论文部分内容阅读
氮素是植物最重要的必需营养元素之一，也是现代农业生产中施用量最大、关注度最高的肥料。氮素会对作物的产量和品质产生影响，比如，可以通过影响病害的发生影响产量，也可以通过影响农药的残留影响品质。目前，关于氮素如何影响植物病害的发生尚不明确，并且关于氮素如何对植物表面农药残留产生影响也尚不清楚。本研究利用快速、无损的红外光声光谱检测技术，对水稻叶片表皮层进行原位深度扫描，探索了表皮层对氮素和稻瘟病的响应，并借以分析了氮素和稻瘟病之间可能存在的关系;进一步结合化学计量学中模式识别的方法，对水稻氮营养状态和稻瘟病发病早期样品进行了高准确诊断;同时，利用红外光声光谱技术结合多元校正方法建立稻谷表面三环唑农药残留的原位、快速、无损的定性和定量检测方法，并借以分析了氮素对稻谷表面三环唑残留动态的影响。本文主要研究结果如下:
1、利用红外光声光谱技术可以有效的检测到水稻表面不同深度的光谱数据，光谱信息丰富，特征吸收峰强度高、易区分，可明确的归属，很好地反映了水稻叶片不同层面的物质组成，为分析氮素和稻瘟病对水稻的影响奠定了基础。
2、通过设置N1(1.5mM)、N2(3mM)、N3(6mM)三种氮供应强度水培营养液培养水稻，然后利用红外光谱技术，对水稻叶片表面进行原位深度扫描，检测不同氮供应量下表皮层的变化来分析氮素对水稻表皮层的影响;同样的，使用类似的方法检测了水稻稻瘟病不同发病程度叶片表面不同层面的光谱变化。结果显示，N1和N3供应都会使水稻表皮层厚度增加，同时稻瘟病发病时表皮层厚度也会增加。因为表皮层厚度增加有利于对病害的抵抗，所以N1和N3时通过加厚表皮层厚度而有利于抗病;从N1到N3，光谱吸收峰比值R1050/2800(吸收峰位置(cm-1)，下同）即v(C-O)/v(C-H)持续降低，该比值为表皮层脂肪醇与角质的相对含量，同时发病样品该比值增加。因为角质和脂肪醇都具有抗病作用，所以从N1到N3水稻发病率会增加;N1和N3时，吸收峰比值R1650/2800即v(C=C)/v(C-H)降低，同时发病样品该比值会增加，该比值反映了表皮层不饱和化合物的相对含量，这些物质具有一定的抗病作用，所以N1和N3时该比值降低表明氮素可能会使稻瘟病发病率增加。
3、利用概率神经网络(PNN)、广义回归神经网络(GRNN)、支持向量机(SVM)等模式识别方法，对N1、N2、N3三种氮供应量下水稻叶片实现了有效鉴别，其中PNN的识别准确率最高，温室样品高达98.67％，田间样品也达到88.89％。然后利用PNN对正常(CK)、轻微发病(S1)、中度发病(S2)、重度发病(S3)等水稻叶片、以及CK和发病早期样本(S0)分别进行诊断，准确率分别为81.00％和96.00％，田间样品的识别准确率分别为81.67％和83.33％。结果表明红外光声光谱结合模式识别算法可以实现稻瘟病的病害分级，以及对发病早期样品进行诊断。
4、利用红外光声光谱技术结合偏最小二乘回法(PLS)建立了稻谷表面三环唑农药残留的快速、原位定性和定量检测方法，经过竞争性自适应重加权取样法(CARS)、随机蛙跳(RF)、动态后向间隔偏最小二乘(dyn-biPLS)等变量筛选方法确定定量检测最优模型的预测均方根误差为0.08，R2为0.82，RPD值为2.23，检测最低残留量为0.29-0.31μg/稻谷。并使用该模型预测了N1、N2、N3供应水平下稻谷表面三环唑在0d、1d、3d、5d、7d的残留量，并以此按照一级动力学模型(Ct=C0e-kt)拟合了不同氮供应下k的取值，结果显示低氮、适量氮、高氮水平下k的取值分别0.1168、0.1219、0.1259，表明氮素供应量增加可以加快稻谷表面三环唑降解速率。
