品種和割齡對(duì)橡膠樹(shù)葉片氮含量高光譜估算的影響

黎小清，陳桂良，許木果，劉忠妹，鄧樂(lè)曄

(云南省熱帶作物科學(xué)研究所，云南 景洪 666100)

品種和割齡對(duì)橡膠樹(shù)葉片氮含量高光譜估算的影響

黎小清，陳桂良，許木果，劉忠妹，鄧樂(lè)曄

(云南省熱帶作物科學(xué)研究所，云南 景洪 666100)

【目的】本文研究了品種和割齡對(duì)橡膠樹(shù)葉片氮含量高光譜估算的影響?！痉椒ā炕诓煌贩N和割齡類型的橡膠樹(shù)葉片樣本，采用Savitzky-Golay(SG)平滑方法和偏最小二乘法(PLS)構(gòu)建了橡膠樹(shù)葉片氮素含量高光譜估算模型?！窘Y(jié)果】不同品種和割齡組合下模型的預(yù)測(cè)精度從優(yōu)到劣依次為：既分品種又分割齡，只分割齡不分品種，只分品種不分割齡，不分品種和割齡?！窘Y(jié)論】品種和割齡均會(huì)影響模型精度，尤其是割齡，不同的割齡分類方法預(yù)測(cè)結(jié)果差異較大，且割齡劃分并非越細(xì)越好，將橡膠樹(shù)割齡分為未開(kāi)割、小于10割齡和10割齡以上3種類型時(shí)預(yù)測(cè)效果最佳。

高光譜；橡膠樹(shù)；葉片；氮素；品種；割齡

【研究意義】氮是合成葉綠素、蛋白質(zhì)和酶的重要組成部分，直接或間接影響著橡膠樹(shù)的生長(zhǎng)發(fā)育和代謝活動(dòng)，是橡膠樹(shù)生長(zhǎng)和膠乳生產(chǎn)所必須的養(yǎng)分[1]。準(zhǔn)確、快速地對(duì)橡膠樹(shù)進(jìn)行氮素營(yíng)養(yǎng)診斷，并結(jié)合它的生長(zhǎng)發(fā)育規(guī)律合理施用氮肥既能降低生產(chǎn)成本又能減少環(huán)境污染。葉片能夠比較明顯的反映出養(yǎng)分供應(yīng)的變化，葉片分析是常用的營(yíng)養(yǎng)診斷方法[2-3]，傳統(tǒng)的葉片化學(xué)分析方法耗時(shí)、費(fèi)工，而基于高光譜數(shù)據(jù)的橡膠樹(shù)葉片氮素營(yíng)養(yǎng)快速診斷技術(shù)的實(shí)現(xiàn)，將大大減少橡膠樹(shù)葉片分析時(shí)間，并節(jié)約大量實(shí)驗(yàn)室資源，為大面積橡膠樹(shù)氮素營(yíng)養(yǎng)估測(cè)提供快速、高效的檢測(cè)方法?！厩叭搜芯窟M(jìn)展】眾多國(guó)內(nèi)外學(xué)者對(duì)植物氮素含量的高光譜估算進(jìn)行了大量的研究，Thomas等(1972)利用波長(zhǎng)550 nm處葉片反射率成功定量估算出甜椒的氮素含量[4]。很多學(xué)者利用高光譜數(shù)據(jù)對(duì)各種糧食和經(jīng)濟(jì)作物如小麥[5-7]、水稻[8-9]、玉米[10-11]、棉花[12-13]、油菜[14]、蘋果樹(shù)[15]、茶樹(shù)[16]和桃樹(shù)[17]等氮素含量估算做了大量的研究工作并取得了較好的效果。一些學(xué)者還研究了品種和生育時(shí)期對(duì)植物氮素含量高光譜估算的影響，如周麗麗等(2010)研究了不同品種玉米葉片氮含量高光譜估算模型，結(jié)果表明品種差異對(duì)模型精度有較大的影響[13]。劉冰峰等(2012)通過(guò)2個(gè)試驗(yàn)?zāi)攴莺?個(gè)品種間的交叉驗(yàn)證和檢驗(yàn)，篩選出適合2個(gè)品種的不同生育時(shí)期的氮素高光譜估算模型[12]。薛利紅等(2003)研究表明水稻冠層光譜反射率近紅外與綠光波段的比值(R810/R560)與葉片氮積累量呈顯著線性關(guān)系，且不受氮肥水平和生育時(shí)期的影響[10]。目前對(duì)橡膠樹(shù)葉片氮素含量高光譜估算模型研究不多，陳貽釗等發(fā)現(xiàn)熱研7-33-97品種橡膠樹(shù)葉片氮含量與反射光譜在730 nm處相關(guān)性最好[18]。筆者基于割齡7年的RRIM600品系橡膠樹(shù)葉片樣本，分別采用偏最小二乘法和光譜指數(shù)法建立了橡膠樹(shù)葉片氮素含量的高光譜估算模型，表明PLS模型具有較高的估算精度[19]?！颈狙芯康那腥朦c(diǎn)】橡膠樹(shù)是多年生經(jīng)濟(jì)作物，不同品種和割齡的橡膠樹(shù)對(duì)氮素的需求不同，葉片的外觀、營(yíng)養(yǎng)成分和生理特征也不相同，同一氮素含量高光譜估算模型能否在不同的品種和不同割齡段上應(yīng)用值得研究?！緮M解決的關(guān)鍵問(wèn)題】文章基于不同品種和割齡組合的橡膠樹(shù)葉片樣本的氮素含量和光譜反射率，采用偏最小二乘法構(gòu)建各組合的橡膠樹(shù)葉片氮素含量高光譜估算模型，從而探討品種和割齡對(duì)模型精度的影響。

