一种利用近红外光谱检测油菜茎秆倒伏指数的方法与流程

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倒伏指数的方法。

背景技术：

当前我国食用植物油自给率低于40％。我国是世界第一油菜种植大国，国产菜籽油占国内植物油消费总量的20％左右，因此，探究油菜高产栽培对于提高我国食用油自给率至关重要。但在油菜实际生产过程中，受品种、当地气候条件、栽培方式等的影响，油菜往往发生倒伏，限制了产量的进一步提高。有关油菜倒伏与产量关系研究表明，我国油菜因倒伏造成的产量损失为10.04-21.96％；油菜发生倒伏后，冠层受光不良，严重影响了角果光合产物的合成及分配运输，增加了阴角瘪粒，使得最终的籽粒产量下降，品质降低；在开花后二十天，油菜倒伏发生严重，此时茎秆倒伏，可导致产量减少7％-35％；也有研究指出，倒伏时期不同，对油菜产量影响不同，花期倒伏，单株角果数及每角果粒数受影响，角果期倒伏则主要影响千粒重。可见倒伏发生在任何时期均会显著降低产量，因此要想进一步提高油菜产量，降低倒伏发生尤为重要。油菜倒伏具有根倒及茎倒两种方式，常见的倒伏类型为茎倒，茎秆倒伏可用倒伏指数来评价。传统倒伏指数指标测定是需要在油菜终花后20天测定其株高、地上部鲜重和茎秆抗折力。但这种方法费时、费力且操作步骤多，控制误差比较困难。

因此，需要一种更简单、更精确的方法来测定油菜茎秆倒伏指数指标。

技术实现要素：

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倒伏指数的方法，其特征在于，包括以下步骤：

s1：建立油菜茎秆倒伏指数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得到的油菜茎秆倒伏指数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倒伏指数。

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，并根据油菜茎秆倒伏指数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倒伏指数，与传统使用的分析方法不同，在建立了对应关系后，该方法无需再进行复杂的物理测定，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：测量所述油菜茎秆样品中的倒伏指数；

s13：测量所述多个油菜茎秆样品的近红外光谱；

s14：根据s12和s13的结果建立所述油菜茎秆的倒伏指数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6475.8cm^-1-5449.8cm^-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。切面近红外光谱与倒伏指数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，由于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，防止自然光进入样品池中干扰结果。

在一个具体实施方案中，s14中油菜茎秆倒伏指数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为油菜茎秆样品倒伏指数正态分布图；

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10个异常样品后的240个样品预测值与实测值的相关性；

图5为剔除10个异常样品后的240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倒伏指数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(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位试验材料，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.油菜茎杆倒伏指数测定

在成熟期取10株油菜，量取第一次有效分枝部位高度，除去缩颈段后，将剩余部分平均分为四段，采用浙江托普仪器有限公司生产的yyd-1茎秆强度测定仪测定抗折力。参照(wangcetal2014)的方法并进行一定改进，即：倒伏指数(cm·g/g)＝高度(cm)×鲜重(g)/抗折力(g)(高度和鲜重皆指测定茎段与植株顶部对应高度与鲜重，抗折力为该段中间10cm抗折力)。

4、试验样品的采集与收藏

倒伏指数测定完毕后，将茎秆在105℃的温度条件下杀青，80℃烘干至恒重备用。

5.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。

6.油菜茎秆倒伏指数的近红外光谱定量分析

6.1采用物理方法实测倒伏指数的结果

采用倒伏指数(cm·g/g)＝高度(cm)×鲜重(g)/抗折力(g)(高度和鲜重皆指测定茎段与植株顶部对应高度与鲜重，抗折力为茎秆中部10cm抗折力)的方法测定340个样品倒伏指数，进行初步统计，结果如表1，340个样品倒伏指数范围为0.352-2.659。同时从图1中可以看出，倒伏指数分布符合正态分布，数据具有代表性。

表1340个样品倒伏指数的实测结果统计

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2340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8时，相关系数r为0.964，内部交叉验证均方差rmsecv为0.142％，模型预测精度较好，预测残差约为0.300％。

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10个样本数据后，剩余240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8时，相关系数提高到0.967，内部交叉验证均方差减少到0.135％，预测模型精度提高，预测残差保持为0.300％。

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0.967，内部验证均方差最小，为0.135％。在建立倒伏指数模型时，最好不对光谱进行预处理。

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33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33个不同波段后，不同波段有不同的rmsecv值，最佳波段为6475.8cm^-1-5449.8cm^-1，它所对应的rmsecv值最小，为0.135％。

6.5主成分的优化

用无光谱预处理的方法和光谱波段为6475.8cm^-1-5449.8cm^-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8时相关系数最大为0.967，内部交叉验证均方差最小为0.135％，效果最佳。

综上，油菜茎秆倒伏指数近红外光谱建立，最佳光谱处理方法是无光谱预处理，光谱波段在6475.8cm^-1-5449.8cm^-1，主成分数是8时，建立模型相关系数r最大为0.967，内部交叉验证均方差rmsecv最小为0.135％。

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，残差正负均等，均不超过±1；经过计算，验证集相关系数r为0.853，rmsep为0.200％，说明采用此方法预测准确。

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。