花生自然风干种子蔗糖含量近红外定量分析模型构建

为快速测定花生种子蔗糖含量,筛选口感好的花生品种,本研究采集167份自然风干花生种子的近红外光谱,并利用高效液相色谱(HPLC)法测定其蔗糖含量,然后利用偏最小二乘法(Modified PLS)构建多粒自然风干花生种子样品蔗糖含量的近红外定量分析模型,经内部交叉检验和优化,确定该模型的最佳光谱预处理方法为最小-最大归一化法,蔗糖含量谱区范围为4 597.7~11 988.0 cm-1,维数为10,模型的决定系数(R2)为81.59,交叉验证根均方差(RMSECV)为0.414。经外部验证,所建模型可以较好地预测花生种子蔗糖含量。     

花生自然风干种子芥酸含量近红外分析模型构建

采集67份自然风干花生种子的近红外光谱,并进行芥酸含量色谱测定。采用交叉检验,构建了多粒自然风干花生种子样品芥酸含量的近红外定量分析模型。经优化,最佳光谱预处理方法为"消除常量偏移法",芥酸含量谱区范围为4 242.8～11 980.2 cm~(-1),维数为10,模型的决定系数(R~2)为80.08,交叉检验根均方差(RMSECV)为0.0238。此模型可以很好地预测花生种子芥酸含量,为花生脂肪酸遗传改良提供快速的选择手段。     

花生籽仁膳食纤维含量近红外模型构建

为了在不破坏花生籽仁的情况下，快速测定种仁中膳食纤维含量，本试验对60份国内外优质食用花生种质资源进行籽仁膳食纤维含量的化学测定。利用傅立叶近红外光谱仪采集近红外光谱，采用偏最小二乘法（Modified PLS）构建近红外光谱模型，经交叉检验和优化，确定最佳光谱预处理方法为最小—最大归一化法，花生籽仁中膳食纤维含量光谱范围为3 594.9～12 489.4 cm-1，维数为9，所建模型中膳食纤维含量的定标决定系数（R2）为83.04，定标标准误差(RMSECV)为0.42。经外部检验，所构建的模型可以较好地预测花生籽仁膳食纤维含量，说明代替化学分析花生籽仁膳食纤维含量是可行的。     

基于近红外光谱的烟草种子蛋白含量定标模型构建

为探索近红外光谱技术(near infrared spectroscopy,简称NIRS)在无损检测烟草种子蛋白含量方面的应用,研究120份烟草种子的近红外光谱,利用光谱影响值法(Leverage)对异常光谱进行处理后,在4 000~9 000 cm-1波数,利用主成分回归法(简称PCR)建立烟草种子蛋白质含量的定标模型,并采用外部独立验证的方式对模型进行检验。结果表明,标准正态变量转换法(简称SNV)处理结合De-trending算法下,建立的烟草种子蛋白含量定标模型的确定系数高达99.86%,校正标准差、预测标准差分别为0.71、0.68,校正集、验证集的预测值与化学测定值间均达极显著正相关,说明该近红外光谱定量分析模型效果较好,可用于烟草种子粗蛋白的测定。     

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。     

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。     

近红外光谱技术测定水稻直链淀粉含量研究

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.     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,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脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

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。     

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。     

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。     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

稻米蛋白质含量快速活体测定的定标研究

应用近红外透射光谱技术(NITS),采用偏最小二乘法(PLS)建立重庆地区稻米活体蛋白质含量(PC)定量分析数学模型。结果表明,糙米和精米蛋白质含量预测数学模型的定标标准误偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(1-VR)分别为0.252、0.247;0.256、0.278;-0.953、0.946;0.951、0.940;近红外预测值与化学值误差范围分别为-0.61~0.18、-0.39~0.46,相关系数分别为0.984、0.978,均达到极显著相关。利用该模型能够对育种材料的蛋白质含量进行快速非破坏性活体测定,可大大提高育种选择效率。     

花生叶鲜生物量的高光谱估算模型

利用花生生物物理参数和冠层高光谱数据,基于光谱一阶微分技术,选取对生物量敏感的波段组成高光谱植被指数,建立花生叶鲜生物量的高光谱遥感估算模型。结果表明,花生叶鲜生物量在绿峰525~556 nm、红谷645~689 nm和近红外710~900 nm波段范围反射光谱与花生叶鲜生物量有极显著相关关系。高光谱反射率与叶鲜生物量在大部分可见光区和近红外波段呈显著相关,并且在可见光红光波段呈负相关,在近红外波段呈极显著正相关。花生光谱反射率与花生叶鲜生物量相关的近红外、红光波段的敏感波段分别为770、673 nm,用这2个波段构建植被指数,组成高光谱归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)和再次归一化植被指数(RDVI),并构建生物量反演模型;相对于NDVI、DVI、RDVI建立的简单线性函数估测模型,RVI所构建的花生叶鲜生物量估测模型的预测精度较高。     

