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。     

液态纯牛奶可见/近红外光谱MPLS全局定标法鉴别研究

结合可见/近红外光谱技术和化学计量学方法,建立一种液态纯牛奶品牌鉴别模型。利用近红外分析仪InfraXactTM获得3种品牌共90个样本的漫反射光谱,对570-1 850 nm的光谱进行光谱散射和数学预处理,而后进行PCA聚类分析,剔除奇异样本;最后对3种品牌赋值,以主成分回归（PCR）和改良偏最小二乘法（MPLS）的全局（Global）定标方法建立鉴别模型,并进行内部交叉检验和外部检验。实验结果表明,MPLS鉴别模型内部交叉检验相关系数（1-VR）和交叉检验标准误差（SECV）分别为0.961、0.326,外部检验相关系数（RSQ）、预测标准差（SEP）、检验偏差（Bias）分别为0.939、0.506、0.198,模型鉴别结果具有较高的精确度。     

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。     

近红外漫反射光谱法对粮油作物品质无损分析的研究

用傅立叶变换近红外漫反射光谱法,非破坏性测定水稻糙米粒直链淀粉含量和完整油菜籽含油量、油酸和硫甙。结果表明,该方法与常规方法有类似的准确性和精确性,其定标方程的决定系数R^2分别为0．9908,0．9924,0．9942和0．9841,相对误差RE（％）分别为2．60,0．69,0．76和4．32,相对校正标准误RSEC分别为0．5515,0．3662,0．1888和3．4430;预测相关系数RSQ分别为0．9377,0．9810,0．9646和0．9817,预测相对误差RE（％）分别为5．64,1．30,1．56和7．73,相对检验标准误RSEP分别为1．5499,0．6171,0．3362和6．0583。NIRS分析法完全可用来快速、无破坏测定育种材料,作为粮油作物品质育种的辅助手段。     

基于改进偏最小二乘法的甜椒可溶性固形物和总酸的近红外光谱检测

以黄色甜椒为研究对象,利用改进偏最小二乘法(MPLS)建立其近红外漫反射光谱无损检测可溶性固形物(SSC)和总酸含量的数学模型。在400~2 500 nm以及400~980 nm+1 108~1 900 nm 2个波长范围内分别建立了甜椒的SSC和总酸质量分数的定标MPLS模型,并用最优模型进行预测。结果表明,最优的预处理是在400~980 nm+1 108~1 900 nm下建立的模型,SSC采用SNV处理的定标模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.926 9和0.186 2,预测集的相关系数RP和预测标准误差(SEP)分别为0.924 8和0.158 9;总酸则是采用None处理的模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.868 0和0.012 5,预测集的相关系数RP预测标准误差(SEP)分别为0.903 8和0.011 1。试验结果说明,基于改进偏最小二乘法对甜椒鲜果SSC和总酸含量的近红外漫反射快速无损检测是可行的,近红外光谱与SSC和总酸含量呈显著相关性。     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析,并结合近红外透射光谱数据,采用改进偏最小二乘法（MPLS）分别建立糙米、精米的直链淀粉含量（AC）预测定标模型,并对其进行内部和外部验证.结果表明,杂交稻糙米及精米模型的定标相关系数（RSQ）分别为0.873和0.922,常规稻糙米及精米模型的RSQ则分别为0.924和0.939,定标标准偏差（SEC）分别为1.100,0.956,1.537,1.547;内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921,外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180,所建模型的相关性较高,预测值与真实值之间的误差小.常规稻模型可应用于大量育种材料快速、无损的早代筛选,杂交稻模型可用于新组合直链淀粉含量的快速鉴定,促进稻米品质改良,提高育种效率.     

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.     

水稻脂肪含量近红外模型的创建及在航天育种上的应用

利用近红外分析仪,对59份航天水稻种子进行光谱扫描,并用国标化学法对其脂肪含量进行测定.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,建立并优化了水稻脂肪含量测定的近红外分析定标模型,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0.0257 、0.0645、0.9939,应用该定标方程可快速测定水稻脂肪含量,对于航天育种稻种资源的快速鉴定及营养品质改良具有重要意义.     

样本集选择对稻谷千粒重NIR模型预测精度的影响

为研究样本集选择方法对稻谷千粒重NIR模型的影响,分别采用不同数量样品,不同定标集、验证集比例以及不同定标集选择方法,选出建模的定标集,在600~1100 nm的波长区间,用偏最小二乘法建立稻谷千粒重的近红外光谱预测模型,根据内部交叉验证决定系数(Rv2)、外部验证决定系数(Rp2)、内部交叉验证误差(SECV)和预测误差(SEP)比较模型的预测能力。结果显示,样品数量、定标集和验证集比例以及定标集选择方法均对稻谷千粒重的NIR模型有明显影响。采用合适数量的样品可以得到较佳的NIR模型,以7∶3的比例分割定标集与验证集,得到的稻谷千粒重NIR模型具有相对高的预测能力,而与含量梯度法和随机抽取法相比,采用K-S算法进行定标集选择,可以得到预测精度更高的NIR模型。