这篇文档属于类型a，即报告了一项原创研究。以下是该研究的学术报告：
主要作者及机构
本研究的主要作者包括Xuexue Miao、Ying Miao、Yang Liu、Shuhua Tao、Huabin Zheng、Jiemin Wang、Weiqin Wang和Qiyuan Tang。他们分别来自湖南农业大学农学院、湖南省农业科学院水稻研究所、华南农业大学数学与信息学院以及湖南杂交水稻研究中心。该研究发表于《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》期刊，2023年出版，在线发布于2022年8月9日。
学术背景
氮素在水稻生长中扮演着重要角色，其含量的测定对于评估植物营养状态和实现精准栽培具有重要意义。传统的化学测定方法存在破坏性采样和分析时间长的缺点。本研究旨在探讨利用近红外光谱（Near-Infrared Spectroscopy, NIR）技术快速测定水稻植株中氮含量的可行性。NIR光谱技术具有低成本、高精度、分析时间短和非破坏性采样的优势，近年来在农业领域得到了广泛应用。然而，关于利用NIR光谱技术测定水稻植株氮含量的研究较少，且现有研究的样本量较小，模型的稳定性和适用性有限。因此，本研究通过采集大量水稻样本，系统研究了NIR光谱技术在监测水稻氮含量中的应用，并优化了模型构建的各个环节，包括光谱预处理、特征变量选择和模型验证等。
研究流程
本研究主要包括以下几个步骤：
样本采集与处理
研究在2019年至2020年间，从湖南大通湖区的实验田中采集了447株水稻样本，涵盖多个生长阶段，包括拔节期、孕穗期、抽穗期、开花期和乳熟期。样本经过烘干、研磨并过筛后，进行进一步分析。
氮含量测定
采用凯氏定氮法（Kjeldahl method）测定水稻样本中的氮含量。每个样本测量三次，取平均值作为最终结果。
光谱测量
使用NIR光谱仪（Matrix-I, Bruker Optics）获取水稻样本的反射光谱。光谱测量范围为12481 cm⁻¹至3595 cm⁻¹，间隔为16 cm⁻¹，共获得1153个变量。每个样本测量三次，取平均值作为最终光谱数据。
光谱预处理
为了提高光谱特征并去除噪声，研究比较了多种光谱预处理方法，包括无预处理、一阶导数（First Derivation, FD）、标准正态变量变换（Standard Normal Variant, SNV）、SNV+FD以及多元散射校正（Multiplicative Scatter Correction, MSC）+FD。
模型构建与优化
研究采用偏最小二乘回归（Partial Least Squares Regression, PLS）作为基础模型，并比较了区间偏最小二乘（Interval PLS, iPLS）、协同区间偏最小二乘（Synergy Interval PLS, siPLS）和移动窗口偏最小二乘（Moving-Window PLS, mwPLS）等特征选择方法。通过交叉验证和外部验证，评估了不同模型的性能。
模型验证
使用均方根误差（Root Mean Square Error, RMSE）、相关系数（Correlation Coefficient, r）和性能偏差比（Ratio Performance Deviation, RPD）等参数评估模型的预测能力。
主要结果
1. 光谱预处理效果
研究发现，SNV+FD预处理方法显著提高了模型的预测性能，其均方根误差预测值（RMSEP）为0.2284，相关系数（r）为0.9347，优于其他预处理方法。
特征变量选择
siPLS方法在特征变量选择中表现最佳，仅使用149个变量（占全光谱变量的13%），显著降低了模型的复杂性。siPLS模型在预测集中的RMSEP为0.1952，相关系数为0.9533，优于iPLS和mwPLS模型。
最优模型
通过siPLS方法，研究选择了四个子区间（7、26、27和28），其对应的光谱范围为5299–4451 cm⁻¹和10445–10423 cm⁻¹。这些光谱范围与蛋白质和氮分子的吸收特征相关，表明siPLS能够有效提取与氮含量相关的特征波段。
模型性能比较
与全光谱PLS模型相比，siPLS模型不仅减少了87%的特征变量，还将RMSEP从0.2284降低至0.1952，显著提高了模型的预测精度和稳定性。
结论
本研究证明了NIR光谱技术结合siPLS算法可以快速、准确地测定水稻植株中的氮含量。通过优化光谱预处理和特征变量选择，研究构建了一个高性能的预测模型，为水稻氮营养状态的实时监测提供了技术支持。该研究为精准农业中的氮肥管理提供了理论依据，具有重要的科学价值和应用价值。
研究亮点
1. 样本量大
本研究采集了447株水稻样本，涵盖多个生长阶段和不同氮肥处理，确保了模型的稳定性和适用性。
优化方法
研究系统比较了多种光谱预处理和特征选择方法，确定了SNV+FD和siPLS为最优组合，显著提高了模型的预测性能。
应用价值
该研究为水稻氮含量的快速测定提供了一种高效、准确且非破坏性的方法，有助于实现精准农业中的氮肥优化管理。
其他有价值的内容
本研究还探讨了不同生长阶段和不同组织中氮含量的变化规律，发现水稻生长早期叶片中的氮含量高于茎部，而后期叶片中的氮含量最高，穗部次之，茎部最低。这些发现为进一步研究水稻氮营养动态提供了重要参考。
本研究通过NIR光谱技术和siPLS算法，成功构建了一个高性能的水稻氮含量预测模型，为精准农业中的氮肥管理提供了重要的技术支持。