1 材料與方法

1.1 葉片樣品的采集

2012年8月，分別在東風(fēng)農(nóng)場(chǎng)、勐滿農(nóng)場(chǎng)和普文農(nóng)場(chǎng)選取割齡為小于10年、10～20年和大于20年，品種為RRIM600和云研77-4的橡膠樹(shù)(云研77-4還包括未開(kāi)割橡膠樹(shù))，采集1片中下層主側(cè)枝上頂蓬葉基部無(wú)病蟲(chóng)害、長(zhǎng)勢(shì)良好的成熟復(fù)葉，取中間1片小葉，作為1個(gè)樣品，采集到樣品578個(gè)。

表1不同品種和割齡類型的橡膠樹(shù)葉片數(shù)量

Table 1 The number of rubber leaves of different types in varieties and tapping ages

品種Varieties割齡(年)Tappingages樣品個(gè)數(shù)SamplesizeRRIM600lt;1010510～20104gt;2068云研77-4未開(kāi)割59lt;106210～2094gt;2086

根據(jù)橡膠樹(shù)的品種和割齡的差異，采集的葉片樣品可劃分為7種類型，各類型橡膠樹(shù)葉片采集情況見(jiàn)表1。

1.2 葉片光譜反射率及氮含量的測(cè)定

采集到的葉片樣品帶回實(shí)驗(yàn)室，將表面擦拭干凈，葉片反射率采用美國(guó)ASD公司光譜儀FieldSpec3配合植物探頭以及葉片夾持器測(cè)定葉片正面光譜反射率。測(cè)量時(shí)以葉脈為界，將葉片分為上中下共6個(gè)區(qū)域，每個(gè)區(qū)域掃描3次，18條光譜曲線的平均值作為該樣品的反射率。由于得到的橡膠樹(shù)葉片樣品反射率光譜曲線在350～399 nm范圍內(nèi)噪聲較大，只留400～1025 nm用于建模。葉片氮含量的實(shí)驗(yàn)室測(cè)定采用凱氏定氮法。

1.3 模型及評(píng)價(jià)

