近红外光谱在转基因农产品检测中的研究进展

简述了近年来近红外光谱分析技术在农产品和食品定量分析中的应用,重点介绍了近红外光谱分析在转基因植株筛选以及转基因和非转基因农产品分类和识别等方面的研究现状,比较和分析了近红外光谱与传统的转基因农产品检测方法的特点,并展望了近红外光谱分析技术在转基因农产品检测研究中的发展前景。     

玉米叶绿素含量高光谱反演的线性模型研究

叶绿素含量是衡量植被生长状况的一个重要指标,高光谱数据具有较高的光谱分辨率,利用其光谱信息建立叶绿素含量的关系模型,已成为监测植被长势的一种有效手段。传统叶绿素含量线性回归模型的输入因子是植被特征提取参数,由于高光谱数据波段间的冗余度较高,导致一般的线性模型的反演精度较低。主成分分析可以减少数据的维数,简化网络结构,得出能反映原始信息的综合变量。本文以盆栽玉米为研究对象,利用植被特征和主成分分析方法提取光谱反演参数,根据所提取的参数建立玉米叶片叶绿素含量的一元线性和多元线性回归模型。结果表明,利用绿峰峰值和近红外反射率均值两参数可在一元线性模型中较好地反演玉米叶片叶绿素含量;而利用分波段提取的主成分能够在多元线性回归模型中更好地反演叶绿素含量,反演精度较高。     

甘蔗蔗汁锤度和还原糖分傅立叶变换近红外定量分析数学模型

以傅立叶变换近红外光谱技术为基础，采用透射测定方式和PLS算法，建立蔗汁锤度和还原糖分定量分析数学模型．蔗汁锤度和还原糖分预测数学模型的决定系数(R^2)分别为0．9990和0．9953，均方根差分别为0．1150％和0．0722％，预测误差接近常规分析方法的误差．     

现代分析技术在蜂蜜质量检测中的应用（上）

对现代分析技术在蜂蜜质量检测中的应用情况进行了综述。运用现代分析方法 ,如色谱分析法、光谱分析法、电化学分析法、质谱分析法等可测定蜂蜜中一些非常规成分 (酶类、黄酮类、芳香性成分、微量元素等 ) ,可检测农药、抗生素等有害物质残留 ,鉴别真假蜂蜜。这些方法具有操作简便、分析速度快、灵敏度高、检出限量低、选择性好等特点。     

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。     

干旱胁迫对3种冷季型草坪草光谱反射率及生理特征的影响

为探讨高光谱分析技术在草坪草水分监测上的应用,以草地早熟禾、高羊茅、多年生黑麦草为试验材料,测定了干旱胁迫下3种冷季型草坪草生理指标及光谱反射率。结果表明:随着干旱胁迫程度的加深,供试草坪草叶片相对含水量和叶绿素含量显著下降(P0.05),丙二醛含量、脯氨酸含量及敏感波段的(550和760 nm)的光谱反射率显著上升(P0.05),3种草坪草抗旱性能的强弱顺序为:高羊茅多年生黑麦草草地早熟禾。3种草坪草敏感波段光谱反射率(R_(550 nm),R_(760 nm))及高光谱参数(Rg,R0,GNDVI)与生理指标间呈显著或极显著相关,以R_(550 nm)与生理指标间的相关系数绝对值最大。同时R_(550 nm)构建了供试草坪草生理指标的估测模型,经检验,模型估测值与实测值相关性达显著或极显著水平。     

紫色土光谱特征及其碱解氮的预测研究

文章分析探索了应用可见近红外光谱技术快速、高效、便捷测定土壤营养参数的可能性。采集蓬莱镇组紫色土样本,比对分析了不同肥力水平、土壤厚度和土壤粒径条件下采集土壤光谱对可见近红外光谱特征的影响,筛选出不同厚度、粒径土壤条件下的碱解氮含量预测模型。研究结果表明,土壤样本厚度为30mm时具有最大的光谱反射率,建立的氮含量预测模型效果最佳,校正集和验证集的相关系数分别为0.84和0.83,均方根误差分别为1.79和1.87。土样粒径在0.25-0.85mm时氮含量的预测效果最佳,校正集和验证集的相关系数均超过0.8,且均方根误差较小;但当土样粒径<0.25mm时,氮含量预测模型效果明显下降。采用20目（<0.85mm）过筛、30mm厚度土壤样本采集可见近红外光谱和偏最小二乘法（PLS）模型预测,可以实现对蓬莱镇组紫色土碱解氮含量的较好光谱预测。     

基于神经网络的小米产地鉴别研究

小米的品质与产地息息相关,产地不同可能导致小米品质存在差异。为了实现小米产地的快速、精确鉴别,保护优质小米的品牌效益,以6种不同产地的小米为研究对象,将近红外光谱分析技术与反向传播（Back-propagation,BP）神经网络相结合建立小米产地鉴别模型,使用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling,CARS）算法提取特征波长变量,并在此基础上建立CARS-BP模型,之后将CARS-BP模型与全谱BP神经网络模型、支持向量机（Support Vector Machine,SVM）、偏最小二乘法（Partial Least Square,PLS）、K最近邻（K-Nearest Neighbor,KNN）分类算法进行比较,对比5种模型鉴别的准确率。结果表明：CARS-BP模型对6种产地小米样品的产地鉴别平均准确率达98.1%,优于SVM、PSL和KNN模型。     

基于高光谱数据的互花米草营养成分反演

  目的  粗蛋白、粗纤维和粗脂肪含量是决定草本质量的指标之一,研究以江苏大丰麋鹿国家级自然保护区（核心三区）内的互花米草为对象,结合高光谱数据和实测数据,找到光谱数据与互花米草营养成分的关系,建立相应的营养成分估测模型。  方法  在2018年3、5、7和10月,利用ASD Field Spec Pro FR2500高光谱仪采集互花米草叶片的光谱数据,同时采集互花米草叶片,测定其粗蛋白、粗纤维和粗脂肪含量,对原始反射率及其一阶导数和互花米草粗蛋白、粗纤维和粗脂肪含量实测值之间进行相关性分析,在350 ~ 1 364 nm和1 411 ~ 1 799 nm的范围内选取与互花米草各营养成分含量的相关系数绝对值大于0.7的波段,同时构建选定的8个植被指数,进行建模分析,筛选出最优模型。  结果  粗蛋白的估测模型以673 nm和1 740 nm处的光谱一阶反射率的多元线性估测最优（R2 = 0.917,RMSEP = 1.344）;粗纤维的估测模型以1 738 nm处的光谱一阶反射率的线性估测最优（R2为0.741,RMSEP为1.708）;粗脂肪含量的估测模型以1 734 nm和880 nm处的光谱一阶反射率的多元线性估测最优（R2 = 0.737,RMSEP = 0.343）。  结论  在构建的估测模型中,粗蛋白和粗纤维的估测模型对互花米草粗蛋白和粗纤维含量的估测结果极好,粗脂肪含量的估测模型可以对互花米草粗脂肪含量做出很好的预测。研究结果为评估互花米草营养质量提供参考和技术依据。      

小麦冠层光谱获取及信息分析综述

高光谱技术可以快速、准确监测作物的生长信息,小麦冠层光谱与其叶片的叶绿素等生长信息密切相关,同时利用光谱信息可以监测作物的产量、籽粒信息等。介绍了高光谱数据的3种采集方式,综述了利用高光谱数据监测小麦的生长状况(叶绿素、叶面积指数、叶片氮素含量)以及小麦产量、籽粒及病害等相关应用领域研究,并提出了作物冠层光谱分析存在的问题以及下一步发展方向。