一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法

1.本发明涉及检测分析技术领域，具体涉及一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法。


背景技术：

2.茶树养分管理是其优质、高产、稳产的基础，而营养诊断是养分管理的理论和技术依据。植物营养诊断方法有土壤诊断、叶片诊断、田间试验、示踪原子、微生物测定等多种方法。由于茶树根系较大，树体需求和贮藏的营养物质多，园地立地条件复杂，土壤异质性与区块变异大，采用土壤营养诊断和田间试验等方法常存在诊断时效性与准确性较差以及效率低等问题，其结果也仅被视为生产中的参考值。而叶片是茶树对营养反应最敏感的器官，其营养动态变化可实时反馈树体和土壤养分的丰缺状况。因此，针对叶片的营养诊断是比较理想的营养诊断方法。但是，茶树叶片养分存在时空动态变化规律，在测定样品中，采集期和处理方法不同，其分析诊断结果差异较大。尤其茶树是以采集新梢为收获器官，每年从春季到秋季需要连续采摘，养分被大量消耗，在测定叶片营养元素变化时必须充分考虑因鲜叶采摘而引起的大量元素变化，采集样品时必须考虑元素的变化动态，才能确定元素的丰缺，并据此制定合理的施肥种类与数量。
3.茶树在不同季节营养吸收和转化规律是不同的。秋季-冬季是养分贮藏期，主要养分贮藏在根系、叶片和休眠芽中；春季是茶树萌发期，养分从根系、叶片向芽转移，提高芽的萌发力，并随着新梢的不断采摘，矿质营养会不断被带走，必须及时补充养分，才能满足茶树新梢萌发的需要；夏季是茶树的旺盛生长季，营养物质贮藏少，芽的萌发和叶片的生长消耗大量养分；在不同的时期，不同元素储藏状态和运转形式不同，茶树叶片营养诊断与其他作物自然就有明显的不同。
4.茶树营养诊断工作已开展多年，仍然缺少快速、便捷、实用的诊断方法。目前，我国关于茶树叶片营养诊断标准及其应用尚属空白。本发明即通过茶园调查、分析测定和定点试验，获取了大量包括多产区多品种有关茶树叶片ojip曲线与养分含量数据，通过分析，明确茶园主栽品种的营养状况，建立了茶树代表性品种营养元素的标准值和营养诊断技术标准，提出以叶片营养分析为核心的茶树营养诊断技术体系，对提高茶园的肥水管理水平具有重要意义。
5.氮素是茶树生长与品质成分形成的关键元素，土壤氮素也是最容易损失的营养元素，及时对茶树进行氮素营养诊断对合理制定施肥、灌溉、采摘等具有重要的参考意义，但传统营养诊断依赖人工采样、室内化学分析，费时费力，时效性不高，难以应用规模化生产茶园。