1.3.1 偏最小二乘法 文章采用偏最小二乘法和留一交叉驗(yàn)證的方式建立橡膠樹(shù)葉片氮含量預(yù)測(cè)模型，由均方根誤差(RMSE)最小來(lái)確定最優(yōu)校正模型。

1.3.2 模型評(píng)價(jià)指標(biāo) (1)均方根誤差(RMSE)。

(1)

式中：yi和yi’分別為實(shí)測(cè)值和預(yù)測(cè)值；n為樣本數(shù)。

(2)相對(duì)分析誤差(RPD)。

(2)

式中：SD為樣本實(shí)測(cè)值標(biāo)準(zhǔn)差，RMSE為均方根誤差。RPD≥2.25，說(shuō)明模型預(yù)測(cè)效果良好； 1.75lt;RPDlt;2.25，說(shuō)明可以利用該高光譜數(shù)據(jù)進(jìn)行定量分析，但預(yù)測(cè)精度有待于進(jìn)一步提高；RPD≤1.75，則說(shuō)明利用該高光譜數(shù)據(jù)難以進(jìn)行定量分析[20]。

1.4 建模集樣品的選取

在光譜建模分析過(guò)程中，出現(xiàn)異常樣品通常是不可避免的，異常樣品的存在嚴(yán)重影響校正模型的預(yù)測(cè)能力。因此必須將其從建模集中剔除。文章采用“二審”法剔除異常樣品，利用PLS及留一交叉驗(yàn)證方法建模，以杠桿值和學(xué)生殘差作為異常樣本的判定準(zhǔn)則[21]。剔除異常樣品之后，還剩566個(gè)樣品進(jìn)行建模分析。

將剔除異常樣品后的葉片樣本按氮含量從小到大排序，每4個(gè)樣本中第2個(gè)為驗(yàn)證樣本，其余為建模樣本，得到2組樣本。為了比較不同品種和割齡組合下模型的預(yù)測(cè)精度，將葉片樣本按品種和割齡分為19種類型，其中，A4=A1+A2，A5=A2+A3， B4=B1+B2，B5=B2+B3，A1B1=A1+B1，A2B2=A2+B2，A3B3=A3+B3，A4B4=A4+B4，A5B5=A5+B5，A=A1+A2+A3，B=B0+B1+B2+B3，AB=A+B。文章建模和驗(yàn)證所用葉片樣品氮含量統(tǒng)計(jì)分析結(jié)果見(jiàn)表2。

表2 不同品種和割齡類型的葉片樣品氮含量描述性統(tǒng)計(jì)

續(xù)表2 Continued table 2

品種和割齡類型Typeinvarietiesandtappingages類型代碼Typecode樣本集Sampleset樣本個(gè)數(shù)Samplesize最小值(g/kg)Min最大值(g/kg)Max平均值(g/kg)Mean標(biāo)準(zhǔn)差(g/kg)SD2個(gè)品種大于20割齡A3B3所有樣本15020.74835.48630.5542.946建模樣本11220.74834.48530.5532.926驗(yàn)證樣本3822.54035.48630.5573.0452個(gè)品種20割齡以下A4B4所有樣本35817.44038.69630.7893.557建模樣本26817.44038.69330.7963.542驗(yàn)證樣本9018.10438.69630.7703.6202個(gè)品種10割齡以上A5B5所有樣本34520.74838.69630.5433.168建模樣本25820.74838.69330.5493.134驗(yàn)證樣本8722.38538.69630.5253.285RRIM600品種全割齡段A所有樣本27117.44038.69630.8043.968建模樣本20217.44038.69330.7953.941驗(yàn)證樣本6918.10438.69630.8314.077云研77-4品種全割齡段B所有樣本29521.75537.93130.6142.734建模樣本22121.75537.25330.6232.725驗(yàn)證樣本7424.10637.93130.5882.7772個(gè)品種全割齡段AB所有樣本56617.44038.69630.7053.380建模樣本42317.44038.69330.7053.358驗(yàn)證樣本14318.10438.69630.7053.456

