盧萬鴻 楊桂麗 林 彥 王楚彪 羅建中

(國家林業(yè)局桉樹研究開發(fā)中心 湛江 524022)

?

桉樹葉片水分狀態(tài)的近紅外光譜檢測*

盧萬鴻 楊桂麗 林 彥 王楚彪 羅建中

(國家林業(yè)局桉樹研究開發(fā)中心 湛江 524022)

【目的】探索近紅外光譜(NIRS)分析技術(shù)在赤桉和細(xì)葉桉群體葉片水分狀態(tài)相關(guān)生理指標(biāo)快速檢測中應(yīng)用的可行性?！痉椒ā?選取赤桉7個(gè)種源21個(gè)家系和細(xì)葉桉5個(gè)種源26個(gè)家系的幼苗，每家系選20株苗木植于等規(guī)格塑料盆中，對其按平均日蒸發(fā)量的100%，70%，50%，30%和0%5個(gè)等級進(jìn)行控水。控水處理60天后，每家系每控水處理選擇3株幼苗，測量其頂端第2對完全展開葉片的相對含水量(RWC)和水勢(Ψw)，用手持式近紅外儀采集對應(yīng)葉片的近紅外光譜信息，持續(xù)測量18天。【結(jié)果】 利用近紅外光譜技術(shù)檢測赤桉和細(xì)葉桉葉片RWC和Ψw的結(jié)果顯示，與赤桉和細(xì)葉桉水分性狀關(guān)系最密切的近紅外光譜區(qū)為1 860～1 960 nm。但經(jīng)二階導(dǎo)數(shù)處理后的近紅外光譜則顯示，樣本葉片RWC和Ψw在近紅外全光譜區(qū)間存在多個(gè)變異峰值。用于預(yù)測葉片Ψw建立的偏最小二乘法(PLS)模型的決定系數(shù)R2和均方根誤差RMSE分別為0.92和0.25，預(yù)測葉片RWC的PLS模型的R2和RMSE分別為0.84和1.31。【結(jié)論】 對于桉樹葉片水分狀態(tài)生理性狀的預(yù)測建模應(yīng)選取近紅外全譜段光譜信息，近紅外光譜技術(shù)可為桉樹群體的水分狀態(tài)檢測提供極大便利。

桉樹； 近紅外光譜； 葉片相對含水量； 葉片水勢； 近紅外PLS模型

桉屬(Eucalyptus)樹種是中國南方最重要的速生高產(chǎn)人工林樹種之一。作為紙漿材和原木的重要原料，桉樹為木材工業(yè)提供了堅(jiān)實(shí)的保障，并創(chuàng)造了大量的就業(yè)機(jī)會(huì)。赤桉(Eucalyptuscamaldulensis)和細(xì)葉桉(E.tereticornis)作為優(yōu)良的雜交親本，因其具抗風(fēng)、易于無性繁殖和耐旱等特性，對桉樹種植者具有重要的經(jīng)濟(jì)意義。其雜交子代已在國內(nèi)普遍種植(Luoetal., 2014)。在南非、印度、巴西和澳大利亞等國家，赤桉和細(xì)葉桉也因其耐旱性而作為優(yōu)良的雜交親本(Littleetal., 2003; Barbour, 2004)。對于桉樹人工林的可持續(xù)發(fā)展來說，耐旱性是影響其產(chǎn)量的關(guān)鍵因子之一，尤其是在降雨量和土壤含水量有限的時(shí)期。

在與林木生長和水分狀態(tài)相關(guān)的生理指標(biāo)中通常采用葉片相對含水量(RWC)和水勢(Ψw)來研究和評價(jià)林木的抗旱性(Whiteetal., 2016)，同時(shí)這些生理指標(biāo)也用于森林生態(tài)、森林水文及樹木生理狀況的評估和研究。然而，這類性狀的傳統(tǒng)測量方法一般都耗時(shí)、耗財(cái)且具有破壞性，給林木群體水分性狀的研究改良帶來限制(Warburtonetal., 2014)。在林木改良中，為了評估這類性狀的遺傳變異水平，選擇并改良這些性狀，通常需要調(diào)查數(shù)百上千的個(gè)體。這就急需一種高效、快速、經(jīng)濟(jì)、非破壞且準(zhǔn)確的測量方法用于此類性狀的測量。

