水稻蛋白质含量NIR模型适配范围的研究

【目的】比较不同类型样品建立水稻蛋白质近红外模型的效果和适配范围。【方法】通过对178份来自“II-32B/岳早籼6号”的重组自交系和496份水稻品种的近红外反射光谱的比较分析，选择其中59个株系和76份品种作为建模样品，采用偏最小二乘法建立基于品种、重组自交系和混合样品的3个蛋白质含量回归模型。【结果】经模型内部交叉验证和对模型外部重组自交系和品种样品的验证结果的比较分析，发现基于分离群体的模型因蛋白质含量范围较窄，样品来源较单一，适应范围仅局限于本群体内样品蛋白质含量预测，而品种和混合模型对群体和品种样品都表现出良好的适应能力，交叉验证决定系数大于0.90，外部验证决定系数大于0.89, 本试验可为近红外建模的样本集选择提供良好的指导意义。【结论】不同类型样品对建模效果有显著影响，品种模型和混合模型的适配范围显著大于群体模型，研究结果不能支持用背景变异较小的样品建立较高精度回归模型的设想。     

基于近红外光谱技术的杉木总酚含量模型构建与应用

【目的】木样总酚含量化学测定耗时长、过程复杂,建立杉木木样总酚含量的快速无损检测模型,对实现木材无损检测及木材腐朽预测具有重要意义。【方法】试验以114个杉木(Cunninghamia lanceolata)木样为研究对象,用福林酚法测定样品总酚含量,利用MPA傅立叶变换光谱仪对杉木木材进行漫反射光谱数据采集。将木样分为校正集和验证集,通过不同光谱预处理方法和建模方法建立总酚的定量模型,选择出最优模型并用验证集对其进行验证。【结果】测定的114个杉木木样中总酚含量变异幅度大,可用于构建近红外模型。对114个杉木木样进行近红外光谱扫描,得出建模光谱范围为9403.9～7498.4 cm^-1、6102.1～5446.4 cm^-1及4605.5～4242.9 cm^-1。对杉木木样的近红外光谱进行预处理,得出最优组合：标准正态变量转换法(SNV)和一阶导数,采用偏最小二乘回归法(PLS)建立模型最优。校正集和交叉验证集的决定系数分别是0.8679和0.7549;校正均方根误差(RMSEE)和交叉验证均方根误差(RMSECV)分别...     

应用近红外光谱和化学计量法测定甜玉米种子活力

【目的】建立一种利用近红外光谱和化学计量学检测甜玉米种子活力指数的方法,为种子批量无损筛选提供新方法。【方法】在反射和透射模式下分别收集甜玉米种子的近红外光谱,采用主成分分析和蒙特卡罗交叉验证方法对异常值进行识别与剔除;选取最合适的预处理方法和变量选择方法,建立并选取最优偏最小二乘法预测模型。【结果】对于漫反射活力指数定量分析模型,采用532份样品进行建模研究,其最佳预处理方法为多项式平滑导数(Savitzky-Golay derivative,SG)+均值中心化(Mean Center,MC),最佳变量选择方法为竞争自适应重加权抽样(Competitive adaptive reweighted sampling,CARS),其模型的性能参数校正相关系数(R_c)、交互验证相关系数(R_cv)、预测相关系数(R_p)、校正均方根误差(RMSEC)、交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.826、0.783、0.663、0.137、0.151和0.199。对于透射活力指数定量分析模型,采用41...     

水稻品种直链淀粉含量、糊化温度和蛋白质含量的稳定性分析

 利用AMMI模型对18个水稻品种的直链淀粉含量（AC）、糊化温度（GT）和蛋白质含量（PC）进行两年三点的稳定性分析，并以AC、GT和PC的表型值及相应的稳定性参数（Di）为性状指标，对供试品种进行聚类分析和评价。结果表明，稻米AC、GT和PC在不同品种和环境间的差异以及G×E互作效应都达到极显著水平（P<0.01）；3项品质性状的稳定性随品种不同而变化较大（0.15≤Di≤2.68），AC、GT和PC稳定性都高的品种仅有W002；综合考虑AC、GT和PC等3项品质性状的表现、稳定性、产量水平等因素，W002、广陵香粳、早丰九号和南京16号等品种可作为育种亲本，以改良水稻品种食味品质及其稳定性。     

Analysis on Stability of AC, GT and PC in Rice Varieties (Orzya sativa L.)

