土壤养分的近红外漫反射光谱预测模型分析

针对土壤养分近红外漫反射光谱数据分析的预测问题,分别利用主成分回归和偏最小二乘回归的方法建立土壤样品的近红外漫反射光谱全氮含量的数学模型,比较模型的预测精度。研究结果表明,采用主成分回归法建模预测结果的均方根误差RMSEP为0.040;偏最小二乘回归法建模的RMSEP为0.034,通过模型验证得到的全氮含量预测值与实际值相关性分析得到主成分回归法决定系数R~2=0.873 1,偏最小二乘回归法R~2=0.903 5,表明偏最小二乘回归法所建模型预测精度优于主成分回归法。该研究为提高近红外光谱法土壤养分检测精度提供了依据。     

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.     

CARS特征变量优选近红外光谱法测定初烤烟烟叶厚度

烤烟烟叶厚度是烤烟烟叶分级和品质评价的重要指标之一,采用近红外光谱分析技术实现对烟叶厚度的快速测定具有一定的可行性。对比分析了采用竞争自适应重加权法(CARS)算法优选特征变量和采用全波长变量(1 000~2 500 nm)结合偏最小二乘法(PLS)建立初烤烟烟叶厚度近红外校正模型的效果。结果表明:模型的输入变量数由1 543个降低到180个,决定系数由0.846提高到0.941;适宜主成分数由10降低到6,校正标准误差和交互验证均方根误差分别降低了0.003 4和0.010 3。采用30个外部样品对模型进一步进行验证,模型的验证标准误差和验证标准误差的偏差由0.018 2降低到0.001 1,在α=0.05显著水平,两个模型预测值与实测值间均不存在显著差异,采用CARS筛选特征变量近红外模型预测值与实测值间的差异性更小。CARS筛选特征变量提高了烟叶厚度近红外校正模型的稳定性和预测准确性。     

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。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

不同产地马铃薯主要成分的近红外无损测定模型

收集全国6个省(区)不同品种和分级的36份马铃薯(Solanum tuberosum L.)样品,以精确化学方法测定的成分含量值为依据,利用偏最小二乘回归法(PLS)建立马铃薯水分、还原糖和淀粉含量的近红外无损测定模型。结果表明,建立的马铃薯水分、还原糖和淀粉模型的决定系数(R2)分别为0.88、0.84和0.92,交互验证均方根误差(RMSCV)均小于1,验证集标准偏差与预测标准偏差的比值(RPD)均大于2.5。通过外部验证发现,模型预测的各成分含量决定系数R2均大于0.9,预测值与实测值的相对偏差较小。     

近红外光谱法测定土壤全氮和碱解氮含量

为探寻采用近红外光谱技术在野外快速测定土壤全氮和碱解氮含量的方法,采集土壤光谱信号,结合偏最小二乘法和主成分分析法,分别建立土壤全氮和碱解氮含量测定的定标模型。结果表明,采用PLS方法建模时,土壤全氮和碱解氮含量测定定标模型的精度较高。为提高模型的预测精度,采用多元散射校正、标准归一化、基线校正、卷积平滑和小波变换5种方法对光谱信号进行预处理,当用小波变换法对光谱信号进行去噪处理,并与PLS方法结合时,模型的预测精度最高,土壤全氮样品校正模型的相关系数为0.838 5,均方根误差为0.153 1,对应验证模型的相关系数为0.754 9,均方根误差为0.184 2,校正集和验证集土壤全氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.685 8x+0.198 0和y=0.621 4x+0.237 9;土壤碱解氮样品校正模型的相关系数为0.866 5,均方根误差为0.007 7,对应验证模型的相关系数为0.796 1,均方根误差为0.009 4,校正集和验证集土壤碱解氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.749 8x+0.019 4和y=0.700 7x+0.023 3。综合分析结果表明,应用近红外光谱技术对土壤全氮和碱解氮含量进行定量预测是可行的,且应用小波变换方法对光谱冗余信息进行预处理后,再与偏最小二乘法相结合可有效地提高模型的精度。     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