20世紀(jì)50年代中后期，近紅外光譜(NIRS)技術(shù)在農(nóng)副產(chǎn)品的品質(zhì)性狀的分析研究中得到廣泛應(yīng)用(Norrisetal., 1961; Norris, 1964)。至今，該技術(shù)已擴(kuò)展到如林產(chǎn)品、生命科學(xué)、礦石、天體科學(xué)、醫(yī)學(xué)及基礎(chǔ)化學(xué)等諸多領(lǐng)域(陸婉珍，2007； 嚴(yán)衍祿，2005)。

利用近紅外光譜技術(shù)測定植物水分生理性狀，對植物的抗旱機(jī)制或輔助抗性育種研究有重要意義，這對結(jié)構(gòu)性群體的大樣本評估來說，可大大縮減工作量和成本。田慶久等(2000)用地球光譜儀采集110個(gè)活體小麥(Triticumaestivum)葉片的光譜反射率，通過研究其與葉片含水量的關(guān)系，提出小麥水分活體測定技術(shù)。毛罕平等(2011)用多種回歸模型建立成功預(yù)測生菜(Lactucasativa)葉片含水率的光譜校正模型，并證明結(jié)合應(yīng)用不同回歸方法得到的模型的預(yù)測效果會(huì)更好。目前，借助近紅外技術(shù)進(jìn)行植物水分相關(guān)性狀的研究多見于草本等農(nóng)作物，其在林木水分性狀研究方面的報(bào)道還較少，且多是國外研究報(bào)道。

本研究的目的是利用近紅外技術(shù)探索用于赤桉和細(xì)葉桉水分逆境相關(guān)生理指標(biāo)(葉片RWC和葉片Ψw)的快速和無損測定方法，并建立預(yù)測模型。

1 材料和方法

1.1 遺傳材料

研究中校正集和驗(yàn)證集樣本苗木均來自本課題組和中國桉樹育種聯(lián)盟的赤桉和細(xì)葉桉育種群體。采樣群體共涉及赤桉7個(gè)種源21個(gè)家系，細(xì)葉桉5個(gè)種源26個(gè)家系(表1)。廣泛的遺傳基礎(chǔ)能夠保證構(gòu)成校正集和驗(yàn)證集的樣本來源具有豐富的代表性，這也是獲得穩(wěn)定的NIRS校正模型的基本要求。

表1 赤桉和細(xì)葉桉樣本來源信息Tab.1 Information of E. camaldulensis and E. tereticornis families sampled

1.2 樣本苗期管理

赤桉和細(xì)葉桉種子于2014年4月播種，播種基質(zhì)由60%泥炭和40%珍珠巖構(gòu)成。播種約4周后將具有2對真葉的幼苗移植到塑料盆(155 mm160 mm)中，基質(zhì)為碳化稻殼、泥炭土和椰糠按等比例混合而成，另施用緩釋肥(Agroblen? 9N∶14P∶19K + 3MgO + 0.5Fe)，施肥量為400 g·m-3。

1.3 控水處理

移植完成后，將所有苗木放置在自然照明的蔭棚中，并在完全一致的灌溉條件下生長2個(gè)月。2014年11月，每家系選20株生長一致的苗木，并將其分成5組。隨機(jī)選擇完全澆水的5株苗估算其平均日蒸散量，再對5組苗木分別按日蒸散耗水量的100%，70%，50%，30%和0%進(jìn)行控水，每2天澆1次水。

1.4 葉片相對含水量和水勢的測量

控水處理60天后，每家系每處理選出3株苗木，苗高約40 cm，選定其頂端第2對完全展開的葉片，葉片老幼程度適中，生活力旺盛。在采集其光譜信息(光譜采集見1.5)后，其中一片用ARIMAD 3000(Israel MRC)露點(diǎn)微伏表測量葉片水勢Ψw，另一片葉子用來測量葉片相對含水量。具體是：先稱其鮮質(zhì)量(Wf)，再沿垂直主葉脈向?qū)⑵浼舫蓛砂耄⒔胧⒂?0 ℃蒸餾水的玻璃皿中，將玻璃皿置于熒光燈下。4 h后取出葉片用紙吸干表面水分稱量，即為其飽和質(zhì)量(Ws)。稱量后的葉片裝入信封，于60 ℃烘干48 h后再稱量，得到葉片干質(zhì)量(Wd)。連續(xù)測量18天。葉片相對含水量計(jì)算公式：