The investigation of rice varieties stability for amylose content (AC), gelatinization temperature (GT) and protein content (PC) was carried out using additive main effects and multiplicative interaction (AMMI) model in three locations and two years. Eighteen tested varieties were further clustered and evaluated based on the phenotypic values of three quality traits and their Di values from the AMMI analysis. The results showed that the genotype by environment interactions, the differences of phenotype and stability of AC, GT and PC among different genotypes and environments were all significant at 1% level. Also, only one variety, W002, had high stability for all the three quality traits. Additionally, in consideration with the phenotype of AC, GT and PC, and their stability in rice varieties, etc., four rice varieties, W002, Zaofeng 9,Guangling Xiangjing and Nanjing16, could be also applied as breeding parents to improve eating quality and stability of rice.     

可见近红外漫反射光谱法测定赣南脐橙的表面色泽

[目的]建立赣南脐橙颜色指标定量数学模型,探索用颜色进行水果分级的新方法。[方法]采用色差计来测量50个赣南脐橙样本的表面颜色,用近红外漫反射光谱并结合多元校正算法偏最小二乘法(PLS),建立了赣南脐橙颜色指标L、a、b的定量模型。[结果]在全波段范围内,原始光谱所建模型最佳,其颜色指标L所建校正模型相关系数(r)为0.933,预测均方根偏差(RMSEP)为1.330,完全交互验证相关系数(rcross)达0.926;颜色指标a所建校正模型相关系数为0.970,预测均方根偏差为1.524,完全交互验证的相关系数达0.967;颜色指标b所建校正模型相关系数为0.893,预测均方根偏差为2.676,完全交互验证的相关系数达0.875。[结论]原始光谱所建模型最好,但其模型的校正均方根偏差和完全交互验证均方根偏差都偏高。     

基于近红外光谱技术的红枣水分无损检测

目的 基于近红外光谱技术的红枣水分无损检测,为红枣水分含量模型建立提供科学依据。方法 以塔里木大学园艺试验站红枣资源圃中的脆熟期馒馒枣和保德油枣的果实为试材,采用传统烘干法测定枣果实水分含量,并通过近红外光谱分析仪进行枣水分无损检测。对2个品种样本光谱进行样本集划分并使用预处理的方法Savitzky-Golay平滑法和偏最小二乘回归分析法(PLS)。结果 建立了含水量定量检测分析模型。共获得212个样本,馒馒枣和保德油枣分别为100和112个,2个品种随机校正模型为75和84个,验证模型分别为25和28个,用外部证实法建立样品校正模型和验证模型。建立光谱模型将试验组分别分为红枣含水量校正模型和验证模型。所建2种红枣水分检测模型中SEC(校正集标准偏差)值分别为1.01%和1.29%;SEP(预测标准偏差)值为1.65%和1.41%,2种红枣的校正集与验证集交互相关系数分别为0.878和0.883。结论 以S-G平滑法对光谱数据预处理,以偏最小二乘进行回归分析(PLS)。建立含水量定量检测分析模型对红枣进行水分检测,水分真实值和预测值的交互相关系数均高于0.850。2个品种校正模型和验证模型差异较小均在0.5%左右,建立了红枣近红外光谱和水分含量之间的对应关系。     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测

【目的】及时、有效地预测籽粒蛋白质含量,能够为优质小麦品种的收购和加工提供科学合理的决策支持信息。本研究从籽粒蛋白质形成的氮素运转规律出发,研究冬小麦籽粒蛋白质遥感预测的可行性及在区域与年际间的扩展性,为高分辨率遥感卫星进行大面积蛋白质预测提供理论依据。【方法】利用2012-2013年4个冬小麦品种×4个氮肥梯度的试验数据和地面高光谱数据进行建模;基于小麦籽粒蛋白质形成的氮素运转机理,通过分析籽粒氮素累积量的两个主要来源及其之间的比例关系,重点抓住开花前的植株氮素累积量再运转这一主要来源,而灌浆期根际的氮素直接吸收则通过其与前者的比例关系来确定,通过相关农学参数模型的耦合,同时加入温度影响因子对籽粒氮素运转的影响,初步阐明了利用开花期小麦叶片氮含量可以预测籽粒蛋白质含量的应用机理;然后选择与叶片氮含量相关的植被指数,利用灰色关联分析-偏最小二乘算法（GRA-PLS）选择与叶片氮含量关联度较高的植被指数并进行小麦叶片氮含量的估算,通过与氮素运转模型的耦合构建了基于氮素运转原理的籽粒蛋白质含量遥感预测模型;最后利用2009-2010年的品种×播期×肥料试验和2012-2013年的其他品种氮肥处理试验进行验证。【结果】（1）通过GRA方法对叶片氮含量和植被指数间的关联度进行计算,选择关联度较大的前5个植被指数进行叶片氮含量建模,其植被指数分别为mND705、NDVIcanste、Readone、DCNI和NDCI;（2）通过PLS方法构建的叶片氮含量模型,建模结果的预测值与实测值的决定系数（R2）和均方根误差（RMSE）分别为0.859和0.257%,验证结果的R2和RMSE分别为0.726和0.063%,利用GRA-PLS方法估算叶片氮素含量具有较好的稳定性;（3）构建的蛋白质预测模型,建模结果和验证结果的预测值与实测值的R2和RMSE分别为0.713、1.30%和0.609、1.19%,预测模型具有较高的精度与可靠性。【结论】基于氮素运转规律构建的小麦籽粒蛋白质含量遥感预测模型,可以作为应用开花期遥感信息来预测籽粒蛋白质含量的机理性解释,初步实现了本研究区域和年际间的籽粒蛋白质含量预测,具有一定的应用前景。     