花生油油酸亚油酸含量近红外模型构建

与普通花生油相比,高油酸花生油不仅货架期显著延长,而且更加有益人体健康。生产的高油酸花生油油酸含量能否达标,是花生榨油企业普遍关心的问题。色谱法是测定脂肪酸含量的经典方法,但耗时长、费用高,迫切需要建立快速、低成本的近红外测定技术,服务于企业生产。为此,取高油酸花生油和普通花生油按不同比例混合而成的22份样品进行近红外扫描,采集光谱数据,通过气相色谱法测定其油酸、亚油酸含量,利用偏最小二乘法构建花生油油酸含量、亚油酸含量预测模型。经优化,所建油酸、亚油酸含量模型决定系数R2分别为96.85、97.48,交叉检验根均方差(RMSECV)分别为1.93、1.47。另取4份外部检验样品进行验证,配对t测验表明,预测值和化学值数据间差异均不显著。说明所建花生油油酸、亚油酸含量模型质量较高,具有较好的预测能力。     

花生油过氧化值和酸值近红外分析模型构建

为快速测定花生油过氧化值和酸值,保证食用油质量安全,构建了花生油过氧化值和酸值的近红外定量分析模型。采集32份花生油近红外光谱,并按标准方法进行过氧化值和酸值测定。经优化,过氧化值的最佳光谱预处理方法为"一阶导数+矢量归一化",过氧化值谱区范围为6 094.3~7 506.0 cm-1,维数为6,模型的决定系数(R2)为91.93,交叉验证根均方差(RMSECV)为1.23;酸值最佳光谱预处理方法为"矢量归一化",酸值谱区范围为6 094.3~7 506.0 cm-1,维数为7,模型R2为93.88,RMSECV为0.074。综上所述,所建模型可以快速准确地预测花生油的过氧化值和酸值。     

柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

基于近红外光谱法快速检测藜麦纤维含量（英文）

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000cm~(-1)波长范围内,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纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R~2cv)为0.884 8,外部验证决定系数(R~2val)为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

近红外在线检测技术在人参提取物生产中的应用

采用比色法和近红外漫反射、液体透射在线检测技术,分别测定93个不同产地、不同年生人参原材料固体样品和558个人参提取液样品的总皂苷含量和近红外光谱,结合偏最小二乘回归法,建立样品总皂苷含量与近红外光谱之间的数学模型。采用内部交叉检验对模型进行评价。评价结果显示:内部交叉检验的决定系数R2>0.95,交叉检验均方差(RMSECV)值分别为0.071 6和0.032 7,相对分析误差(RPD)分别为2.83和3.97。模型评价数据均有较好的表现,原材料、提取液检验样品近红外测定结果与化学参考值之间无显著性差异,近红外检测技术可以应用于人参原材料固体样品和人参提取液样品中总皂苷含量的快速测定。     

水分对近红外光谱检测紫色土有机质含量影响的研究

近红外光谱(NIR)技术在线检测土壤养分含量是精细农业研究热点之一.土壤水分在近红外波段具有较高的吸收系数,处于波动状态的土壤水分,直接影响NIR技术检测土壤有机质含量的预测精度.四川、重庆地区紫色土中有机质含量较低,比土壤水分最大有一个数量级的差异.利用BRUKER公司的MPA傅里叶近红外谱仪对不同含水率的紫色土壤进行了近红外光谱扫描,分析水分对近红外光谱检测紫色土壤有机质含量模型精度影响,提出了一种消除土壤水分对紫色土壤有机质含量预测影响的方法.近红外光谱扫描显示,在同一有机质含量水平下,含水率增加,光谱吸光度呈非线性上升趋势,直接利用光谱数据建立的偏最小二乘法(PLS)模型,在较高水分条件下,模型精度低;在遗传算法选择的波数区域,用二次多项式拟合紫色土壤含水率指数对近红外扫描光谱吸光度影响,其相关系数在0.95~0.97之间;将一定含水率下的近红外光谱吸光度折算为干土条件下吸光度,再利用PLS法建立近红外光谱有机质含量预测模型,与原有模型相比预测精度得到显著提高.实验结果表明,本方法可以有效消除紫色土壤水分对近红外光谱检测其有机质含量预测影响,为不同水分条件下近红外光谱在线检测紫色土壤有机质含量提供一定的理论和技术支持.