1.5 光譜信息采集和預(yù)處理

用手持式近紅外儀Phazir Rx (1624) (Polychromix, Thermo Scientific, USA)采集葉片光譜數(shù)據(jù)。儀器基于MEMS技術(shù)的可編程微衍射光柵，波長范圍為1 600～2 400 nm，光學(xué)分辨率12 nm，以儀器自帶參考片作為背景校正。對要測量RWC和Ψw的2片葉子，掃描葉片正面葉脈中部兩側(cè)的光譜信息各5次，以2片葉子的光譜均值(相當(dāng)于20次均值)代表對應(yīng)植株的光譜信息。多次掃描求平均是提高光譜信噪比簡單而有效的方法，較單次光譜更具代表性(崔廣，2007)。光譜信息采集連續(xù)18天，總共獲得216條光譜，因其中1個(gè)樣本光譜曲線明顯偏離其他樣本曲線，將其作為異常樣本予以剔除。最后將所有樣本隨機(jī)分為校正集185個(gè)，驗(yàn)證集30個(gè)。

由于近紅外光譜包含豐富的重疊帶，這些譜帶又是有機(jī)分子鍵成分和比例信息的直接反映，所以有機(jī)物的近紅外光譜可以真實(shí)反映其主要生化組成(Cozzolino, 2009)。一般來說有多重因素會(huì)影響近紅外光譜信息，如高頻噪音、偏移、樣品質(zhì)地的不均及光的散射等，這些因素對近紅外原始光譜產(chǎn)生的影響會(huì)大大降低其對未知樣品預(yù)測的精度。

因此，要獲得更好的近紅外光譜校正模型，通常需要對原始光譜數(shù)據(jù)進(jìn)行一系列預(yù)處理。對于多數(shù)農(nóng)產(chǎn)品來說，進(jìn)行近紅外原始光譜的導(dǎo)數(shù)處理通常有助于降低其基線影響，增強(qiáng)光譜特征峰信息(嚴(yán)衍祿，2005； Conzen, 2003)。本研究中，通過對比校正模型的適合度，確定Savitzky-Golay二階導(dǎo)數(shù)轉(zhuǎn)換是較好的預(yù)處理選擇，也有研究采用類似的光譜預(yù)處理(Humphreysetal., 2008)。

1.6 光譜異常值的剔除

判斷光譜異常值有2個(gè)方法，一是通過對所有樣本作圖，可以找出明顯離群的樣本。另外，在Unscrambler v9.7軟件(CAMO, Oslo, Norway)的PCA分析中，樣本如果具有較高的剩余方差(residual variance)，則表明其為異常值。同時(shí)，如果樣本具有高的杠桿值(leverage)，說明其對校正模型有較強(qiáng)的影響，從而影響模型預(yù)測精度，類似樣本如是個(gè)別現(xiàn)象即可考慮將其剔除。

1.7 光譜數(shù)據(jù)的分析

用Unscrambler v9.7軟件進(jìn)行化學(xué)計(jì)量分析和光譜建模。PCA分析可以基于數(shù)據(jù)內(nèi)部的相關(guān)性減少數(shù)據(jù)的維度，從而降低數(shù)據(jù)的復(fù)雜性。PCA中的載荷圖表明不同主成分(PCs)和不同光譜點(diǎn)或光譜區(qū)間的關(guān)系。如果某個(gè)光譜點(diǎn)有大的正向或負(fù)向載荷，則表示諸多樣本在該波長處的光譜信息存在很大的差異。所以，這種分析有助于偏最小二乘法(PLS)建模前的特征峰確定。一般來說PCA分析中PC1和PC2的得分信息很有用，這2個(gè)主成分包含更多的樣本差異信息。得分圖中越接近的樣本越具有相似性。因此，得分圖可用于解釋樣本間的差異性和相似性，可用于樣本的分類。

本研究的主要目的是建立用于預(yù)測赤桉和細(xì)葉桉葉片相對含水量和水勢的PLS校正模型。建模的方法有好幾種，如神經(jīng)網(wǎng)絡(luò)法、偏最小二乘法(PLS)等，偏最小二乘法較其他方法具有更穩(wěn)定更可靠的特點(diǎn)(Dinizetal., 2015)。本研究利用偏最小二乘法建立PLS校正模型時(shí)，采用不確定檢驗(yàn)和完全交互式驗(yàn)證。不確定檢驗(yàn)可以確定最優(yōu)主因子數(shù)。在預(yù)測未知樣本時(shí)，模型的決定系數(shù)(R2)和均方根誤差(RMSE)用來判斷模型的表現(xiàn)。

2 結(jié)果與分析

2.1 校正集和驗(yàn)證集樣本的基本信息

表2為校正集和驗(yàn)證集葉片相對含水量(RWC)和水勢(Ψw)的均值、變異系數(shù)(CV)和值域信息。校正集RWC和Ψw的均值與CV與驗(yàn)證集相應(yīng)數(shù)值的差異都很小，但兩者的值域都很寬。這說明中選樣本具有豐富的代表性，基于這批樣本可以建立一個(gè)期望的NIRS校正模型，用于預(yù)測赤桉和細(xì)葉桉葉片RWC和Ψw。

