[发明专利]一种基于光谱技术的小麦叶片糖氮比快速检测方法

说明书

技术领域

本发明涉及一种基于光谱技术的小麦叶片糖氮比快速检测方法，属于作物栽培管理技术领域。特别涉及作物生长信息中生理参数的获取，用于对小麦叶片糖氮比进行快速准确检测。

背景技术

快速获取作物生长信息并进行定量诊断和变量管理是精确农业体系中的关键技术之一。植物体内糖氮比能直接反映植株生长和发育状况，因此快速检测小麦叶片糖氮比不仅有助于实现作物氮素营养科学运筹和精确施肥技术，而且有助于实现优质、高产、高效、生态和安全的农业目标。

长期以来，作物糖氮比的检测一直采用人工破坏性取样并测定，其缺陷是耗时、费力、不经济。近年来，基于光谱方法的植株生化组分检测由于快速、准确且高效等优点而被广泛应用，但已有的研究均为单一的检测碳、氮和色素等化学组分，鲜有直接利用光谱信息预测植株糖氮比。目前，用于定量监测小麦和水稻叶片糖氮比的光谱信息，主要为在室外获取的冠层光谱信息，由于受到冠层结构、土壤背景等因素的影响，导致精确度不够高；且其预测模型主要基于大量样本的统计回归分析得到，很难外推应用到其他环境条件。因此，迫切需要一种准确、快速预估小麦叶片糖氮比信息的光谱技术和方法。

发明内容

本发明的目的是为克服上述现有技术耗时、繁琐、精确度不高的缺陷，提出一种基于光谱技术的小麦叶片糖氮比的快速检测方法，该方法可以快速、准确地检测出小麦叶片糖氮比。

本发明是通过以下技术方案实现的：

一种基于光谱技术的小麦叶片糖氮比快速检测方法，包括采集样品光谱，其特征是将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7.0平台进行预处理，应用偏最小二乘法对预处理的光谱数据进行分析，提取特征光谱，将特征光谱输入小波神经网络模型中，检测得到小麦叶片糖氮比。

上述利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集背景光谱，然后采集样品光谱；光谱采集参数为：扫描次数为8、16、32、64或128，光谱范围1100～2500nm，分辨率为0.25、0.5、1、2、4或8。优选光谱采集参数为：扫描次数为64，光谱范围1100～2500nm，分辨率为1nm。

上述基于TQ Analyst 7.0平台进行预处理主要包含以下步骤：在光谱范围1655～2378nm内，对光谱进行多元散射校正，Norris平滑处理和一阶导数处理。其中，多元散射校正是利用Pathlength组件对光谱进行多元散射校正；平滑处理是利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理；一阶导数处理是利用Regions组件对光谱进行一阶导数预处理。

上述提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析，压缩样品的光谱信息，提取6个特征光谱。根据交叉验证RMSECV最小时的主成分数为最佳特征光谱个数，确定特征光谱为6个，如果采用的PLS主成分数过少，光谱中一些有用的信息会被忽略，其模型预测准确度就会降低；如果采用过多的PLS主成分建模，就会将一些代表噪声的主成分加到模型中，模型的预测能力也会下降。

上述小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经网络模型。该模型采用输入层、隐含层和输出层的三层结构模式，输入层节点数-隐含层节点数-输出层节点数为6-7-1，输入层节点为6个特征光谱，隐含层节点数为训练网络时预测值和真实值误差最小时的节点数7，输出层节点为小麦叶片糖氮比1。小波神经网络模型隐含层传递函数采用小波函数Morlet，输入层到隐含层的权值和阈值分别为Morlet函数的伸缩参数和平移参数。所述的Levevberg-Marquardt网络优化算法，学习速率为0.01，最大训练次数为1000，网络模型期望误差为0.001。

与现有技术比较本发明的有益效果：