Nondestructive test of total acidity in 'shatangju' (Citrus reticulatablanco) with near-infrared spectroscopy

以砂糖橘为对象,建立基于可见-近红外光谱的砂糖橘总酸含量的无损检测方法.试验采集170个完整砂糖橘的500～2500nm漫反射光谱,然后采用滴定法测定总酸含量.采用Sym8小波变换对光谱进行去噪预处理,并采用连续投影算法(successive projections algorithm,SPA)结合间隔偏最小二乘法(interval partialleast squares,iPLS)优选波长,最终建立BPNN和偏最小二乘法(partial least squares method,PLS)总酸预测模型.结果表明:砂糖橘光谱的小波去噪方法产生的信噪比均值SNR=175.2911,去噪信号与原始信号间的均方根误差均值RMSE=0.00013,性能优于常规去噪方法.SPA与iPLS相结合构成的反向偏最小二乘法(back-ward interval partial least squares,BiPLS)_SPA波长选择法能将光谱变量从2001个压缩到14个,能简化模型并提高建模精度和稳定性.BPNN模型具有更好的非线性映射能力,基于这14个变量的BPNN总酸预测模型的预测相关系数Rp=0.867,预测均方根误差RMSEP=0.0616,性能优于线性的PLS模型.     

近红外光谱在砂糖橘果形指数分析中的应用

基于小波变换的原理,分别利用阈值滤波、小波包、小波收缩3种常用的去噪方法,对砂糖橘样品的可见/近红外光谱信号进行去噪处理,探讨每种去噪方法的最优参数组合(小波函数、分解尺度、阈值)的同时选择最适去噪方法,并通过偏最小二乘法(PLS)对去噪后的重构光谱和砂糖橘果形指数建模。结果表明,小波包去噪有利于消除导数光谱中的噪声,提高建模精度,其最优参数组合为默认阈值条件下,小波函数Bior1.3、2尺度分解,去噪后的砂糖橘果形指数光谱建立的PLS模型的预测集R为0.9632,RMSEP为0.0779。     

基于小波滤噪和iPLS的草莓近红外光谱糖度检测模型

[目的]获得精度高、鲁棒性强的草莓近红外光谱糖度检测模型。[方法]利用K-S（Kennard-Stone）方法划分样本集,并用小波滤噪法对草莓1000～2500nm近红外光谱进行预处理,最后用偏最小二乘法（PLS）和区间偏最小二乘法（iPLS）分别建立预测模型。[结果]采用区间偏最小二乘法将光谱划分为20个子区间,利用其中的第16个子区间建立的糖度模型效果最佳,其校正时的相关系数Rc和校正均方根误差RMSEC分别为0．9355和0．259,预测时的相关系数邱和预测均方根误差RMSEP分别为0．9202和0．305。[结论]用小波滤噪和联合区间偏最小二乘法所建立的草莓糖度模型不仅能有效地减少建模所用的变量数,缩短运算时间,而且预测能力和精度均得到提高。     

基于透射光谱技术的温州蜜柑含水率检测

利用可见/近红外光谱透射技术检测温州蜜柑含水率。采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比较建立的偏最小二乘回归模型(partial least squares regression,PLS)的拟合准确度,并确定最佳预处理方法,同时采用竞争性自适应重加权采样算法(competitive adaptive reweighted sampling algorithm,CARS)提取特征波长,以此建立基于柑橘含水率的PLS模型、BP神经网络模型和最小二乘支持向量机模型(least squares support vector machine,LSSVM)。结果显示,使用经过SNV预处理后的光谱进行CARS筛选得到的359个波长建立的LSSVM模型预测效果最佳,校正集的相关系数和均方根误差分别为0.937 5和0.008 6,验证集相关系数和均方根误差分别为0.831 6和0.012 0,表明可见/近红外光谱技术用于温州蜜柑的含水率检测是可行的。     

