近红外光谱技术测定水稻直链淀粉含量研究（英文）

以298份水稻种子为样本,用常规法测定直链淀粉含量,采用偏最小二乘法(PLS),优化建立精米直链淀粉含量近红外光谱预测校正模型。模型校正决定系数RC为0.95;校正标准差SEC为1.58;内部交叉检验决定系数RP为0.91,标准误差SEP为1.92。利用20个样品进行外部检验,预测值与真实值之间差异不显著,其相关系数达95%以上。定标模型预测性能较好,可以替代化学分析法快速测定水稻直链淀粉含量。     

云南水稻直链淀粉含量近红外模型的创建研究*

 收集云南有代表性的水稻品种（系）210份,用常规法测定直链淀粉含量,采用偏最小二乘（PLS）法建立直链淀粉含量近红外光谱分析预测的校正模型,并对模型进行了预测准确性评价。结果表明AAC的模型校正决定系数Rc²为 0.962 2 ;校正标准差RMSEE为1.329;内部交叉检验的决定系数Rcv²为 0.925 6 ,标准差RMSECV为1.320。模型的检验相关系数达到90％以上,对云南水稻品质育种及种子资源相关研究具有实用价值。     

利用高光谱数据估测水稻米粉中粗蛋白粗淀粉和直链淀粉含量

 【目的】粗蛋白质、粗淀粉和直链淀粉含量是水稻品质的3个重要指标。研究米粉中粗蛋白、粗淀粉和直链淀粉含量的光谱快速检测方法为水稻品质遥感监测提供依据。【方法】通过田间小区试验,获得了5个品种、3个供氮水平处理的米粉样品,提取样品的粗蛋白质、粗淀粉和直链淀粉,测定样品的粗蛋白质、粗淀粉和直链淀粉含量,同时测定相应的高光谱数据及粗蛋白质与粗淀粉混合样品的高光谱数据,分析它们的高光谱特征及其与样品粗蛋白质、粗淀粉和直链淀粉含量之间的相关性,建立相关估测模型。【结果】粗蛋白质和粗淀粉、直链淀粉的光谱有明显的差异,米粉粗蛋白质、粗淀粉和直链淀粉含量与其某些高光谱参量之间存在极显著相关,其中决定系数R2约0.7,相关估测模型的检验精度在80%以上。【结论】高光谱法可以用来估测米粉的粗蛋白、粗淀粉和直链淀粉含量。     

用近红外反射光谱测定小样本糙米粉的品质性状

比较了用近红外反射光谱技术直接测定为０．５ｇ糙粉粉和约３ｇ精米粉样本的表观直链淀粉含量、糊化温度和蛋白质含量的效果。结果发现,用精米粉和糙米粉样本测定蛋白质含量均有很好效果,建模时标准误很小而决定系数高,校正标准误、（ＳＥＣ）、检验工作标准误（ＳＥＰ）、校正决定系数（Ｒ＾２）以及检验决定系数（ＲＳＱ）依次分别为０．１１和０．１９,０．２０和０．２１,０．９９５和０．９３２以及０．９９和０．９１。在     

水稻直链淀粉含量近红外模型的创建

利用近红外分析仪,对30份不同直链淀粉含量的水稻品系进行了光谱扫描,并用国标化学法对其直链淀粉含量的参比值进行了测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化建立了水稻直链淀粉含量测定的近红外分析定标模型.其定标标准偏差(Standard error of calibration, SEC)、交叉检验标准误差(Standard error of cross-validation,SECV)和定标决定系数(Regression squared,RSQ)分别为0.277、1.492和0.979.利用建立的近红外定量分析模型,实现了对水稻航天育种后代材料的快速筛选与鉴定.     

近红外分析技术在稻米淀粉RVA谱特征值测定中的应用

采用近红外光谱分析技术和化学计量方法建立了稻米淀粉RVA谱3项(BDV、SBV、CSV)与稻米其它品质相关显著的特征值的近红外分析模型,并对模型进行了预测准确性评价。结果显示BDV、SBV和CSV的模型校正决定系数Rc2分别为0.9707,0.9966和0.9943,校正标准差RMSEE分别为4.12,2.41和1.72;内部交叉检验的决定系数Rcv2分别为0.942,0.9942和0.9913;标准差RMSECV分别为5.4,2.87和1.99。验证决定系数除DBV外均达到0.99以上,模型准确性较高,具有实用价值。     

