纤维素类芒属草本能源植物品质近红外光谱快速检测技术研究

我国生物质能源产业近年来得到快速发展,但对能源草的研究还处于初级阶段,如果能建立全面的能源植物木质素、纤维素、半纤维素的近红外预测模型数据库,将有助于优良品种的筛选、能源植物能用性能的评价及生物质能源产业在线控制。本研究采用傅里叶变换近红外光谱(FT-NIR)技术结合偏最小二乘法(PLSR)建立了荻、南荻、奇岗、芒四种芒属能源植物品质指标(纤维素,半纤维素,木质素和灰分)近红外预测模型,并在此基础上研究了样本粒度对模型的影响。研究结果表明：(1)四种芒属能源植物茎秆中纤维素,半纤维素和木质素含量误差均方根(RMSECV)分别为1.35％(R2=0.88),0.39%(R2=0.91)和0.35%(R2=0.80),叶片中纤维素,半纤维素和木质素含量误差均方根(RMSECV)分别为0.72%(R2=0.88),0.85%(R2=0.85)和0.44 (R2=0.87),所建的纤维素,半纤维素和木质素的近红外校准模型在预测未知样品含量时效果较好,但灰分含量预测效果不理想;(2)2和0.5 mm粒度样品所建近红外模型均满足样品检测精度要求,但考虑到时间和人工成本,建议在工厂对能源植物原料品质进行分析时,采用2 mm样品建模。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

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。     

近红外漫反射光谱法快速测定畜禽粪便堆肥多组分含量

以我国22个省、市120个不同种类的畜禽粪便堆肥样品为研究对象,利用傅里叶变换近红外漫反射光谱技术和偏最小二乘回归法建立了我国畜禽粪便堆肥中水分、挥发性固体、总有机碳、总氮含量、碳氮比、酸碱度和电导率的近红外定量分析校正模型。各参数校正模型的决定系数R2分别为0.981 6,0.901 5,0.961 0,0.987 4,0.741 0,0.788 0和0.870 4;验证集决定系数R2_v分别为0.983 2,0.938 1,0.912 8,0.973 5,0.830 8,0.615 8和0.895 3。研究发现,除酸碱度近红外模型相对分析误差RPD(SD/SEP)值小于2.0外,水分、挥发性固体、总有机碳、总氮含量和电导率近红外模型的相对分析误差RPD值均大于3.0;碳氮比近红外模型相对分析误差RPD值介于2.0到2.5之间。结果表明,近红外漫反射光谱法可以快速测定畜禽粪便堆肥中水分、挥发性固体、总有机碳、总氮含量和电导率,对碳氮比的测定精度有待于进一步提高,对酸碱度的预测效果不理想。     

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。     

近红外光谱法测定苜蓿中的叶含量

叶含量是一项对苜蓿的营养价值和家畜采食量、消化率都很重要的指标,目前常用的手工茎叶分离后测定叶含量的方法非常费时费力。利用近红外光谱分析技术(NIRS)对人工配制叶含量为15%～55%的41个苜蓿样品, 建立了苜蓿中叶含量的预测模型。用15,25, 35个定标样品分别建立的3个模型的RMSEP分别为1.02, 1.97, 0.51,RPD依次为5.50,2.85,25.93,外部验证的决定系数r2为0.978 9,0.984 4,0.998 9。结果表明,15个定标样品已经能够建立准确测定苜蓿叶含量的近红外预测模型,且模型的准确性随着数量增加而升高。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

近红外光谱法快速测定植物油中脂肪酸含量

应用近红外光谱技术建立了快速测定植物油中4种脂肪酸含量的方法。应用气相色谱法测定52个植物油样品中棕榈酸(C16：0)、硬脂酸(C18：0)、油酸(C18：1)和亚油酸(C18：2)的含量作为其化学值(真值)。建模集样品数为41,检验集样品数为11,通过对模型的优化,结果表明建模样品集脂肪酸的化学值(真值)与近红外预测值的相关系数r分别为：r(C16：0)=0.891,r(C18：0)=0.837,r(C18：1)=0.982,r(C18：2)=0.971。检验样品集脂肪酸的化学值与近红外预测值的相关系数分别为0.921,0.891,0.946和0.949。实验结果表明气相色谱法测得的植物油中四种脂肪酸含量与近红外预测值之间存在较好的线性关系。应用近红外光谱法测定植物油中主要脂肪酸的含量是可行的。该方法既快速、方便,又可进行同一样品的多组分分析,有很好的应用前景。     