2 結(jié)果與分析

2.1 SG平滑模式與偏最小二乘法因子數(shù)的優(yōu)選

光譜儀所采集的光譜除樣品的自身信息外，還包含了其他無(wú)關(guān)信息和噪聲，如電噪聲、樣品背景和雜散光等。因此在建模前有必要通過(guò)光譜預(yù)處理消除光譜數(shù)據(jù)無(wú)關(guān)信息和噪聲，從而提高建模精度。文章采用Savitzky-Golay平滑(SG平滑)方法對(duì)葉片光譜反射率R進(jìn)行預(yù)處理，平滑點(diǎn)數(shù)限定為3～101的奇數(shù)，多項(xiàng)式次數(shù)限定為1～9，導(dǎo)數(shù)階數(shù)限定為0～2，對(duì)預(yù)處理結(jié)果建立PLS模型，按照預(yù)測(cè)效果選擇最優(yōu)的SG平滑模式。SG平滑和PLS模型的建立通過(guò)MATLAB 2010編程實(shí)現(xiàn)，為了防止模型的過(guò)度擬合，限定PLS因子數(shù)最大為10。

圖1為B1各階導(dǎo)數(shù)的平滑點(diǎn)數(shù)對(duì)應(yīng)的最優(yōu)模型(從不同多項(xiàng)式次數(shù)和PLS因子數(shù)中優(yōu)選)的預(yù)測(cè)均方根誤差，導(dǎo)數(shù)階數(shù)和平滑點(diǎn)數(shù)分別為0階和67點(diǎn)時(shí)預(yù)測(cè)均方根誤差最小。圖2為B1各階導(dǎo)數(shù)最優(yōu)平滑模式的PLS因子數(shù)對(duì)應(yīng)的預(yù)測(cè)均方根誤差。B1各階導(dǎo)數(shù)最優(yōu)平滑模式的最優(yōu)PLS因子數(shù)不相同，且平滑后預(yù)測(cè)效果顯著提升。圖1和圖2結(jié)果表明，要得到最優(yōu)的預(yù)測(cè)模型，對(duì)不同的SG平滑模式與偏最小二乘法因子數(shù)進(jìn)行比較篩選是一個(gè)可行的方法。按照上述方法對(duì)其他18個(gè)類型的橡膠樹(shù)葉片樣本進(jìn)行SG平滑模式與偏最小二乘法因子數(shù)的優(yōu)選，得到各類型樣本的各階導(dǎo)數(shù)平滑最優(yōu)模型的平滑點(diǎn)數(shù)、多項(xiàng)式次數(shù)、PLS主因子數(shù)及模型預(yù)測(cè)效果如表3所示。SG平滑處理能夠顯著提高模型的預(yù)測(cè)精度。

圖1 B1各階導(dǎo)數(shù)的平滑點(diǎn)數(shù)對(duì)應(yīng)的最優(yōu)預(yù)測(cè)均方根誤差Fig.1 Optimal root mean square error of prediction (RMSEP) corresponding to smooth points number for each order derivation of B1

圖2 B1各階導(dǎo)數(shù)最優(yōu)平滑模式的PLS因子數(shù)對(duì)應(yīng)的預(yù)測(cè)均方根誤差Fig.2 Root mean square error of prediction (RMSEP) corresponding to PLS factor of optimal smoothing model for each order derivation of B1

2.2 建立橡膠樹(shù)葉片氮含量估算模型

根據(jù)表3中預(yù)測(cè)均方根誤差最小選擇各類型的最佳SG平滑模式，基于各類型建模集的最佳SG平滑模式處理后的高光譜數(shù)據(jù)，應(yīng)用Unscrambler 9.7軟件建立最優(yōu)模型(表4)。