表2 用于近紅外光譜分析的校正集和驗(yàn)證集樣本統(tǒng)計(jì)信息Tab.2 Descriptive statistics of RWC and Ψw of calibration and validation sets

2.2 樣本近紅外光譜的差異特征

變異系數(shù)可以反映向量數(shù)據(jù)不同點(diǎn)的變異大小，從而分析各變量間的差異信息。作為具100個(gè)點(diǎn)的NIR光譜信息來說，分析光譜點(diǎn)的變異信息很有必要。圖1是所有樣本原始近紅外光譜的CV曲線。從圖1可看出，CV最顯著的波動(dòng)出現(xiàn)在1 880～1 980 nm區(qū)間，且其峰值只出現(xiàn)1次。這表明該區(qū)間的近紅外光譜信息可能適于建立近紅外光譜校正模型，但后面的分析表明其建模效果卻不一定適宜。

圖1 樣本近紅外原始光譜全譜段變異系數(shù)曲線Fig.1 Coefficient of variation of raw NIR spectrum

圖2是原始近紅外光譜信息經(jīng)二階導(dǎo)數(shù)轉(zhuǎn)換后的CV曲線，其在全光譜區(qū)間顯示多個(gè)變異峰值，這與原始近紅外光譜CV曲線的形狀大不相同。二階導(dǎo)數(shù)處理可以顯著突出近紅外光譜的特征峰，降低基線和偏移等因素的影響，揭示樣本中有機(jī)成分與近紅外光譜間關(guān)系的更多信息。這也說明在本研究中應(yīng)用全譜段的光譜信息建立葉片RWC和Ψw的PLS模型，沒必要特意區(qū)分不同光譜區(qū)間，這與多數(shù)關(guān)于植物近紅外光譜分析的研究結(jié)論相似(Abasoloetal., 2013)。

圖2 樣本經(jīng)二階導(dǎo)數(shù)處理后全譜段變異系數(shù)曲線Fig.2 Coefficient of variation of NIRS spectrum after 2nd derivate transform

2.3 近紅外光譜信息的PCA分析

在PCA分析中，由于前2個(gè)主成分可以解釋所有樣本在全光譜區(qū)間超過90%以上的差異信息，所以僅展示PC1和PC2在近紅外全譜段的分布趨勢。圖3為PCA載荷(PC1和PC2)及對應(yīng)波長原始近紅外光譜反射率。在全光譜區(qū)間，PC1和PC2在載荷曲線走勢幾乎一致。在1 860～1 960 nm區(qū)間內(nèi)出現(xiàn)最大的波動(dòng)，說明這批樣本在該波譜區(qū)間存在最大的差異。PC1和PC2的最大波動(dòng)范圍與近紅外原始光譜的最大波動(dòng)區(qū)間存在重疊，也幾乎一致，兩者相互印證。

圖3 經(jīng)二階導(dǎo)數(shù)處理后的PCA載荷(PC1和PC2)及對應(yīng)波長近紅外原始光譜的反射率Fig.3 PCA loadings (PC1 and PC2) after 2nd derivate transform and the reflectance of raw NIR spectrum

2.4 赤桉和細(xì)葉桉葉片RWC和Ψw的近紅外光譜PLS校正模型建立

定量分析是近紅外光譜技術(shù)應(yīng)用的主要優(yōu)勢之一，其本質(zhì)是基于校正樣本的近紅外光譜信息及其物質(zhì)特征值，借助不同的化學(xué)計(jì)量方法建立用于同類未知樣本物質(zhì)特征值的預(yù)測模型。圖4,5是赤桉和細(xì)葉桉葉RWC和Ψw的PLS回歸模型結(jié)果。僅就校正集來說，葉片水勢Ψw的近紅外光譜模型的測量值與預(yù)測值間的決定系數(shù)R2為0.92，測量值與預(yù)測值間的校正均方根誤差RMSEC為0.25(圖4)。葉片相對含水量RWC的R2為0.84，RMSEC為1.31(圖5)。根據(jù)決定系數(shù)最大，而校正均方根誤差最小的原則，確定RWC和Ψw校正模型的建模主因子數(shù)分別是19個(gè)和20個(gè)。

圖4 赤桉和細(xì)葉桉葉片Ψw的PLS校正模型Fig.4 PLS calibrated model for prediction of Ψw in leaves