毛竹化学成分光谱分析的快速建模方法研究

研究了毛竹综纤维素和木质素含量近红外光谱定量分析方法的建立。选用不同竹龄、纵向和横向部位的54个竹材粉末样品,用湿化学方法测定其综纤维素和木质素含量。在综纤维素和木质素含量的分布范围内,从低值、中间值和高值中挑选11个代表性样品,11个样品按预定比例混合得到21个混合样品,混合样品的综纤维素和木质素含量计算得到,再挑选22个目标成分含量不同的样品组成54个样品的校正集。用偏最小二乘法分别建立样品综纤维素含量、木质素含量和近红外漫发射光谱之间的相关模型。结果表明,综纤维素含量的预测模型的相关系数(R_p)为0.92,标准偏差(SEP)为1.04％;木质素含量的预测模型的R_p为0.93,SEP为0.91％,与常规方法建立的模型预测精度相似。说明利用样品混合的方式可快速增加校正集样品的数量、改善校正集样品的分布状况,继而建立稳定可靠的近红外定量分析模型。     

杉木综纤维素和木质素的近红外光谱法测定

用近红外光谱法对杉木中综纤维素和木质素含量进行了快速测定。用常规湿化学方法测定了48个杉木木材样品的综纤维素和木质素,用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。综纤维素校正模型和预测模型的相关系数分别为0.96和0.93;预测标准误差分别为0.39和0.50;木质素校正模型和预测模型的相关系数分别为0.99和0.90;预测标准误差分别为0.10和0.28。结果表明,近红外光谱法可以快速分析木材中综纤维素和木质素含量。     

近红外漫反射光谱法预测紫花苜蓿草颗粒营养价值

研究旨在探讨利用紫花苜蓿草颗粒样品的近红外漫反射光谱信息,建立能够预测其营养价值的校正模型。采集22份全株草颗粒、19份茎颗粒、19份叶颗粒共60份紫花苜蓿草颗粒样品,其中建模样品45份,检验样品15份。利用傅里叶变换近红外漫反射光谱技术(FT-NIRS)采集各实验样品的近红外漫反射光谱,运用偏最小二乘法(PLS)建立了紫花苜蓿草颗粒粗蛋白(CP)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的预测模型。3个预测模型的校正模型建模效果均较好,其交叉检验相关系数(R_CV)为0.964 10～0.968 87,交互验证的残差均方根(RMSECV)为0.80%～2.59%。用15个检验样品对模型进行外部检验,预测相关系数(r)为0.966 9～0.974 3,外部验证的残差均方根(RMSEP)为0.85%～2.07%。所建模型的交叉检验和外部检验RPD均大于3,表明近红外光谱分析技术可以准确地预测紫花苜蓿草颗粒的营养价值。     

近红外光谱技术检测植物木质素纤维素研究进展

近红外光谱技术可用来检测植物木质素、纤维素及半纤维素含量,与传统的湿化学方法相比具有快速、操作简单、准确、无损等优点,是一种新型的测定方法,近年来在检测木本植物及草本植物木质纤维素组成成分中被广泛应用。综述了国内外利用近红外光谱技术快速检测木本植物(用作造纸原料的木材、竹材以及潜在的可用作生物质能源的木材)及草本植物(饲草及草类能源植物)木质素、纤维素、半纤维素含量的研究进展,并从样品前处理、光谱预处理及波长选取方法、化学计量学方法三个方面对利用近红外光谱技术快速检测植物木质素、纤维素方法研究上的进展进行了总结,并结合国内木材、牧草及能源草行业发展现状提出了四点展望: 建立适用性更强的模型;建立全面的草产品品质指标近红外光谱数据库;建立能源植物能用品质指标相关模型并对建模方法进行进一步的探索和完善;推动应用近红外光谱技术检测植物木质纤维素的方法从实验阶段走向实际应用。随着对近红外光谱检测植物木质纤维素方法的不断成熟和完善,它必将对造纸、饲草及能源草行业的发展产生巨大的推动作用。     