量子进化算法在苹果漫透射近红外光谱分析中的应用

为了研究量子进化算法(quantum-inspired evolutionary algorithm,QEA)在苹果浸透射近红外光谱分析中的应用,先用反向间隔偏最小二乘法(backward interval partial least squares,BiPLS)对光谱信息区间初步定位,再采用QEA算法选择波长点,建立糖度预测模型;同时采用遗传算法(genetic algorithm,GA)选取波长点建立预测模型,并对2种算法的结果进行比较.结果表明:运行GA算法建立的GA-PLS模型变量数为110,校正均方根误差(root mean standard error of calibration,RMSEC)为0.582 0,预测均方根误差(root mean standard error of prediction,RMSEP)为0.612 3;运行QEA算法建立的QEA-PLS模型变量数为194,RMSEC为0.492 7,RMSEP为0.526 0,说明量子进化算法用于苹果漫透射近红外光谱分析可有效提高模型预测精度,相比遗传算法表现出更好的寻优能力.     

基于高光谱成像技术的油菜SPAD值空间分布预测及最佳测量叶位

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。     

基于偏最小二乘法和深度学习的近红外糖度预测

为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型.使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least square,PLS)模型,通过常用的竞争性自适应重加权算法减少PLS模型计算量,对比得到最好的PLS模型预测精度;使用深度学习的MobileNetV2网络构建苹果糖度预测模型,调整最适合的模型构建参数.试验结果表明:经过标准正态变量变换(Standard normal variate,SNV)光谱预处理的PLS模型预测精度最高,其预测模型相关系数(Rp)为0.9333、均方根误差(RMSEP)为0.4765°Brix,特征波长筛选可减少计算量,但会使预测模型精度稍微下降;经过数据增强处理的MobileNetV2模型可以获得一定的糖度预测精度,其Rp为0.8431、RMSEP为0.8984°Brix.结果 表明,基于深度学习的MobileNetV2网络结构训练得到的糖度预测模型具有一定的可行性,但SNV预处理的全波段PLS模型精度最高,PLS建模依然是小批量样本建模简单高效的方法.     

不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响

近红外光谱预处理是胡杨叶片含水量光谱检测的前提,然而样本背景、电噪声和杂散射等会干扰近红外光谱的测量结果。为了避免以上因素对近红外光谱产生的影响,采用连续投影算法(successive ections algorithm,简称SPA)、数据中心化、归一化和标准正态变量变换方法(standard normal variate transformation,简称SNV)对原始光谱数据进行预处理,使用偏最小二乘法(partial least squares,简称PLS)建立胡杨叶片水分含量检测的校正集和预测集模型。结果表明,直接使用原始光谱,利用SPA算法筛选变量数为7个,模型预测精度为0. 971 44,RMSPCV为0. 046 132,相关系数r=0. 674 24,RMSEP=0. 021 434;使用原始光谱+标准正态变量变换方法,利用SPA算法筛选变量数为6个,模型预测精度为0. 976 63,RMSPCV为0. 045 642,相关系数r=0. 774 72,RMSEP=0. 018 24。SNV+SPA预处理方法能够有效地消除噪声和散射,提高模型的预测精度,相关性明显增加,降低数据维数和误差,可用于胡杨叶片水分含量的快速、无损检测,同时对其他作物叶片水分含量光谱预处理检测具有一定的参考意义。     

离散小波变换-支持向量回归方法及其在谷物分析中的应用

先用离散小波变换(DWT)对近红外光谱数据(NIR)压缩去噪及扣除光谱背景,再用支持向量回归(SVR)算法建立近红外光谱校正模型,建立了离散小波变换—支持向量回归(DWT-SVR)测定谷物样品中油类、蛋白质和淀粉的新方法。与偏最小二乘法(PLS)相比较,本研究所建模型具有更好的预测准确度。     

