伍觀娣 賴敏婷 汪迎利 連輝明

（1.廣東省林業(yè)科技推廣總站，廣東廣州510173；2. 廣東省森林培育與保護利用重點實驗室/廣東省林業(yè)科學研究院 廣東廣州 510520）

葉片是植物重要的器官之一。植物葉片分類識別對于準確有效地識別植物種類、尋找相似的同類或近親植物、良種的識別以及鑒定植物葉片病害等方面有著重要的應用價值[1]。同時，葉片作為植物進行光合作用和蒸騰作用的主要器官，其發(fā)育狀況對作物生長、抗逆性及產(chǎn)量、品質(zhì)形成的影響很大，是研究生理生化、遺傳育種、作物栽培等需要考慮的內(nèi)容[2]。如何快速、實時和準確地通過葉片來鑒別植物、測定葉片有關(guān)生理生化指標與內(nèi)含物質(zhì)含量等，近年來以NIRS 技術(shù)輔助開展植物葉片病蟲害診斷、育種材料選擇、葉片內(nèi)含物質(zhì)含量測定等方面成為國內(nèi) 外研究的熱點問題。

近紅外光譜（Near Infrared Spectra，簡稱NIRS）分析技術(shù)是20 世紀80 年代后期迅速發(fā)展起來的一項測試技術(shù)。近紅外光是波長范圍介于可見光（VIS）與中紅外(MIR)區(qū)之間的電磁波，波長范圍為780～2 526 nm，波數(shù)范圍12 820～3 959 cm-1。一般有機物在該區(qū)的近紅外光譜吸收主要是含氫基團(OH，CH，NH，SH，PH)等的倍頻和合頻吸收。幾乎所有有機物的一些主要結(jié)構(gòu)和組成都可在它們的近紅外光譜中找到信號，譜圖穩(wěn)定且獲取光譜容易，因此NIRS 技術(shù)被譽為“分析的巨人”[3]。NIRS 技術(shù)具有不破壞樣品原型，有效、簡便、快速、低消耗、不經(jīng)提取分離等過程而獲得植物內(nèi)在成分信息的顯著特點，被廣泛應用于許多植物的各個組織和各種成分的分析[4]，包括葉、莖（木頭）、全株、種子等組織。由于在光譜的近紅外波段，植物的光譜特性主要受植物葉子內(nèi)部構(gòu)造的控制[5]。因此，近年來將NIRS 技術(shù)應用于植物葉片研究成為一個活躍的領(lǐng)域，下面綜述回顧NIRS 技術(shù)應用植物葉片輔助開展植物種類鑒別、病蟲害診斷、育種材料選擇以及葉片內(nèi)含物質(zhì)測定等方面的研究進展概況。

1 輔助植物種類鑒別

因采集方便，利用植物葉片性狀和紋理特征對植物進行鑒別是最簡單有效的方法。植物種類常用鑒別方法有形態(tài)學鑒定、細胞學鑒定、生物化學鑒定和分子標記等，但每種方法都存在限制性因素[6]。經(jīng)摸索與探究，人們發(fā)現(xiàn)利用NIRS 技術(shù)，可克服常規(guī)鑒別方法的一些缺點，實現(xiàn)準確、快速、無損地鑒別植物種類。NIRS 技術(shù)廣泛應用于糧食作物、經(jīng)濟作物、藥用植物[6]，以及木材種屬[7]的鑒別。

