基于近红外光谱技术的秸秆工业分析

工业分析是生物质热化学工程技术中的一项常规应用分析。文章探讨了近红外光谱技术(NIRS)在秸秆工业组成分析上的应用,并利用近红外光谱技术预测了秸秆中挥发分和固定碳含量。利用Foss 6500光栅型近红外光谱仪在1 108～2 492 nm光谱范围内分别对直接切短秸秆样品中水分、灰分、挥发分和固定碳以及干燥粉碎样品中灰分、挥发分和固定碳的近红外光谱建立了预测模型。对于直接切短秸秆样品,水分、灰分、挥发分和固定碳校正模型外部验证的R2_V(SEP)分别为0.92(0.76%),0.94(0.84%),0.88(0.82%)和0.75(0.65%)。干燥粉碎样品中灰分、挥发分和固定碳的近红外光谱模型外部验证的R2_V(SEP)分别为0.98(0.54%),0.95(0.57%)和0.78(0.61%)。实验结果表明,近红外光谱技术能实现秸秆的快速分析和多组分同时测定, 从而可降低秸秆工业分析的成本。     

近红外漫反射光谱法测定玉米秸秆NDF与ADF含量

应用主成分空间和傅里叶变换近红外光谱技术,采用偏最小二乘回归法(PLS),在国内首次建立了适合不同品种类型、不同生长发育时期和不同部位且适配范围广的近红外漫反射光谱(NIRS)测定玉米秸秆中性洗涤纤维(NeutralDetergentFiber,NDF)和酸性洗涤纤维(AcidDetergentFiber,ADF)含量的稳定校正模型。结果表明,采用一阶导数 矢量归一化预处理和一阶导数 多元散射校正预处理,谱区均为7502～5450cm-1和4601～4247cm-1,所建立的NDF与ADF校正模型,其校正和预测效果最佳。其校正决定系数(R2cal)均大于094,交叉验证和外部验证决定系数(R2cv,R2val)为092～096,各项误差(RMSEE,RMSECV和RMSEP)为149%～181%。该结果对青贮玉米秸秆材料快速鉴定和筛选具有重要的意义。     

人参叶总皂苷大孔树脂分离纯化工艺的近红外光谱在线监测模型及其含量测定

利用近红外(NIR)光谱技术研究并建立可在线监测人参叶皂苷类成分的大孔树脂分离纯化工艺的方法。建立人参皂苷Rg₁,Re和Rb₁的高效液相色谱(HPLC)含量测定方法,收集人参叶提取物的40%乙醇大孔树脂洗脱液,采集其近红外光谱信息,并用已建立的HPLC法测定其中人参皂苷Rg₁,Re和Rb₁的含量,结合偏最小二乘法(PLS)建立上述三种成分及人参总皂苷的定量分析模型。建模过程中,以决定系数(R2),交叉验证均方根误差(RMSECV)为指标,确定用于建模的最优近红外波段和光谱预处理方法,结果表明人参皂苷Rg₁,Re,Rb₁及人参总皂苷模型的最佳建模波段均为12 000.8~7 499.8 cm-1,R2分别为0.988 7,0.960 3,0.990 5和0.970 1,RMSECV分别为0.059 7,0.072 2,0.004 88和0.075 5。将1个批次的人参叶提取物大孔树脂分离纯化工艺样品用于验证人参总皂苷定量分析模型的预测性能,总皂苷的NIR预测值和HPLC测定值的相关系数为0.992 8,平均预测回收率为100.52%,表明所建的模型预测效果良好。该法快速、简便、准确,可用于生产工艺过程中人参总皂苷的含量测定和质量控制。     

近红外光谱法田间快速估测新鲜紫花苜蓿品质

田间快速估测苜蓿品质对于适时刈割具有重要意义。试验共采集来自不同地域、不同品种、不同生育期和不同茬次的新鲜紫花苜蓿样170份,经便携式近红外光谱仪(1 100～1 800 nm)扫描得到近红外光谱,利用偏最小二乘法(PLS)在国内首次建立基于紫花苜蓿新鲜样品的干物质(DM)、粗蛋白(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)化学分析值的近红外校正模型,探讨利用近红外漫反射光谱技术(NIRS)在田间快速估测紫花苜蓿品质的可行性,摸索设备选择和制样方法。四项指标所建模型的交互验证决定系数(R2CV)分别为0.831 4,0.597 9,0.803 6和0.786 1;交互验证均方根误差(RMSECV)为1.241 1,0.261 4,0.990 3和0.830 6;外部验证决定系数(R2_V)为0.815 0,0.401 1,0.784 9和0.752 1,外部预测均方根误差(RMSEP)分别为1.06, 0.31, 0.95和0.80。对于苜蓿鲜样来说,DM,NDF和ADF的近红外模型可以进行粗略的定量分析,CP的建模效果较差,但因苜蓿中的粗蛋白含量一般都能满足家畜需求,DM,NDF和ADF是在适时刈割中最关键的估测指标,DM,NDF和ADF模型可以满足田间快速估测苜蓿品质的要求。     

