基于无人机可见光谱平台的烤烟氮素营养诊断

利用不同氮肥用量田间试验,分析基于无人机平台的可见光谱诊断技术对烟草氮素营养进行无损评估预测的可行性,明确该技术的最佳颜色参数和方程模型。2018年在江西省安福县开展田间试验,设置不同氮肥用量,分别为0,45,90,135,180和300 kg N·ha-1,于移栽后47 d（团棵期）、移栽后83 d（旺长后期）和移栽后116 d（下部叶成熟期）,利用无人机获取冠层RGB色彩数字图像,同时采集植株样品分析地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、叶片SPAD值等氮营养状况指标,对冠层数字图像进行数字化分析,获得颜色指标值,通过颜色指标与烟草氮营养状况指标的相关性分析,筛选适宜的颜色指标并建立氮营养诊断方程。利用不同地块的氮肥用量试验,对氮营养诊断方程拟合精度进行验证。试验结果表明,旺长后期各处理间冠层图像的颜色标准值存在显著差异,团棵期与下部叶成熟期不存在显著差异。在10个颜色指标中,NRI,NGI,G/R,G/(R+B),(G-R)/(R+G+B)和ExG与5个烤烟氮素营养指标均达到极显著相关（p＜0.01)。在归一化颜色指标体系、比颜色指标体系和归一化差分颜色指标体系中选择潜在的最佳颜色参数指标分别为NGI,G/R和ExG。根据不同类型的回归分析结果,确定指数回归作为地上部生物量和叶片生物量的预测模型,线性回归作为地上部氮浓度、叶片氮浓度及叶片SPAD值的预测模型。对潜在的最佳指标进行验证性筛选,G/R对地上部氮浓度和叶片氮浓度的RMSE值分别为0.375 1%和0.249 1%,明显低于NGI和ExG,预测精度最高。用G/R值表示的地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、SPAD值预测方程分别为Y=21.785e1.3502G/R,Y=4.057 9e1.937 3G/R,Y=5.039 9G/R-3.333 2,Y=4.281 4G/R-3.802 9,Y=40.168G/R-28.188。因此,基于无人机平台的可见光谱诊断技术在烤烟氮素营养诊断方面具有应用潜力,评估最佳时期为旺长后期,最佳预测参数为G/R值。     

挥发性化合物含量结合化学计量学用于建立江西烤烟的产地鉴别模型

利用自动化静态顶空-气相色谱-质谱联用技术对江西三大产烟区(赣州、抚州、吉安)共120个烤烟样品进行了检测,匹配并定量了54个挥发性化合物。采用遗传算法(GA,Genetic algorithm)选择其中18种代表性化合物,并利用主成分分析法(PCA,Principal component analysis)对这120个烤烟样品进行产地分类,发现这种模式识别(Pattern recognition)方法可将烤烟样品基本分为3类:A类主体为赣州样品(兴国、宁都除外);B类主体为抚州样品(外加兴国、宁都,宜黄、崇仁除外);C类主体为吉安样品(外加宜黄、崇仁)。随后,我们将样品按照2:1的比例分为验证集和预报集,用有监督模式识别方法径向基函数-神经网络(Radial basis function-neural network,RBF-NN)对样品产地进行预报,正确率达到92.5%。据此,我们建立了用于江西烤烟样品的产地鉴别模型,该模型可用于研究不同产地间挥发性化合物含量的分布规律,为划分不同产地烤烟香型风格提供依据,实现对烟叶的质量控制。