1.1 輔助草本植物種類鑒別

在輔助草本植物鑒別應用方面，謝麗娟等[8]2008 年以番茄(Lycopersicon esculentum)鮮葉為實驗材料，將原始光譜經(jīng)多元散射校正和微分處理后，分別采用判別分析和偏最小二乘法（PLS）建模分析，比較2 種方法鑒定的準確性，發(fā)現(xiàn)采用NIRS 結(jié)合判別分析法更適合鑒定轉(zhuǎn)基因番茄。虞佳佳等[9]2009 年利用NIRS技術(shù)對婆婆納(Veronica didyma)、波斯婆婆納(Veronica persica)、直立婆婆納(Veronica arvensis)和本地雜草寶蓋草(Lamium amplexicaule)等4 種外表相似度極高的植物鮮葉進行了有效鑒別；通過可見—近紅外光譜技術(shù)找到有效波段對婆婆納與其他3 種相似度極高的入侵植物以LS—SVM 與GA 共同作用下提高模型的分辨率，可達95.63%。李舸[10]2011 年利用NIRS 技術(shù)結(jié)合支持向量機算法（SVM），對形態(tài)相近的菊科四種入侵植物及莧科三種入侵植物的鮮葉進行有效鑒別，并認為該方法可推廣應用于其它易混淆的入侵植物（或易混淆的入侵植物與本土種）的鑒別；建模時應考慮以下影響因素：一是不同生態(tài)區(qū)域、更多品種及不同年份的葉片近紅外光譜數(shù)據(jù)的差異性；二是雌、雄株的近紅外光譜數(shù)據(jù)差異性。王一丁等[11]2016 年應用可見光—近紅外光譜技術(shù)，田間在線測定4 個烤煙品種葉片的光譜，并對原始光譜進行優(yōu)化處理，選取了全波段光譜結(jié)合偏最小二乘判別分析法（PLS-DA）方法，建立了烤煙品種的定性判別模型，對40 個未知樣品的識別準確率達100%。此外，NIRS 技術(shù)不僅能實現(xiàn)雜草與作物間的區(qū)分、還能區(qū)別雜草的種類、有利于雜草的分類滅除[12]。戴青玲等[13]2009 年利用近紅外圖像識別雜草發(fā)現(xiàn)，識別相對誤差小于0.049。

1.2 輔助木本植物種類鑒別

在木本植物鑒別方面，Lang 等[14]等使用近紅外光譜技術(shù)識別了亞馬遜熱帶雨林橄欖科（Burseraceae）Protium和Crepidospermum共2 屬13 個樹種的樹葉，識別準確率＞90%。Yong He et al[15]利用隨機選取的茶葉8 個品種的200 個樣品，建立BP-ANN 模型，利用該模型對40 個未知樣本的品種進行了識別。識別率達到100%。該模型具有較好的可靠性和實用性。Chen et al[16]2007 年收集了我國8 個省份的紅茶、綠茶、烏龍茶茶葉樣品150 個，采集所有茶樣的近紅外光譜數(shù)據(jù)，采用支持向量機(SVM) 計量方法對3 類茶葉分別建模，所建模型的全樣本正確判別率分別為96.67%、100%、93.33%，也可快速識別茶類。欒啟福等[17]2013 年以我國南方培育推廣的2 個雜種松及其3 個親本樹種為研究材料，先將針葉烘干、研磨成粉、過篩，通過近紅外光譜儀掃描各樹種的針葉粉來采集數(shù)據(jù)，并采用偏最小二乘法（PLS-DA）建模對雜種松及其親本進行鑒別。結(jié)果發(fā)現(xiàn)，偏最小二乘法（PLS-DA）對雜種松具有較高的判別能力，能較好地將雜種松及其親本樹種區(qū)別開來，并具有與分子標記相類似的物種親緣關(guān)系辨別潛力，可在林木種質(zhì)判別分析中加以研究利用。王逸之等[18]2014 年用便攜式近紅外光譜儀，在野外實測了4 個竹種葉片的正面近紅外光譜，并結(jié)合偏最小二乘法（PLS-DA）對光譜數(shù)據(jù)判別分析，利用最優(yōu)校正模型對4 個竹種葉片正面近紅外光譜進行驗證判別，識別率均為100%；但利用竹葉背面的近紅外光譜數(shù)據(jù)建模，效果不如葉片正面的光譜數(shù)據(jù)，這可能與竹葉正反兩面對近紅外光譜反射程度差異有關(guān)。

2 輔助植物葉片病蟲害診斷

植物的冠層葉片在很大程度上反映植株的健康程度。植物學家曾指出，如果能在植株出現(xiàn)病癥之前檢測出染病，及時進行藥物處理的治理效果較好[19]。鑒于現(xiàn)有檢測方法，如肉眼觀測、分子檢測、統(tǒng)計學方法預測等都很難實現(xiàn)快速準確的在線早期檢測，因此需要應用新的技術(shù)方法來進行病害的早期檢測[19]。由于近紅外光譜能夠反映物質(zhì)的顏色以及內(nèi)部組分信息，因此，染病作物和正常作物相比，其光譜信息會發(fā)生變化，并能在部分光譜波段上反映，可用于監(jiān)測植物病害的研究[20]。不同的害蟲在近紅外區(qū)域有不同的吸收光譜，每種成分都有特定的吸收特征，為NIRS 技術(shù)實現(xiàn)害蟲的自動識別提供了可能[21]。

