本發(fā)明涉及油菜田間管理領(lǐng)域，更特別地，涉及一種利用近紅外光譜檢測油菜莖稈纖維素含量的方法。

背景技術(shù)：

油菜在我國油料作物生產(chǎn)中占據(jù)主導(dǎo)地位。近年來，我國油菜品質(zhì)得到明顯改善，生產(chǎn)模式也由原始的人工種植模式逐漸向機(jī)械化生產(chǎn)模式轉(zhuǎn)化，大大提高了油菜生產(chǎn)效益。然而，在實(shí)際生產(chǎn)中，倒伏成為制約機(jī)械化生產(chǎn)模式推行的主要因素。倒伏不僅導(dǎo)致油菜減產(chǎn)，極大地影響油菜品質(zhì)，還使機(jī)械化收割作業(yè)難以進(jìn)行，導(dǎo)致油菜生產(chǎn)效益受到嚴(yán)重影響。因此，選育優(yōu)良種質(zhì)資源、探究輕簡化栽培管理措施及油菜機(jī)械化栽培對于油菜高產(chǎn)和穩(wěn)產(chǎn)起著至關(guān)重要的作用。

油菜倒伏受莖稈組成成分影響顯著。纖維素是莖稈重要的結(jié)構(gòu)成分，以微纖絲形態(tài)構(gòu)建了植物細(xì)胞壁基本骨架，同時(shí)促進(jìn)細(xì)胞縱向拉長，其纖絲網(wǎng)狀結(jié)構(gòu)增強(qiáng)了莖稈的機(jī)械強(qiáng)度，莖稈中纖維素含量的高低與莖稈機(jī)械組織的發(fā)達(dá)程度密切相關(guān)。大豆莖稈中纖維素合成及代謝過程試驗(yàn)表明，增加莖稈中纖維素含量可顯著增強(qiáng)莖稈的抗倒性，莖稈中纖維素含量減少，大豆莖稈抗折力減弱，倒伏易發(fā)生；在對小麥、水稻、玉米等作物的研究中也發(fā)現(xiàn)莖稈中纖維素含量越高的作物其抗倒性越強(qiáng)；對大麥莖稈抗倒性研究發(fā)現(xiàn)，其莖稈抗折力與莖稈纖維素含量的相關(guān)性高達(dá)0.93；對抗倒性差異較大的9個(gè)品種油菜的莖稈特性做關(guān)聯(lián)分析表明，莖稈中纖維素含量與其抗倒性呈正相關(guān)。因此，為研究其高產(chǎn)、高效、抗倒栽培機(jī)理，往往需要測定油菜莖稈中纖維素含量指標(biāo)。傳統(tǒng)纖維素含量指標(biāo)測定是通過化學(xué)分析方法得到。但這種方法費(fèi)時(shí)、費(fèi)力、費(fèi)錢，且操作步驟多，誤差控制比較困難。

薛俊杰(2016)將玉米秸稈粉碎后再采集近紅外光譜，用一階導(dǎo)數(shù)法處理可溶性糖光譜，用多元散射校正法和一階導(dǎo)數(shù)法組合預(yù)處理酸性洗滌纖維的光譜，分別得到可溶性糖和酸性洗滌纖維與近紅外光譜的對應(yīng)關(guān)系。然而，這種方法需要對秸稈進(jìn)行粉碎等處理步驟，而不同的樣品粉碎效果存在差異，由此會(huì)影響到光譜與物質(zhì)含量的對應(yīng)關(guān)系的構(gòu)建。

因此，需要一種更簡單更精確的方法來測定油菜莖稈纖維素含量指標(biāo)。

技術(shù)實(shí)現(xiàn)要素：

為解決以上問題，本發(fā)明提供了一種利用近紅外光譜檢測油菜莖稈纖維素含量的方法，其特征在于，包括以下步驟：

s1：建立油菜莖稈纖維素含量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系；

s2：測量待檢測的油菜莖稈切面上的近紅外光譜；

s3：根據(jù)s2得到的所述待檢測的油菜莖稈切面上的近紅外光譜以及s1得到的油菜莖稈纖維素含量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系，計(jì)算待檢測的油菜莖稈中的纖維素含量。

通過本發(fā)明的方法，可利用近紅外光譜儀檢測油菜莖稈切面上的近紅外光譜，并根據(jù)油菜莖稈纖維素含量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系，計(jì)算待檢測油菜莖稈中纖維素含量，與傳統(tǒng)使用化學(xué)分析法不同，在建立了對應(yīng)關(guān)系后，該方法無需再進(jìn)行復(fù)雜的化學(xué)實(shí)驗(yàn)操作，可實(shí)現(xiàn)高通量檢測。