基于 BiP LS－SP A优选近红外光谱的木材基本密度预测1）--以柞木为例

以柞木为研究对象,以900～1700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘（ BiPLS）选出均方根误差最小的波长区间组合;再利用连续投影算法（ SPA）进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。 BiPLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[35679],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。 BiPLS－SPA模型较PLS、iPLS、BiPLS、SPA－PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0．925,预测均方根误差为0．0104,相对分析误差为2．83。     

中国不同地区‘富士’苹果品质评价

【目的】确定‘富士’苹果核心品质指标,建立‘富士’苹果品质综合评价模型。【方法】从河北、河南、辽宁、宁夏、山东、山西、陕西、新疆等8个苹果主产省（区）68个市（县）的代表性果园采集176份‘富士’苹果样品进行品质测定,共测定单果重、带皮硬度、去皮硬度、可溶性固形物含量、可溶性糖含量、可滴定酸含量、维生素C含量、山梨醇含量、葡萄糖含量、果糖含量、蔗糖含量、甜度、固酸比、糖酸比、甜酸比等15项指标。通过主成分分析和聚类分析法确定‘富士’苹果核心品质指标,运用层次分析法确定指标权重,采用灰色关联度法建立‘富士’苹果品质综合评价模型。【结果】不同产区间‘富士’苹果品质指标存在差异性,新疆‘富士’苹果硬度、维生素C含量、可溶性固形物含量、可溶性糖含量、山梨醇含量、果糖含量、蔗糖含量、甜度值等8项品质指标均高于其他省（区）‘富士’苹果。维生素C含量、山梨醇含量、蔗糖含量和甜酸比的变异系数均大于30%,可溶性糖含量的变异系数最小（仅为9.8%）。‘富士’苹果某些品质指标间存在极显著的相关性,可滴定酸含量与固酸比、糖酸比之间相关系数分别为-0.844、-0.854,果糖和甜度值之间相关系数达0.963,固酸比与糖酸比之间相关系数为0.941。通过主成分分析和聚类分析,确定单果重（X₁）、去皮硬度（X₂）、可滴定酸含量（X₃）、固酸比（X₄）和果糖含量（X₅）为‘富士’苹果核心品质指标。通过灰色关联度法建立了‘富士’苹果品质综合评价模型Y=0.2601X₁+0.1378X₂+0.0819X₃+0.2601X₄+0.2601X₅。【结论】单果重、去皮硬度、可滴定酸含量、固酸比和果糖含量为‘富士’苹果核心品质指标,以其建立的评价模型可用于‘富士’苹果品质的综合评价。     

Evaluation of spectral indices and continuous wavelet analysis to quantify aphid infestation in wheat

Wheat aphid, Sitobion avenae F. is one of the most destructive insects infesting winter wheat and appears almost annually in northwest China. Past studies have demonstrated the potential of remote sensing for detecting crop diseases and insect damage. This study aimed to investigate the spectroscopic estimation of leaf aphid density by applying continuous wavelet analysis to the reflectance spectra (350–2 500 nm) of 60 winter wheat leaf samples. Continuous wavelet transform (CWT) was performed on each of the reflectance spectra to generate a wavelet power scalogram compiled as a function of wavelength location and scale of decomposition. Linear regression between the wavelet power and aphid density was to identify wavelet features (coefficients) that might be the most sensitive to aphid density. The results identified five wavelet features between 350 and 2 500 nm that provided strong correlations with leaf aphid density. Spectral indices commonly used to monitor crop stresses were also employed to estimate aphid density. Multivariate linear regression models based on six sensitivity spectral indices or five wavelet features were established to estimate aphid density. The results showed that the model with five wavelet features (R² = 0.72, RMSE = 16.87) performed better than the model with six sensitivity spectral indices (R² = 0.56, RMSE = 21.19), suggesting that the spectral features extracted through CWT might potentially reflect aphid density. The results also provided a new method for estimating aphid density using remote sensing.     