整个生育期玉米叶片SPAD高光谱预测模型研究

以两年完整生育期玉米田间试验为基础,利用便携式地物光谱仪和叶绿素仪(SPAD-502)分别测定了叶片高光谱数据和叶绿素含量(SPAD),在两者相关分析的基础上,选取多种光谱参数分别构建了每年的叶片SPAD预测模型,并对模型进行了详细的验证和评价。结果表明：两年间叶片光谱反射率及其一阶导数的平均值曲线差别很小;两年间叶片SPAD与光谱反射率及其一阶导数的相关系数曲线的敏感区域基本相同;以一阶导数为光谱参数构建的预测模型效果不稳定;以LCI和DSI(R_550附近,R_680附近)和DSI(R_680附近,R_710附近)构建的预测模型效果良好,能有效预测玉米叶片SPAD。     

紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立

采用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1 650 nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5 nm三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示：光谱扫描时样品为细磨样,光谱扫描间隔为2 nm时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R2_cal)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R2_val)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明：利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。     

玉米秸秆组分近红外漫反射光谱(NIRS)测定方法的建立

玉米秸秆是我国产量最大的秸秆生物质资源,但目前还没有快速高效的组分分析方法,本研究利用傅里叶变换近红外漫反射光谱 (NIRS) 技术,采用偏最小二乘法(PLS),在国内首次建立了NIRS测定玉米秸秆中灰分、半纤维素、纤维素、Klason木质素、酸不溶灰分和水分含量的校正模型,该模型稳定,适合不同地区、不同品种的玉米秸秆及其不同部位。实验结果表明,采用一阶导数+Karl Norris滤波预处理,谱区在4 100～7 500 cm-1,能得到理想的预测模型。该模型对玉米秸秆各组分的交叉验证均方差(RMSECV)范围为0.090 3～1.45,预测误差(RMSEP)范围为0.256 9%～2.581 9%,预测相关系数≥0.871 1。该研究对加速我国秸秆生物质的工业转化具有重要意义。     

基于高光谱的牛奶中真蛋白质含量反演

牛奶蛋白质的分析和监测是奶制品行业中不可或缺的环节利用可见光/近红外反射光谱(350～2 500 nm)进行纯牛奶中真蛋白质含量的快速定量反演。分别通过ASD地物光谱仪和CEM真蛋白质测定仪采集牛奶样本的反射光谱数据以及蛋白质含量数据,对比分析不同的光谱预处理方法和波段筛选方法,得到特征波段,最后利用主成分回归(PCR)和最小二乘支持向量机(LS-SVM)模型建立牛奶反射光谱和蛋白质含量之间的定量校正模型,并对其预测能力进行比较,从而确定最优的牛奶中真蛋白质含量反演模型。实验结果证明：(1)比较不同光谱预处理方法,发现多元散射校正与二阶微分联合使用效果较好;(2)相对于全光谱建模,适当的特征变量优选有助于提高建模精度,缩短建模时间;(3)PCR的验证集决定系数R2_P为0.952 2,验证集均方根误差RMSEP为0.048 7,而LS-SVM的R2_P为0.958 0,RMSEP为0.048 2,其预测精度要优于PCR。研究表明,可见光/近红外高光谱反射率数据可以为牛奶真蛋白质含量的检测提供一种快速、无损的新方法。     

基于近红外光谱的杂交水稻种子发芽率测试研究

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验,此方法存在试验周期长、成本高、专业性要求高等缺点,本研究提出一种基于近红外光谱技术的快速、无损测试杂交水稻种子发芽率的新方法。采用人工老化方法在温度45 ℃、湿度100%的条件下分别老化处理2个品种杂交水稻种子0,24,48,72,96,120,144 h;用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份,随机分成校正集(168份)和检验集(112份);测试不同老化时间段的水稻种子发芽率;以偏最小二乘算法(PLS)建立了回归模型,分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优,模型校正集决定系数(R_C)与验证集相关系数(R_P)分别为0.965和0.931,校正标准误差(SEC)与预测标准误差(SEP)分别为1.929和2.899,验证集预测值与真实值之间的相对误差在4.2%以内。研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。     