圖5 赤桉和細(xì)葉桉葉片RWC的PLS校正模型Fig.5 PLS calibrated model for prediction of RWC in leaves

研究所設(shè)計(jì)測量和采集信息的幼苗遺傳基礎(chǔ)相當(dāng)廣泛，且將每家系待測幼苗分為5個(gè)控水處理，在控水處理后連續(xù)18天測量和采集光譜信息，保證這些幼苗盡可能多地處于水分逆境條件，并以此增加樣品來源的廣泛性和代表性。因此，據(jù)此批樣本建立的近紅外光譜模型具有較好的預(yù)測效果，并有可能用于其他桉樹的相應(yīng)性狀預(yù)測。

2.5 赤桉和細(xì)葉桉葉片RWC和Ψw的近紅外光譜校正模型的檢驗(yàn)

對近紅外光譜校正模型的檢驗(yàn)是確保其穩(wěn)定性和預(yù)測精度的前提，而對于所建模型在取樣范圍以外的應(yīng)用更是非常重要，因?yàn)檫@涉及到對已有模型的檢驗(yàn)和優(yōu)化。圖6，7是用30個(gè)獨(dú)立驗(yàn)證集樣本對所建赤桉和細(xì)葉桉葉片RWC和Ψw的近紅外光譜模型的檢驗(yàn)結(jié)果。結(jié)果顯示，用于葉片RWC預(yù)測的近紅外光譜模型較之預(yù)測Ψw的效果為好，這可能是由于用于建模的校正集和用于模型預(yù)測效果檢驗(yàn)的驗(yàn)證集樣本組成性質(zhì)存在差異，即校正集樣本和驗(yàn)證集樣本的均一性有差異。所有葉片RWC的近紅外光譜預(yù)測值非常接近其測量值，偏差很小。但有些樣本葉片Ψw的近紅外光譜預(yù)測值與測量值間的差別則較大，偏差較大。這可能與控水后測量持續(xù)較長和采集信息時(shí)間長有關(guān)，比如在測量后期，那些澆水量少(30%和0%)的幼苗已處于嚴(yán)重的水分逆境，生理狀態(tài)很差。

圖6 葉片RWC的PLS校正模型對未知樣本葉片RWC的預(yù)測效果Fig.6 Prediction of RWC in leaves by PLS calibrated model for validation set

隨植物葉片含水量下降，其近紅外光譜反射率在整個(gè)波譜區(qū)都有增加現(xiàn)象(Jonesetal., 2004)。水在近紅外光譜區(qū)有強(qiáng)的吸收峰，所以處于水逆境的林木在近紅外光譜區(qū)會(huì)有較低的水分吸收峰(Beietal., 2011)。

圖7 葉片Ψw的PLS校正模型對未知樣本葉片Ψw的預(yù)測效果Fig.7 Prediction of Ψw in leaves by PLS calibrated model for validation set

3 討論

從研究結(jié)果來看，借助近紅外光譜技術(shù)預(yù)測桉樹苗期葉片相對含水量和水勢的效果還是不錯(cuò)的。該方法能否用于成熟林或自然條件林木水分相關(guān)性狀的研究，可能需要在研究方法上嘗試改進(jìn)，比如自然條件下樣本的定義及選擇標(biāo)準(zhǔn)等。李建龍等(2003)利用遙感光譜法，結(jié)合衛(wèi)星數(shù)據(jù)與地面光譜信息建立遙感信息與土壤含水量之間的遙感光譜監(jiān)測模型。通過地面實(shí)測土壤水分驗(yàn)證顯示，0～20 cm土層含水量的監(jiān)測精度達(dá)到90%以上，20～50 cm土層土壤含水量監(jiān)測精度達(dá)到80%以上，不過，實(shí)測精度偏低一些。本研究也嘗試對比樣本遺傳距離與其近紅外光譜距離間的關(guān)系，希望為成熟林或自然林分相關(guān)性狀的近紅外光譜檢測提供理論依據(jù)。