利用近红外光谱技术预测杉木力学性质

利用三点弯曲实验方法测定了155个杉木样品的抗弯弹性模量和抗弯强度,并用近红外光谱仪采集其径切面和横切面的近红外漫反射光谱,以2/3的试样(103个)作为校正集建立抗弯弹性模量和抗弯强度的偏最小二乘法校正模型,以1/3的试样(52个)作为预测集对模型进行验证.结果表明,切面对模型预测效果的影响比较小,且与光谱区域的选择有关.对于可见近红外全波段光谱(350～2 500 nm)利用径切面比利用横切面光谱建立的力学性质模型的预测效果略好,对于短波光谱(780～1 050 nm)利用横切面比利用径切面光谱建立的模型的预测效果略好;降低波谱范围后,利用横切面短波近红外光谱建立的力学性质校正模型的效果与全波谱模型相比差异较小;利用径切面和横切面2个切面可见近红外全波段光谱、利用横切面短波光谱分别建立的杉木力学性质的校正模型,其预测相对分析误差在1.51～1.90之间,表明利用近红外光谱技术预测杉木木材的力学性质的能力属普通,可用之作为初步的检测工具.     

基于主成分分析的协同克里格插值模型对土壤铜含量的空间分布预测

以湖北省宜都市红花套镇的柑橘产区为例,选取土壤重金属全铜含量为研究对象,利用Pearson相关系数方法选择与土壤铜含量具有较高相关性的土壤因子(全K、全Cr、CEC、全Al、全N(P0.05))作为辅助变量,利用主成分分析(PCA)对辅助变量进行降维求总得分处理后,与协同克里格插值相结合构建土壤铜含量空间模型(COKPCA),同时构建土壤铜含量的普通克里格插值模型(OK)和以全K作为辅助变量构建协同克里格插值模型(COKK),对不同的空间模型进行模拟精度的对比和分析之后提出最优空间模型方法,进一步分析土壤铜含量在研究区域的空间分布特征。结果表明:普通克里格插值(OK)、协同克里格插值(COKK)和与主成分相结合的协同克里格插值(COKPCA)3种模型的RMSE分别为7.044、6.907和6.309,R2分别为0.716、0.743和0.852,赤池信息量准则(AIC)分别为101.591、96.908和87.203。综合比较,COKPCA具有最优的模拟插值结果,其次为COKK,而OK则相对较差。     

Application of Wavelet Transform in the Prediction of Navel Orange Vitamin C Content by Near-Infrared Spectroscopy

This study was to search for an approach for rapid measurement of orange vitamin C （Vc） content. By using different decomposing levels of Daubechies 3 wavelet transform, the near-infrared spectra signals obtained from intact fruits of 100 navel orange samples were denoised, and the results of the predicted Vc contents for the corresponding samples determined by the reconstructed spectra after denoising were validated by means of PLS-CV （partial least squared-cross validation）. It was shown that the prediction effects verified by PLS-CV analysis varied when different wavelet transform decomposing levels were employed. At the wavelet decomposing level 4, the best prediction effect was obtained, with the correlation coefficient R between the prediction and true values being 0.9574 and the expected variance RMSECV being as low as 3.9 mg 100 g^-1. Furthermore, the 11 different approaches for the pretreatment of the near-infrared spectrum were compared. It was found that the calibration model established by PLS using spectra pretreated by wavelet transform denoising provided the best prediction for Vc content, exhibiting the highest correlation between the prediction and true values by cross validation. In conclusion, the near infrared spectral model denoised by means of wavelet transform can be used for accurate, rapid, and nondestructive quantitative analysis on navel orange Vc content.     