东北黑土不同组分有机碳的近红外光谱测定

不同颗粒组分的土壤有机碳(soil organic carbon,SOC)具有不同的化学组成且对不同农艺措施响应不同,因此了解其信息有助于深入理解SOC对土壤肥力的贡献。本研究旨在评价近红外光谱(near Infraredspectroscopy,NIRS)预测黑土不同颗粒组分SOC(水稳性团聚体结合碳、颗粒态有机碳及不同大小粒级有机碳)的潜力。土壤样品(n=136)采集于东北典型黑土带上,利用偏最小二乘法建立定量模型(n=100),并用独立样本对模型进行检验(n=36)。结果表明:NIRS可以在一定程度上预测水稳性团聚体结合碳含量(R2=0.69-0.82,RPD=1.2-1.8);对矿质结合态SOC(<53μm)(R2=0.97,RPD=5.4)及细粒级SOC(<20μm)(R2=0.93,RPD=3.8)预测结果较好,对颗粒态有机碳(>53μm)和粗粒级SOC(>20μm)预测结果不理想。NIRS在简化黑土不同颗粒组分SOC的测定,特别是矿质结合态(<53μm)SOC,具有很好的应用前景。     

近红外漫反射光谱法测定川西高原产沙棘中异鼠李素含量

提出了用近红外光谱技术快速测定川西高原产沙棘中异鼠李素含量的方法。对异鼠李素含量在0.1%～0.8%范围内的川西高原产沙棘, 采用SiO₂拌样法,测定其在 12 000～4 000 cm-1的近红外吸收光谱, 采用偏最小二乘算法建立了校正模型, 比较了光谱不同预处理方法对校正结果的影响 。当采用消除常数偏移量处理方法时能最有效地提取光谱中的有效信息, 此时校正集相关系数(r2)为0.739 8, 校正集标准偏差(SEC)为0.107, 预测集标准偏差(SEP)为0.073。该方法与传统方法相比更加快速简便。     

反刍动物精料补充料中肉骨粉快速检测近红外光谱法

为探讨利用近红外漫反射光谱技术快速定量分析反刍动物精料补充料中肉骨粉含量的可行性,收集了我国常用的、具有代表性的精料补充料225个和肉骨粉75个,按照不同的肉骨粉含量（0.5%～ 35%）制备样品225个,其中135个为定标集,90个作为独立的验证集。用光栅型近红外光谱仪进行光谱扫描,选择合适的光谱预处理方法和光谱范围,采用改善的偏最小二乘法（MPLS）建立了定量分析 模型,相关系数为0.979,标准差为1.522%,交互验证标准差为1.582%。用90个独立的验证样品对所建立的定量分析模型进行验证,相关系数为0.972,预测标准差为1.764%,RPD值为5.99。结果表明 利用近红外反射光谱法可以分析精补料中肉骨粉的含量,对于丰富我国动物源性饲料的快速检测手段,具有实际应用意义。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

FT-NIR光谱法测定紫花苜蓿青干草的6项品质指标

紫花苜蓿青干草营养价值非常高,能够为家畜提供大量优质的蛋白质饲料,也是目前我国最主要的草产品类型之一。文章应用傅里叶变换近红外(FT-NIR)光谱技术,使用偏最小二乘法首次建立了国内紫花苜蓿青干草粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维和酸性洗涤木质素以及体外干物质消化率等6项品质指标的预测模型,并对模型进行了交互验证和外部验证。结果表明： 该试验所建立的紫花苜蓿青干草6项主要品质指标的近红外模型具有良好的准确性和预测能力,交互验证相关系数r_val为0.953 88～0.990 19,交互验证均方根RMSECV分别为0.345％～1.980％,外部验证的相关系数为0.963～0.990。该方法快速、准确,无需化学试剂,对我国紫花苜蓿草产品的质量检测,以及科研中紫花苜蓿草产品品质分析、种质资源评价、育种世代的鉴定和筛选都有非常重要的意义。     

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。