在一個(gè)具體實(shí)施方案中，s1包括以下步驟：

s11：采集多個(gè)與待測油菜同品種的油菜莖稈樣品；

s12：測量所述多個(gè)油菜莖稈樣品的近紅外光譜；

s13：測量所述油菜莖稈樣品中的纖維素含量；

s14：根據(jù)s12和s13的結(jié)果建立所述油菜莖稈的纖維素含量與近紅外光譜的對應(yīng)關(guān)系。使用相同的品種的油菜莖稈樣品來建立對應(yīng)關(guān)系可使預(yù)測結(jié)果更準(zhǔn)確。

在一個(gè)優(yōu)選實(shí)施方案中，s12中對每個(gè)油菜莖稈樣品采集7個(gè)切面的近紅外光譜，所述油菜莖稈樣品的近紅外光譜由所述7個(gè)切面的近紅外光譜平均得到，所述7個(gè)切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個(gè)新鮮橫切面，以及從所述油菜莖稈樣品的三個(gè)區(qū)段取的三個(gè)縱切面。

在一個(gè)優(yōu)選實(shí)施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜的波段為7101.7cm^-1-5449.8cm^-1和4601.3cm^-1-4246.5cm^-1。

在一個(gè)實(shí)施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜不進(jìn)行預(yù)處理，或者進(jìn)行了以下預(yù)處理方法中的任一種或幾種組合的預(yù)處理：一階導(dǎo)數(shù)法、矢量歸一化法、減去一條直線法、多元散射校正法、消除常數(shù)偏移量法、最小-最大歸一化法、msc法、二階導(dǎo)數(shù)法。

在一個(gè)優(yōu)選實(shí)施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜不進(jìn)行預(yù)處理。切面近紅外光譜與纖維素含量對應(yīng)關(guān)系模型的構(gòu)建中，不對光譜預(yù)處理得到的模型比使用常用的預(yù)處理方法得到的模型更佳，采取最原始的光譜有利于模型建立。在本發(fā)明中，獲得光譜信息的油菜莖稈是完整的。在進(jìn)行掃描時(shí)，由于樣品池的大小是恒定的，而油菜莖稈直徑粗細(xì)各不相同，在樣品池上方加蓋鍍金積分球，防止自然光進(jìn)入樣品池中干擾結(jié)果。

在一個(gè)具體實(shí)施方案中，s14中油菜莖稈纖維素含量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系為通過偏最小二乘法建立的預(yù)測模型。

在一個(gè)優(yōu)選實(shí)施方案中，在建立所述預(yù)測模型過程中，主成分?jǐn)?shù)為6、7、8、9或10。

在一個(gè)優(yōu)選實(shí)施方案中，所述多個(gè)油菜莖稈樣品被分成校正集和驗(yàn)證集，并且校正集與驗(yàn)證集的數(shù)量比為2.5-4:1。

在一個(gè)優(yōu)選實(shí)施方案中，s2中對待測油菜莖稈7個(gè)切面的采集近紅外光譜，所述油菜莖稈樣品的近紅外光譜由所述7個(gè)切面的近紅外光譜平均得到，所述7個(gè)切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個(gè)新橫切面，以及從所述油菜莖稈樣品的三個(gè)區(qū)段取的三個(gè)縱切面。

附圖說明

圖1為油菜莖稈樣品纖維素含量正態(tài)分布圖；

圖2為150個(gè)樣品預(yù)測值與實(shí)測值的相關(guān)性；

圖3為150個(gè)樣品預(yù)測殘差與實(shí)測值的關(guān)系；

圖4為剔除30個(gè)異常樣品后的120個(gè)樣品預(yù)測值與實(shí)測值的相關(guān)性；

圖5為剔除30個(gè)異常樣品后的120個(gè)樣品預(yù)測殘差與實(shí)測值的關(guān)系；

圖6為主成分對相關(guān)系數(shù)的影響；

圖7為主成分對rmsecv的影響。

具體實(shí)施方式

以下結(jié)合實(shí)例對本發(fā)明的原理和特征進(jìn)行描述，所舉實(shí)例只用于解釋本發(fā)明，并非用于限定本發(fā)明的范圍。

構(gòu)建油菜近紅外光譜及莖稈纖維素含量關(guān)系所用試驗(yàn)材料通過如下試驗(yàn)獲得。

1.試驗(yàn)地點(diǎn)及供試材料

試驗(yàn)在華中農(nóng)業(yè)大學(xué)試驗(yàn)基地進(jìn)行。供試品種為甘藍(lán)型油菜雜交種華油雜62、灃油520，甘藍(lán)型油菜常規(guī)品種華航901、華雙5號(hào)，及由150個(gè)株系構(gòu)成的dh群體，由華中農(nóng)業(yè)大學(xué)提供。

