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單株產(chǎn)量的方法。

背景技術(shù)：

油菜作為食用油主要來源之一，在世界范圍內(nèi)均有較大面積種植。中國是世界第一油菜種植大國,其種植面積和總產(chǎn)量均已接近世界1/4。但與發(fā)達國家比，我國油菜在單產(chǎn)方面存在較大差距，主要原因是缺乏高產(chǎn)優(yōu)質(zhì)品種、栽培管理粗放。因此，除了改良栽培措施外，選育優(yōu)良種質(zhì)資源是推動油菜高產(chǎn)栽培的重要手段。為評價新品種產(chǎn)量指標的優(yōu)劣，往往需要測定油菜產(chǎn)量。傳統(tǒng)的油菜產(chǎn)量測定方法，需要在成熟期進行收獲考種，耗時耗力，阻礙了油菜育種進程的推進。因此，急需一種簡單、快速、精確的方法來測定油菜單株產(chǎn)量指標。

正常條件下，油菜葉片、角果皮和莖稈光合為菜籽發(fā)育分別提供了37％、32％和31％的光合產(chǎn)物，直接影響油菜產(chǎn)量；而油菜成熟期莖稈倒伏的發(fā)生，影響了冠層的光合，加重了病蟲害的發(fā)生，間接影響了油菜產(chǎn)量的形成。因此，莖稈的生長發(fā)育狀態(tài)與油菜產(chǎn)量密切相關(guān)，可將莖稈與產(chǎn)量直接關(guān)聯(lián)，通過莖稈的關(guān)鍵性狀檢測油菜單株產(chǎn)量。

技術(shù)實現(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單株產(chǎn)量的方法，其特征在于，包括以下步驟：

s1：建立油菜單株產(chǎn)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得到的油菜單株產(chǎn)量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系，計算待檢測的油菜莖稈中的單株產(chǎn)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)油菜單株產(chǎn)量與菜莖稈切面上的近紅外光譜的對應(yīng)關(guān)系，計算待檢測油菜莖稈中單株產(chǎn)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，該方法無需再進行復(fù)雜的化學(xué)實驗操作，可實現(xiàn)高通量檢測。

在一個具體實施方案中，s1包括以下步驟：

s11：采集多個與待測油菜同品種的油菜莖稈樣品；

s12：測量所述多個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單株產(chǎn)量；

s14：根據(jù)s12和s13的結(jié)果建立所述油菜莖稈的單株產(chǎn)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)系可使檢測結(jié)果更準確。

在一個優(yōu)選實施方案中，s12中對每個油菜莖稈樣品采集7個切面的近紅外光譜，所述油菜莖稈樣品的近紅外光譜由所述7個切面的近紅外光譜平均得到，所述7個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新鮮橫切面，以及從所述油菜莖稈樣品的三個區(qū)段取的三個縱切面。

在一個優(yōu)選實施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜的波段為6101.7cm^-1-5449.8cm^-1和4601.3cm^-1-4246.5cm^-1。

在一個實施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜不進行預(yù)處理，或者進行了以下預(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。

在一個優(yōu)選實施方案中，用于建立所述對應(yīng)關(guān)系的近紅外光譜不進行預(yù)處理。切面近紅外光譜與單株產(chǎn)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。在進行掃描時，由于樣品池的大小是恒定的，而油菜莖稈直徑粗細各不相同，在樣品池上方加蓋鍍金積分球，防止自然光進入樣品池中干擾結(jié)果。

在一個具體實施方案中，s14中油菜單株產(chǎn)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。

在一個優(yōu)選實施方案中，在建立所述預(yù)測模型過程中，主成分數(shù)為8、9或10。

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

在一個優(yōu)選實施方案中，s2中對待測油菜莖稈7個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個切面的近紅外光譜平均得到，所述7個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新橫切面，以及從所述油菜莖稈樣品的三個區(qū)段取的三個縱切面。

附圖說明

圖1為油菜莖稈樣品單株產(chǎn)量正態(tài)分布圖；

圖2為250個樣品預(yù)測值與實測值的相關(guān)性；

圖3為250個樣品預(yù)測殘差與實測值的關(guān)系；

圖4為剔除10個異常樣品后的240個樣品預(yù)測值與實測值的相關(guān)性；

圖5為剔除10個異常樣品后的240個樣品預(yù)測殘差與實測值的關(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。

具體實施方式

以下結(jié)合實例對本發(fā)明的原理和特征進行描述，所舉實例只用于解釋本發(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單株產(chǎn)量關(guān)系所用試驗材料通過如下試驗獲得。

1.試驗地點及供試材料

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

2.試驗設(shè)計

2.1不同油菜品種不同肥料用量試驗獲得不同特征的油菜莖稈

采用四因素裂區(qū)試驗設(shè)計，3次重復(fù)，以4個油菜品種(灃油520，華航901，華雙5號)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)試驗獲得不同特征的油菜莖稈