2.1 輔助葉片病害診斷

在病害檢測方面，Bravo 等[22]2003 年在可見光到近紅外波段對小麥（Triticum aestivum）黃銹病進行早期診斷。Sankaran 等[23]應用可見-近紅外光譜技術(shù)分析健康柑橘（Citrus reticulata）樹和感染黃龍病樹的柑橘葉片光譜圖像，對兩種柑橘樹分類準確率為87%。李小龍、秦豐等[24]2013 年利用NIRS 技術(shù)結(jié)合偏最小二乘法（PLS-DA）建立了小麥條銹病和葉銹病早期檢測的定性鑒別模型，測試級樣品的識別準確率達97%。李小龍、秦豐、趙龍蓮等[25]2015 年在前期研究的基礎(chǔ)上，建立了小麥條銹病不同嚴重度葉片的定性識別模型，用處理復雜非線性數(shù)據(jù)的RBF 核函數(shù)建模，識別準確率為97.01%。前者實現(xiàn)了小麥條銹病的早期診斷，后者證實可對小麥條銹病的嚴重程度進行分級識別。研究證實，利用NIRS 技術(shù)可識別柑橘葉片黃龍病，陳冬梅[26]2016 年建立了主成分分析（PCA）模型和偏最小二乘法（PLS-DA）模型，研究得出PLS-DA 模型的判別分析能力優(yōu)于PCA 模型；劉燕德等[27]2016 年建立了偏最小二乘（PLSDA）模型和最小二乘支持向量機（LS-SVM）模型，發(fā)現(xiàn)LS-SVM 模型的預測柑橘葉片黃龍病的效果優(yōu)于PLS-DA 模型。NIRS 技術(shù)，還應用于茄子（Solanum melongena）葉片早期灰霉病[19]、番茄葉片灰霉病的感染程度[28]測定，以及萬壽菊（Tagetes erecta）葉片潛伏期黑斑病[29]、水稻葉瘟病[20]、水稻葉胡麻斑和紋枯病[30]等病害的識別。在采集近紅外光譜數(shù)據(jù)過程中，存在多因素的影響和干擾，如非單色光、雜散光、測試溫度等，使樣品的近紅外光譜信息與化學值信息之間呈現(xiàn)較復雜的非線性關(guān)系。在實驗室獲取近紅外光譜數(shù)據(jù)所受的干擾小于田間，因此，研究田間光譜數(shù)據(jù)對于實現(xiàn)準確監(jiān)測將更有現(xiàn)實意義[25]。上述研究均通過直接掃描鮮葉樣品來獲取近紅外光譜數(shù)據(jù)，無須經(jīng)過干燥、研磨成粉等步驟，有效地提高了測試和分析的效率。

2.2 輔助葉片蟲害診斷

在輔助蟲害測定方面，Cunningham[31]2004 年應用近紅外檢測法研究了153 份紅椿(Toona ciliata)樣品葉片組成與害蟲危害的相關(guān)性，并成功地將不同危害程度（高和低等級）的紅椿小葉進行了劃分。結(jié)果表明，高的樹種更易遭到危害，紅柏蛾的危害行為與紅椿樹葉的化學成分有關(guān)系。利用近紅外檢測數(shù)據(jù)進行判別，可將大部分受危害葉片分為輕度和重度危害兩種。Wu 等[32]2006 年采用NIRS 技術(shù)通過支持向量機（LS-SVM）識別土豆葉片美洲斑潛蠅（Liriomyza sativae），正確率達90%。吳達科等[33]2007 年采用圖像處理和光譜分析技術(shù)相結(jié)合的方法測定了斑潛蠅蟲害鮮葉片的近紅外反射光譜，發(fā)現(xiàn)黃瓜（Cucumis sativus）、番茄葉片的破損率、干鮮比與近紅外反射光譜之間有較強的相關(guān)性，光譜信息能很好地反映斑潛蠅蟲害鮮葉片的蟲害程度。但葉片含水率和營養(yǎng)狀況的變化等也可能引起葉片紅外反射光譜的差異，檢測結(jié)果的準確性有待進一步驗證。