本研究中赤桉和細(xì)葉桉葉片近紅外光譜反射率的最大波動(dòng)出現(xiàn)在1 880～1 980 nm區(qū)間，這一波動(dòng)區(qū)間與以往關(guān)于純水近紅外光譜特征峰區(qū)間的研究結(jié)果(Shenketal., 2001)基本一致。有研究認(rèn)為1 900～1 950 nm區(qū)間和1 400～1 440 nm區(qū)間內(nèi)有很強(qiáng)的水分近紅外光譜反射率或吸收帶，而且通常該區(qū)間都被用于植物含水量分析(Büning-Pfaue, 2003; Workmanetal., 2012)。然而，這卻很難確定該特異區(qū)間與某種特定的化合物有關(guān)，因?yàn)榧幢闶呛苄〉慕t外光譜區(qū)間也可能反映諸多而非單一的化合物信息(Foleyetal., 1998)。這說明應(yīng)該采用整個(gè)近紅外光譜區(qū)間而不是一些特異區(qū)間進(jìn)行物質(zhì)的定性和定量分析，可能是因?yàn)橹参锝M織中的成分更為復(fù)雜，而非某種或某幾種簡單的成分。

利用近紅外光譜信息建立的PLS模型顯示，基于校正集建立的赤桉和細(xì)葉桉葉片Ψw的PLS模型(R2=0.92)較葉片RWC的PLS模型(R2=0.84)好，但2種模型對驗(yàn)證集樣本的預(yù)測結(jié)果卻正好與其相反，可能是用于建立PLS模型的校正集樣本組成和用來檢驗(yàn)?zāi)Ｐ偷尿?yàn)證集樣本組成性質(zhì)有差異(均一性)，因?yàn)?個(gè)樣本集是人為隨機(jī)抽取的。因此，PLS模型的決定系數(shù)R2不是判斷模型預(yù)測準(zhǔn)確性的唯一標(biāo)準(zhǔn)，這是近紅外光譜預(yù)測模型需要不斷檢驗(yàn)優(yōu)化的原因之一。

PLS模型對驗(yàn)證集的預(yù)測效果顯示，葉片相對含水量的預(yù)測值較水勢的預(yù)測值更接近真實(shí)值，即葉片相對含水量PLS模型的預(yù)測偏差較小，而水勢PLS模型的預(yù)測偏差較大。這可能是由于數(shù)據(jù)的采集過程太長，對于控水處理中澆水較少(30%和0%)的幼苗來說，其葉片生理狀態(tài)發(fā)生較大變化，但就葉片RWC和Ψw來說，兩者對水逆境響應(yīng)方式與程度可能不同。總的來說，近紅外光譜技術(shù)可為赤桉和細(xì)葉桉群體的葉片RWC和Ψw等類似水分相關(guān)性狀的檢測帶來極大便利。

研究認(rèn)為，在利用光譜技術(shù)測定植物水分狀態(tài)時(shí)，其葉片通常是較好的研究對象(Cozzolinoetal., 2013; Abasoloetal., 2013)。Eitel等(2006)研究表明，選擇葉片進(jìn)行光譜分析可消除大氣噪音和背景對光譜的影響，可確保不同樣本間的光譜差異只源自葉片特性。角質(zhì)層或蠟質(zhì)、柵欄組織和海綿組織都會(huì)影響葉片的特性，葉片表面及其內(nèi)部的化學(xué)和結(jié)構(gòu)特征也都會(huì)影響葉片對光譜的反射率和吸收度。

所選擇樣本差異的豐富程度決定了近紅外光譜校正模型在預(yù)測未知樣本時(shí)的穩(wěn)定性和精確性，就近紅外光譜技術(shù)在林木中的應(yīng)用來說，可通過選擇環(huán)境來源與遺傳基礎(chǔ)盡可能廣泛的樣本來實(shí)現(xiàn)這一目的。就遺傳基礎(chǔ)來說，由于桉樹某些性狀具有強(qiáng)遺傳力，所以，即便是來自其整個(gè)生境的樣本也有可能降低其變異豐富度(Stackpoleetal., 2011)。因此，要建立穩(wěn)定的近紅外光譜模型用于林木性狀預(yù)測，未來的一個(gè)研究方向應(yīng)是在取樣前評估目標(biāo)性狀的遺傳力信息。

4 結(jié)論

1) 從建立和優(yōu)化桉樹葉片相對含水量和水勢近紅外光譜預(yù)測模型的過程和結(jié)果來看，用全譜段近紅外光譜信息會(huì)更可靠。

2) 在建立桉樹葉片相對含水量和水勢的近紅外光譜模型之前需要對原始光譜信息進(jìn)行合適的預(yù)處理。本研究采用二階導(dǎo)數(shù)平滑處理，所建模型預(yù)測效果明顯優(yōu)于用原始光譜所建模型。

3) 桉樹葉片相對含水量和水勢近紅外光譜模型對驗(yàn)證集樣本的預(yù)測結(jié)果表明，近紅外光譜技術(shù)可成功用于赤桉和細(xì)葉桉葉片的RWC和Ψw快速無損檢測。近紅外光譜技術(shù)的應(yīng)用有助于推進(jìn)桉樹育種過程中對桉樹干旱響應(yīng)和抗旱性能評價(jià)的研究。

崔 廣. 2007. 基于近紅外光譜分析的紡織品中羊毛含量檢測技術(shù)研究. 鎮(zhèn)江： 江蘇大學(xué)碩士學(xué)位論文.