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。     

赣南脐橙可溶性固形物近红外光谱在线无损检测

通过应用近红外漫透射光谱技术结合最小二乘支持向量机等算法,探索脐橙可溶性固形物含量在线无损检测的可行性。139个样本被分成建模集和预测集(103∶36),分别用于建立检测模型和验证检测模型的预测能力。漫透射近红外光谱,经过一阶微分、多元散射校正和移动窗口平滑组合预处理后,分别建立了偏最小二乘、偏最小二乘支持向量机模型,经比较发现,偏最小二乘支持向量机模型的预测能力更强,模型预测的均方根误差和相关系数分别为0.6423%、0.9059。通过对比发现,主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。结果表明:采用近红外漫透射光谱技术结合最小二乘支持向量机算法能够很好地实现脐橙可溶性固形物含量的在线无损检测。     

基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量

森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。     

近红外透射光谱法快速测定瓶装醋中挥发酸含量的研究

采用近红外光谱直接对瓶装醋进行透射检测。结果发现,玻璃包装对入射光源强度影响很大。采用室内外置光源解决此问题,在850～2000nm的波长范围内,采用偏最小二乘方法（PLs）对醋中的挥发酸含量进行了定量预测。结果表明,原始光谱结合PLs方法可以很好地预测瓶装醋中的挥发酸含量,校正样本和预测样本的相关系数分别为0．98、0．97;校正样本和预测样本的标准偏差分别为o．776、0．878。此外,对挥发酸含量起主要作用的波段主要集中在900nm和1100nm左右。     

基于近红外光谱法预测杨木的综纤维素含量

为快速测定人工林杨木的综纤维素含量,按国家标准测定了42 个杨木木材样品的综纤维素含量,并用近红 外光谱仪测定相应的光谱。在350 ~ 2 500、1 300 ~ 2 050、2 050 ~ 2 500 nm 3 个不同的光谱区域,采用未处理、 Baseline、一阶导数、二阶导数等光谱预处理方法,再用PLS1、PLS2、PCR 3 种不同建模方法建立相应的校正模型与 交互验证模型。结果表明:当光谱区域为1 300 ~2 050 nm、光谱数据未进行预处理、采用PLS1 的建模方法、主成分 数为8 时,建立的校正模型有最佳预测效果;采用建立的模型对未参与建模的样本进行预测,预测结果与实测结果 间的相关系数为0.818 8。      

光谱预处理对近红外光谱无损检测番茄可溶性固形物含量的影响

为了探索适合近红外光谱无损检测番茄可溶性固形物含量的光谱预处理方法,比较了平均光谱和10种光谱预处理方法对偏最小二乘法建模效果的影响,常数偏移消除预处理后的光谱,所建偏最小二乘法校正模型的预测值和实测值的相关系数为0.954,校正标准差为0.321%,最能代表番茄可溶性固形物含量信息的光谱区为11998.9～5449.8cm-1和4601.3～4246.5cm-1.结果表明常数偏移消除是近红外光谱无损检测番茄可溶性同形物含量的有效预处理方法.     