以華油雜62位試驗材料，采用裂區(qū)設(shè)計，以120kg/hm²、240kg/hm²、360kg/hm²三個氮肥為主區(qū)，以15×10⁴株hm^-2，30×10⁴株hm^-2，45×10⁴株hm^-2三個密度為副區(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。采取完全隨機排列，3次重復(fù)?；适┯?15-15-15)復(fù)合肥750kg/hm²，苗期時追施尿素75kg/hm²，硼砂用量7.5kg/hm²，田間管理方式按照常規(guī)。

3.試驗樣品的采集與收藏

于成熟期各小區(qū)取樣10株，分別測定單株產(chǎn)量，莖稈于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，每個油菜莖桿掃描7個切面得到7條光譜，確保掃描信息完整，所述7個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新橫切面，以及從所述油菜莖稈樣品的三個區(qū)段取的三個縱切面。

5.油菜單株產(chǎn)量的近紅外光譜定量分析

5.1實測單株產(chǎn)量的結(jié)果

直接測定340個樣品單株產(chǎn)量，進行初步統(tǒng)計，結(jié)果如表1，340個樣品單株產(chǎn)量范圍為0.355-26.790g。同時從圖1中可以看出，單株產(chǎn)量符合正態(tài)分布，數(shù)據(jù)具有代表性。

表1340個樣品單株產(chǎn)量的實測結(jié)果統(tǒng)計

5.2異常樣品的剔除

將340個光譜信息分為兩個部分，分別為驗證集和校正集，為避免分為校正集和驗證集的偏差，將樣品含量從小到大依次排列，每四個為一組，在四個樣品中隨機選取一個數(shù)值作為驗證集、剩余三個作為校正驗，保證樣本劃分的合理性。本例中，校正集樣品為250個，驗證集樣品為90個，比例約為3:1。數(shù)據(jù)見表2。

表2340個樣品的校正集與驗證集的劃分

樣品剔除前，如圖2和3所示，當(dāng)主成分數(shù)為10時，相關(guān)系數(shù)r為0.969，內(nèi)部交叉驗證均方差rmsecv為1.570％，模型預(yù)測精度較好，預(yù)測殘差約為4.000％。

為了避免異常樣品存在對于實驗結(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)，進行一次留一法交叉驗證，若相關(guān)系數(shù)增大，內(nèi)部交叉驗證均方差減小，則剔除樣品(夏俊芳，2007)?；谏鲜鲈瓌t，剔除出10個樣本數(shù)據(jù)后，剩余240個樣品采用偏最小二乘法建立模型。結(jié)果如圖4和5所示，主成分數(shù)為10時，相關(guān)系數(shù)提高到0.971，內(nèi)部交叉驗證均方差減少到153％，預(yù)測模型精度提高，預(yù)測殘差保持為4.000％不變。

5.3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，不進行預(yù)處理得到的模型相關(guān)系數(shù)最大，為0.971，內(nèi)部驗證均方差最小，為1.530％。在建立單株產(chǎn)量模型時，最好不對光譜進行預(yù)處理。

5.4光譜波段的優(yōu)化

建立模型時，將光譜波段優(yōu)化，可減少運算量，提取更準確光譜信息。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個不同波段后，不同波段有不同的rmsecv值，最佳波段為6101.7cm^-1-5449.8cm^-1，4601.3cm^-1-4246.5cm^-1，它所對應(yīng)的rmsecv值最小，為1.530％。

5.5主成分的優(yōu)化

用無光譜預(yù)處理的方法和光譜波段為6101.7cm^-1-5449.8cm^-1和4601.3cm^-1-4246.5cm^-1范圍，以相關(guān)系數(shù)r最大和內(nèi)部交叉驗證均方差rmsecv最小的標準來確定最佳主成分，連續(xù)選取1到10十個數(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，在主成分數(shù)取9時相關(guān)系數(shù)最大為0.971，內(nèi)部交叉驗證均方差最小為1.530％，效果最佳。

綜上，油菜單株產(chǎn)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6101.7cm^-1-5449.8cm^-1和4601.3cm^-1-4246.5cm^-1，主成分數(shù)是9時，建立模型相關(guān)系數(shù)r最大為0.971，內(nèi)部交叉驗證均方差rmsecv最小為1.530％。

5.6校正模型的驗證

將驗證集中90個樣品光譜圖導(dǎo)入所建立的模型中，結(jié)果見表5。表5模型驗證結(jié)果

由表中可以看出，殘差有正有負，經(jīng)過計算，驗證集相關(guān)系數(shù)r為0.897，rmsep為2.242％，滿足測定要求。

以上所述僅為本發(fā)明的較佳實施例，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、改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。