(Cui G. 2007. Detection of wool content in textile based on the near infrared spectroscopy technology. Zhenjiang: MS thesis of Jiangsu University. [in Chinese])

李建龍，蔣 平，劉培君，等. 2003. 利用遙感光譜法進(jìn)行農(nóng)田土壤水分遙感動(dòng)態(tài)監(jiān)測. 生態(tài)學(xué)報(bào), 23(8)： 1498-1504.

(Li J L, Jiang P, Liu P J,etal. 2003. The study on dynamic monitoring soil water contents using remote sensing optical method. Acta Ecologica Sinica, 23(8)： 1498-1504. [in Chinese])

陸婉珍. 2007. 現(xiàn)代近紅外光譜分析技術(shù).2版. 北京： 中國石化出版社.

(Lu W Z.2007.Modern near infrared spectroscopy analytical technology.2nd ed. Beijing: China Petrochemical Press.[in Chinese])

毛罕平，高洪燕，張曉東. 2011. 生菜葉片含水率光譜特征模型研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，42(5)： 166-170.

(Mao H P, Gao H Y, Zhang X D. 2011. Spectral characteristics model of lettuce leaves’water content. Transactions of the Chinese Society of Agricultural Machinery, 42(5)： 166-170. [in Chinese])

田慶久，宮 鵬，趙春江，等. 2000. 用光譜反射率診斷小麥水分狀況的可行性分析. 科學(xué)通報(bào)，45(24)： 2645-2650.

(Tian Q J, Gong P, Zhao C J,etal. 2000. Feasible in monitoring water status in wheat by spectroscopy reflectance. Chinese Science Bulletin, 45(24)： 2645-2650. [in Chinese])

嚴(yán)衍祿. 2005. 近紅外光譜分析基礎(chǔ)與應(yīng)用. 北京： 中國輕工業(yè)出版社.

(Yan Y L. 2005. Near infrared spectroscopy foundations and applications. Beijing: China Light Industry Press. [in Chinese])

Abasolo M, Lee D J, Raymond C,etal. 2013. Deviant near-infrared spectra identifiesCorymbiahybrids. Forest Ecology & Management, 304: 121-131.

Barbour E L. 2004. Eucalypt hybrids in south-west Western Australia. Kingston: Rural Industries Research and Development Corporation.

Bei R D, Cozzolino D, Sullivan W,etal. 2011. Non-destructive measurement of grapevine water potential using near infrared spectroscopy. Australian Journal of Grape & Wine Research, 17(1): 62-71.

Büning-Pfaue H. 2003. Analysis of water in food by near infrared spectroscopy. Food Chemistry, 82(1): 107-115.

Conzen J P. 2003. Multivariate calibration: a practical guide for developing methods in the quantitative analytical chemistry. Ettlingen: Bruker Optic GmbH.

Cozzolino D. 2009. Near infrared spectroscopy in natural products analysis. Planta Medica， 75(7): 746-757.

Cozzolino D, Roumeliotis S, Eglinton J. 2013. Monitoring water uptake in whole barley (HordeumvulgareL.) grain during steeping using near infrared reflectance spectroscopy. Journal of Food Engineering, 114(4): 545-549.

Diniz P H G D, Pistonesi M F, Araújo M C U. 2015. Using ISPA-PLS and NIR spectroscopy for determination of total polyphenols and moisture in commercial tea samples. Analytical Methods, 7(8): 3379-3384.

Eitel J U H, Gessler P E, Smith A M S,etal. 2006. Suitability of existing and novel spectral indices to remotely detect water stress inPopulusspp. Forest Ecology & Management, 229(1): 170-182.

Foley W J, Mcilwee A, Lawler I,etal. 1998. Ecological applications of near infrared reflectance spectroscopy：a tool for rapid, cost-effective prediction of the composition of plant and animal tissues and aspects of animal performance. Oecologia, 116(3): 293-305.

Humphreys J, O’Reilly-Wapstra J, Harbard L,etal. 2008. Discrimination between seedlings ofEucalyptusglobulus,E.nitensand their F1 hybrid using near-infrared reflectance spectroscopy and foliar oil content. Silvae Genetica, 57(4/5): 262-269.

