芒属植物叶片含水率的测定方法

摘要

本发明公开了一种芒属植物叶片含水率的测定方法，依次包括以下步骤：1)、采集待测的芒属植物叶片；2)、将芒属植物叶片在400nm‑2500nm的近红外光谱波段内扫描，从而获得以下23个特征波长处的反射光光谱：486nm、554nm、624nm、676nm、694nm、714nm、772nm、912nm、958nm、1098nm、1322nm、1392nm、1432nm、1520nm、1642nm、1870nm、1900nm、2038nm、2122nm、2214nm、2274nm、2316nm和2404nm；3)、将上述数据代入含水率计算公式，从而获得待测的芒属植物叶片的含水率。

权利要求

1.芒属植物叶片含水率的测定方法，其特征是依次包括以下步骤：

1)、采集待测的芒属植物叶片；

2)、将芒属植物叶片在400nm-2500nm的近红外光谱波段内扫描，从而获得以下23个特征波长处的反射光光谱：486nm、554nm、624nm、676nm、694nm、714nm、772nm、912nm、958nm、

1098nm、1322nm、1392nm、1432nm、1520nm、1642nm、1870nm、1900nm、2038nm、2122nm、2214nm、

2274nm、2316nm和2404nm；

3)、将上述步骤2)所得数据代入以下含水率计算公式，从而获得待测的芒属植物叶片的含水率；

Y含水率＝0.897541+0.02111λ486+0.009529λ554+0.006118λ624+0.02277λ676-0.01889λ694+

0.01661λ714+0.007454λ772-0.009413λ912+0.013440λ958+0.004891λ1098+0.022500λ1322+

0.035300λ1392-0.048630λ1432+0.022810λ1520+0.004899λ1642+0.02370λ1870-0.066660λ1900+

0.055620λ2038-0.025720λ2122+0.037900λ2214-0.062270λ2274-0.057590λ2316+0.010390λ2404。

说明书

芒属植物叶片含水率的测定方法

技术领域

[0001] 本发明涉及一种芒属植物叶片含水率的测定方法。

背景技术

[0002] 芒属植物已列为全球重要生物质能源作物，目前常利用缺水或盐碱地等种植芒属植物，在这些区域内的芒属植物常会出现水分亏缺，直接影响其生化过程和形态结构。水分含量直接显示芒属植物生长过程中营养胁迫、干旱胁迫、病虫危害以及衰老进程。监测芒属植物叶片的含水率在其生长、营养及抗性检测方面具有重要意义。

[0003] 植物叶片含水率的常用检测方法为烘干恒重法(国标)，此过程需采叶片并将其烘干至恒重，不但破坏了叶片而且耗时过长，不适用快速无损检测植物叶片水分含量。

[0004] 随着近红外光谱技术的日益成熟，利用该技术对植物生理生化指标测定建立相应的模型越来越普遍。目前有大量的利用近红外光谱测定植物叶片含水率的相关专利。例如公开号为： CN103592229A的发明公开了茶叶叶片含水率的测定方法，并对其特征峰进行了分析，建立相应的模型。

发明内容

[0005] 本发明要解决的技术问题是提供一种芒属植物叶片含水率的测定方法，该方法是一种基于23个特征波长的无损快速检测芒属植物叶片含水率的方法，可以加快测定速度、降低测定成本。

[0006] 为了解决上述技术问题，本发明提供一种芒属植物叶片含水率的测定方法，依次包括以下步骤：

[0007] 1)、采集待测的芒属植物叶片；

[0008] 2)、将芒属植物叶片在400nm-2500nm的近红外光谱波段内扫描，从而获得以下23个特征波长处的反射光光谱：486nm、554nm、624nm、676nm、694nm、714nm、772nm、912nm、 958nm、1098nm、1322nm、1392nm、1432nm、1520nm、1642nm、1870nm、1900nm、2038nm、 2122nm、
2214nm、2274nm、2316nm和2404nm；

[0009] 3)、将上述步骤2)所得数据代入以下含水率计算公式，从而获得待测的芒属植物叶片的含水率；

[0010] Y含水率＝0.897541+0.02111λ486+0.009529λ554+0.006118λ624+0.02277λ676-0.01889λ694 +0.01661λ714+0.007454λ772-0.009413λ912+0.013440λ958+0.004891λ1098+0.022500λ1322+0.035300λ1392-0.048630λ1432+0.022810λ1520+0.004899λ1642+0.02370λ1870-0.066660λ1900+
0.055620λ2038-0.0257 20λ2122+0.037900λ2214-0.062270λ2274-0.057590λ2316+0.010390λ2404。