技术实现要素：

6.本发明的目的在于提出一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法，从茶树必需营养元素氮与生物膜能量流动的关系出发，采用叶绿素荧光诱导动力学作为茶
树叶片psii光合原初反应与叶片氮氮钾含量的探针，通过建立不同养分状态下茶树叶片ojip曲线与元素化学分析数据的模型，提出一种快速的茶树叶片氮检测方法，验证结果表明该模型对茶树叶片氮的检测误差分别为2.5％，实现茶树大量元素氮的实时、无损、快速检测，为农业生产中养分的精准与智能化管理提供基础。
7.本发明的技术方案是这样实现的：
8.本发明提供一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法，其特征在于，包括以下步骤：
9.s1.荧光诱导动力学曲线的测定：将茶树叶片置于暗适应叶夹，采用叶绿素荧光仪测定ojip快速荧光诱导曲线；
10.s2.样品的预处理：将ojip曲线对应的茶树叶片杀青并干燥至恒重，球磨叶片成粉末状；
11.s3.样品氮素测定：称取固定质量样品，利用元素分析仪进行植物氮素测定；
12.s4.偏最小二乘法作为线性回归模型代表：采用五点加权平滑法对原始光谱数据进行预处理，并利用spss软件计算光谱数据与氮素值的相关性，采用指数函数、一元线性函数、对数函数、多项式以及幂函数构建氮素含量估算模型，选取最优的函数模型作为氮素含量的一元线性回归模型；
13.s5.支持向量机作为非线性回归代表：构建一个输入层、一个输出层、五个隐含神经元、一个输出所构成的bp神经网络进行训练，迭代，得到bp神经网络模型，进行精度检验，然后对茶树叶片进行检测。
14.作为本发明的进一步改进，步骤s1中暗适应叶夹时间为25min以上。
15.作为本发明的进一步改进，步骤s1中荧光仪为荧光仪fluorpen。
16.作为本发明的进一步改进，步骤s2中球磨时间为1-3h。
17.作为本发明的进一步改进，步骤s3中天平为精确度为0.0001g的电子天平。
18.作为本发明的进一步改进，步骤s4中所述元素分析仪为元素分析仪vario macro cube。
19.作为本发明的进一步改进，步骤s5中迭代次数为800-1200，学习精度为0.01，训练目标为均方根误差小于0.001。
20.作为本发明的进一步改进，步骤s5中所述bp神经网络模型的计算公式如下：
[0021][0022]
其中，k为输入层单元数，m为输出层单元数，α为[1，10]之间的常数。
[0023]
作为本发明的进一步改进，步骤s5中所述精度检验公示为：
[0024][0025]
式中，y’i
和yi分别为实测值和由模型计算出的理论值，n为样本数。
[0026]
作为本发明的进一步改进，具体包括以下步骤：
[0027]
s1.荧光诱导动力学曲线的测定：将茶树叶片置于暗适应叶夹25min以上，采用叶绿素荧光仪fluorpen测定ojip快速荧光诱导曲线；
[0028]
s2.样品的预处理：将ojip曲线对应的茶树叶片杀青并干燥至恒重，球磨叶片1-3h，形成粉末状；
[0029]
s3.样品氮素测定：用精确度为0.0001g的电子天平称取固定质量样品，利用元素分析仪vario macro cube进行植物氮素测定；
[0030]
s4.偏最小二乘法作为线性回归模型代表：采用五点加权平滑法对原始光谱数据进行预处理，并利用spss软件计算光谱数据与氮素值的相关性，采用指数函数、一元线性函数、对数函数、多项式以及幂函数构建氮素含量估算模型，选取最优的函数模型作为氮素含量的一元线性回归模型；
[0031]
s5.支持向量机作为非线性回归代表：构建一个输入层、一个输出层、五个隐含神经元、一个输出所构成的bp神经网络进行训练，迭代，得到bp神经网络模型，进行精度检验，然后对茶树叶片进行检测；
[0032]
所述bp神经网络模型的计算公式如下：
[0033][0034]
其中，k为输入层单元数，m为输出层单元数，α为[1，10]之间的常数；
[0035]
所述精度检验公式为：
[0036][0037]
式中，y’i
和yi分别为实测值和由模型计算出的理论值，n为样本数。
[0038]
本发明具有如下有益效果：本发明公开了一种基于叶绿素荧光诱导动力学的茶树氮快速检测方法。本发明从茶树必需营养元素氮与生物膜能量流动的关系出发，采用叶绿素荧光诱导动力学作为茶树叶片psii光合原初反应与叶片氮氮钾含量的探针，通过建立不同养分状态下茶树叶片ojip曲线与元素化学分析数据的模型，提出一种快速的茶树叶片氮检测方法，验证结果表明该模型对茶树叶片氮的检测误差分别为2.5％，实现茶树大量元素氮的实时、无损、快速检测，为农业生产中养分的精准与智能化管理提供基础。
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明实施例1中各组ojip曲线图；
[0041]
图2为本发明实施例1中茶树叶片全氮浓度的预测与验证模型对比图。
具体实施方式
[0042]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范
围。
[0043]
实施例1
[0044]
基于叶绿素荧光诱导动力学的茶树氮快速检测方法，具体包括以下步骤：
[0045]
s1.荧光诱导动力学曲线的测定：将茶树叶片置于暗适应叶夹25min以上，采用叶绿素荧光仪fluorpen测定ojip快速荧光诱导曲线；
[0046]
s2.样品的预处理：将ojip曲线对应的茶树叶片杀青并干燥至恒重，球磨叶片1-3h，形成粉末状；
[0047]
s3.样品氮素测定：用精确度为0.0001g的电子天平称取固定质量样品，利用元素分析仪vario macro cube进行植物氮素测定；
[0048]
s4.偏最小二乘法作为线性回归模型代表：采用五点加权平滑法对原始光谱数据进行预处理，并利用spss软件计算光谱数据与氮素值的相关性，采用指数函数、一元线性函数、对数函数、多项式以及幂函数构建氮素含量估算模型，选取最优的函数模型作为氮素含量的一元线性回归模型；
[0049]
s5.支持向量机作为非线性回归代表：构建一个输入层、一个输出层、五个隐含神经元、一个输出所构成的bp神经网络进行训练，迭代，得到bp神经网络模型，进行精度检验，然后对茶树叶片进行检测；
[0050]
所述bp神经网络模型的计算公式如下：
[0051][0052]
其中，k为输入层单元数，m为输出层单元数，α为[1，10]之间的常数；
[0053]
所述精度检验公式为：
[0054][0055]
式中，y’i
和yi分别为实测值和由模型计算出的理论值，n为样本数。
[0056]
根据茶树叶片全氮浓度的预测与验证模型的预测结果进行回归分析(见图2),在多个预测模型中，偏最小二乘法回归模型(plsr)与支持向量机模型(svm)具有最佳的预测准确性，表现在较宽的浓度范围内，两个模型对茶树叶片氮浓度的预测值与测定值具有良好的线性关系，此外预测的相对误差较低，相对rmse分别为2.5％与2.7％，预测精度甚至高于仪器检测水平(一般仪器检测误差为5％)。
[0057]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。