以上结果显示，本研究利用红外光声光谱技术可实现表征水稻叶片表皮层结构与组成及其变化，并可用其分析氮素与稻瘟病发生之间存在的可能的关系，以及用其原理可实现对不同氮供应和不同发病程度的水稻分别进行诊断;并且，在一定浓度范围内，利用红外光声光谱技术还可以进行稻谷表面三环唑残留的原位、快速定量检测。本研究为植物营养、植物病害对植物产生的影响的研究提供了新方法，红外光声光谱技术在关于这些方面的研究上也显示出巨大的应用潜力。
1、利用红外光声光谱技术可以有效的检测到水稻表面不同深度的光谱数据，光谱信息丰富，特征吸收峰强度高、易区分，可明确的归属，很好地反映了水稻叶片不同层面的物质组成，为分析氮素和稻瘟病对水稻的影响奠定了基础。
2、通过设置N1(1.5mM)、N2(3mM)、N3(6mM)三种氮供应强度水培营养液培养水稻，然后利用红外光谱技术，对水稻叶片表面进行原位深度扫描，检测不同氮供应量下表皮层的变化来分析氮素对水稻表皮层的影响;同样的，使用类似的方法检测了水稻稻瘟病不同发病程度叶片表面不同层面的光谱变化。结果显示，N1和N3供应都会使水稻表皮层厚度增加，同时稻瘟病发病时表皮层厚度也会增加。因为表皮层厚度增加有利于对病害的抵抗，所以N1和N3时通过加厚表皮层厚度而有利于抗病;从N1到N3，光谱吸收峰比值R1050/2800(吸收峰位置(cm-1)，下同）即v(C-O)/v(C-H)持续降低，该比值为表皮层脂肪醇与角质的相对含量，同时发病样品该比值增加。因为角质和脂肪醇都具有抗病作用，所以从N1到N3水稻发病率会增加;N1和N3时，吸收峰比值R1650/2800即v(C=C)/v(C-H)降低，同时发病样品该比值会增加，该比值反映了表皮层不饱和化合物的相对含量，这些物质具有一定的抗病作用，所以N1和N3时该比值降低表明氮素可能会使稻瘟病发病率增加。
3、利用概率神经网络(PNN)、广义回归神经网络(GRNN)、支持向量机(SVM)等模式识别方法，对N1、N2、N3三种氮供应量下水稻叶片实现了有效鉴别，其中PNN的识别准确率最高，温室样品高达98.67％，田间样品也达到88.89％。然后利用PNN对正常(CK)、轻微发病(S1)、中度发病(S2)、重度发病(S3)等水稻叶片、以及CK和发病早期样本(S0)分别进行诊断，准确率分别为81.00％和96.00％，田间样品的识别准确率分别为81.67％和83.33％。结果表明红外光声光谱结合模式识别算法可以实现稻瘟病的病害分级，以及对发病早期样品进行诊断。
4、利用红外光声光谱技术结合偏最小二乘回法(PLS)建立了稻谷表面三环唑农药残留的快速、原位定性和定量检测方法，经过竞争性自适应重加权取样法(CARS)、随机蛙跳(RF)、动态后向间隔偏最小二乘(dyn-biPLS)等变量筛选方法确定定量检测最优模型的预测均方根误差为0.08，R2为0.82，RPD值为2.23，检测最低残留量为0.29-0.31μg/稻谷。并使用该模型预测了N1、N2、N3供应水平下稻谷表面三环唑在0d、1d、3d、5d、7d的残留量，并以此按照一级动力学模型(Ct=C0e-kt)拟合了不同氮供应下k的取值，结果显示低氮、适量氮、高氮水平下k的取值分别0.1168、0.1219、0.1259，表明氮素供应量增加可以加快稻谷表面三环唑降解速率。
以上结果显示，本研究利用红外光声光谱技术可实现表征水稻叶片表皮层结构与组成及其变化，并可用其分析氮素与稻瘟病发生之间存在的可能的关系，以及用其原理可实现对不同氮供应和不同发病程度的水稻分别进行诊断;并且，在一定浓度范围内，利用红外光声光谱技术还可以进行稻谷表面三环唑残留的原位、快速定量检测。本研究为植物营养、植物病害对植物产生的影响的研究提供了新方法，红外光声光谱技术在关于这些方面的研究上也显示出巨大的应用潜力。