高寒草原天然牧草营养品质近红外光谱预测模型的建立

本研究旨在探讨近红外光谱(NIRS)技术在定量分析高寒草原天然牧草营养品质的可行性。试验于2015—2018年,每年6—9月份,从青藏高原高寒草原放牧研究样地收集不同放牧强度(0、3.6、5.3、7.6只/hm2)的混合和4个优势种(莎草科矮生嵩草、蓼科珠芽蓼、蔷薇科金露梅和豆科锦鸡儿)牧草样品共计1 280份,随机分为定标样品集(n=854)和预测样品集(n=426),建立天然牧草干物质(DM)、粗脂肪(EE)、粗蛋白质(CP)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)含量及体外干物质消化率(IVDMD)和估算代谢能(EME)营养品质近红外光谱(NIRS)预测模型,实现天然牧草营养品质的快速和准确评估。结果显示:牧草DM、CP、EE、ADF、NDF含量及IVDMD和ME变异较大;DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型的验证决定系数(R2CV)为0.992～0.999,外部验证相对分析误差(RPD)为3.82～5.97,取得了最佳的定标效果,且定标方程均具较好的预测能力,能够成功应用于日常分析。EE含量的NIRS预测模型的R2CV为0.837,外部RPD为2.30,定标效果不理想,定标模型虽不能用于准确的定量分析测定,但仍能应用于牧草EE含量的粗略测定。综上所述,本研究建立的高寒草原天然牧草DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型能够成功应用于日常分析。     

棕色彩棉内在品质近红外光谱无损检测方法研究

为了探索快速、简便、无损、高效的棕色彩棉品质的检测方法，提出了采用近红外光谱技术结合偏最小二乘回归法（Partial least squares regression，PLS）快速无损检测棕色彩棉品质指标的方法。利用近红外光谱仪采集了651份新疆不同收获年份、不同品种的棕色彩棉样品的近红外光谱，选取1 300～1 670 nm和1 870～2 430 nm组合波段为建模波段，采用Savitzky-Golay平滑＋Savitzky-Golay一阶导数光谱预处理方法和PLS法分别建立棕色彩棉马克隆值和断裂伸长率的近红外光谱定量校正模型。结果表明，该定量校正模型的预测性能较好，能够应用于棕色彩棉马克隆值和断裂伸长率的无损快速预测。 关键词：天然棕色彩棉；近红外光谱；马克隆值；断裂伸长率；定量预测模型     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

玉米粉淀粉含量近红外模型建立与优化

以230份玉米自交系为样本，采用旋光法与一阶导数及去一条直线的光谱预处理法，构建玉米粉样淀粉含量的近红外分析（NIRS）模型。研究标明，该模型可显著提高子粒淀粉含量预测的准确性。该模型的定标标准偏差（RMSEE）、交叉验证标准偏差（RMSECV）、外部验证标准偏差（RMSEP）、定标相关系数（R_cal²）、交叉验证相关系数（R_cv²）、外部验证相关系数（R_cv²）分别为0.609、0.722、0.738、0.909、0.864和0.854。建立的玉米粉样NIRS模型可将预测值与化学值偏差控制在1.7%内，能够准确定量分析玉米子粒淀粉含量，应用于育种材料早期筛选及群体水平粗淀粉分析。     

大麦籽粒抗性淀粉含量快速测定方法研究

为探索快速高效测定大麦籽粒中抗性淀粉含量的方法，利用衰减全反射中红外（attenuated total reflection mid-infrared spectroscopy,ATR-MIR）和近红外（near-infrared spectroscopy,NIR）光谱技术，分别用3种不同方法进行预处理，建立大麦样品的抗性淀粉含量快速测定红外模型，通过不同预处理预测模型的校正和内部交叉验证结果的比较，依据决定系数（r）和均方根误差（RMSE）筛选出基于ATR-MIR和NIR光谱的最佳预测模型，再对最佳预测模型进行外部验证。结果表明，经基线位移校正+范围归一化（BOC+RN）预处理后的PLS模型为最佳ATR-MIR预测模型；经标准正态变换+Savitzky-Golay法一阶求导（SNV+1thD）的预处理模型为最佳NIR预测模型。用验证集材料对BOC+RN和SNV+1thD最佳预测模型的预测效果进行外部验证，光谱预测值与化学测定值之间没有显著差异，说明两种方法均可以用于大麦籽粒抗性淀粉含量测定；ATR-MIR光谱比NIR光谱具有更好的预测能力。