菊苣体外干物质消化率近红外分析模型的建立

菊苣(Cichorium intybus L.)是一种新型的高产优质饲用牧草,具有极大的推广利用价值。体外干物质消化率(in vitro dry matter digestibility,IVDMD)是评价饲草营养价值的重要指标之一。建立菊苣体外干物质消化率的NIRS定量分析模型的研究,采集了72个品种、不同基因型、不同生长发育时期的204个菊苣地上部分为样品,应用傅里叶变换近红外漫反射光谱技术,通过采用不同的回归算法,比较不同的光谱范围和光谱预处理方法,建立了8个菊苣体外干物质消化率(IVDMD)的近红外漫反射光谱校正模型,从中选出最佳参数的校正模型。其校正决定系数(R2cal)和外部验证决定系数(R2val)分别为0.953 17和0.904 55,校正标准差(RMSEC)和预测标准差(RMSEP)分别为1.977 99%和2.008 82%,预测值与化学值间的相关系数(r)达0.951 08。结果表明,利用近红外漫反射光谱法来测定菊苣体外干物质消化率(IVDMD)是可行的,可为菊苣体外干物质消化率(IVDMD)的测定提供快速的分析测定方法。     

利用近红外光谱法分析玉米籽粒脂肪酸含量的研究

采用傅里叶近红外漫反射光谱技术,结合偏最小二乘法,以294份中选的普通和高油玉米自交系以及高油玉米重组自交系为样品建立了玉米籽粒四种主要脂肪酸(软脂酸、硬脂酸、油酸和亚油酸)含量和含油量的近红外光谱(NIRS)校正模型。其中,油酸、亚油酸和含油量的校正模型质量较高,交叉验证决定系数分别为0.89,0.88和0.91,外部验证决定系数分别为0.86,0.84和0.92,相对分析误差(RSP(C))均大于2.5。软脂酸和硬脂酸的校正模型不够精确,交叉验证决定系数和外部验证决定系数均小于0.80,相对分析误差(RSP(C))均小于2.5。通过实际预测进一步验证了油酸、亚油酸和含油量NIRS模型的准确性和可靠性。这些模型可应用于玉米籽粒脂肪酸含量及油分含量大批量快速测定,对玉米油分的品质育种具有重要意义。     

近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究

为了建立近红外光谱测定茶叶中茶多酚和茶多糖的模型,应用了人工神经网络方法,选择了7 432.3～6 155.7 cm-1和5 484.6～4 192.5 cm-1特征光谱范围,以网络结构参数的输入层、隐层、输出层神经元数目分别为(8,4,1)和(7,5,1)来建立茶多酚和茶多糖的测定模型,模型的结果表明建模的茶多酚和茶多糖的ｒ,RMSECV,RSECV分别为0.984 7,0.460,0.123和0.947 0,0.136,0.224;预测集的ｒ,RMSEP,RSEP则分别为0.980 4,0.529,0.017和0.968 2,0.111,0.030。由此说明建立的近红外光谱-人工神经网络模型可用于预测茶叶中茶多酚和茶多糖的含量。     

近红外光谱技术测定紫花苜蓿青贮鲜样的发酵品质

及时了解青贮饲草的发酵品质,如青贮饲草中氨态氮(NH₃-N),乳酸(LA), 乙酸(AA),丁酸(BA)含量,对畜牧业生产具有重要意义。应用偏最小二乘回归法(PLS)、傅里叶变换近红外光谱技术和液氮冷冻制样技术,建立了适合不同品种,不同生育期,不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中氨态氮,乳酸,乙酸,丁酸的近红外校正模型,以期对NIRS在测定紫花苜蓿青贮样品中这些物质的可行性进行分析。所建模型的交叉检验决定系数(R2_CV)为0.602 4～0.949 7,交叉检验标准误(RMSECV)为0.559～3.78 g·kg-1鲜重。用检验集样品对模型进行外部检验,预测相关系数(r)为0.882 6～0.985 3,预测标准误为0.571～3.15 g·kg-1鲜重。结果表明,采用适当的样品处理方法和光谱分析技术可以实现近红外光谱技术对苜蓿青贮样品发酵品质的评定。     

