近红外光谱法测定闽楠纤维长度及木质素质量分数

以20年生闽楠(Phobe bournei)人工林中的闽楠为研究对象,钻取直径为12 mm的木芯带回实验室并制成粉末状。采用台式近红外光谱仪采集木芯粉末样品的光谱信息,利用硝酸-氯酸钾法、紫外分光光度计法测定闽楠纤维长度和木质素质量分数,使用偏最小二乘法建立相关模型。结果表明:建立纤维长度和木质素最佳预测模型的波段分别为1000.00~2000.00、1250.00~2000.00 nm。使用不同方法对近红外光谱数据进行预处理,发现建立纤维长度和木质素预测模型的最佳方法均为“趋势归一化+一阶导数处理”。最佳纤维长度预测模型的校正集相关系数(R_(C))为0.930、交互验证集相关系数(R_(V))为0.981、校正集均方根误差(R MSEC)为0.861、交互验证均方根误差(R_(MSEV))为0.763;木质素质量分数预测模型的校正集相关系数、交互验证集相关系数分别为0.94、0.95,校正集均方根误差、交互验证均方根误差分别为0.013、0.013。外部样品检验模型预测性能表明,预测值与实测值间差距较小,说明近红外光谱分析技术能够用于闽楠纤维长度和木质素质量分数的快速预测。

植物生长调节剂对浙江楠扦插生根的影响

为筛选适宜浙江楠扦插的植物生长调节剂,文章以浙江楠半木质化枝条为试材,采用3因素4水平正交试验设计,研究不同植物生长调节剂种类、质量浓度及处理时间对浙江楠插穗新梢生长及生根情况的影响。结果表明,生长调节剂处理对插穗新梢生长及生根情况有明显的促进作用。IBA+1 200 mg·L-1+浸泡1.00 h组合条件下插穗生根率最高,该组合扦插苗生长表现最佳。生长调节剂种类、浓度及浸泡时间3个因素中生长调节剂种类对插穗生根数量、生根率的影响最大。4种生长调节剂中ABT处理对插穗新梢长度的促进作用最好,IAA处理的生根数量最多。

10种樟科植物的便携式近红外光谱技术识别方法

为了探究便携式近红外光谱仪识别樟科植物的能力,利用该仪器采集10种樟科植物叶片的近红外光谱信息,建立便携式近红外光谱识别模型。以樟科樟属的普陀樟、银木,润楠属的滇润楠、刨花楠、红楠,楠属的闽楠、桢楠、白楠、紫楠、浙江楠10种植物为研究对象,运用便携式近红外光谱仪采集其叶片光谱,经主成分分析、光谱预处理、光谱匹配等步骤,初步建立5种楠属植物便携式近红外光谱识别模型。依次将3种润楠属和2种樟属植物叶片光谱信息加入模型,对模型进行升级和扩充,最终建立3个模型,分别记为:模型1(闽楠-白楠-紫楠-浙江楠-桢楠)、模型2(闽楠-白楠-紫楠-浙江楠-桢楠-刨花楠-滇润楠-红楠)和模型3(闽楠-白楠-紫楠-浙江楠-桢楠-刨花楠-滇润楠-红楠-普陀樟-银木),以此探究便携式近红外光谱分析技术识别10种樟科植物的能力。利用不同参数设置下的Savitzky-Golay平滑求导法和Normalize Range归一化范围预处理后所建模型均具备较好的性能,识别率分别达到99.65%、99.34%和99.71%。利用未知样品检验模型的识别效果,模型1、模型2和模型3对未知样品的识别率分别为98%、97.5%和99%。结果说明便携式近红外光谱技术能够成功识别10种樟科植物,为樟科植物识别技术提供了一种新方法。

近红外光谱技术在闽楠叶片氮含量测定中的应用

借助近红外光谱技术,以江西省永丰官山林场楠木种子园的64份闽楠叶片为材料,采用传统的化学分析方法测定闽楠叶片样品的氮元素含量作参考值,同时采集闽楠叶粉末样品的近红外光谱图。运用化学计量学软件NIRCal,选定建模方法、建模波段和预处理方法,建立最优测定模型。另随机抽取10份未知样品对模型进行检验,结合配对样本T检验进行评价。结果表明:用主成分回归方法(PCR)建立的模型效果最好,其校正集相关系数Rc为0.912,校正集均方根误差RMSEC为1.098,交互验证集相关系数Rv为0.897,交互验证集均方根RMSEV为1.192。外部验证结果显示,预测值与实测值的相对偏差范围在0.070~0.705之间,且配对样本T检验结果显示P值为0.116,大于0.05,无显著差异。该方法可用于闽楠营养水平和优质选种的大批量快速检测。

基于近红外光谱技术的4种樟属植物识别技术研究

探究近红外光谱分析技术应用于樟属植物识别的可行性,为樟属植物识别提供一个新方法。本研究运用近红外光谱仪采集猴樟、黄樟、油樟、银木4种樟属植物叶片的近红外光谱信息,并结合PCA聚类分析(PCA-Cluster)和偏最小二乘判别分析法(PLS-DA)建立识别模型。结果表明:运用PCA-Cluster方法,选择4 400~4 800 cm^(-1)、5 400~6 600cm^(-1)、7 800~10 000 cm^(-1)建模波段,Segment 5 Gap5的3点二阶泰勒求导(ds2)方法对光谱数据进行预处理所建模型的识别效果最好,对外部验证集样品的识别率达97.5%;运用PLS-DA方法选择4 000~8 000 cm^(-1)波段,一阶导数、5点平滑两种预处理相结合的方法建立判别模型性能最佳,其校正集相关系数(Rc^(2))为0.923,交叉验证均方根误差(RMSEC)为0.1202,利用所建模型对外部验证集样品进行识别,识别率为100%。说明近红外光谱技术能够用于不同种樟属植物的识别。