2.試驗(yàn)設(shè)計(jì)

2.1不同油菜品種不同肥料用量試驗(yàn)獲得不同特征的油菜莖稈

采用四因素裂區(qū)試驗(yàn)設(shè)計(jì)，3次重復(fù)，以4個(gè)油菜品種(灃油520，華航901，華雙5號(hào))為主區(qū)；以施肥種類(氮、磷、鉀)為主裂區(qū)；以氮(純氮為0kg/hm²、180kg/hm²、360kg/hm²)、磷(p2o5用量為0kg/hm²、120kg/hm²、240kg/hm²)和鉀(k2o用量為0kg/hm²、150kg/hm²、300kg/hm²)為副裂區(qū)，108個(gè)氮磷鉀處理，田間管理方式按照常規(guī)。

2.2利用氮肥及密度裂區(qū)試驗(yàn)獲得不同特征的油菜莖稈

以華油雜62位試驗(yàn)材料，采用裂區(qū)設(shè)計(jì)，以120kg/hm²、240kg/hm²、360kg/hm²三個(gè)氮肥為主區(qū)，以15×10⁴株hm^-2，30×10⁴株hm^-2，45×10⁴株hm^-2三個(gè)密度為副區(qū)，3次重復(fù)。分別于2013年9月21日、2014年9月25日播種。以含氮量為46.7％的尿素為氮源，氮肥按基肥∶苗肥∶薹肥為6∶2∶2施用。磷肥(p2o5)和鉀肥(k2o)用量均為150kg/hm²。其他管理同常規(guī)。

2.3利用油菜dh群體株系獲得不同特征的油菜莖稈

兩親本和dh群體株系于2014年9月28日播種，次年五月份收獲。采取完全隨機(jī)排列，3次重復(fù)。基肥施用(15-15-15)復(fù)合肥750kg/hm²，苗期時(shí)追施尿素75kg/hm²，硼砂用量7.5kg/hm²，田間管理方式按照常規(guī)。

3.試驗(yàn)樣品的采集與收藏

于成熟期進(jìn)行取樣，于105℃殺青，80℃烘至恒重，干燥保存。

4.油菜莖稈的近紅外光譜采集

近紅外光譜儀為德國布魯克儀器公司生產(chǎn)的brukerft-nir(vector33n型)傅里葉近紅外光譜儀，配有有pbs檢測器、石英旋轉(zhuǎn)樣品杯、鍍金積分球、opus分析軟件、波數(shù)為12000cm^-1—4000cm^-1。根據(jù)儀器性能及掃描油菜產(chǎn)品常用參數(shù)(呂麗娜等2004；丁小霞等2004)設(shè)定近紅外光譜的掃描參數(shù)：分辨率：8cm^-1；樣品掃描次數(shù)：64scans；背景掃描次數(shù)：64scans；數(shù)據(jù)保存范圍：12000cm^-1—4000cm^-1，光譜類型：aborbance；光源：tungsten(nir)；分束器：石英(quartz)；狹縫：1.4mm；檢測通道：external3；檢測器：pbs；-3350；0.9；掃描速度：6:10.0khz；光譜數(shù)據(jù)點(diǎn)數(shù)：1960。每次掃描前將近紅外光譜預(yù)熱20min以上，再在室溫下進(jìn)行掃描，每次樣品杯放在同一檢測位置，將油菜莖稈的高度剪為剛好放在樣品杯里，上方用鍍金積分球覆蓋，防漏光，每個(gè)油菜莖桿掃描7個(gè)切面得到7條光譜，確保掃描信息完整，所述7個(gè)切面分別為所述油菜莖稈樣品的兩端橫切面，從所述油菜莖稈樣品上不同部位橫切兩次得到的兩個(gè)新橫切面，以及從所述油菜莖稈樣品的三個(gè)區(qū)段取的三個(gè)縱切面。

5.油菜莖桿纖維素含量測定

纖維素含量的直接測定方法按照peiy等2006年的提供的方法，根據(jù)wuz等2013年改進(jìn)得到。

6.油菜莖稈纖維素含量的近紅外光譜定量分析

6.1化學(xué)法實(shí)測纖維素含量的結(jié)果

采用化學(xué)分析方法測定200個(gè)樣品纖維素含量，進(jìn)行初步統(tǒng)計(jì)，結(jié)果如表1，200個(gè)樣品纖維素含量范圍為9.693％-38.267％。同時(shí)從圖1中可以看出，纖維素含量分布符合正態(tài)分布，數(shù)據(jù)具有代表性。

表1200個(gè)樣品纖維素含量的實(shí)測結(jié)果統(tǒng)計(jì)

