近红外光谱技术在闽楠叶片氮含量测定中的应用

借助近红外光谱技术,以江西省永丰官山林场楠木种子园的64份闽楠叶片为材料,采用传统的化学分析方法测定闽楠叶片样品的氮元素含量作参考值,同时采集闽楠叶粉末样品的近红外光谱图。运用化学计量学软件NIRCal,选定建模方法、建模波段和预处理方法,建立最优测定模型。另随机抽取10份未知样品对模型进行检验,结合配对样本T检验进行评价。结果表明：用主成分回归方法(PCR)建立的模型效果最好,其校正集相关系数Rc为0.912,校正集均方根误差RMSEC为1.098,交互验证集相关系数Rv为0.897,交互验证集均方根RMSEV为1.192。外部验证结果显示,预测值与实测值的相对偏差范围在0.070～0.705之间,且配对样本T检验结果显示P值为0.116,大于0.05,无显著差异。该方法可用于闽楠营养水平和优质选种的大批量快速检测。     

基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明：运用PCA-Cluster方法,选择4 400～4 800 cm^-1、5 400～6 600cm^-1、7 800～10 000 cm^-1建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000～8 000 cm^-1波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc²)为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。     

10种樟科植物的便携式近红外光谱技术识别方法

为了探究便携式近红外光谱仪识别樟科植物的能力,利用该仪器采集10种樟科植物叶片的近红外光谱信息,建立便携式近红外光谱识别模型。以樟科樟属的普陀樟、银木,润楠属的滇润楠、刨花楠、红楠,楠属的闽楠、桢楠、白楠、紫楠、浙江楠10种植物为研究对象,运用便携式近红外光谱仪采集其叶片光谱,经主成分分析、光谱预处理、光谱匹配等步骤,初步建立5种楠属植物便携式近红外光谱识别模型。依次将3种润楠属和2种樟属植物叶片光谱信息加入模型,对模型进行升级和扩充,最终建立3个模型,分别记为：模型1（闽楠-白楠-紫楠-浙江楠-桢楠）、模型2（闽楠-白楠-紫楠-浙江楠-桢楠-刨花楠-滇润楠-红楠）和模型3（闽楠-白楠-紫楠-浙江楠-桢楠-刨花楠-滇润楠-红楠-普陀樟-银木）,以此探究便携式近红外光谱分析技术识别10种樟科植物的能力。利用不同参数设置下的Savitzky-Golay平滑求导法和Normalize Range归一化范围预处理后所建模型均具备较好的性能,识别率分别达到99.65%、99.34%和99.71%。利用未知样品检验模型的识别效果,模型1、模型2和模型3对未知样品的识别率分别为98%、97.5%和99%。结果说明便携式近红外光谱技术能够成功识别10种樟科植物,为樟科植物识别技术提供了一种新方法。