近红外光谱结合偏最小二乘法快速评估土壤质量

以长江中下游粮食主产区水稻土为研究对象,采集17种不同施肥处理下共136个土壤样品在350 ～2 500 nm范围的近红外光谱,利用偏最小二乘回归分析结合交叉验证法建立了近红外漫反射光谱与传统化学分析方法测得的全碳、全氮、碳氮比、速效钾、速效磷、电导率、土壤pH等土壤指标之间的定量分析模型。模型的决定系数（R2）以及化学分析值标准差（SD）与模型的内部交叉验证均方差（RMSECV）的比值RSC用于判定建立的模型的好坏。结果表明：全碳、全氮、碳氮比和pH模型的R2和RSC分别为：R2=0.94,RSC=4.31;R2=0.95,RSC=4.35;R2=0.97,RSC=5.60;R2=0.92,RSC=3.37,说明上述土壤指标的预测结果很好。速效钾模型的R2和RSC分别为：R2=0.87,RSC=2.23,表明预测结果尚好。而速效磷和电导率模型的R2和RSC分别为：R2=0.18,RSC=1.16;R2=0.37,RSC=1.31,说明两者的预测结果均很不理想。综上所述,水稻土的土壤质量相关指标（全碳、全氮、碳氮比、速效钾和土壤pH）可以通过近红外光谱结合偏最小二乘法（NIR-PLS）快速评估。     

光谱预处理及不同光谱区对黑土有机碳近红外光谱模型的影响

在目前土壤有机碳(Soil organic carbon,SOC)的测量方法中,定量燃烧法虽具有很高的精度,但是价格比较昂贵;烧失法和湿氧化法比较费时,且测定中使用的化学药剂容易产生环境问题。化学试剂的使用和测定条件的专一也使得化学方法容易产生偏差,因此,需要一种快速、准确、低耗和环保的方法来测量土壤样品SOC含量。近红外光谱(Near infrared spectroscopy,NIRS)技术作为一种无损、快速的分析手段,在农业很多领域都有广泛的应用[1-2],但是利用NIRS对土壤成分进行定量分析最近才刚刚开始[3][5]。近红外光谱由被测样品的近红外特征光谱主导,包含了噪声、各种外界干扰     

近红外光谱技术定量分析玉米杂交种纯度

摘要：应用近红外光谱分析技术结合定量偏最小二乘法对先玉335杂交种纯度进行了定量分析,将不同年份和来源的杂交种和其母本种子粉碎后混合,按0.5%的梯度获得纯度80～100%范围内的样本123份（每梯度按年份和来源设置3个重复）后采集光谱。结果表明：采用散射校正预处理,4 000～8 000 cm-1光谱范围时建模效果较适宜（建模集∶检验集=3∶1）,建模集内部交叉决定系数达96.06%,校正标准差1.18%,平均相对误差1.03%;检验集的决定系数均达到95.02%,校正标准差1.28%,平均相对误差1.12%。采用不同比例的建模样品和检验样品时,建模集和检验集的决定系数均在94%以上,证明了近红外光谱技术定量测定玉米杂交种纯度的可行性以及所建模型的稳定性。     

基于小波变换的柑橘维生素C含量近红外光谱无损检测方法

为了探索快速检测柑橘维生素C含量的方法,利用不同分解水平的Daubechies3小波变换,对100个柑橘整果样品的近红外光谱信号进行了消噪处理,并利用消噪后的重构光谱对柑橘维生素C含量进行了偏最小二乘法交叉验证(PLC-CV)。结果表明,小波分解尺度水平不同,PLC-CV效果各不相同,在分解水平为4时,PLC-CV效果最好,其预测值与标准值的相关系数R达到0.9574,交叉验证预测均方差RMSECV仅为3.9 mg/(100 g)。因此,小波消噪后建立的近红外光谱模型能准确地对柑橘维生素C含     

基于近红外漫反射光谱的云芝提取物多糖含量快速检测研究

为探索快速无损测定云芝提取物中多糖含量的方法,通过采集粉末状云芝提取物近红外光谱,经预处理和波段选择,结合间隔偏最小二乘法(iPLS)和反向区间偏最小二乘法(Bi-PLS),建立并优化云芝提取物多糖含量检测模型。结果表明,光谱区间为9 365.92~8 918.76 cm~(-1)和5 341.48~4 894.32cm~(-1),二阶导数(SD)预处理后,建立的反向区间偏最小二乘法模型更优,其校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)可分别达到0.9089、0.00781、0.9879和0.00292。该模型可以更有效地优选建模所需波段,降低模型复杂度,降低多糖含量的检测成本,提高检测效率,实现云芝提取物多糖含量的快速、无损检测。     

近红外光谱检测苹果可溶性固形物

该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。     

近红外光谱法预测羊肉化学成分的研究

对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

植物源性饲料原料近红外光谱定量分析通用模型研究

以菜粕、豆粕和棉粕等8种364个植物源性饲料原料样品为研究对象,以其粗蛋白、粗脂肪、粗纤维为预测指标,应用偏最小二乘法(PLS),分别建立了8种饲料原料的独立定量模型和针对所有样品的通用近红外光谱定量分析模型,并对独立模型和通用模型进行了比较。结果表明,通用近红外模型可以有效地对任一种饲料原料中粗纤维、粗蛋白和粗脂肪等3种成分进行预测,其中粗蛋白的预测结果最好,粗纤维和粗脂肪的预测结果也可以满足分析要求。研究结果对植物源性饲料原料品质的快速检测具有实际意义。     