‘红富士’苹果蠕变特性与果实品质的相关分析

【目的】分析‘红富士’苹果整果蠕变特性与其质构特性和营养成分的相关性,探索利用蠕变特性参数检测‘红富士’苹果营养成分含量和质地品质的可行性。【方法】测定不同贮藏期‘红富士’苹果样品的蠕变特性、质地多面分析(texture profile analysis,TPA)各项指标及营养成分含量;确定蠕变模型,探讨蠕变模型参数与苹果TPA指标和营养成分含量的相关性;建立蠕变参数预测‘红富士’苹果品质的数学模型,并对其进行验证。【结果】四元件伯格斯模型可以很好地描述‘红富士’苹果整果的蠕变特性,模型拟合的决定系数达到0.982。苹果的可溶性固形物含量、可滴定酸度、Vc含量、硬度、内聚性、耐咀性和回复性与延迟弹性系数E2和黏性系数η1达到极显著正相关(r=0.56—0.94);可溶性固形物含量和可滴定酸度与黏性系数η2呈极显著负相关(r=-0.40,r=-0.45),Vc含量与黏性系数η2呈显著负相关关系(r=-0.34);而苹果的弹性和黏性与蠕变四参数均未表现出显著的相关性。建立的苹果可溶性固形物含量、可滴定酸度、Vc含量、硬度、内聚性、耐咀性和回复性预测模型的相关系数分别为0.939、0.922、0.881、0.917、0.594、0.857和0.584,且均具有统计学意义(P0.05)。模型对验证集的预测值与实测值间无显著差异,相关系数分别为0.929、0.917、0.875、0.920、0.628、0.824和0.633。【结论】‘红富士’苹果蠕变特性与质构特性和营养成分含量有密切的相关性。建立的苹果可溶性固形物含量、可滴定酸度、Vc含量、硬度和耐咀性的预测模型具有较高的拟合精度,可以实现用蠕变参数来预测‘红富士’苹果品质。     

利用FTIR和化学计量学对牛肝菌亲缘关系的研究

采用傅里叶变换红外光谱结合化学计量学对不同种牛肝菌亲缘关系进行研究,为该种群亲缘关系鉴定提供依据,同时为人工栽培牛肝菌奠定理论基础。采集12个种类72份牛肝菌样品的红外光谱,采用二阶导数(2D)、标准正态(SNV)变量和小波压缩(WC)等方法对牛肝菌的原始红外光谱进行优化处理,结合偏最小二乘判别分析(PLS-DA)建立鉴别模型。将PLS-DA得到的前8个主成分数据作为提取数据代入系统聚类分析(HCA),获得亲缘关系树状图。结果显示:12种牛肝菌的原始红外光谱较为相似,共有峰主要归属为蛋白质、多糖、纤维素和氨基酸等物质中OH、C=O、C-O-H、C=O、C-C等官能团的吸收峰。对比不同优化处理的鉴别结果,发现2D+WC预处理方法对不同种类牛肝菌区分效果较好。HCA亲缘关系树状图表明,按照物种层面划分,中华牛肝菌和远东疣柄牛肝菌亲缘关系最近,且2种牛肝菌与圆花孢牛肝菌亲缘关系较近;深褐牛肝菌和美味牛肝菌亲缘关系较近;小美牛肝菌和美柄牛肝菌亲缘关系较近,且2种牛肝菌与栗色牛肝菌亲缘关系较近。傅里叶变换红外光谱法可应用于牛肝菌的亲缘关系分析,能为野生食用菌的亲缘关系研究提供一种新方法。     

1-MCP对采后雪花梨衰老和品质的影响

以雪花梨果实为试材,研究了室温(25±2)℃条件下1-甲基环丙烯(1-MCP)处理对果实贮藏效果的影响.结果表明:1-MCP(500,1 000,1 500 nL/L)处理降低果实的呼吸速率和乙烯释放率,推迟乙烯生成高峰的出现.较高浓度的1-MCP(1 000,1 500 nL/L)处理明显保持较高的果肉硬度、可滴定酸和抗坏血酸含量及果皮叶绿素含量,延缓果肉可溶性糖和可溶性蛋白含量的增加,但对果肉膜透性的影响不显著;1-MCP(1 000,1 500 nL/L)处理还明显减少果实腐烂和果心褐变,降低果心中酚类含量和多酚氧化酶(PPO)活性,维持果心中较高的过氧化氢酶(CAT)、过氧化物酶(POD)和超氧化物歧化酶(SOD)活性.这表明1-MCP处理能保持果实在常温贮藏期间较好的品质,延缓果实的衰老.     

