一种基于叶片反射光谱的茶树氮素营养快速诊断技术

1.本发明涉及分析检测技术领域，具体涉及一种基于叶片反射光谱的茶树氮素营养快速诊断技术。


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，采用土壤营养诊断和田间试验等方法常存在诊断准确性较差与效率低等问题，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，叶片营养诊断方法是比较理想的营养诊断方法。可是，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。尤其是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，茶树叶片营养诊断和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，获取了大量有关茶树叶片养分含量数据，通过多元回归分析及主成分分析，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。


技术实现要素：

5.本发明的目的在于提出一种基于叶片反射光谱的茶树氮素营养快速诊断技术，基于机器学习的方法进行光谱信号反演，在大量茶树品种试验基础上，采集叶片反射光谱及化学分析的氮浓度，通过多种机器学习算法比较优化，确定了能够广泛用于我国茶园的茶树叶片氮素营养诊断技术。
6.本发明的技术方案是这样实现的：
7.本发明提供一种基于叶片发射光谱的茶树氮素营养快速诊断技术，括以下步骤：
8.s1.叶片发射光谱的测定：对固定叶位的茶树叶片进行反射光谱特征提取；
9.s2.样品的预处理：将光谱数据对应的茶树叶片杀青并干燥至恒重，球磨叶片成粉末状；
10.s3.植物氮素的测定：称取固定质量样品，利用元素分析仪进行植物氮素测定；
11.s4.一元函数模型的构建：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；
12.s5.偏最小二乘回归：以光谱参数为自变量，氮素含量为因变量，引入交叉验证以确定plsr模型中的主成分数量；当r2值大于0.5时，plsr模型被认为对结果有良好的预测，具有最大的q2和最小的交叉验证均方根误差的plsr模型最优。
13.作为本发明的进一步改进，所述plsr模型的计算公式如下：
[0014][0015][0016][0017][0018][0019]
其中，press表示预测误差平方和，ss表示残差平方和，pi为分析样本的预测叶绿素含量，pi和qi分别为预测氮素含量和实测氮素含量，q2为模型预测能力，为主成分累积模型预测能力，m为plsr主成分数量，n是样本个数。
[0020]
作为本发明的进一步改进，步骤s2中球磨时间为1-3h。
[0021]
作为本发明的进一步改进，所述球磨时间为2h。
[0022]
作为本发明的进一步改进，步骤s3中称取用天平为万分之一的电子天平。
[0023]
作为本发明的进一步改进，步骤s3中元素分析仪为元素分析仪vario macro cube。
[0024]
作为本发明的进一步改进，步骤s1中用地物光谱仪进行反射光谱特征提取。
[0025]
作为本发明的进一步改进，具体包括以下步骤：
[0026]
s1.叶片反射光谱的测定：用地物光谱仪对固定叶位的茶树叶片进行反射光谱特征提取；
[0027]
s2.样品的预处理：将光谱数据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；
[0028]
s3.植物氮素的测定：用天平为万分之一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；
[0029]
s4.一元函数模型的构建：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；
[0030]
s5.偏最小二乘回归：以光谱参数为自变量，氮素含量为因变量，引入交叉验证以确定plsr模型中的主成分数量；当r2值大于0.5时，plsr模型被认为对结果有良好的预测，具有最大的q2和最小的交叉验证均方根误差的plsr模型最优；
[0031]
计算公式如下：
[0032][0033][0034][0035][0036][0037]
其中，press表示预测误差平方和，ss表示残差平方和，pi为分析样本的预测叶绿素含量，pi和qi分别为预测氮素含量和实测氮素含量，q2为模型预测能力，为主成分累积模型预测能力，m为plsr主成分数量，n是样本个数。
[0038]
本发明具有如下有益效果：
[0039]
本发明基于光谱反演，通过反射光谱，结合机器学习，在大量茶树品种试验基础上，采集叶片反射光谱及化学分析的氮浓度，通过多种机器学习算法比较优化，确定了能够广泛用于我国茶园的茶树叶片氮素营养诊断技术。
[0040]
本发明模型准确度高，对叶片氮浓度预测相对误差小于5.8％，对茶树氮素营养水平(低、中、高)的识别准确率100％；
[0041]
本发明可准确识别叶色黄化、白化茶树品种叶片氮浓度，具有广泛的茶树品种泛化能力。
附图说明
[0042]
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。
[0043]
图1为不同茶树品种及施氮水平下的冠层叶片反射光谱的主成分(pca)得分图；
[0044]
图2为4种不同反射光谱诊断模型对茶叶样品氮素含量的预测效果。
具体实施方式
[0045]
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。
[0046]
实施例1
[0047]
一种基于叶片发射光谱的茶树氮素营养快速诊断技术，具体包括以下步骤：
[0048]
s1.叶片发射光谱的测定：用等离子体发射光谱仪对固定叶位的茶树叶片进行发射光谱特征提取；
[0049]
s2.样品的预处理：将光谱数据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；
[0050]
s3.发射光谱的测定：用天平为万分之一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；
[0051]
s4.一元函数模型的构建：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；
[0052]
s5.偏最小二乘回归：以光谱参数为自变量，氮素含量为因变量，引入交叉验证以确定plsr模型中的主成分数量；当r2值大于0.5时，plsr模型被认为对结果有良好的预测，具有最大的q2和最小的交叉验证均方根误差的plsr模型最优；
[0053]
计算公式如下：
[0054][0055][0056][0057]
[0058][0059]
其中，press表示预测误差平方和，ss表示残差平方和，pi为分析样本的预测叶绿素含量，pi和qi分别为预测氮素含量和实测氮素含量，q2为模型预测能力，为主成分累积模型预测能力，m为plsr主成分数量，n是样本个数。
[0060]
实施例2
[0061]
根据图1和图2，对采集的光谱数据采用主成分分析，结果发现不同施氮水平下的茶树叶片的反射光谱信号具有显著差异(样品主成分得分可区分开)；据此建立不同的线性判别(lda)、神经网络(nnet)、随机森林(rf)、支持向量机(svm)判别模型，并用未知样品的光谱信号代入模型，计算得出其氮含量，与真实施氮水平相比，结果显示准确率为100％。
[0062]
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。