3 輔助葉片育種材料選育

利用NIRS 技木可實現(xiàn)對育種材料的快速測定，篩選目標性狀含量高或低的親本或特異突變材料，實現(xiàn)對大量育種中間材料的優(yōu)選劣汰，對提高品質(zhì)鑒定效率，縮短育種年限，減小育種種植規(guī)模起到十分重要的作用[34]。應用NIRS 技術(shù)輔助植物育種材料的選擇，研究多集中于植物的繁殖器官——種子，如如水稻（Oryza sativa）、小麥（Triticum aestivum）、大麥（Hordeum vulgare）、玉米（Zea mays）、大豆（Glycine max）、花生（Arachis hypogaea）、油菜（Brassica napus）等主要農(nóng)作物的品質(zhì)分析；葉片作為植物蒸騰作用和光合作用的主要器官，研究相對較少，利用葉片開展的NIRS 技術(shù)應用研究主要是輔助輔助開展適應性育種、抗病蟲性育種和品質(zhì)育種等研究。

3.1 輔助適應性育種研究

在輔助適應性育種研究方面，Sundblad 等[35]2001 年將歐洲云杉（Picea abies）和歐洲赤松（Pinus sylvestris）幼苗在人工結(jié)凍條件下獲得的VIS ＋NIR 光譜與抗凍生理指標進行關(guān)聯(lián)，所建模型包括全部抗凍性類型的比例大于69%，開辟了植物抗凍性研究方法。李軍會等[36]2009 年以不同國家和地區(qū)的30個抗旱性強弱不同的栽培稻品種，以在水田和旱地下種植得到的水稻（Oryza sativa）鮮葉片近紅外漫反射光譜為對象，進行抗旱性鑒定研究。表明：孕穗中后期旱地葉片近紅外光譜與旱地產(chǎn)量、抗旱指數(shù)之間建立模型的結(jié)果優(yōu)于孕穗前期，而在水田種植條件下得到的葉片近紅外光譜與水田產(chǎn)量、抗旱指數(shù)之間模型交叉驗證結(jié)果相關(guān)性較弱。姜健等[37]2010 年釆用NIRS 技術(shù)結(jié)合偏最小二乘回歸法，對12 個紫花苜蓿(Medicago sativa)品種苗期耐鹽性進行鑒定，表明脯氨酸和丙二醛的近紅外光譜模型能快速、準確地鑒定紫花苜蓿幼苗耐鹽性；并發(fā)現(xiàn)紫花苜蓿幼苗耐鹽性的NIRS 檢測更適宜使用新鮮樣品并采用多倍散射校正預處理方法，該研究對豆科牧草耐鹽性篩選具有重要作用。

3.2 輔助抗病蟲性育種研究

在輔助抗病蟲性育種方面，張晗旭[38]2013 年基于支持向量機算法（SVM），利用新鮮葉片的近紅外光譜圖對抗線蟲番茄和普通番茄進行分析，分類準確率達86.81%。楊增沖等[39]2017 年采集了番茄植株葉片的近紅外漫反射光譜，利用支持向量機建立抗病性的識別模型，準確率達96.1538%，表明利用NIRS技術(shù)可識別番茄植株對黃化曲葉病是否具有抗病性，為番茄抗病選育提供了一種新的檢測手段。

3.3 輔助品質(zhì)育種研究

在輔助品質(zhì)育種方面，榮正勤[40]2011 年采用迭代的加權(quán)最小二乘支持向量機剔除異常值的方式，將甜葉菊（Stevia rebaudiana）葉片曬干研磨成粉，建立了甜葉菊葉片中重要二萜糖甙組分的近紅外光譜預測模型，并運用該模型篩選出70 個瑞鮑迪甙A 絕對含量較高和63 個瑞鮑迪甙A 相對含量較高的單株材料；其雜交F1 子代50 個品系的瑞鮑迪甙A 絕對含量和相對含量均顯著提高，甜葉菊味質(zhì)得到顯著改良；NIRS 技術(shù)的應用，克服了甜葉菊育種過程中分析大規(guī)模樣本的困難，加快了育種效率。研究不足之處是釆用甜葉菊葉片粉末建立模型，包括Nishiyama 等[41]在1992 年首次使用近紅外光譜技術(shù)檢測甜葉菊糖苷含量、Hearn 等[42]2009 年建立甜葉菊醇糖苷的近紅外模型，均釆用甜葉菊葉片粉末，且模型建立后，仍需將甜葉菊葉片粉碎后才能測定甜葉菊糖苷的含量。湯其坤[43]2014 年的研究客服了上述缺點，運用近紅外光譜直接掃描甜葉菊鮮葉片，建立了甜葉菊糖苷和萊鮑迪苷A 的近紅外模型，提高了研究效率，對甜葉菊育種篩選具有重要作用，避免了后續(xù)糖苷檢測過程中不必要的粉碎步驟。

