基于近红外光谱的反刍动物饲料营养指标的检测方法研究

收集了151个反刍动物饲料,应用偏最小二乘(PLS)定标方法,建立了基于近红外光谱的反刍动物饲料化学成分定标模型。定标集化学分析值与预测值之间的决定系数R2和标准差(RMSEC)分别为:0.927 3和0.265(水分)、0.928 9和0.682(粗蛋白质)、0.950 5和0.228(粗脂肪)、0.906 0和0.542(粗灰分)、0.919 8和0.558(粗纤维)。验证集化学分析值与预测值之间的决定系数r2和标准差(RMSEP)分别为:0.920 6和0.284(水分)0、.919 4和0.690(粗蛋白质)、0.926 4和0.312(粗脂肪)、0.943 4和0.437(粗灰分)、0.903 5和0.616(粗纤维),相对分析误差(RPD)均大于3,具有较高的预测精度。结果表明,利用近红外光谱反射光谱分析技术可以定量检测反刍动物饲料中水分、粗蛋白质、粗脂肪、粗灰分、粗纤维的含量。     

土壤养分的近红外漫反射光谱预测模型分析

针对土壤养分近红外漫反射光谱数据分析的预测问题,分别利用主成分回归和偏最小二乘回归的方法建立土壤样品的近红外漫反射光谱全氮含量的数学模型,比较模型的预测精度。研究结果表明,采用主成分回归法建模预测结果的均方根误差RMSEP为0.040;偏最小二乘回归法建模的RMSEP为0.034,通过模型验证得到的全氮含量预测值与实际值相关性分析得到主成分回归法决定系数R~2=0.873 1,偏最小二乘回归法R~2=0.903 5,表明偏最小二乘回归法所建模型预测精度优于主成分回归法。该研究为提高近红外光谱法土壤养分检测精度提供了依据。     

基于便携式近红外光谱仪检测梨可溶性固形物

探索采用便携式近红外光谱仪,利用不同光谱预处理算法及波长优选法建立检测模型检测梨可溶性固形物含量(SSC)的可行性。比较了一阶导数(1st)、二阶导数(2nd)、多元散射校正(MSC)、标准正态变量变换(SNV)等9种预处理方法进行PLS建模的效果,确定最佳预处理方法。用相关系数法、无信息变量消除法(UVE)、向后区间偏最小二乘法(biPLS)和向后区间偏最小二乘法结合遗传算法(biPLS+GA)优选波长,用偏最小二乘法(PLS)建立梨SSC的定标模型,根据各个模型的校正集和预测集的相关系数(r)和交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)评价定标模型的精度和稳定性。结果表明:经过SNV预处理后的建模效果最好,校正集和预测集的相关系数r分别为0.890 8和0.868 9,RMSECV和RMSEP分别为0.592 5和0.630 8;相较于其他3种波长优选法,biPLS+GA方法不仅优选的波长数少,而且所建模型的预测效果更好,校正集和预测集的相关系数分别为0.887 9和0.891 0,RMSECV和RMSEP分别为0.599 9和0.571 3。     

基于近红外光谱的小麦种子发芽率测试

以534份发芽率水平不同的小麦品种种子为样品,采用傅里叶变换近红外光谱仪采集光谱数据,利用偏最小二乘法(PLS)建立其发芽率的无损测定校正模型,并对模型进行留一法交叉验证、外部验证。结果表明,经一阶导数和多元散射校正(MSC)预处理后,对7 502.3~4 246.8 cm-1波段范围所建模型的预测性能最佳,校正集决定系数R2为0.914 4,校正均方根误差(RMSEE)为7.38,平均绝对误差为5.925%;验证集决定系数R2为0.904 4,验证均方根误差(RMSEP)为7.91,平均绝对误差为6.467%。近红外光谱与种子发芽率具有较高相关性,利用近红外光谱技术快速测定小麦种子发芽率具有可行性。     

