论文部分内容阅读
可见—近红外光谱分析技术具有快速、准确、无破坏性、重复性好、便于实现在线检测等优点,巳在农业、食品工业、医药和石油化工等领域中得到了广泛应用。氮素是茶树生长和茶叶产量品质形成的关键因素之一,利用可见—近红外光谱分析技术及时、准确诊断出茶树氮素营养状况,对于快速、实时监测茶树长势和指导施肥管理具有重要的意义。本文以茶鲜叶片为研究对象,采用可见—近红外光谱技术对其进行全氮含量的检测,通过应用各种预处理和建模方法,最终建立茶鲜叶样品的可见—近红外光谱与全氮含量之间关系的数学模型。根据SPAD值与全氮含量之间的相关关系确定了试验研究的方法:应用SPAD—502叶绿素仪测定茶鲜叶的SPAD值,挑选出全氮含量具有一定梯度、且符合均匀分布的茶鲜叶样品,使用便携式光谱仪采集样品的漫反射光谱信息。在田间光谱扫描完毕后采摘茶鲜叶样品,采用半微量凯式定氮法测定其全氮含量真实值。通过对120个茶鲜叶样品的光谱曲线进行特征分析,得到了茶鲜叶样品在不同光谱区域的特征:在可见光区域,光谱曲线呈现“一峰两谷”的特征;在短波近红外区,光谱反射率值出现一个较高的反射平台;在长波近红外区,光谱反射率特性主要与茶鲜叶叶片中水分有关。通过相关性分析,获得叶片全氮含量的敏感波段,结合各种光谱预处理方法如归一化、平滑、一阶和二阶微分,采用多种校正方法建立茶鲜叶全氮含量的线性模型。根据比较,采用相关系数大于0.4的449～736nm、1406～1602nm、1693～2399nm三波段组合,采用归一化与5点2阶微分相结合的预处理方法,建立全氮含量的偏最小二乘(PLS)模型,其预测效果最好。该模型的的回判相关系数为0.9851,交叉验证均方根误差为0.0683。利用该模型对预测集的34个样品进行预测,其预测相关系数为0.8897,预测均方根误差为0.2135,平均相对误差为7.196%,预测最大误差为19.819%。为进一步提高模型的预测能力,引入遗传算法选择建模分析波长,确定701nm、695nm、1462nm、552nm、668nm、680nm共6个波长参与模型的建立,再采用径向基核函数对茶鲜叶样品的可见—近红外光谱与全氮含量进行支持向量机回归建模,所建模型校正时的相关系数为0.9342,均方根误差为0.1586,预测时相关系数为0.9284,预测均方根误差为0.1903,平均相对误差为6.825%,预测最大误差为14.418%。结果表明,遗传算法—支持向量机回归(GA—SVR)模型的预测效果相对于PLS模型有所提高,说明采用支持向量机和遗传算法相结合的方法预测茶鲜叶全氮含量是可行的,能取得较好的分析效果。