續(xù)表3 Continued table 3

類型Types導(dǎo)數(shù)階數(shù)Orderofderivative多項(xiàng)式次數(shù)Polynomialdegree平滑點(diǎn)數(shù)SmoothingpointsPLS因子數(shù)PLSfactors預(yù)測(cè)均方根誤差RMSEPB2未平滑--101.4090階6,77781.2251階5,610171.2032階2,310161.233B3未平滑--51.0760階11361.0211階5,62550.9842階2,310141.006B4未平滑--81.5530階8,97991.4271階1,26981.3912階2,39771.389B5未平滑--61.5950階8,97391.4901階3,410161.4182階2,38771.448A1B1未平滑--71.8890階1591.8091階1,22781.7532階2,387101.863A2B2未平滑--82.0510階8,94191.9831階97371.9292階2,37191.910A3B3未平滑--91.9320階4,51991.8691階5,62591.7392階4,58771.760A4B4未平滑--92.1810階6,73192.0371階7,86381.9842階4,58592.080A5B5未平滑--92.0420階8,91392.0111階5,66581.9382階4,58381.931A未平滑--102.2840階8,95192.3001階7,89792.0782階2,35592.232B未平滑--91.8040階8,93781.781

續(xù)表3 Continued table 3

類型Types導(dǎo)數(shù)階數(shù)Orderofderivative多項(xiàng)式次數(shù)Polynomialdegree平滑點(diǎn)數(shù)SmoothingpointsPLS因子數(shù)PLSfactors預(yù)測(cè)均方根誤差RMSEP1階3,49391.7542階2,38981.751AB未平滑--92.1370階8,91192.1011階7,86592.0442階6,76782.170

表4 不同品種和割齡類型的最優(yōu)模型

用各類型驗(yàn)證集對(duì)各類型的最優(yōu)模型進(jìn)行精度驗(yàn)證,驗(yàn)證結(jié)果見(jiàn)表5。其中，A1、A1B1、B4、B5、B1、B0、A5B5、A2B2、A5、A4B4、A的RPD依次為2.620、2.226、2.161、2.122、2.064、1.950、1.827、1.784、1.783、1.770、1.753,預(yù)測(cè)效果較好。而A2、A3、A4、B2、B3、A3B3、B、AB的RPD低于1.75，預(yù)測(cè)效果不太理想。結(jié)果表明,對(duì)于2個(gè)品種的橡膠樹(shù)，未開(kāi)割或10年以下割齡的橡膠樹(shù)葉片氮含量預(yù)測(cè)效果優(yōu)于10～20割齡和大于20割齡的。A5和B5的預(yù)測(cè)效果優(yōu)于A2、A3、B2、B3，說(shuō)明在建模時(shí)并不是割齡劃分越細(xì)越好，將10～20割齡和大于20割齡的葉片樣本混合建模效果更好。

表6為2個(gè)品種全割齡段的驗(yàn)證集在不同分類方法下最優(yōu)模型的預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果從優(yōu)到劣依次為：既分品種又分割齡，只分割齡不分品種，只分品種不分割齡，不分品種和割齡。不同的割齡分類方法預(yù)測(cè)結(jié)果差異較大，將橡膠樹(shù)割齡分為未開(kāi)割、小于10割齡和10割齡以上3種類型時(shí)預(yù)測(cè)效果最好。其中，將橡膠樹(shù)葉片分為A1、A5、B0、B1、B5進(jìn)行建模預(yù)測(cè)效果最佳。

表5 不同品種和割齡類型的最優(yōu)模型的預(yù)測(cè)精度

表6 樣本集在不同分類方法下的預(yù)測(cè)精度

得到的橡膠樹(shù)葉片氮含量高光譜估算模型如表7所示，模型的相對(duì)分析誤差都大于1.75，預(yù)測(cè)效果總體較好。

3 討 論

對(duì)于不同品種和割齡類型，基于SG平滑處理后的數(shù)據(jù)建立的模型要優(yōu)于基于原始光譜反射率構(gòu)建的模型，說(shuō)明通過(guò)SG平滑處理是能夠提高模型的預(yù)測(cè)精度，但各類型的最優(yōu)SG平滑模式對(duì)應(yīng)的導(dǎo)數(shù)階數(shù)、多項(xiàng)式次數(shù)、平滑點(diǎn)數(shù)有較大差異。因此，要得到最優(yōu)的預(yù)測(cè)模型，有必要對(duì)不同的SG平滑模式與偏最小二乘法因子數(shù)進(jìn)行比較篩選。