基于高光谱图像技术的配合饲料主要营养成分的检测方法

收集403个配合饲料样本,利用高光谱成像仪对样本进行图像采集,获取配合饲料样本的可见/近红外光谱信息。采用光谱杠杆值和学生残差法剔除异常样本,利用CG法、SPXY法和K-S法按3∶1的比例进行样本集划分,采用均值中心化、标准化、一阶导数、二阶导数、正交信号校正、多元散射校正和标准正态变量变换、去趋势变换,以及其组合方法对光谱进行预处理;采用相关系数法获取特征波段,建立基于高光谱图像技术的配合饲料中粗蛋白、粗灰分、水分、总磷、钙含量的偏最小二乘法(PLS)定量分析模型。通过验证,粗蛋白验证集决定系数R~2V为0.777 8,均方根误差RMSEP为2.6155%,相对分析误差RPDV为2.114 3;粗灰分验证集R~2V为0.775 8,RMSEP为1.0611%,RPDV为2.120 4;水分验证集R~2V为0.631 4,RMSEP为1.6003%,RPDV为1.937 1,总磷验证集R~2V、RMSEP、RPDV分别为0.467 2、0.1916%、1.357 0;钙验证集R~2V仅为0.440 6,RMSEP为0.1755%,RPDV,为1.310 5。结果表明,所建立的粗蛋白、粗灰分最优定量分析模型预测性能较好,水分最优定量分析模型预测精度不够理想,总磷和钙定量分析模型的预测性能很差。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

肉类新鲜度光谱检测模型构建及误差对比分析

针对传统肉类新鲜度检测方法复杂、速度慢等问题,在试验室常温条件下采集猪肉反射率光谱数据,对肉类新鲜度的光谱检测方法进行研究,并分析不同建模方法以及不同样本采样间隔对预测精度的影响。结果表明:1)基于光谱角距离测度准则构建的加权模型,肉类新鲜度检测结果精度最高,决定系数(R~2)为0.999 7,均方根误差(RMSE)为3.427 5;2)基于欧氏距离测度准则和三次多项式拟合法所构建的模型,其R~2分别为0.998 1和0.998 1,RMSE分别为8.572 5和8.473 5。基于光谱角距离测度准则构建的加权内插模型,可以作为肉类新鲜度光谱快速检测模型使用,其检测精度在3种方法中最高。     

草莓品质光谱检测方法比较研究

为快速、无损检测草莓色度及糖度,采用近红外光谱和高光谱成像技术对草莓的色度和糖度进行光谱分析,采用偏最小二乘法构建预测模型,并对这两种光谱检测方式进行简单的对比分析。近红外光谱试验采用近红外光谱仪结合SpectraSuite光谱采集软件对草莓进行近红外光谱信息提取,高光谱成型技术采用高光谱成像系统结合高光谱图像采集软件Hyper Spectral Image以及图像处理软件HSI Analyzer采集草莓图像,并利用ENVI软件从图像中提取高光谱信息,最后利用The Unscrambler9.7软件对草莓的色度和糖度进行这两种光谱的建模和预测。结果表明:对于红色度值,通过近红外光谱建模得到的判定系数R~2=0.9913,校正均方根误差RMSEC=0.1313,预测均方根误差RMSEP=0.1307,通过高光谱建模得到的R~2=0.9894,RMSEC=0.1559,RMSEP=0.1528;对于可溶性固形物含量,通过近红外光谱建模得到的R~2=0.9917,RMSEC=0.1092,RMSEP=0.1028,通过高光谱建模得到的R~2=0.9849,RMSEC=0.1489,RMSEP=0.1397。通过分析发现绝大多数样本的残差值都在±1.0之间,检验集样本真实值和预测值之间的有很强的相关性,通过两种光谱建立模型的各指标数据均能达到要求。近红外光谱技术相比于高光谱成像技术更加稳定和准确。     

近红外光谱检测青贮饲料的营养成分

选取154批次青贮样品为研究对象,利用化学分析法测定营养成分的含量,采用近红外光谱仪对其采集光谱数据,应用化学计量学软件中的偏最小二乘法(PLS)建立青贮饲料化学成分的定标模型,并探讨定标模型的可行性。定标模型的决定系数(R2)分别为0.913,0.854,0.992,0.808,0.884,0.870;标准偏差(SEC)分别为0.322,0.215,0.230,1.909,2.785,2.275。验证化学分析值与预测值之间的决定系数r2分别为:0.9544,0.779,0.9604,0.8031,0.8539,0.8227。结果表明,近红外光谱分析技术可用于青贮中粗蛋白、水分、淀粉、中性洗涤纤维、酸性洗涤纤维含量的定量检测分析。     