4 葉片物質(zhì)含量測定

組成植物體的物質(zhì)主要為水和干物質(zhì)。干物質(zhì)可細分為有機物質(zhì)和礦物質(zhì)兩部分，其中有機物質(zhì)的質(zhì)量占植物總干重的90%～95%，礦物質(zhì)僅為5%～10%[44]。近年來，國內(nèi)外學者利用NIRS 技術(shù)，對各種植物葉片物質(zhì)含量的測定開展了大量研究，詳見表1。植物葉片的葉綠素含量和水分含量、氮含量是表征植物生長狀況的最主要信息[45]，因此，研究多集中于這三類物質(zhì)含量的測定。從植物類別來看，關(guān)于農(nóng)作物，如小麥、大麥、水稻、黃瓜、玉米、油菜、番茄、尖椒(Capsicum frutescens)、甘薯(Dioscorea esculenta)，茶（Camellia sinensis）、油茶（Camellia oleifera）和橙（Citrus sinensis）、桔（Citrus reticulata）、蘋果（Malus domestica）、葡萄（Vitis vinifera）、梨（Pyrus spp.）等水果等農(nóng)業(yè)經(jīng)濟作物的研究較多，目前關(guān)于林業(yè)經(jīng)濟樹種的研究偏少。

4.1 葉片水分含量測定

在植物營養(yǎng)的吸收、運轉(zhuǎn)、蒸騰和光合作用等生理變化過程中，水分均起著關(guān)鍵性的作用，利用NIRS 技術(shù)現(xiàn)場快速、無損測定葉片含水率，對生產(chǎn)中及時采取灌溉策略，合理有效地利用水資源具有重要作用。由于植物葉片水分易蒸發(fā)，因此樣品采摘后，宜做好保溫保濕處理，并盡快在室溫環(huán)境下采集近紅外光譜數(shù)據(jù)。有學者利用NIRS 技術(shù)對水稻[46]、尖椒[47]、茶葉[48-49]、贛南臍橙[50]、臍橙(Citrus sinensis)[51]、西拉葡萄(Vitis vinifera)[52]、桉樹(Eucalyptus spp.)[53]和胡楊(Populus euphratica)[54]等植物的葉片含水率開展了測定，發(fā)現(xiàn)在近紅外光譜區(qū)域，970nm、1450nm、1 940 nm 為水的典型特征吸收峰[55]。李光君[52]在2016 年測出西拉葡萄葉片水分的近紅外光譜最高特征波段大約為 1 930 nm。白鐵成等[54]2017 年研究發(fā)現(xiàn)，胡楊葉片水分在1 000～1 700 nm 波段存在相關(guān)性較高的光譜特征，可用于胡楊葉片水分的快速檢測，其中1 422 nm 波段貢獻值較大。盧萬鴻等[53]2017 年的研究表明，與赤桉（Eucalyptus camaldulensis）和細葉桉（Eucalyptus tereticornis）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測模型的過程和結(jié)果來看，用全譜段近紅外光譜信息更可靠。

4.2 葉片有機物質(zhì)含量測定

植物體內(nèi)的有機物質(zhì)主要包括蛋白質(zhì)、其他含氮化合物（如氨基酸等）、脂肪、淀粉、糖類、纖維素、木質(zhì)素和果膠等。在應用NIRS 技術(shù)開展有機物質(zhì)含量測定，葉綠素和氮元素的測定研究最多。在開展研究時,多需要經(jīng)過干燥或搗碎葉片的步驟，以便于獲取光譜數(shù)據(jù)。利用鮮葉光譜估測生化組分比利用干燥或搗碎葉片估測困難，主要原因有三個：一是新鮮葉片表面的蠟質(zhì)層能引起高反射；二是鮮葉中強勢組分——水的影響，使得在短波紅外區(qū)水的強烈吸收會在很大程度上掩蓋其它生化組分的吸收特征，進而對其他組分的估算比較困難；三是細胞結(jié)構(gòu)間隙因氣和水介質(zhì)的差異導致折射率不同而使多次散射更加復雜等[56]。今后，利用便攜式近紅外光譜儀在田間開展實時測定鮮葉有機物質(zhì)研究，以快速獲得相關(guān)數(shù)據(jù)雖然困難，但是更有指導意義。

