基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型

[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。     

飞跃引入“利剑”应对欧盟“绿色壁垒”

5月中旬，为应对“欧盟环保指令”，飞跃加大投入，从德国引进X荧光光谱仪，专用于对产品及其部件进行受限元素分析检测。     

光电光谱法对冶炼过程中钢铁成分的快速分析

光电光谱仪在冶金与有色金属冶炼控制、冶炼工艺中占有重要地位。在光电光谱分析中，一般用光谱分析标准样品绘制永久工作曲线，用控样来校正试样同标样之间因组织状态不同而引起的偏差，以提高分析准确度。但是，光谱定量分析也有其局限性，它是一种相对分析方法，需要一套标准样品作参考。本文提出用美国Baird公司的光电直读光谱仪对工厂冶金炉前钢水快速分析。该方法具有操作简便、分析快速、精密度较好、准确度较高等优点。     

光谱试样砂轮切割机

该切割机结构简化、设备构件减少，重量减轻，砂轮切割分布在封闭的切割室与除尘通道相通，控制粉尘消除污染，夹紧试样装置简化易操作，切割噪音因隔入密闭切割室而降低，利于安全作业，可以适应不同需求选择上门或侧门对被切割的材料大小、形状不同选择使用，因而本实用新型适用面广。     

近红外光谱技术在化学分析方面的应用进展

简要介绍了现代近红外光谱的发展过程、技术特点及其研究现状,综述了近红外光谱分析技术在石油化工、农业、制药工业等领域中的应用现状,并展望了近红外光谱分析技术的发展方向和应用前景。     

茶包装的色彩设计

17世纪中期，英国科学家牛顿发现太阳的白光通过三棱玻璃镜的折射后，被分解为红、橙、黄、绿、青、蓝、紫等色彩鲜明的光谱，并证明光谱上的任何一种色光都不可能再次进行分解。之后，法国化学家夫鲁尔与斐尔德认为蓝是青与紫之间的色彩，所以改为红、橙、黄、绿、青、紫六个标准色，从此色彩学都采用六标准色。英国科学家布列略特则按一定的比例混合红、黄、蓝三种颜料，可以产