6.2異常樣品的剔除

將200個(gè)光譜信息分為兩個(gè)部分，分別為驗(yàn)證集和校正集，為避免分為校正集和驗(yàn)證集的偏差，將樣品含量從小到大依次排列，每四個(gè)為一組，在四個(gè)樣品中隨機(jī)選取一個(gè)數(shù)值作為驗(yàn)證集、剩余三個(gè)作為校正驗(yàn)，保證樣本劃分的合理性。本例中，校正集樣品為150個(gè)，驗(yàn)證集樣品為50個(gè)，比例約為3:1。數(shù)據(jù)見表2。

表2200個(gè)樣品的校正集與驗(yàn)證集的劃分

樣品剔除前，如圖2和3所示，當(dāng)主成分?jǐn)?shù)為5時(shí)，相關(guān)系數(shù)r為0.917，內(nèi)部交叉驗(yàn)證均方差rmsecv為2.310％，模型預(yù)測精度較好，預(yù)測殘差約為6.000％。

為了避免異常樣品存在對于實(shí)驗(yàn)結(jié)果影響，采用基于預(yù)測濃度殘差的方法來剔除樣品，每剔除一次數(shù)據(jù)，進(jìn)行一次留一法交叉驗(yàn)證，若相關(guān)系數(shù)增大，內(nèi)部交叉驗(yàn)證均方差減小，則剔除樣品(夏俊芳，2007)?；谏鲜鲈瓌t，剔除出30個(gè)樣本數(shù)據(jù)后，剩余120個(gè)樣品采用偏最小二乘法建立模型。結(jié)果如圖4和5所示，主成分?jǐn)?shù)為5時(shí)，相關(guān)系數(shù)提高到0.945，內(nèi)部交叉驗(yàn)證均方差減少到1.880％，預(yù)測模型精度提高，預(yù)測殘差減小到5.000％。

6.3光譜預(yù)處理的評估

分別采用消除常數(shù)偏移量、減去一條直線等10種方法對剔除異常樣本后的光譜進(jìn)行預(yù)處理。結(jié)果見表3。

表3預(yù)處理方法對預(yù)測模型的影響

據(jù)表3，不進(jìn)行預(yù)處理得到的模型相關(guān)系數(shù)最大，為0.945，內(nèi)部驗(yàn)證均方差最小，為1.880％。在建立纖維素含量模型時(shí)，最好不對光譜進(jìn)行預(yù)處理。

6.4光譜波段的優(yōu)化

建立模型時(shí)，將光譜波段優(yōu)化，可減少運(yùn)算量，提取更準(zhǔn)確光譜信息。利用無預(yù)處理和偏最小二乘法建立模型，把光譜分為45個(gè)波段，確定適宜波段。結(jié)果如表4。

表4不同光譜波段對rmsecv的影響

分為45個(gè)不同波段后，不同波段有不同的rmsecv值，最佳波段為7101.7cm^-1-5449.8cm^-1，4601.3cm^-1-4246.5cm^-1，它所對應(yīng)的rmsecv值最小，為1.880％。

6.5主成分的優(yōu)化

用無光譜預(yù)處理的方法和光譜波段為7101.7cm^-1-5449.8cm^-1，4601.3cm^-1-4246.5cm^-1范圍，以相關(guān)系數(shù)r最大和內(nèi)部交叉驗(yàn)證均方差rmsecv最小的標(biāo)準(zhǔn)來確定最佳主成分，連續(xù)選取1到10十個(gè)數(shù)，偏最小二乘法建立模型，模型預(yù)測結(jié)果如圖6和7所示，在主成分?jǐn)?shù)取6時(shí)相關(guān)系數(shù)最大為0.945，內(nèi)部交叉驗(yàn)證均方差最小為1.880％，效果最佳。

綜上，油菜莖稈纖維素含量近紅外光譜建立，最佳光譜處理方法是無光譜預(yù)處理，光譜波段在7101.7cm^-1-5449.8cm^-1和4601.3cm^-1-4246.5cm^-1，主成分?jǐn)?shù)是6時(shí)，建立模型相關(guān)系數(shù)r最大為0.945，內(nèi)部交叉驗(yàn)證均方差rmsecv最小為1.880％。

6.6校正模型的驗(yàn)證

將驗(yàn)證集中50個(gè)樣品光譜圖導(dǎo)入所建立的模型中，結(jié)果見表5。

表5模型驗(yàn)證結(jié)果

由表中可以看出，殘差有正有負(fù)，經(jīng)過計(jì)算，驗(yàn)證集相關(guān)系數(shù)r為0.863，rmsep為2.660％，總體而言，效果一般，但基本能滿足預(yù)測要求。

以上所述僅為本發(fā)明的較佳實(shí)施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。