近红外光谱技术实时测定土壤中总氮及磷含量的初步研究

及时、准确探测土壤中的氮、磷含量,有利于精准施肥决策,提高肥料利用率。研究表明近红外技术能够探测土壤的物理和养分状况。针对不同土地利用类型,在北京大兴地区采集85份土壤样品,测定土壤氮、磷养分及其近红外漫反射光谱,并利用傅里叶变换光谱技术和偏最小二乘回归法建立了土壤总氮(N)和总磷(P)的近红外光谱校正模型。所建模型的交叉检验决定系数(R2_CV)分别为0.862 6(N),0.668 5(P)。用未参与建模的10个样品对模型进行外部检验,总N、总P的预测相关系数(r)分别为0.969 8,0.830 7,预测标准误差(RMSEP)分别为0.009 5%(N),0.008 6%(P),RPD值(检验集样品化学测定值标准差/预测标准误差)分别为3.78(N),1.69(P)。结果表明,采用适当的光谱分析方法可以实现用近红外技术对土壤总N的精确探测及对土壤总P的粗略估测。     

燕麦干草品质的近红外光谱定量分析

应用近红外漫反射光谱（NIRS）分析技术,采用偏最小二乘回归法(PLS),建立了适合不同品种类型和不同生长发育时期的NIRS测定燕麦全株干草的粗蛋白（Crude Protein,CP）、秸秆中性洗涤纤维(Neutral Detergent Fiber,NDF)和酸性洗涤纤维(Acid Detergent Fiber,ADF)含量的稳定校正模型。结果表明,采用二阶导数（2st Deriv）+平滑处理（Norris）、多元散射校正（MSC）+二阶导数（2st Deriv）+平滑处理（Norris）、多元散射校正（MSC）,分析谱区为9 668～4 518,9 550～5 543,8 943～4 042 cm-1建立粗蛋白、中性洗涤纤维和酸性洗涤纤维的校正模型,其校正和预测效果最佳。其中CP与NDF的建标决定系数（r2_cal）和交叉检验的决定系数（R2_cv）均在0.95以上,各项误差均小于3%,RPD值均大于3,逼近了化学分析的精确度,具有较好的预测效果。ADF的建模效果较CP与NDF差,其建标决定系数和交叉检验决定系数分别为0.912 0,0.855 3,建标误差（RMSEC）和检验误差（RMSECV）分别为2.33%,2.62%,接近了化学分析的精确度,且RPD值大于2.5,说明所建的ADF模型也可用于近红外预测。     

基于近红外漫反射光谱的丁香蓼叶片重金属铜含量快速检测研究

植物中的重金属离子以一定形式与具有近红外吸收的有机分子基团结合, 因此可以借助近红外光谱技术间接检测其重金属离子含量。研究了基于近红外漫反射光谱技术快速检测丁香蓼叶片中重金属铜含量的方法。通过不同光谱数据预处理方法的对比,结合偏最小二乘法,建立了丁香蓼叶内重金属铜含量近红外光谱检测定量模型。实验结果为,经过平滑处理的光谱建模效果较理想,其建立的校正相关系数为0.950,校正均方根误差为5.99;外部验证相关系数为0.923,预测均方根误差为7.38。研究表明,近红外漫反射光谱技术用于丁香蓼叶片中重金属铜含量的快速检测具有可行性。     

近红外光谱法测定紫花苜蓿青贮鲜样的营养价值

应用近红外光谱技术(NIRS)直接分析新鲜饲草的营养价值,如饲草中干物质(DM),粗蛋白(CP),中性洗涤纤维(NDF),酸性洗涤纤维(ADF)含量,对畜牧业生产具有重要意义。鲜草中由于含有较多的水分,不易制备均一的样品和进行光谱中有用信息的提取,因此难于进行近红外光谱分析。本试验应用偏最小二乘回归法(PLS)、傅里叶变换近红外光谱技术和液氮冷冻制样技术,建立了适合于不同品种,不同生育期,不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中DM,CP,NDF,ADF的模型,以期对NIRS在测定紫花苜蓿青贮鲜样品这些成分测定的可行性进行分析。所建DM,CP,NDF和ADF模型的交叉检验决定系数(R2_cv)为0.884 6～0.989 8,交叉检验标准误(RMSECV)为3.9～9.7 g·kg-1鲜重。用50个样品对模型进行外部检验,预测相关系数(r)为0.939 7～0.994 9,预测标准误为1.9～8.3 g·kg-1鲜重。结果表明： 采用适当的样品处理方法和光谱分析技术可以实现近红外光谱技术对苜蓿青贮鲜样的营养价值评定。     

秸秆热值近红外光谱模型的外部验证结果间的统计比较分析

从全国24个省(市)收集到222个秸秆样品,包括172个稻秸样品和50个麦秸样品。采用近红外光谱技术,结合主成分回归、偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。对得到的54个模型采用统计学的方法分析外部验证的结果,通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)),考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。结果表明:近红外光谱技术能够快速、准确地分析秸秆的热值,模型的SEP(C)在134～178 J·g-1之间;对外部验证结果的统计分析,能够有效地选择较好的建模方法,确定较优模型。