本次葉片采集割齡劃分為小于10年、10～20年、大于20年，今后還可以嘗試更細(xì)的割齡分類方法，以篩選出更優(yōu)的模型?？傮w而言，大割齡橡膠樹(shù)葉片氮含量的預(yù)測(cè)效果不如小割齡或未開(kāi)割的，今后需要加強(qiáng)對(duì)大割齡的橡膠樹(shù)葉片氮含量的預(yù)測(cè)模型的研究。

表7 橡膠樹(shù)葉片氮含量高光譜估算模型

4 結(jié) 論

基于不同品種和割齡類型的橡膠樹(shù)葉片樣本，采用Savitzky-Golay(SG)平滑方法和偏最小二乘法(PLS)構(gòu)建了橡膠樹(shù)葉片氮素含量高光譜估算模型。模型的預(yù)測(cè)精度從優(yōu)到劣依次為：既分品種又分割齡，只分割齡不分品種，只分品種不分割齡，不分品種和割齡。不同的割齡分類方法預(yù)測(cè)結(jié)果差異較大，且割齡劃分并非越細(xì)越好，將橡膠樹(shù)割齡分為未開(kāi)割、小于10割齡和10割齡以上3種類型時(shí)模型的相對(duì)分析誤差都大于1.75，預(yù)測(cè)效果最佳。對(duì)于2個(gè)品種的橡膠樹(shù)，未開(kāi)割或小于10割齡的橡膠樹(shù)葉片氮含量預(yù)測(cè)效果優(yōu)于10～20割齡和大于20割齡的。

[1]何 康,黃宗道.熱帶北緣橡膠樹(shù)栽培[M].廣州:廣東科技出版社,1987:189.

[2]唐 菁,楊承棟,康紅梅.植物營(yíng)養(yǎng)診斷方法研究進(jìn)展[J].世界林業(yè)研究,2006,18(6):45-48.

[3]馮 偉,王永華,謝迎新,等.作物氮素診斷技術(shù)的研究綜述[J].中國(guó)農(nóng)學(xué)通報(bào),2008,24(11):179-185.

[4]Thomas J R,Oerther G F.Estimating Nitrogen Content of Sweet Pepper Leaves by Reflectance Measurements[J].Agronomy Journal,1972,64:11-13.

[5]Hansen P M,Schjoerring J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment,2003,86:542-553.

[6]姚 霞,朱 艷,田永超,等.小麥葉層氮含量估測(cè)的最佳高光譜參數(shù)研究[J].中國(guó)農(nóng)業(yè)科學(xué),2009,42(8):2716-2725.

[7]馮 偉,朱 艷,姚 霞,等.利用紅邊特征參數(shù)監(jiān)測(cè)小麥葉片氮素積累狀況[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(11):194-201.

[8]張玉森,姚 霞,田永超,等.應(yīng)用近紅外光譜預(yù)測(cè)水稻葉片氮含量[J].植物生態(tài)學(xué)報(bào),2010,34(6):704-712.

[9]薛利紅,曹衛(wèi)星,羅衛(wèi)紅,等.基于冠層反射光譜的水稻群體葉片氮素狀況監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué),2003,36(7):807-812.

[10]金 梁,胡克林,田明明,等.夏玉米葉片分層氮素營(yíng)養(yǎng)的高光譜診斷[J].光譜學(xué)與光譜分析,2013, 33(4):1032-1037.

[11]周麗麗,馮漢宇,閻忠敏,等.玉米葉片氮含量的高光譜估算及其品種差異[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(8):195-199.

[12]Read J J,Tarpley L,Mckinion J M,et al.Narrow-waveband reflectance ratios for remote estimation of nitrogen status in cotton.[J].Journal of Environmental Quality,2002,31(5):1442-1452.

