为建立快速近红外光谱定量分析模型, 特征波长筛选是提高定量分析预测精度较为有效的方法之一。 它能够筛选出有效波长信息, 减少数据冗余、 提高数据有效性。 随机森林(RF)作为一种集成算法, 可根据计算特征重要性进行特征筛选。 RF将基于袋外数据(OOB)的平均精度下降(MDA)方法计算均方误差平均值作为特征重要性结果, 通过设置特征重要性阈值筛选特征变量构成特征波长子集, 但该阈值范围的设定无理论依据, 因此需要对特征重要性阈值范围进行探究。 另一方面, 由于RF的随机特性, 特征波长子集中可能包含无效甚至是干扰变量, 并不能保证所选变量的有效性。 故而进一步提出RF-iPLS波长筛选方法。 区间偏最小二乘法(iPLS)筛选出的特征波长多为连续特征波段的特性, 对特征波长子集划分区间, 弥补RF因自身随机性造成的无效变量问题； 同时, RF筛选的离散特征波长解决了iPLS筛选的连续波段中含冗余信息的问题。 为了说明RF-iPLS算法的合理性, 特征子集经过蒙特卡洛(MC)方法500次样本特征采样后, 构建RF-MC-iPLS算法。 虽然RF-iPLS与RF-MC-iPLS算法结构接近, 但运行时间缩短了11.12%, 结果说明RF-iPLS算法在预测模型中的特征波长筛选是有效的, 且具有较低的时间复杂度。 为了进一步验证改进的RF-iPLS算法的有效性, 应用一组公开谷物蛋白质近红外光谱数据, 建立PLSR模型, 并与全谱的PLSR模型以及基于不同波长筛选方法的PLSR模型进行比较。 实验结果表明, 相比于全谱的117个波长, RF-iPLS优选出12个特征波长, 建模集的RMSEC从2.61降到0.64, 预测精度提升了约75.5%, 预测集的RMSEP从2.63降到0.69, 预测精度提升了73.8%, 极大地提高了预测精度且预测结果最优, 说明RF-iPLS是一种有效的特征波长筛选方法, 可以简化近红外光谱定量分析模型的复杂度并实现高效降维。

小麦籽粒蛋白质含量是衡量小麦营养品质的重要指标, 实现小麦品质快速的预测预报对于粮食收购部门和加工企业具有重要意义。 研究基于作物叶绿素/氮素速测仪SPAD及Multiplex 3, 获取冬小麦不同生育期叶片及冠层叶绿素参数, 从小麦个体及群体参量两方面进行冬小麦收获期籽粒蛋白质含量及蛋白产量的预测研究。 试验于2012年4—6月在国家精准农业研究示范基地开展, 研究结果表明, 冬小麦返青至灌浆初期, 小麦冠层氮素密度与籽粒蛋白质含量的相关性优于叶片氮素含量与蛋白质含量的相关性, 灌浆中期两者与籽粒蛋白质含量相关性差别不大; 小麦叶片SPAD值与叶片氮素含量相关性总体优于其与冠层氮素密度的相关性, 而叶绿素荧光参数SFR_G, SFR_R与冠层氮素密度的相关性优于其与叶片氮素含量的相关性; 叶片SPAD与籽粒蛋白质含量的相关性在拔节期最弱, 在灌浆中期最强, 小麦冠层叶绿素荧光参数SFR_G, SFR_R与籽粒蛋白质含量相关性在返青至拔节期不显著, 但孕穗期开始显著相关, 在灌浆中期相关性最强且明显优于同期叶片SPAD与籽粒蛋白质含量的相关性; 冬小麦籽粒蛋白产量与叶片SPAD值在小麦孕穗期至灌浆期显著相关, 与SFR_G和SFR_R在小麦灌浆期显著相关; 研究基于灌浆中期SPAD值及SFR_R值, 构建了冬小麦籽粒蛋白质含量及籽粒蛋白产量的预测模型, 其中, 籽粒蛋白质含量预测模型复相关指数分别为0.426和0.497, 模型标准误差分别为0.060%和0.055%, 籽粒蛋白产量预测模型复相关指数分别为0.366和0.386, 模型标准误差分别为125.367和123.454 kg·ha-1。 研究表明, 利用叶片SPAD值及冠层叶绿素荧光信息, 在小麦收获前进行品质的快速预测是可行的。

研究和建立在收获前对小麦籽粒品质快速无损预测的技术, 本文利用31个小麦品种材料, 对五个不同时期所测小麦顶一叶至顶四叶的SPAD值进行分析, 获得SPAD值随取样时期及叶位的变化规律; 利用近红外光谱测定蛋白质含量的方法获得材料的籽粒蛋白质含量, 建立叶片SPAD值与成熟期籽粒蛋白质含量的相关关系。 发现顶一叶SPAD递减速率与籽粒蛋白质含量之间呈现明显的负相关, 直线拟合方程为y=－3.210　9x+14.286, 相关系数r=－0.849　0。 经显著性分析推断顶一叶SPAD值的递减速率与籽粒蛋白质含量存在着十分显著的直线相关关系。 因此可以利用顶一叶SPAD值的递减速率来对籽粒蛋白质含量进行预测, 以减轻品质育种工作量, 指导育种实践。