脐橙糖度近红外光谱在线检测的建模变量优选

【目的】采用小波压缩结合遗传算法,优选脐橙糖度近红外光谱在线检测的建模变量,提高在线检测精度。【方法】利用近红外光谱检测装置采集脐橙样品的光谱,并将其转换为反射比光谱,在700.28～933.79 nm波段,利用小波变换将一阶微分处理后的近红外反射比光谱变量压缩成小波系数变量。经遗传算法优选后,建立偏最小二乘法（PLS）模型,并对该模型的预测结果进行评价。【结果】利用小波压缩结合遗传算法优选变量建立的脐橙糖度PLS模型,预测效果最优,模型的相关系数为0.759,模型预测均方根误差为0.468 °Brix。【结论】采用小波压缩结合遗传算法对变量进行优选,可提高脐橙糖度近红外光谱在线检测的精度。     

黄土高原煤矿区复垦农田土壤有机质含量的高光谱预测

【目的】针对黄土高原丘陵地多、地形复杂、有机质含量低、采样困难以及因采煤活动引起大面积土地损毁等问题,在土地复垦与综合整治过程中,为快速定量监测与评估复垦农田土壤质量提供一种新的方法。【方法】以山西省襄垣县复垦农田土壤为研究对象,选取由北向南土地损毁中间条带状区域采集样品152个,进行室内土壤农化分析、光谱测定,运用ParLes 3.1软件对光谱曲线进行多元散射校正（multipication scatter correction,MSC）、基线偏移（baseline offset correction,BOC）和Savitzky-Golay filter平滑去噪预处理。对土壤原始光谱反射率（raw spectral reflectance,R）作一阶微分（first order differential reflectance,D（R））和倒数的对数变换（inverse-lg reflectance ,lg（1/R））,分析3种不同变换形式的光谱数据与土壤有机质含量的相关性,相关系数通过P=0.01水平显著性检验来确定显著性波段的范围。基于全波段（400-2400 nm）和显著性波段利用偏最小二乘回归（partial least squares regression,PLSR）分析方法建立该区域土壤有机质含量高光谱预测模型,通过模型精度评价指标：决定系数（coefficient of determination,R²）、均方根误差（root mean square error,RMSE）和相对预测偏差（residual prediction deviation,PRD）确定最优模型。【结果】通过P=0.01水平显著性检验的波段范围为：R的400-1 800、1880-2 400 nm;D（R）的420-790、1 020-1 040、2 150-2 200 nm;lg（1/R）的400-1 830、1 860-2 400 nm。光谱与有机质含量的相关系数绝对值最大的波段是R的800 nm;D（R）的600 nm;lg（1/R）的760 nm。进行D（R）变换,光谱曲线的吸收特征更加明显,相关系数在可见光（400-800 nm）波段范围内有所增加,其最大值由0.72提高到了0.82;基于显著性波段的PLSR建模效果优于全波段,其中lg（1/R）变换的预测精度为最佳,具有很好的预测能力,其校正模型的R²和RMSE分别为0.95、7.64,预测模型的R²、RMSE和RPD分别为0.85、3.00、2.56;基于全波段的R-PLSR和lg（1/R）-PLSR模型具有较好的预测能力,其预测模型的R²、RMSE和RPD分别为0.79、3.64、2.10和0.79、3.53、2.17,而D（R）-PLSR模型只能进行粗略估测,其预测模型的R²、RMSE和RPD分别为0.61、5.43、1.41。综合分析全波段和显著性波段3种光谱数据的预测精度,发现基于显著性波段的R-PLSR、D（R）-PLSR、lg（1/R）-PLSR模型均取得了显著的预测效果。【结论】研究区土壤光谱反射率与土壤有机质含量具有高度的相关性,应用偏最小二乘回归分析方法可以很好地建立土壤有机质含量反演模型。