准农业灌溉规划或密切的生态系统。

确认

这项研究是由国家自然科学基金(60708026号)、北京市优秀人才培训项目基础(20081 d1600600348)和项目对长江学者和创新研究团队(PCSIRT)在中国大学(IRT0705)。