应用近红外光谱分析技术定量检测植物油脂肪酸含量的研究

[目的]建立一种简单、快速、准确且无损的脂肪酸含量的定量检测方法。[方法]应用近红外光谱分析技术快速准确定量检测植物油中3种脂肪酸含量,采用偏最小二乘法PLS建立植物油中3种脂肪酸(油酸、亚油酸、亚麻酸)含量的近红外定量分析模型,并对比分析了10种光谱预处理方法对植物油中3种脂肪酸含量定量分析校正模型结果的影响。[结果]一阶导数(FD)结合多元散射校正(MSC)法的光谱预处理效果最优,经FD+MSC法预处理后采用PLS建立的植物油脂肪酸含量检测的校正模型,对油酸的验证决定系数R2为0.969 3,预测标准差RMSEP为1.3%;对亚油酸的验证决定系数R2为0.960 6,预测标准差RMSEP为1.66%;对亚麻酸的验证决定系数R2为0.973 1,预测标准差RMSEP为0.479%。[结论]研究表明,所建模型可较好地检测植物油中油酸、亚油酸、亚麻酸含量。     

Reflectance Vis/NIR spectroscopy for nondestructive taste characterization of Valencia oranges

The feasibility of reflectance Vis/NIR spectroscopy was investigated for taste characterization of Valencia oranges based on taste attributes including soluble solids content (SSC) and titratable acidity (TA), as well as taste indices including SSC to TA ratio (SSC/TA) and BrimA. The robustness of multivariate analysis in terms of prediction was also assessed. Several combinations of various preprocessing techniques with moving average and Savitzky–Golay smoothing filters, standard normal variate (SNV) and multiplicative scatter correction (MSC) were used before calibration and the models were developed based on both partial least squares (PLS) and principle component regression (PCR) methods. The best models obtained with PLS method had root mean square errors of prediction (RMSEP) of 0.33 °Brix, 0.07%, 1.03 and 0.37, and prediction correlation coefficients (r_p) of 0.96, 0.86, 0.87 and 0.92 for SSC, TA, SSC/TA, and BrimA, respectively. It was concluded that Vis/NIR spectroscopy combined with chemometrics could be an accurate and fast method for nondestructive prediction of taste attributes and indices of Valencia oranges. Moreover, the application of this technique was suggested for taste characterization, directly based on BrimA which is the best index related to fruit flavor rather than determination of SSC or TA alone.     

基于近红外光谱技术的大米掺伪定量判别

针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。     

Predicting plant available phosphorus using infrared spectroscopy with consideration for future mobile sensing applications in precision farming

Phosphorus (P) fertilisation recommendations rely primarily on soil content of plant available P (P_avl) that vary spatially within farm fields. Spatially optimized P fertilisation for precision farming requires reliable, rapid and non-invasive P_avl determination. This laboratory study aimed to test and to compare visible-near infrared (Vis–NIR) and mid-infrared (MIR) spectroscopy for P_avl prediction with emphasis on future application in precision agriculture. After calibration with the conventional calcium acetate lactate (CAL) extraction method, limitations of Vis–NIRS and MIRS to predict P_avl were evaluated in loess topsoil samples from different fields at six localities. Overall calibration with 477 (Vis–NIRS) and 586 (MIRS) samples yielded satisfactory model performance (R² 0.70 and 0.72; RPD 1.8 and 1.9, respectively). Local Vis–NIRS models yielded better results with R² up to 0.93 and RPD up to 3.8. For MIRS, results were comparable. However, an overall model to predict P_avl on independent test data partly failed. Sampling date, pre-crop harvest residues and fertilising regime affected model transferability. Varying transferability could partly be explained after deriving the cellulose absorption index from the Vis–NIR spectra. In 62 (Vis–NIRS) and 67% (MIRS) of all samples, prediction matched the correct P_avl content class. Rapid discrimination between high, optimal and low P classes could be carried out on many samples from single fields thus marking an improvement over the common practice. However, P_avl determination by means of IR spectroscopy is not yet satisfactory for determination of precision fertilizer dosage. For introduction into agricultural practice, a standardized sampling protocol is recommended to help achieve reliable spectroscopic P_avl prediction.