[13]吳華兵,朱 艷,田永超,等.棉花冠層高光譜參數(shù)與葉片氮含量的定量關(guān)系[J].植物生態(tài)學(xué)報(bào),2007,31(5):903-909.

[14]王 淵,黃敬峰,王福民,等.油菜葉片和冠層水平氮素含量的高光譜反射率估算模型[J].光譜學(xué)與光譜分析,2008,28(2):273-277.

[15]李丙智,李敏夏,周 璇,等.蘋果樹(shù)葉片全氮含量高光譜估算模型研究[J].遙感學(xué)報(bào),2010,14(4):761-773.

[16]胡永光,李萍萍, 母建華,等.基于可見(jiàn)-近紅外光譜技術(shù)預(yù)測(cè)茶鮮葉全氮含量[J].光譜學(xué)與光譜分析,2008,28(12):2821-2825.

[17]王 植,周連第,李 紅,等.桃樹(shù)葉片氮素含量的高光譜遙感監(jiān)測(cè)[J].中國(guó)農(nóng)學(xué)通報(bào),2011,27(4):85-90.

[18]陳貽釗,林清火,華元?jiǎng)?等.橡膠樹(shù)葉片高光譜特征分析[J].熱帶亞熱帶植物學(xué)報(bào),2010,18(3):293-297.

[19]黎小清,劉忠妹,丁華平,等.基于高光譜數(shù)據(jù)的橡膠樹(shù)葉片氮素含量估算模型研究[J].西南農(nóng)業(yè)學(xué)報(bào),2015,28(3):569-574.

[20]Malley D F, McClure C, Martin P D, et al. Compositional analysis of cattle manure during composting using a field-portable near-infrared spectrometer[J]. Communications in Soil Science and Plant analysis, 2005, 36(4-6): 455-475.

[21]祝詩(shī)平,王一鳴,張小超,等.近紅外光譜建模異常樣品剔除準(zhǔn)則與方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2004,35(4):115-119.

(責(zé)任編輯 王家銀)

EffectsofVarietyandTappingAgeonEstimationofRubberLeafNitrogenContentBasedonHyper-spectral

LI Xiao-qing, CHEN Gui-liang, XU Mu-guo, LIU Zhong-mei, DENG Yue-ye

(Yunnan Institute of Tropical Crops, Yunnan Jinghong 666100,China)

【Objective】The effects of variety and tapping age on estimation of rubber leaf nitrogen content based on hyper-spectral was studied.【Method】Based on rubber leaf samples of different types in varieties and tapping ages, hyper-spectral estimation models of rubber leaf nitrogen content were established by Savitzky-Golay (SG) smoothing method and partial least squares (PLS).【Result】The model prediction accuracy of different types in varieties and tapping ages ranking from the highest level to the lowest level were as follows, type distinguished by both varieties and tapping ages, type distinguished by tapping ages only, type distinguished by varieties only and type distinguished by neither varieties nor tapping ages.【Conclusion】Both varieties and tapping ages affected the precision of the mode, especially tapping ages. There were significant differences in different tapping age classification method, and it was not necessarily true that more specific division in the tapping ages would achieve better effects. In fact, the optimal prediction effects would be achieved when rubber tree tapping ages were classified as pre-tapping, tapping less than 10 years and tapping more than 10 years, respectively.

Hyper-spectral; Rubber tree; Leaves; Nitrogen; Variety; Tapping age

O657.3；S129

A

1001-4829(2017)11-2497-09

10.16213/j.cnki.scjas.2017.11.018

2016-05-06

云南省熱帶作物科技創(chuàng)新體系建設(shè)資金；云南省應(yīng)用基礎(chǔ)研究計(jì)劃(2011FZ251)

黎小清(1980-), 男, 江西萍鄉(xiāng)人，副研究員，主要從事熱帶作物營(yíng)養(yǎng)與3S技術(shù)應(yīng)用，E-mail:lxq4118@163.com。