用于小麦谷粒分析的 Combine 近红外光谱技术的实地验证

真实收割条件下的精度评估

谷物收获时的品质鉴定传统上依赖于离散取样，然后进行实验室分析。虽然这种方法能在样本水平上提供准确的测量结果，但它本质上无法捕捉到大多数农田的空间变化特征。因此，得到的数据往往代表的是平均状况，而不是收获作物的真实异质性。

在这种情况下，直接集成在农业机械上的近红外光谱（NIR）技术代表了一种模式的转变。通过对谷物流动进行连续、实时的分析，Combine 上的近红外系统可提供更高的数据密度和更具代表性的田间变化描述。

本研究旨在验证EVONIR系统在实际采收条件下的性能，并将在线测量结果与参考实验室分析结果进行比较。

材料与方法

现场测试于 2022 年 7 月在德国北部进行，对象是使用纽荷兰 CR8.90 联合收割机收割的小麦作物。EVONIR 传感器安装在谷物提升机上，可直接分析收割作业期间的整个谷物流。EVONIR 通过ISOBUS 与 Combine 的 VT 相连。

数据采集在整个收割过程中持续进行，共获得 1,190 个近红外数据点。与此同时，还在田间的地理坐标位置人工采集了 23 个谷物样本，并由一家经认可的实验室（LUFA）进行分析，作为参考方法。

本研究评估的参数包括干物质 (DM)、粗蛋白 (CP)、灰分和粗脂肪 (CF)。对于每个采样点，在相应的空间窗口内汇总近红外测量结果，并与实验室结果进行比较，以量化两种方法之间的偏差。

开箱即用的结果

从 EVONIR 系统获得的连续测量结果清楚地表明，田间存在明显的差异。水分和蛋白质含量等参数在收割过程中出现了明显的波动，证明谷物质量在田间的分布并不均匀。

这些变化的空间尺度远远小于典型的采样网格，无法通过传统的采样方法充分捕捉。因此，近红外系统产生的数据集能更丰富、更详细地描述收获的作物。

使用标准工厂校准法将近红外测量结果与实验室结果进行比较时发现，干物质的平均偏差为-0.63，粗蛋白的平均偏差为-0.88，灰分的平均偏差为-0.75，粗脂肪的平均偏差为+0.79。这些数值表明，所有参数的偏差都相对较小，特别是考虑到现阶段还没有应用特定的田间校准。

简历表：使用 Dinamica Generale 标准校准的实验室和 EVONIR 之间的平均偏差，未调整与实验室的结果比较。

校准后的结果

这项研究的结果表明，即使在使用一般校准模型的情况下，Combine 近红外光谱也能达到完全符合业务决策的精度水平。观察到的偏差与在线光谱测量的典型预期一致，并可通过局部校准调整进一步减少偏差。

在应用了基于有限数量实验室样本的微调程序后，近红外数据与实验室数据之间的距离明显改善，证实了将全局校准模型与局部细化相结合的有效性。

简历表：微调后 LAB 和 EVONIR 之间的平均偏差

除了精度方面的考虑，本研究最重要的成果在于近红外系统捕捉田间真实变化的能力。实验室分析可提供精确但稀少的信息，而近红外测量的连续性则可生成高分辨率的质量图，直接用于农艺和物流决策。

从农艺学的角度来看，这有助于更精确地了解氮的分布和蛋白质的变化，从而为后续季节的变率施肥策略提供支持。从物流角度来看，实时质量监测使操作人员能够根据特定的质量阈值隔离谷物流，优化存储并最大限度地提高经济价值。

结论

这次实地验证证实，EVONIR 系统能够 在收割作业期间直接提供 可靠、一致的谷物质量测量结果。即使进行了标准校准，该系统与实验室数据的一致性也达到了很好的水平，并可通过最小的校准调整进一步改善。

更重要的是，这项研究强调了连续测量相对于离散采样的根本优势。通过分析整个谷物流而不是孤立的样本，Combine 近红外系统能更准确、更全面地反映现场条件。