玉米单籽粒及单穗籽粒直链淀粉质量分数NIRS模型的建立与验证

籽粒直链淀粉质量分数的快速、无损伤测定是高直链淀粉玉米育种的关键环节。以196份高直链单籽粒和360份高直链单穗玉米籽粒为样本,分别利用碘染色法和一阶导数+标准正态变量变换(SNV)的光谱预处理法,构建单籽粒和单穗籽粒直链淀粉质量分数的NIRS分析模型,并通过分割建模样品化学值变异范围的方法建立2个单穗籽粒的NIRS子模型,以期提高对单穗籽粒样品的预测准确度。结果表明,所建立的4个模型的交叉验证标准偏差(RMSECV)分别为1.805、3.370、2.394、2.408,预测标准偏差(RMSEP)分别为2.017、3.205、2.369、2.596,各项决定系数(R2cal、R2cv、R2val)为0.626 1~0.897 0。表明,所建玉米单籽粒NIRS模型的预测准确度较高,可用于早代玉米单籽粒直链淀粉质量分数的鉴定;单穗NIRS子模型能够在一定程度上弥补单穗NIRS模型在预测准确度上的不足,将总模型与子模型配合使用能提高预测准确度。     

近红外反射光谱测定玉米完整籽粒蛋白质和淀粉含量的研究

 以128份常用普通玉米自交系及杂交种的混合籽粒样品为材料,采用偏最小二乘(PLS)回归法,对近红外反射光谱(NIRS)测定玉米完整籽粒蛋白质、淀粉含量的可行性和方法进行了研究。结果表明,采用一阶导数+多元散射校正预处理、谱区为10000～4000cm-1和一阶导数+直线扣减预处理、谱区为9000～4000cm-1,分别建立的蛋白质、淀粉含量的校正模型,其校正和预测效果最佳。其校正决定系数(R2cal)均大于0.97,交叉验证和外部验证决定系数(R2cv、R2val)为0.92～0.95,各项误差(RMSEE     

基于近红外光谱法快速检测藜麦淀粉含量

为研究一种简便的藜麦粗淀粉含量测定方法,在10 000~4 000 cm-1波数范围内,采集100个藜麦样品的近红外光谱,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗淀粉近红外定量模型。结果表明,该模型校正和预测效果最佳,所得粗淀粉近红外定量模型的交叉验证决定系数(r_(cv)~2)为0.914 7,外部验证决定系数(r_(val)~2)为0.903 1。由结果可知,基于近红外光谱(NIR)法测定藜麦完整籽粒的淀粉含量是完全可行的。     

大麦籽粒总淀粉含量近红外快速无损检测模型的构建

在通过标准化学方法测定大麦籽粒总淀粉含量的基础上,利用近红外光谱仪采集了大麦籽粒的近红外光谱数据,并将大麦籽粒的近红外光谱数据与总淀粉值进行了相关性分析,创建了大麦籽粒淀粉含量近红外光谱分析校正模型。该模型的校正决定系数达0.878 3,校正标准差为0.715,交叉验证决定系数达0.690 8,交叉验证标准差为1.120,相关性达极显著水平。由此可见,本研究采用的分析模型可靠,且具有分析速度快、效率高、成本低、对环境不造成任何污染等特点,可替代传统方法对大麦籽粒总淀粉含量进行快速无损检测。     

稻米直链淀粉含量近红外检测模型的建立

以147份南方籼稻品种或组合的稻米为供试材料,利用偏最小二乘法(PLS),通过不同波长和不同预处方式建立稻米直链淀粉含量的近红外分析模型。结果表明:全谱段(950～1 650 nm)建模效果最好,其相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.947 7,1.162 3、0.700 2;采用多元散射校正法(MSC)法对全谱图进行预处理的效果较好,优化后的模型相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.981 9、0.100 9、0.6831,其相对分析误差(PRD)为3.6;将稻米直链淀粉含量的近红外光谱预测值与化学值进行配对T检验,P=0.3560.05(置信区间为95%),表明近红外光谱法与化学分析法得到的检测结果无显著差异,即应用近红外光谱快速检测稻米直链淀粉含量是可行的。     

应用近红外透射光谱法测定水稻种子直链淀粉含量的初步研究

 以124份水稻种子为样本，利用FOSS-Tecator公司的Infratec1255型近红外谷物品质分析仪，对样本进行光谱扫描，并利用化学法测定了直链淀粉含量。借助于近红外定标软件(WinISI)，采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较，得到了小样本量水稻种子直链淀粉含量测定的近红外分析定标数学模型。其定标标准偏差（SEC）、交叉检验标准误差（SECV）和定标决定系数（RSQ）分别为1.489、1.761和0.885。     

Application of Near Infrared Transmittance Spectroscopy (NITS)in Determining Amylose Content of Rice Grain