甘蓝型油菜茎秆纤维组分含量和木质素单体G/S 近红外模型构建

【目的】探索近红外光谱分析技术在甘蓝型油菜茎秆纤维组分含量及木质素单体G/S测定中应用的可能性。【方法】采集近红外光谱,根据马氏距离GH（Global H）筛选出103份纤维组分含量材料和75份木质素单体G/S材料作为定标样品,采用Van Soest法和GC-MS法对茎秆纤维组分含量和木质素单体比例进行测定,统计结果表明定标样品化学测定值变异范围较大,3次重复差异较小,可用于近红外模型构建。运用不同光谱预处理方法和化学计量学方法建立校正模型,对比各模型性能参数,筛选出最优定标模型并用检验集对模型进行验证。【结果】采用修正偏最小二乘法（MPLS）建立模型最佳。中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）、酸性洗涤木质素（acid detergent lignin,ADL）与木质素单体G/S的交叉验证相关系数（1-VR）分别为0.864、0.861、0.872和0.920,定标相关系数（RSQ）分别为0.892、0.891、0.907和0.953。用检验集对模型进行验证,NDF、ADF、ADL及木质素单体G/S模型的外部检验相关系数（RSQ）分别为0.837、0.818、0.870和0.935,其预测标准差（SEP）为0.680、0.636、0.348和0.054。【结论】试验所建模型质量较好,能快速测量茎秆纤维组分含量和木质素单体G/S,可为油菜抗病抗倒伏育种研究提供技术支持。     

近红外漫反射光谱法测定青贮玉米品质性状的研究

【目的】研究利用近红外漫反射光谱法（NIDRS）测定青贮玉米的体外干物质消化率 (IVDMD)、中性洗涤纤维(NDF)、酸性洗涤纤维 (ADF)、粗蛋白（CP）和粗脂肪（EE）含量的可行性。【方法】以普通、高油和超高油玉米全株和秸秆的青贮样为材料，采用光谱的主成分空间技术和偏最小二乘回归法（PLS）。【结果】所建立的IVDMD、NDF、ADF、CP和EE的校正模型的交叉验证决定系数(R2cv)分别为0.9133、0.9764、0.9789、0.9254和0.7294，外部验证决定系数(R2val)分别为0.8879、0.9455、0.9635、0.9387和0.7333，各项误差(RMSEE、RMSECV和RMSEP)为0.24(CP)～2.23(NDF)。【结论】利用近红外漫反射光谱法测定青贮玉米品质性状是完全可行的，该结果可满足畜牧业对青贮饲料品质快速分析的需要，对青贮玉米育种材料的快速鉴定筛选具有重要的意义。     

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.     

