论文部分内容阅读
中国作为世界上最大的水稻生产国,稳定的水稻年产量已经成为了人们生活的基本保障。而选择高活力的水稻种子进行播种是保证水稻稳产、高产的重要环节之一。传统的种子活力测定方法主要以发芽试验和化学试验为主,该类方法存在着试验周期长,浪费样品且操作繁琐等缺点。因此,一种快速、无损的种子活力检测技术对农业生产具有巨大的潜在效益。该研究尝试应用近红外光谱分析技术实现水稻种子活力的快速无损测定,从而达到测量水稻种子的光谱曲线即可快速计算其发芽率的目的。该文的主要研究内容如下:(1)建模数据采集。以黑龙江省五常市2017年收获的五优稻4号水稻种子为研究对象,通过高温高湿的方法将水稻种子置于温度为45~oC,湿度为90%的环境中进行为期0d、1d、2d、3d、4d、5d、6d的人工老化,以获得不同活力水平的水稻种子,采集其相应的近红外光谱数据。每一种老化天数的水稻种子样本均采集60组样本数据,共记采集420组样本数据。然后对采集过光谱数据的不同老化时间段的水稻种子进行发芽试验以获得其真实发芽率。(2)建模数据处理与建模。在数据处理的过程中,首先对不同老化天数水稻种子的光谱数据分别应用蒙特卡洛交叉验证法(MCCV)进行异常样本剔除,共计剔除异常样本32个。然后应用无信息变量消除法(UVE)对剔除异常样本之后的光谱数据进行特征波长选择,使光谱数据由全谱的1845个数据点缩减为524个数据点,大幅降低了数据的维度。使用SPXY法划分校正集和验证集后分别建立了PLSR、BP神经网络、RBF神经网络以及改进的PLS+BP和PLS+RBF模型。(3)模型结果评价。对建立的5种水稻种子发芽率预测模型的评价参数进行综合对比可知,应用PLS+BP法所建模型的各项评价参数均优于其余4种模型,该模型的R_c~2、RMSEC、R_p~2、RMSEP和RPD分别为0.86、1.99、0.83、2.01和2.55。试验结果表明,应用PLS+BP法建立的预测模型表现出了良好的准确性和稳定性。通过以上研究结果可知:MCCV法和UVE法等光谱数据处理算法可以有效的提高模型的预测性能。通过PLS+BP法建立基于近红外光谱的水稻种子发芽率测定模型可以准确地对水稻种子的发芽率进行测定。同时,该研究还为其他农作物种子发芽率的测定提供了参考。