[0011] 本发明的发明过程具体如下：

[0012] (1)在光谱范围为400nm-2500nm的近红外光谱波段内扫描678份芒属植物样本，包括了187份芒草、189份荻、180份南荻、120份五节芒和2份巨芒。材料见表1。

[0013] 表1五个芒属植物的含水率范围

[0014]品种 数目(份) 范围 平均值 均方根
芒草 187 0.6578-0.8554 0.7635 0.0283
荻 189 0.7294-0.9561 0.787 0.0231
南荻 180 0.6102-0.8044 0.7091 0.0343
五节芒 120 0.6658-0.8628 0.768 0.0226
巨芒 2 0.7622-0.7912 0.7767 0.0205

[0015] (2)获取样本的光谱漫反射值，共扫描30次，取每个光谱段的平均值。。

[0016] (3)利用烘干恒重法获取678份芒属植物样本的含水率值，具体含水率见表1。

[0017] (4)为了消除原始光谱数据中高频随机噪声、基线漂移等干扰因素对所建模型的影响，研究采用了Smoothing、Normalize等多种预处理方法。把各种预处理后的光谱数据作为自变量X，芒草叶片水分含量作为Y变量，建立偏最小二乘回归(partial least squares regression， PLS)模型，通过比较各个模型的预测效果从而对各种预处理方法进行评价，最后确定步长为 3的移动平均平滑法的预处理方法并建立相应模型。

[0018] (5)将678份样本中的以2:1的比例随机分为建模集和预测集，其中452份芒草样本用来建立模型，226份样本用于模型预测验证。

[0019] (6)并获取了与芒属材料叶片含水率密切相关的特征波(图1)

[0020] 以样本基于23个特征波长的漫反射光谱值为自变量，以测定的样本的含水率为应变量，使用PLS(偏最小二乘法)拟和光谱数据和含水率测定值，建立了基于23个特征波长的多元线性回归模型，图2中X轴表示样本的实际测定含水率，Y轴表示用23个特征光谱值预测获得的样本含水率。两者之间的相关性系数达到0.9896，决定系数达到了0.9793。

[0021] (7)建立建立了相应的含水率模型。具体公式如下：

[0022] Y含水率＝0.897541+0.02111λ486+0.009529λ554+0.006118λ624+0.02277λ676-0.01889λ694 +0.01661λ714+0.007454λ772-0.009413λ912+0.013440λ958+0.004891λ1098+0.022500λ1322+0.035300λ1392-0.048630λ1432+0.022810λ1520+0.004899λ1642+0.02370λ1870-0.066660λ1900+
0.055620λ2038-0.0257 20λ2122+0.037900λ2214-0.062270λ2274-0.057590λ2316+0.010390λ2404。

[0023] 其中Y含水率为待测芒属植物的预测含水率，λ486为该样本在486nm处的光谱反射光数值，λ554为该样本在554nm处的光谱反射光数值，λ624为该样本在624nm处的光谱反射光数值，λ676为该样本在676nm处的光谱反射光数值，λ694为该样本在694nm处的光谱反射光数值，λ714为该样本在714nm处的光谱反射光数值，λ772为该样本在772nm处的光谱反射光数值，λ912为该样本在912nm处的光谱反射光数值，λ958为该样本在958nm处的光谱反射光数值，λ1098为该样本在1098nm处的光谱反射光数值，λ1322为该样本在1322nm处的光谱反射光数值，λ1392为该样本在1392nm处的光谱反射光数值，λ1432为该样本在1432nm处的光谱反射光数值，λ1520为该样本在1520nm处的光谱反射光数值，λ1642为该样本在1642nm处的光谱反射光数值，λ1870为该样本在1870nm处的光谱反射光数值，λ1900为该样本在1900nm处的光谱反射光数值，λ2038为该样本在2038nm处的光谱反射光数值，λ2122为该样本在2122nm处的光谱反射光数值，λ2214为该样本在2214nm处的光谱反射光数值，λ2274为该样本在2274nm处的光谱反射光数值，λ2316为该样本在2316nm处的光谱反射光数值，λ2404为该样本在2404nm处的光谱反射光数值。