Jones C L, Weckler P R, Maness N O,etal. 2004. Estimating water stress in plants using hyperspectral sensing∥Proceedings for the ASAE/CSAE Annual International Meeting, 2-11.

Little K M, Van Staden J, Clarke G P Y. 2003. The relationship between vegetation management and the wood and pulping properties of aEucalyptushybrid clone. Annals of Forest Science, 60(7): 673-680.

Luo J Z, Arnold R J, Lu W H,etal. 2014. Genetic variation inEucalyptuscamaldulensisandE.tereticornisfor early growth and susceptibility to the gall waspLeptocybeinvasain China. Euphytica, 196(3): 397-411.

Norris K H, Butler W L. 1961. Techniques for obtaining absorption spectra on intact biological samples.IRE Transactions on Bio-Medical Electronics, 8(3): 153-157.

Norris K H. 1964. Design and development of a new moisture meter. Agricultural Engineering, 45(7): 370-372.

Shenk J, Workman J J, Westerhus M O. 2001. Application of NIR spectroscopy to agricultural products∥Burns D, Ciurczak E W. Handbook of near-infrared analysis. New York: Marcel Dekker, 419-474.

Stackpole D J, Vaillancourt R E, Alves A,etal. 2011. Genetic variation in the chemical components ofEucalyptusglobuluswood. G3-Genes Genomes Genetics, 1(2): 151-159.

Warburton P, Brawner J,Meder R. 2014. Handheld near infrared spectroscopy for the prediction of leaf physiological status in tree seedlings. Journal of Near Infrared Spectroscopy, 22(6): 433-438.

White D A, Battaglia M, Ren S,etal. 2016. Water use and water productivity ofEucalyptusplantations in South-East Asia. Canberra: Australian Centre for International Agricultural Research.

Workman J R, Weyer L. 2012. Practical guide and spectral atlas for interpretive near-infrared spectroscopy. Boca Raton: CRC Press.

(責(zé)任編輯：王艷娜 郭廣榮)

Assessing Leaf Water Status ofEucalyptusUsing NIRS

Lu Wanhong Yang Guili Lin Yan Wang Chubiao Luo Jianzhong

(Eucalypt Research Centre of State Forestry Administration Zhanjiang 524022)

【Objective】 【Objective】 The aim of this study was to monitor the leaf relative water content (RWC) and water potential (Ψw) in structuredEucalyptuscamaldulensisandE.tereticornispopulations by Near Infrared spectroscopy (NIRS). 【Method】The samples were collected from the breeding population, which contained 21 families of 7 provenances forE.camaldulensis, and 26 families of 5 provenances forE.tereticornis. A total of 20 average-growth seedlings per family were chosen, divided into 5 groups randomly, and were watered every day by replenishing 100%, 70%, 50%, 30% and 0% of the average water loss of these seedlings from pots by evapotranspiration, respectively. In 60 days after water controls, three seedlings per water control and per family were chosen, of which the top second pair fully expanded leaves were used to be scanned with a portable near infrared spectrometer for getting the NIRS spectra. After the scanning, the leaf RWC and leafΨwwere measured. The measurements were conducted once a day for consecutive 18 days.【Result】 The results showed that there was a close relationship between water status traits and the raw NIRS at 1 860-1 960 nm. However, after the transform of the 2ndderivate preprocess for raw NIR spectra, there were significant differences of leaf RWC andΨwamong all samples in the whole range of NIRs. The NIRs calibrated PLS(partial least squares) model for the prediction of leaf RWC andΨwboth showed a good fitting. The correlation coefficient between predicted and measured value (R2) were 0.92 and 0.84 for leafΨwand RWC, respectively. The average differences between predicted and measured values (RMSE) were 0.25 and 1.31 for leafΨwand RWC, respectively. 【Conclusion】 The coefficient of variation curve showed that the information of whole NIRS range should be used to calibrate the PLS model for the water status traits associated physiological characters inEucalyptus. All the findings in this study highlight the advantages and perspectives of NIRS in monitoring leaf water status traits in structuredEucalyptuspopulations.

Eucalyptus; NIRS; leaf relative water content; leaf water potential; NIRS calibrated PLS model

10.11707/j.1001-7488.20170503

2016-08-05；

2017-02-21。

中央級公益性科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(CAFYBB2017MA022)； 廣東省科技計(jì)劃項(xiàng)目(2012B020302005); “十三五”科技部國家重點(diǎn)研發(fā)計(jì)劃(2016YFD0600503)。

S718.43

A

1001-7488(2017)05-0016-07