大豆杂交后代籽粒蛋白质和脂肪积累模式与亲本相异性分析

 【目的】本研究拟通过对3个基因型亲本和其杂交后代籽粒蛋白质和脂肪积累模式的对比分析,以了解大豆种子发育过程中碳分配规律与杂交后代籽粒蛋白质含量分异的相关关系,为未来大豆优质育种提供参考。【方法】以3个基因型大豆（Glycine max L. Merr：高蛋白品种PI153.217（H）、低蛋白品种PI294.372（L）和高产低蛋白品种 Evans (E)）为亲本进行两两杂交（H×E,L×E）后,从H×E杂交组合中选出高蛋白品系RIL（HH）和低蛋白品系RIL(HL),从L×E杂交组合中选出高蛋白品系RIL(LH)和低蛋白品系RIL（LL）。将亲本和杂交后代种子同时种植在试验地,在开花后的第18天开始,每隔5 d采收一次豆荚直到种子成熟,并分析不同时间收集的种子组分。【结果】亲本H和L种子生育期短（开花后48 d）,但生长快。高产品系E（植株高大,每株上的豆荚数多）生育期较长（开花后60 d）,生长速率较低。杂交后代RIL（HH）生长模式与H相同,RIL（LL）与L和E的相同。不同基因型亲本蛋白质和脂肪积累模式主要在发育的中晚期不同。在种子生长的中晚期,H蛋白质持续快速积累到种子成熟,Ｌ和Ｅ相对积累较慢;开花后40 d H脂肪积累达到最高,而L和E仍缓慢积累。不同杂交组合的高蛋白品系HH（70）和LH（372）种子脂肪和蛋白质积累模式和H亲本相似,低蛋白品系LL（389）和HL（42）和E亲本相似。同一杂交组合蛋白质含量发生分异的杂交后代HH（70）保持了与H一样的脂肪和蛋白质积累模式,HL（42）趋向与和E一样脂肪积累模式。【结论】种子发育过程中碳分配趋向决定着成熟种子蛋白质和脂肪含量,杂交后代中蛋白质含量的分异与中晚期种子发育过程中碳分配途径变化密切相关。为此,了解种子发育过程中碳分配基因调控机理对提高大豆种子蛋白质含量十分重要。     

小麦RILs群体籽粒灌浆与粒形、粒重的关系

分别以豫麦8679/和尚麦及京411/红芒春21为亲本构建2个重组自交系群体(简称群体1和群体2),研究2个群体籽粒大小、籽粒密度、灌浆与千粒重的关系.结果表明,2个群体中粒长、粒宽、粒厚、籽粒密度与千粒重均呈极显著的正相关.其中粒长与千粒重的相关性最好,在群体1中为0.732**,群体2为0.936**.其次是粒宽和粒厚,说明本研究中粒重主要决定于籽粒大小.籽粒密度也与千粒重呈极显著正相关(群体1为0.503**;群体2为0.264**),但相关性较粒长、粒宽低.群体1籽粒灌浆过程中,其鲜重/干重的平均增重速率与粒长(0.484**/0.578**)、粒宽(0.352**/0.428**)、粒厚(0.373**/0.402**)、密度(0.344**/0.358**)、千粒重(0.500**/0.642**)都具有较好的相关性.花后10～15 d籽粒鲜重/干重增重速率与粒长、千粒重存在显著相关性(0.373**/0.280**,0.435**/0.328**);花后25～30 d籽粒干重的增重速率与粒长、粒厚、籽粒密度及千粒重也呈显著或极显著正相关.说明籽粒发育过程中,干、鲜重的平均增重速率与粒形、粒重密切相关.     

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。     

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。     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000 cm~(-1)波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8,外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

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.     

基于辅助变量和回归径向基函数神经网络(R-RBFNN)的土壤有机质空间分布模拟

为快速准确地获取土壤有机质的空间分布状况,以江西省万年县齐埠镇为例,运用四方位搜索法、地统计学和遥感影像分析技术提取环境因子和邻近信息,构建基于环境因子和邻近信息的回归克里金法(RK)和回归径向基函数神经网络法(R-RBFNN),对齐埠镇耕地表层(0~20 cm)土壤有机质空间分布进行模拟,并与普通克里金法(OK)相比较。结果显示:齐埠镇耕地表层土壤有机质含量在17.30~53.58 g·kg^-1,平均值为35.03 g·kg^-1,变异系数为23.61%,呈中等变异性。半变异函数分析显示,土壤有机质的块金效应值为0.59,表现为中等空间相关性,自相关范围较大。利用62个采样点进行建模、16个采样点进行独立验证,误差分析表明,应用环境因子和邻近信息作为辅助变量的RK和R-RBFNN预测结果的均方根误差、平均绝对误差、平均相对误均差较OK降低,测试集中的相对提高度分别为66.67%和71.79%,显示出较高精度。但R-RBFNN无须计算半方差函数,使用简单,因此更具优势。     

基于光谱技术和SIMCA方法的润滑油鉴别

采用可见-近红外反射光谱结合独立软模式法(SIMCA)建立了不同品牌种类的发动机润滑油鉴别模型。研究在对光谱曲线进行预处理和聚类分析后,选取7个主成分作为SIMCA的最佳主成分,随机采用20×7个样本作为建模样本,其余的10×7个样本作为预测样本,应用SIMCA进行分类,在显著性水平为5%下,其预测分辨率为98.75%。根据变量建模能力值,找到敏感波段420~425 nm、492~518 nm和796~816 nm,并将相应波段的光谱值作为SIMCA的输入,进行建模预测,结果发现,预测分辨率达95.71%,能快速正确区分7类不同品种的发动机润滑油。