表1 應用近紅外光譜分析技術(shù)測定植物葉片有機物質(zhì)含量的研究一覽表Table 1 list of research on determination the content of organic matter in plant leaves by NIRS

植物名稱Plant檢測成分Tested components研究學者Research scholar植物名稱Plant檢測成分Tested components研究學者Research scholar乙酰乳酸合成酶、氨基酸劉飛（2009、2011）[71-73] 水稻Oryza sativa 色素（葉綠素、類胡蘿卜素） 姚霞（2016）[93]油菜Brassica napus丙二醛 孔汶汶（2011）[74] 牡丹Paeonia suffruticosa 花青素 劉秀英（2015）[94]脯氨酸 孫光明（2010）[75] 柑桔Citrus reticulata 可溶性糖 劉燕德（2016）[95]小麥Triticum aestivum甘藍Brassica oleracea全氮含量、糖氮比、籽粒蛋白質(zhì)水分，可溶性固形物,抗壞血酸湯守鵬（2009）[76] 喬木樹種Kramchote S. （2014）[77] 楊樹Populus spp.樺樹Betula spp.中性洗滌纖維(NDF)、酸性洗滌纖維(ADF)、木質(zhì)素和纖維素氮、糖、淀粉、單寧、酚苷C. Petisco 等（2006）[96]Kennedy F. Rubert-Nason（2013）[97]小麥Triticum aestivum 糖氮比 姚霞（2015）[78]

4.3 葉片礦物質(zhì)含量測定

礦物質(zhì)或灰分是植物的果實或種子及植物體其他部分燃燒后殘留下來的部分，由磷、鉀、鈣、鎂、硫、鐵、錳、銅、鋅、硼、氯、硅和鈉等元素的氧化物組成。一般認為，礦物質(zhì)在近紅外區(qū)沒有吸收，原理上認為不能被近紅外光譜感應到，但實際上可通過礦質(zhì)元素與某些含H 鍵有機物的關(guān)聯(lián)間接檢測出來[98]。近年來，有學者應用NIRS 技術(shù)，對甘薯葉含鎘、銅和鋅[99]，黃瓜葉含磷[100]，水稻葉含汞、鎘和鉛[101]，紫花苜蓿含鉀、鈣、鎂[102]，丁香蓼（Ludwigia prostrata）葉含銅[103]，香根草（Vetiveria zizanioides）葉含鉛[104]，奧林達夏橙（C. sinensis）葉含鋅[105]、梨樹葉含鉀[106]進行了測定，表明礦物質(zhì)元素可通過近紅外光譜進行測定。例如，劉燕德等2012 年[103]、2014 年[104]的研究發(fā)現(xiàn)，植物中的重金屬離子以一定形式與具有近紅外吸收的有機分子基團結(jié)合，因此可借助NIRS 技術(shù)間接檢測其重金屬離子含量。趙化兵等[106]2014 年研究發(fā)現(xiàn)，鉀雖不能直接影響光譜的吸收反射，但其可通過影響葉片中的化合物間接地影響光譜的吸收反射。

5 葉片分析中光譜照射分類與光譜波段選擇

5.1 葉片光譜照射分類

近紅外光譜在波長1 100 nm 處被劃分為短波近紅外光譜區(qū)域和長波近紅外光譜區(qū)域[107]。波長小于1 100 nm 的短波近紅外，是高級倍頻的吸收譜帶，常被應用于透射光譜分析，可測定均勻的流動性好的液體樣品，如汽油、白酒、葡萄酒等；波長大于1 100 nm 的長波近紅外主要是含氫基團振動的一級或二級倍頻，近紅外光吸收強度的大小會隨著倍頻吸收頻率的增大而減弱，常被用于漫反射光譜分析，主要用于分析固體顆粒、粉末、纖維、織物等不規(guī)則樣品，特別是物質(zhì)的定量分析方面。因此,在開展葉片光譜分析時，更多地使用漫反射光譜分析。

