论文部分内容阅读
近红外光谱分析技术具有简单、快速、准确、无污染、重复性好、便于实现在线分析等优点,已经在某些领域得到了应用,并且发展迅速,前景广阔。但目前近红外光谱的分析技术应用还主要集中在石化、粮食、医学等行业,应用于食品和农业、生物化学研究、分析测试研究、药品、化妆品、纺织、多聚物、有机物生产、无机矿物测试、工业流程的在线检测和质量控制等方面。为了拓宽其应用范围,为获取作物信息获取探寻一个快速、无损的检测方法,本研究以设施农业中的主要作物-番茄为研究对象,利用近红外光谱分析技术获取番茄生长信息相关的化学组分的方法。本研究有两个重点:一是研究利用近红外光谱技术获取作物的光谱信息时,不同的预处理、建模方法、波段选择、异常样品剔除方法及不同的检测附件,对预测模型的影响;二是利用近红外光谱技术获取作物的光谱信息,利用光谱分析技术、化学计量方法等建立预测番茄叶面水分、叶绿素和spad含量的预测模型。本文通过常规化学分析方法获取了番茄叶片中的水分、叶绿素和spad含量。利用美国尼高力(Nicolet)仪器公司的高性能高精确度NEXUS智能漫反射updrift附件和光纤附件两种不同的光谱测量方法分别获取叶面的漫反射光谱。并对近红外光谱分析实验进行了重点研究,通过对样品处理方法、扫描条件、谱图的预处理、建模方法、异常样品剔除等因素的分析,确定谱图最佳预处理方法如下:水分的最佳预处理方法为水分原始光谱(采用光纤附件)和一阶导数+5点平滑(采用updrift附件),最佳预测模型的结果分别为:R=0.98083,RMSEC=0.0150,RMSEP=0.0147,f=9和R=0.95600,RMSEC=0.0118,RMSEP=0.0273,f=7叶绿素的最佳预处理方法为原始光谱+SNV(Standard Normal Variate Transformation)(采用光纤附件)和二阶导数+SNV(Standard Normal Variate Transformation)(采用updrift附件),最佳预测模型的结果分别为:R=0.95098,RMSEC=0.335,RMSEP=0.595,f=9和R=0.99020,RMSEC=0.567,RMSEP=0.366,f=8SPAD值的最佳处理方法为原始光谱+MSC(Multiplicative signal derivacative)(采用光纤附件)和一阶导数+5点平滑+MSC(采用updrift附件),预测模型的结果分别为:R=0.98043,RMSEC=4.89,RMSEP=5.36,f=10R=0.95468,RMSEC=5.39,RMSEP=4.05,f=10最佳建模方法均为偏最小二乘法。模型预测的结果也是准确的,可代替标准方法或参考方法进行番茄水分、叶绿素和spad含量的快速测定。