基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析

以啤酒的酒精度的快速检测为研究对象,针对采用偏最小二乘(Partial Least Squares,PLS)法建立近红外光谱预测模型时波长筛选问题,提出将相关系数法与遗传算法(Genetic Algorithms,GA)相结合提取光谱有效信息,提高预测模型的精度的方法。结果表明：该方法应用于啤酒酒精度近红外光谱检测中,吸收光谱和一阶导数光谱的预测建模的波长个数分别减少了83%、82%,预测平均相对误差分别降低了0.42%、0.64%,不仅简化、优化了模型,而且增强了预测建模型的预测能力,是一种采用PLS法建立预测模型前行之有效的降低和优选波长的方法。     

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法（siPLS-GA）在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示：最佳预测模型相关系数（Rp）和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。     

青砖茶压制压力优化及GCG近红外快速检测模型建立

青砖茶压制压力的选择至关重要,为探求压力与青砖茶品质及内含成分间的相互关系,并尝试对关键成分进行快速预测。以青砖茶为研究对象,设置了5个等级的压力值,通过感官审评和相关关系法分析了最佳压力值与品质和内含成分间的相关关系;应用标准变量变换、多元散射校正、一阶导数和二阶导数及组合方法进行降噪处理,应用反向区间偏最小二乘法筛选特征光谱区间并进行主成分分析,将主成分分别输入到3种信息传递函数的jump connection nets结构人工神经网络中建立定量分析模型。结果表明,最佳压力值为18 MPa;关键内含成分为：没食子儿茶素没食子酸酯（Gallocatechin Gallate,GCG）（P<0.05）;最佳预处理方法：多元散射校正+一阶导数组合方法;特征光谱区间：9 734.9～10 000,8 924.9～9 191.1,5 368.9～5 638.8,7 011.9～7 281.9,6 190.4～6 460.4,4 821.2～5 091.2,9 194.9～9 461.1,7 559.6～7 829.6,5 916.5～6 186.5 cm-1,前3个主成分累积贡献率为97.82%,以应用tanh传递函数建立的GCG人工神经网络模型结果最佳（Rp2=0.980,RMSEP=0.027）,并有较好的实际应用效果（Rp2=0.948,RMSEP=0.041）。研究结果为其它重量规格青砖茶产品的研发和品质的快速检测奠定了理论基础。     

应用近红外光谱法测定土壤的有机质和pH值

为了满足精细农业对土壤快速实时测试的需要,对未经过粉碎、过筛等处理的土壤,采集了4000～12500 cm-1范围的近红外光谱。研究了土壤的光谱特性,并采用偏最小二乘回归分析方法建立了一阶微分光谱的光谱吸光度与有机质含量和pH值之间的定量分析模型。试验分析表明：有机质的预测相关系数为0.818,预测标准偏差SEP为0.069,预测均方根误差为RMSEP为0.085;pH值的预测相关系数为0.834,SEP为0.095,RMSEP为0.114。表明采用近红外光谱仪经一阶微分处理可以很好地预测经过简单处理的土样中的有机质含量和pH值, 该结论为今后田间快速土壤特性光谱测量奠定了基础。     

精料补充料中肉骨粉含量的近红外光谱检测

为了保证饲料安全,精料补充料中肉骨粉的检测是十分必要的。该文探讨了精料补充料中肉骨粉含量的近红外光谱分析方法,123个样品作为校正集,采用偏最小二乘法(PLS),分别对光谱进行散射校正和卷积平滑、一阶微分、二阶微分预处理建立校正模型,以最大的决定系数(R²)和最小的标准差(RMSEC)为选择依据,通过比较,以多元散射校正和卷积平滑处理与二阶微分相结合的处理效果最好,其预测值与测量值的决定系数(R²)和标准差(RMSEC)分别为0.9751和0.437。34个样品作为检验集进行外部验证,决定系数(r²)和标准差(RMSEP)分别为0.9749和0.420,平均绝对误差和相对误差分别为0.326和13.89％。结果表明,利用近红外分析技术可以检测精料补充料中肉骨粉的含量。     

赣南脐橙园土壤全磷和全钾近红外光谱检测

为建立一种能够同时快速检测土壤全磷和全钾的定量估计模型,该文采用近红外漫反射技术对赣南脐橙果园的土壤进行研究,对56个土样风干、过筛,然后进行光谱采集和化学分析。光谱经过Savitzky-Golay平滑后再用一阶微分变换的方法进行预处理,分别应用偏最小二乘回归（partial least square regress PLS）、主成分回归（principal component regression PCR）和最小二乘支持向量机（least squares support vector machine LS-SVM）3种方法,在4 000～7 500 cm-1波数范围内,建立赣南脐橙果园土壤全磷和全钾快速定量检测模型。结果发现在建立土壤全磷模型时,PLS和PCR的预测模型效果均不理想,但LS-SVM建立的模型较为理想, 其预测相关系数（correlation coefficient of prediction RP）为0.884,预测集均方根误差（the root mean square error of prediction RMSEP）为0.341,预测相对分析误差（residual predictive deviation RPD）为2.59。在建立土壤全钾模型时,PLS、PCR和LS-SVM 建立3种模型效果均理想,其中以LS-SVM模型最理想,其预测相关系数（RP）为0.971,预测集均方根误差（RMSEP）为0.714,预测相对分析误差（RPD）为5.12。研究表明,采用LS-SVM建立的土壤全磷和全钾模型对实现土壤全磷和全钾含量快速检测具有可行性。     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。