Rice samples were scanned with a Foss Tecator Infratec and their amylose content was determined using a standard wet chemical method. Calibration software along with several mathematical treatments of the sample spectra and several regression methods was used to optimize a near infrared transmittance spectroscopy equation for determining rice amylose content. The standard error of calibration, standard error of cross-validation and regression squared of the calibration were 1.489, 1.761 and 0.885, respectively.     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木（Cunninghamia lanceolata）木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9~7498.4 cm-1、6102.1~5446.4 cm-1及4605.5~4242.9 cm-1。对杉木木样的近红外光谱进行预处理,得出最优组合:标准正态变量转换法（SNV）和一阶导数,采用偏最小二乘回归法（PLS）建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差（RMSEE）和交叉验证均方根误差（RMSECV）分别为0.448和0.586,数值均较小且接近,说明模型具有很好稳定性;预测均方根误差（RMSEP）和相对标准偏差（RPD）分别为0.521和2.16,说明模型可进行定量分析。【结论】采用近红外光谱技术检测杉木总酚含量可行,能为木材化学成分快速测定提供一种有效、无损方法。受拟合规则影响,构建的模型虽然不能用于精确定量测定,仍可应用于日常科研和生产检测,在木材材质预测及良种选育等方面具有广阔应用前景。     

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。     

利用近红外光谱技术测定浓缩天然胶乳中干胶含量的研究

建立了一种使用近红外光谱技术即时测定浓缩天然胶乳干胶含量的方法。以国家标准方法测定天然胶乳的干胶含量作为标准值,用偏最小二乘法(PLS)建立近红外光谱与天然胶乳干胶含量的多元信号校正模型,并使用内部交叉验证及外部验证集验证评价模型,对天然胶乳中干胶含量进行测定对比分析。结果表明,模型相关系数达0.977 8,模型的预测均方差为0.105,交叉验证均方差为0.106,说明该模型具有较高的预测水平。通过F检验和t检验进一步对比模型检测值和国标法检测值,2种方法的分析结果差异不显著性。近红外光谱技术测定浓缩天然胶乳干胶含量准确度、精确度良好,可应用于实际生产与交易中的快速检测。     

鱼粉粗蛋白含量近红外模型的建立

[目的]为鱼粉粗蛋白含量提供一种快速、低廉、准确可靠的分析方法。[方法]以国内常见鱼粉为材料,使用InfraXact Lab型近红外光谱分析仪测定鱼粉的近红外光谱值,并采用常规凯氏定氮法测定鱼粉样品中粗蛋白含量,建立鱼粉粗蛋白含量的近红外分析模型,并对模型测定结果进行预测准确性评价。[结果]鱼粉粗蛋白含量定标方程的SECV值为0.515,1-VR值为0.865,粗蛋白含量的验证参数SEC值为0.302,RSQ值为0.925,说明定标方程的预测能力较好,可用来进行鱼粉粗蛋白含量的测定。[结论]建立的鱼粉粗蛋白含量近红外分析模型具有一定的实用价值,可用于鱼粉常规养分分析的实际工作。     

Comparison of Near Infrared Spectroscopy Models for Determining Protein and Amylose Contents Between Calibration Samples of Recombinant Inbred Lines and Conventional Varieties of Rice

The near infrared spectra of 178 recombinant inbred lines （RILs） from the cross of Ⅱ-32B/Yuezaoxian 6 （YZX6） and 511 varieties in rice were acquired. A total of 80 RILs and 96 cultivars were selected as modeling samples by comparing the spectra similarity primarily. Three partial least square （PLS） regression models were developed, based on the RILs （RIL-model）, the varieties （Var-model） and their mixture （Mix-model）, for protein content （PC） and amylose content （AC）, respectively. Cross validation and outer prediction showed that the models were largely influenced by the range and distribution of modeling samples. The regression model of PC based on the cultivars and the model of AC based on RILs had higher coefficient of determination （r^2 ≥ 0.9） and lower root mean square error of cross validation （RMSECVs）. The disadvantages of RIL samples for PC model and variety samples for AC model were probably caused by the narrow range of variance. Aberrant predictions were obtained for outer sample with PC or AC outside the range or within the distribution gap of modeling samples. The Mix-models gave more reliable prediction as the distribution of RIL and variety modeling samples were complementary to each other.     

基于近红外技术的落叶松木材密度预测模型

运用近红外光谱对落叶松(Larix gemelinii Rupr)样品密度进行了研究,分别运用偏最小二乘法及主成分回归建立预测模型,并用建立的模型分别对每一个样品进行了预测。基于偏最小二乘法的校正模型及验证模型相关系数分别为0.964和0.918,校正标准误差及预测标准误差分别为0.016和0.021,模型预测值与实测值决定系数为0.93;主成分回归模型中,校正模型及验证模型相关系数分别为0.954和0.911,校正标准误差及预测标准误差分别为0.017和0.023,模型预测值与实测值决定系数为0.91。研究表明:基于主成分回归法与偏最小二乘法的近红外光谱分析建模,都可以实现对落叶松木材密度的有效预测,但相比较而言,偏最小二乘法略优于主成分回归法,所建立的模型对落叶松木材密度预测更加准确可靠。