5.2 葉片分析光譜波段選擇

葉片內(nèi)部結(jié)構(gòu)的差異性會引起近紅外光譜區(qū)域的光譜差異性，在利用NIRS 輔助開展植物葉片研究時，因研究目的差異，應采用不同的特征波段進行分析。在輔助植物種類鑒別時，Lang[14]建議在建立基于傅里葉變換近紅外光譜的大范圍植物識別模型時，最佳方法是使用每個標本的正反葉表面在2 000～2 500 nm 區(qū)域的平均讀數(shù)光譜來建模。在分析葉片含水率時，970、1 450、1 940 nm 為水的典型特征吸收峰[55]。Carter[108]在研究水生植物Eichhornia crassippes和Nuphar luteum、闊葉樹Liquidambar styracifl ua、Magnolia grandifl ora，草本植物Arundinaria tecta以及針葉樹Pinus taeda等6 種植物時，發(fā)現(xiàn)水分吸收最強波段為1 450、1 940、2 500 nm 附近。李光君[52]選擇波段1 595.7～2 367 nm，來研究西拉葡萄葉的含水率，發(fā)現(xiàn)波長和對應的化合物水分的典型波段為1 790～1 940 nm，最高特征波段約為1 930 nm。在分析葉片病蟲害時，Das 等[109]在350～2 500 nm 波段對細菌性葉疫?。˙acterial leaf blight，BLB）進行了分析，確定了4個可用于區(qū)分有病葉片和無病葉片的特征波段，540、680、760 和990 nm。程術(shù)希等[20]選擇了5 個特征波段來分析病變感染稻葉瘟的感染程度，分別為552～558、672～682、719～726、756～768 和990～998 nm，正確率為90%，這5 個波段與Das 等[109]確定的病害分析特征波段基本一致。吳達科[33]發(fā)現(xiàn)健康的葉片在760～1350 nm 波段具有較高反射率，但感染斑潛蠅蟲害后，在該波段反射率降低；在1 600～1 800 nm 波段，光反射率隨著蟲害的加劇而降低。在分析葉片有機物質(zhì)物質(zhì)含量時，以各種形式存在的C 元素（包括糖，淀粉，纖維素和木質(zhì)素等）和 N 元素（包含在葉綠素、蛋白質(zhì)以及其他分子中），形成1 400 和1 900 nm 吸收波段[110]。在分析礦物質(zhì)元素時，易時來[105]測定葉片鋅含量采用特征波段1 201～1 300 nm 進行分析；趙化兵[106]在測定梨樹葉片鉀含量時，采用全波段350～2 500 nm 分析，但發(fā)現(xiàn)鉀素含量與420～500、1 230～1 670 nm 波段的反射率呈負相關(guān)。

6 研究展望

隨著近紅外光譜儀、化學計量學的發(fā)展以及對NIRS 理解的逐步深入，NIRS 的檢測技術(shù)將不斷提高，NIRS 對葉片單個物質(zhì)的檢測將變得更加精準。除文中提到在植物葉片研究中幾個主要的應用領(lǐng)域外，NIRS 將會開辟更多的應用領(lǐng)域和研究重點：首先是針對在收集近紅外光譜數(shù)據(jù)時易受外界環(huán)境影響的缺點，在開展有關(guān)分析研究時，應多考慮不同環(huán)境因素、不同樣品特征對葉片光譜數(shù)據(jù)的影響，提高預測模型的精度。其次是當前NIRS 應用于分析農(nóng)作物、水果和茶等經(jīng)濟作物葉片的較多，關(guān)于用材樹種、木本花卉等木本植物葉片性狀的研究較少，今后可探索將NIRS 技術(shù)用于用材樹種葉片性狀的應用研究。第三是針對木本植物品種選育周期長、種源區(qū)分難等問題，NIRS 技術(shù)在指導基于葉片特征分析的木本植物品種選育上具有廣闊的應用前景，可有望大幅縮短木本植物的育種周期。例如，包括樟樹、陰香（C. burmannii）、肉桂(C. cassia)、觀光木(Michelia odora)、白玉蘭(Michelia alba)、桉樹、茶樹、松針、白千層(Melaleuca leucadendron)、互葉白千層（M. alternifolia）等木本植物。近紅外光譜分析技術(shù)最大的優(yōu)勢是提供了田間大量快速檢測的可能性，但目前很多研究需將葉片樣品采回實驗室,進行一定的處理，如保鮮儲藏、干燥或研磨成粉末才能開展測定，存在測定效率不夠高的問題，今后可進一步加強NIRS 技術(shù)應用于田間在線測定的研究，實現(xiàn)近紅外技術(shù)真正快速、便捷、無損、準確的測定相關(guān)數(shù)據(jù)。