[0024] (8)扫描芒属植物叶片在23个特征波长从处的反射光光谱，具体波长包括了486、554、 624、676、694、714、772、912、958、1098、1322、1392、1432、1520、1642、1870、1900、 
2038、2122、2214、2274、2316nm和2404nm。与已有的有关植物叶片含水率的特征峰相比，，除去少数几个特征峰在与已知的植物含水率特征峰比较接近，例如在茶叶叶片含水率的特征峰中有538、673、710和969nm的特征峰，与芒属植物叶片的特征峰554、676、714和958nm，其他的特征峰均为新的特征峰，推测芒属植物水分与大分子物质的结合形式与其他植物有一定的差异。

[0025] (9)将226份芒属植物叶片样本在23个特征波长处的反射光光谱之代入公式，计算得到叶片含水率。预测集的真实值和预测值的相关性系数为0.9886，决定系数为0.9776。

[0026] 本发明具有如下技术优势：

[0027] (1)该方法步骤简单，可以直接取芒属植物鲜叶进行扫描，通过拟和多元线性回归模型，直接获得叶片含水率；

[0028] (2)该方法快速无损，无需经过耗时长的称重烘干及多次称量步骤，且不破坏植物原始状态；

[0029] (3)该方法选取了与芒属植物叶片含水率密切相关的23个特征峰的近红外光谱值，扫面时间更短。

[0030] (4)、含水率的检测结果准确度高。

附图说明

[0031] 下面结合附图对本发明的具体实施方式作进一步详细说明。

[0032] 图1为芒属植物叶片含水率光谱模型的回归系数图；X轴为光谱值，Y轴为回归相关性系数。

[0033] 图2预测集样本的含水率的实际值和预测值散点分布图；X轴表示样本的实际测定含水率，Y轴表示用23个特征光谱值预测获得的样本含水率。

具体实施方式

[0034] 下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。

[0035] 实施例1、一种芒属植物叶片含水率的测定方法，依次进行以下步骤：

[0036] 1)、采集待测的芒属植物叶片；

[0037] 2)、将芒属植物叶片在400nm-2500nm的近红外光谱波段内扫描，从而获得以下23个特征波长处的反射光光谱：486nm、554nm、624nm、676nm、694nm、714nm、772nm、912nm、958nm、1098nm、1322nm、1392nm、1432nm、1520nm、1642nm、1870nm、1900nm、2038nm、 2122nm、
2214nm、2274nm、2316nm和2404nm；

[0038] 3)、将上述步骤2)所得数据代入以下含水率计算公式，从而获得待测的芒属植物叶片的含水率；

[0039] Y含水率＝0.897541+0.02111λ486+0.009529λ554+0.006118λ624+0.02277λ676-0.01889λ694 +0.01661λ714+0.007454λ772-0.009413λ912+0.013440λ958+0.004891λ1098+0.022500λ1322+0.035300λ1392-0.048630λ1432+0.022810λ1520+0.004899λ1642+0.02370λ1870-0.066660λ1900+
0.055620λ2038-0.0257 20λ2122+0.037900λ2214-0.062270λ2274-0.057590λ2316+0.010390λ2404。

[0040] 实验1、将以下样品按照上述实施例1所述方法进行检测，所得结果如下表2所示。

[0041] 将上述样品按照常规的“烘干恒重法(国标)”进行检测，所得与本发明结果的对比如表 2所述。

[0042] 备注说明：每种样品取3个重复，取平均值。

[0043] 表2、两种方法测得的含水率对比

[0044]

[0045]

[0046] 对比例1、将实施例1的23个特征波长的“1870m”改成“1700nm”，仍然以PLS(偏最小二乘法)拟和光谱数据和含水率测定值，从而获得相应的含水率计算公式。以此对比例1 所述方法对表1所述的样品进行检测。检测结果如上表2 所述。

[0047] 对比例2、将实施例1的23个特征波长的“554nm”改成“538nm”，仍然以PLS(偏最小二乘法)拟和光谱数据和含水率测定值，从而获得相应的含水率计算公式。以此对比例2 所述方法对表1所述的样品进行检测。检测结果如上表2 所述。

[0048] 最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。