近红外光谱分析技术在尖椒叶片生长信息获取中的应用

论文摘要

近红外光谱分析技术具有简单、快速、准确、无污染、重复性好、便于实现在线分析等优点,已经在某些领域得到了应用,并且发展迅速,前景广阔。但目前近红外光谱的分析技术应用还主要集中在石化、粮食、医学等行业。为了拓宽其应用范围,为植物生长信息获取探寻一个快速、无损的检测方法,本研究是以设施农业中的作物-尖椒（Pointed paprika,茄科,辣椒属）为研究对象,利用近红外光谱分析技术获取尖椒叶片生长信息（以叶绿素、水分和SPAD为例）的方法。本研究有两个重点：一是研究利用近红外光谱技术获取尖椒叶片叶绿素的光谱信息时,不同的预处理、建模方法、波段选择、异常样品剔除方法,对预测模型的影响；二是利用近红外获取尖椒叶片叶绿素的光谱信息,并利用光谱分析技术、化学计量学等方法建立预测尖椒叶片叶面水分、SPAD和叶绿素含量的预测模型。本文通过常规化学分析方法获取了尖椒叶片中的水分和叶绿素含量。利用美国尼高力（Nicolet）仪器公司的高性能高精确度NEXUS智能光纤漫反射附件的光谱测量方法获取叶面的光纤漫反射光谱。同时对近红外光谱分析实验进行了重点研究,通过对样品处理方法、扫描条件、谱图的预处理、建模方法、异常样品剔除等因素的分析,确定谱图最佳预处理方法及最佳预测模型的参数如下：水分的最佳预处理方法为水分原始光谱+MSC,最佳预测模型的参数分别为：R=0.95978,RMSEC:0.00735,RMSEP=0.0165,f=8叶绿素的最佳预处理方法为SNV+一阶微分+13点平滑,最佳预测模型的参数分别为：R=0.95208,RMSEC=0.0775,RMSEP=0.117,f=8SPAD值的最佳处理方法为MSC+一阶微分+5点平滑,预测模型的参数分别为：R=0.99273,RMSEC=6.32,RMSEP=1.21,f=8最佳建模方法为偏最小二乘法（PLS）。模型预测的结果也是准确的,可代替标准方法或参考方法进行尖椒叶片叶绿素含量的快速测定。

论文目录

• 目录
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 近红外光谱分析技术的发展历程
• 1.2 蔬果生长信息获取上的近红外分析应用
• 1.2.1 蔬果生产现状及生长信息获取方法
• 1.2.2 国内外相关研究
• 1.2.3 存在的主要问题和应用前景
• 1.3 本课题的研究内容和方法
• 1.3.1 研究内容
• 1.3.2 研究手段和方法
• 1.3.3 应用前景
• 第二章 近红外光谱分析方法概述
• 2.1 近红外光谱分析技术的基本原理
• 2.1.1 近红外光谱分析的化学基础
• 2.1.2 近红外光谱分析的数学基础
• 2.2 近红外光谱产生过程
• 2.3 近红外光谱的信息特征
• 2.4 近红外光谱分析技术的特点
• 2.5 近红外光谱定量分析过程
• 第三章 尖椒叶片生长信息获取近红外硬件系统
• 3.1 近红外光谱仪器系统组成
• 3.2 近红外光谱仪器的主要性能指标
• 3.3 智能光纤漫反射原理及工作过程
• 3.3.1 漫反射分析定量原理
• 3.3.2 智能光纤漫反射工作过程
• 第四章 尖椒叶片生长信息理化分析实验
• 4.1 尖椒叶片培养
• 4.2 理化分析方法和步骤
• 4.2.1 分析水分的方法和步骤
• 4.2.2 叶绿素常规分析方法和步骤
• 4.3 常规分析总结
• 第五章 近红外光谱分析方法研究
• 5.1 近红外光谱谱图预处理的方法
• 5.1.1 消噪处理
• 5.1.2 不同预处理方法的实验影响分析
• 5.2 近红外光谱定性和定量校正方法
• 5.2.1 最小二乘（线性）回归（Least Squares Regression）
• 5.2.2 主成分分析（Principal Component Analysis,PCA）
• 5.2.3 偏最小二乘法（PLS）
• 5.2.4 不同建模方法的实验影响分析
• 5.3 检验模型的指标
• 5.4 异常样品的剔除准则
• 5.4.1 基于预测浓度残差准则剔除异常样品
• 5.4.2 基于重构光谱残差准则剔除异常样品
• 5.4.3 光谱主成分得分的聚类分析准则剔除异常样品
• 5.4.4 杠杆值与学生残差T检验准则
• 5.5 剔除校正集中异常样品的方法
• 5.5.1 "一审"剔除法（ODO）
• 5.5.2 "二审"剔除法（ODT）
• 5.6 近红外光谱区间选择的必要性
• 5.6.1 近红外光谱区间"分段排序"挑选法
• 5.6.2 近红外光谱区间"分段排序"挑选法的实验分析
• 第六章 尖椒叶片生长信息近红外光谱分析技术应用
• 6.1 实验材料
• 6.2 尖椒叶片近红外光谱获取
• 6.3 尖椒叶片智能光纤漫反射光谱测量基本参数设置
• 6.4 测定尖椒叶片近红外光谱数据
• 6.4.1 水分智能光纤漫反射光谱数据
• 6.4.2 测定叶绿素含量的光谱数据
• 6.5 图谱预处理
• 6.5.1 尖椒叶片叶绿素光纤附件图谱预处理
• 6.5.2 优化模型
• 6.5.2.1 剔除异常样品
• 6.5.2.2 建模谱区的选择
• 6.5.3 模型建立
• 6.5.4 预测模型
• 6.6 其他成分的模型
• 小结
• 参考文献
• 附录
• 致谢
• 工程硕士学习期间发表的论文