分析化学
分析化學
분석화학
CHINESE JOURNAL OF ANALYTICAL CHEMISTRY
2012年
4期
589-595
,共7页
姚霞%田永超%倪军%张玉森%曹卫星%朱艳
姚霞%田永超%倪軍%張玉森%曹衛星%硃豔
요하%전영초%예군%장옥삼%조위성%주염
水稻%叶片色素%近红外光谱%最佳因子数%偏最小二乘法
水稻%葉片色素%近紅外光譜%最佳因子數%偏最小二乘法
수도%협편색소%근홍외광보%최가인자수%편최소이승법
以不同品种类型和不同施氮水平的水稻(Oryza sativa)叶片近红外光谱信息为基础,运用逐步多元回归法(Stepwise multiple linear regression,SMLR)、主成分回归法(Principal component regression,PCR)、偏最小二乘法(Partial least square,PLS)和BP神经网络法(Back-propagation neural network,BPNN),建立了水稻叶片中叶绿素a(Chl a)、叶绿素b(Chl b)、叶绿素a+b (Chl a+b)和类胡萝卜素(Car)的近红外预测模型.结果显示,利用8000～4000 cm-1波段范围的一阶导数(First derivative,FD)建模效果最佳.其中,基于PLS的预测模型效果最好；4类近红外色素模型的内部交叉验证误差分别为0.251,0.063,0.305和0.073；外部交叉验证的误差RMSEP分别为0.335,0.123,0.302和0.072,表明的预测效果较好.因此,可以基于近红外模型对水稻叶片色素含量进行快速测定.
以不同品種類型和不同施氮水平的水稻(Oryza sativa)葉片近紅外光譜信息為基礎,運用逐步多元迴歸法(Stepwise multiple linear regression,SMLR)、主成分迴歸法(Principal component regression,PCR)、偏最小二乘法(Partial least square,PLS)和BP神經網絡法(Back-propagation neural network,BPNN),建立瞭水稻葉片中葉綠素a(Chl a)、葉綠素b(Chl b)、葉綠素a+b (Chl a+b)和類鬍蘿蔔素(Car)的近紅外預測模型.結果顯示,利用8000～4000 cm-1波段範圍的一階導數(First derivative,FD)建模效果最佳.其中,基于PLS的預測模型效果最好；4類近紅外色素模型的內部交扠驗證誤差分彆為0.251,0.063,0.305和0.073；外部交扠驗證的誤差RMSEP分彆為0.335,0.123,0.302和0.072,錶明的預測效果較好.因此,可以基于近紅外模型對水稻葉片色素含量進行快速測定.
이불동품충류형화불동시담수평적수도(Oryza sativa)협편근홍외광보신식위기출,운용축보다원회귀법(Stepwise multiple linear regression,SMLR)、주성분회귀법(Principal component regression,PCR)、편최소이승법(Partial least square,PLS)화BP신경망락법(Back-propagation neural network,BPNN),건립료수도협편중협록소a(Chl a)、협록소b(Chl b)、협록소a+b (Chl a+b)화류호라복소(Car)적근홍외예측모형.결과현시,이용8000～4000 cm-1파단범위적일계도수(First derivative,FD)건모효과최가.기중,기우PLS적예측모형효과최호；4류근홍외색소모형적내부교차험증오차분별위0.251,0.063,0.305화0.073；외부교차험증적오차RMSEP분별위0.335,0.123,0.302화0.072,표명적예측효과교호.인차,가이기우근홍외모형대수도협편색소함량진행쾌속측정.