     

节杆菌(Arthrobacter sp.)CN2对对硝基苯酚的趋化性研究

利用已获取的对硝基苯酚降解菌CN2,以对硝基苯酚为底物,通过游动平板趋化性、土壤趋化性实验以及毛细管趋化性实验对该菌株的趋化特性进行了研究,同时通过模拟土壤原位修复探究了菌株在实际应用中的效果。高效液相色谱检测结果表明,72 h内菌株CN2对对硝基苯酚的降解率大于99%。CN2在平板趋化性与土壤趋化性实验中均表现出对对硝基苯酚的趋化性特征,毛细管趋化性实验中,当对硝基苯酚浓度在一定范围内(5~800 mg·L~(-1))时,菌株的趋化性与对硝基苯酚浓度呈正相关,当其浓度高于800mg·L~(-1)时,菌株的趋化性逐渐受到抑制。模拟土壤原位修复实验的结果表明,菌株CN2在未灭菌土壤中的对硝基苯酚降解速率高于灭菌后土壤中的降解速率,在14 d内其降解率可达95%。研究表明,该菌株对环境具有良好的适应性,其对污染环境修复具有应用价值与潜力。     

覆膜条件下对AquaCrop模型冬小麦生长动态和土壤水分模拟效果的评价分析

【目的】通过评价AquaCrop模型对覆膜条件下冬小麦的生长发育、土壤水分、产量以及水分利用效率的模拟效果,为AquaCrop模型在覆膜条件下的校准和应用提供科学的方法和理论依据。【方法】试验设臵不覆盖(CK)和白色地膜覆盖(PM)两个处理,于2013年10月至2016年6月年在陕西杨凌进行田间试验,利用2014—2015年度试验数据对AquaCrop模型进行参数校准,利用2013—2014年度和2015—2016年度的冬小麦观测数据对AquaCrop模型进行验证。【结果】AquaCrop模型较好地模拟了冬小麦冠层覆盖度,冠层覆盖度模拟值和实测值之间的决定系数(R2)为0.86—0.99,均方根误差(RMSE)为2.1%—8.1%。AquaCrop模型也较好地模拟了冬小麦生物量和土壤贮水量,其中地上部生物量的模拟值和实测值之间的R2均大于0.95,RMSE为0.814—1.933 t·hm-2;CK土壤贮水量模拟值和实测值间的相关系数均大于0.85,PM土壤贮水量模拟值和实测值间的相关系数均大于0.75,CK和PM土壤贮水量模拟值和实测值的均方根误差表现为9.2 mmRMSE17.6 mm,标准均方根误差(NRMSE)小于5.5%。冬小麦产量实测值和模拟值相对误差(RE)为-4.4%—9.0%,PM产量实测值和模拟值的平均值较CK分别提高40.5%和40.3%,表现出较好的一致性,处理间成显著性差异。水分利用效率实测值和模拟值RE为-10.4%—-1.5%,PM水分利用效率实测值和模拟值的平均值较CK分别提高54.1%和47.5%,同样表现出较好的一致性,处理间成显著性差异。在冠层覆盖度、地上部生物量、产量和水分利用效率方面,模型模拟值和实测值的变化趋势基本一致,且PM模拟值和实测值间均较CK表现出显著性差异。【结论】AquaCrop模型能够较好地模拟覆膜条件下冬小麦生长发育过程,可以用于覆膜条件下作物生产力的模拟和预测,为AquaCrop模型的推广应用提供了可靠的数据支持。     

影响小白菜铅吸收的土壤因素和预测模型研究

铅(Pb)的生物有效性、移动性和转移特征对环境和食品安全至关重要。本研究采集我国15个省份理化性质差异很大的土壤,利用温室试验,以小白菜为研究对象,通过外源添加Pb,研究Pb从土壤向植物的运移,探索影响Pb生物有效性的主要土壤因素,并建立预测模型。结果表明,土壤总Pb含量、有机碳(OC)含量、pH对植物吸收Pb有显著影响。植物Pb含量和土壤Pb含量呈正相关,而土壤pH和OC含量则与植物Pb含量呈负相关。相比于单因素回归分析,逐步多元线性回归在评价Pb生物有效性时,相关性更高,决定系数R~2由0.83提高到0.94。Pb在酸性土壤中生物富集系数(BCF)较碱性土壤中更大。利用合并CK、Pb1和Pb2处理(n=45)得到的Freundlich预测方程(lg Cplant Pb=1.14 lg Csoil Pb-0.19pH-0.63lg COC+1.92,R~2=0.94,RMSE=0.11)能更准确地评估Pb在土壤中的生物有效性,试验结果可用于预测Pb从土壤到植物的转移。     