近红外光谱法检测鸡、鱼肉加热终点温度

【目的】在肉制品生产中,加热终点温度（endpoint temperature,EPT）是控制食源性疾病的关键因素。现有的EPT检测方法诸多,如酶活性测定法,凝血试验和聚丙烯酰胺凝胶电泳（SDS-PAGE电泳）法等,但普遍存在耗时、样品处理繁杂等不足。采用近红外光谱（near-infrared spectroscopy,NIR）结合偏最小二乘法（partial least squares,PLS）检测鸡、鱼肉加热终点温度,为研究近红外光谱法检测肉类EPT的可行性提供参考。【方法】分别将肉样以1℃·min^-1的升温速率进行9个不同温度的加热处理（50、55、60、65、70、75、80、85和90℃）,当达到终点温度时,迅速取出,冰水冷却到4℃。冷却后的肉样和释放的肉汁同时放到均质机中,均质1 min,绞碎成肉糜状。均质后的肉样存放于4℃的冰箱中,共制得144个样品（鸡、鱼肉样品数分别为77和67）。在近红外光谱仪上,采用硫化铅（PbS）检测器和旋转样品池,每个样品连续采集光谱3次,在11 000-4 000 cm^-1波数范围内,以8 cm^-1的分辨率扫描64次。将所采集的鸡、鱼肉的光谱数据分别随机分为校正集（样品总数108,其中鸡肉样58,鱼肉样50）和检验集（样品总数36,其中鸡肉样19,鱼肉样17）,校正集用于校正模型的建立,检验集用于检验模型的预测能力。在建立模型时,采用标准正则变换、一阶微分和Norris Derivative滤波平滑（N-D）3种方法结合对原始光谱进行处理,采用内部交叉验证均方差（cross-validation mean square error,RMSECV）确定主成分数,利用模型对检验集样品的预测均方差（prediction mean square error,RMSEP）、预测值与实测值间的相关系数r及预测标准差σ考察模型的预测性能。【结果】采用校正集的内部交叉验证均方差（RMSECV）确定鸡肉、鱼肉的主成分数分别为9和11,此时校正集的RMSECV值最小,分别为1.59%和0.96%;所得校正模型的预测温度与实际加热温度之间的相关系数分别为0.9844和0.9936;由所建模型对检验集样品的检验结果可看出,实际加热温度与近红外模型预测的加热温度具有很高的相关性,预测值的相关系数r分别为0.9966和0.9832;预测均方差RMSEP分别为3.02%和2.94%;预测标准差σ为0.97和1.63。【结论】本研究所建模型具有很好的预测性能,近红外光谱用于肉制品EPT检测具有很大潜力。     

基于近红外光谱技术的大米掺伪定量判别

针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。     

基于近红外光谱的反刍动物饲料营养指标的检测方法研究

收集了151个反刍动物饲料,应用偏最小二乘(PLS)定标方法,建立了基于近红外光谱的反刍动物饲料化学成分定标模型。定标集化学分析值与预测值之间的决定系数R2和标准差(RMSEC)分别为:0.927 3和0.265(水分)、0.928 9和0.682(粗蛋白质)、0.950 5和0.228(粗脂肪)、0.906 0和0.542(粗灰分)、0.919 8和0.558(粗纤维)。验证集化学分析值与预测值之间的决定系数r2和标准差(RMSEP)分别为:0.920 6和0.284(水分)0、.919 4和0.690(粗蛋白质)、0.926 4和0.312(粗脂肪)、0.943 4和0.437(粗灰分)、0.903 5和0.616(粗纤维),相对分析误差(RPD)均大于3,具有较高的预测精度。结果表明,利用近红外光谱反射光谱分析技术可以定量检测反刍动物饲料中水分、粗蛋白质、粗脂肪、粗灰分、粗纤维的含量。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

相关成分分析法在大米直链淀粉波长选择中的应用

为挑选信息含量大、与样品组成或性质相关性较强的光谱区域参与建模,以提高校正模型的精度,采用相关成分分析法对大米直链淀粉的近红外光谱进行分析。结果表明:采用相关成分分析法进行波长选择后,建模波长点数减少为波长选择前的22%,模型预测值与标准值的相关系数R由0.921 2提高到0.973 0,交叉验证标准差(SECV)由3.404 3减小为1.977 4,预测标准差(SEP)由4.810 0减小为1.900 0,模型的预测能力得到显著提高。     

A NIR Technique for Rapid Determination of Soil Mineral Nitrogen

The objective of this investigation is to determine the possibility of rapidly sensing soil mineral-N content using near infrared (NIR) reflectance. Simulation studies were conducted to determine the ability of Partial Least Squares (PLS) and Principal Components Regression (PCR) techniques to relate NIR spectral data to soil nitrate content in the presence of interfering effects and experimental noise. The simulation studies revealed that both PLS and PCR techniques were quite robust in predicting soil nitrate content provided the calibration set included the same interfering effects. These techniques failed completely if the prediction set contained interfering effects which were not included in the calibration set. This implies that a site-specific calibration is necessary for this technique to work successfully. Laboratory tests using Yolo loam and Capay clay soil samples as well as verification tests using field soils (Yolo loam and Capay clay) mixed with nitrogen fertilizer indicated that soil mineral-N content can be determined using the NIR technique provided site-specific calibration is used.