基于比色光谱的氧乐果和毒死蜱农药残留快速检测

为快速、安全地检测氧乐果和毒死蜱农药残留,使用改进的氯化钯比色法,分别采集2种农药比色反应后的吸收光谱,利用主成分分析法(PCA)和偏最小二乘法(PLS)建立预测模型。结果表明:1)使用乙酸代替传统浓盐酸配制的氯化钯比色试剂效果更理想,氧乐果和毒死蜱的吸收光谱可以区分的检测下限分别是0.05和0.50mg/L,基本满足GB 2763—2014对部分果蔬的检测要求。2)氧乐果和毒死蜱吸收光谱的敏感波长分别为510和499nm,由此确定最优建模波段。对比PCA和PLS方法建模效果,2种农药的原始光谱数据都是在Savitzky-Golay(SG)平滑处理后,使用PLS方法在主成分为4时预测效果较好。PLS模型在2-折交叉验证下,氧乐果在480~680nm波段,建模集相关系数Rc=0.977 0,均方根误差RMSEC=5.801,验证集相关系数Rp=0.963 0,均方根误差RMSEP=7.904;毒死蜱在460~850nm波段,Rc=0.997 0,RMSEC=2.281,Rp=0.984 7,RMSEP=3.170。该方法比色试剂配制简单安全,室温下比色反应时间为2min,满足快速、安全的检测要求,为进一步研究实用的农残检测仪器提供了新方法。     

海桐(Pittosporum tobira)对污染土壤中镉的耐受和吸收特征

通过盆栽实验研究了海桐对土壤中镉(Cd)的耐受和吸收特征。动态取样研究结果表明,当土壤中Cd含量为9.6 mg·kg-1时可对海桐生长产生促进作用,当Cd含量为24.6 mg·kg-1时对海桐产生抑制作用;海桐对污染土壤中Cd有一定吸收能力,吸收量随土壤中Cd含量增加而增加。培养154 d后,与对照处理(土壤Cd含量为3.6 mg·kg-1)相比,当土壤中Cd含量为9.6 mg·kg-1时,海桐根、茎、叶干重,叶片中叶绿素a、叶绿素b和类胡萝卜素含量及丙二醛含量没有明显变化;当Cd含量达到24.6 mg·kg-1时,海桐根、茎、叶干重分别降低了38.7%、5.2%和52.5%,叶片中叶绿素a、叶绿素b及类胡萝卜素含量分别是对照处理的71.3%、68.2%和75%,丙二醛含量为对照处理的1.52倍。研究表明,海桐可作为Cd污染土壤修复的备选植物,在修复土壤的同时改善环境景观。     

Identification of pummelo cultivars by using Vis/NIR spectra and pattern recognition methods

Vis/NIR spectroscopy was used in combination with pattern recognition methods to identify cultivars of pummelo (Citrus grandis (L.) Osbeck). A total of 240 leaf samples, 60 for each of the four cultivars were analyzed by Vis/NIR spectroscopy. Soft independent modeling of class analogy (SIMCA), partial least square discriminant analysis (PLS-DA), back propagation neural network (BPNN) and least squares support vector machine (LS-SVM) were applied to the spectral data. The first 8 principal components extracted by principal component analysis were used as inputs in building the BPNN and the LS-SVM models. The results showed that a 97.92 % of discrimination accuracy was achieved for both the BPNN and the LS-SVM models when used to identify samples of the validation set, indicating that the performance of the two models was acceptable. Comparatively, the results of the PLS-DA and the SIMCA models were unacceptable because they had lower discrimination accuracy. The overall results demonstrated that use of Vis/NIR spectroscopy coupled with the use of BPNN and LS-SVM could achieve an accurate identification of pummelo cultivars.