基于近红外光谱法的紫花苜蓿品质综合评价

探索近红外光谱法测定紫花苜蓿品质的可行性,采用近红外光谱法与常规方法对8个紫花苜蓿品种(系)的粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维、中性洗涤纤维、钙、磷和干物质等8项指标进行测定。利用配对T检验、多重比较和回归分析等方法检验近红外光谱法测定结果的可行性,运用灰色关联度分析对苜蓿品质进行综合评价。结果表明,粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维、磷和干物质等6项指标用近红外光谱法测定可信度较高。紫花苜蓿品质评价指标可简化为粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维和干物质等5项。灰色关联度分析综合表现较好的苜蓿品种(系)有WL358、WL440HQ、WL656HQ和WL366HQ。     

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。     

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。     

近红外光谱法同时分析油菜9种品质参数的研究

应用近红外光谱技术(NIRS)对油菜种子9种主要品质参数进行了分析研究,并建立了数学模型。内部交叉验证结果表明,油菜种子油酸、亚油酸、亚麻酸、芥酸和饱和脂肪酸的决定系数R2分别为98．97％, 93．02％,86．49％,99．53％和84．78％,均方差分别为2．20,1．12,0．46,1．51和0．29;油菜种子含水量、含油量、硫苷和蛋白质含量的R2分别为99．64％,98．91％,82．46％-98．40％和89．32％,均方差分别为0．23,0．39,2．59- 13．50和0．74。对于含量较小而极差较大的硫苷采用分段建模,可提高分析结果的准确性。外部检验结果表明:各参数近红外预测值和标准方法之间的相关系数高达0．883-0．992;平均相对误差较小,为2．62％-8．19％;t测验差异不显著。研究表明NIRS技术具有检测快速、结果准确、制样简便、无污染和无损伤等优点,已经应用于油菜种子品质分析,并且分析参数还可以扩展。     

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。     

近红外反射光谱(NIRS)技术分析奶粉品质的研究

奶粉中蛋白质和脂肪是影响奶粉营养品质的主要因素,利用近红外反射光谱分析技术对来自国内不同地区的奶粉共900份样品进行蛋白质和脂肪成分测定分析。研究了不同的样品数日、光谱预处理和散射校正技术对发展奶粉近红外测定定标模型的影响。结果表明．在样品数目为200—400范围内建立的定标分析模型较理想;数学预处理中以一阶导数较好,且以“1,4,4,1”的处理组合最为理想;光谱散射校正中采用“标准正态变量转换(SNV) 趋势变换法(De—trending)”的组合建立回归方程效果较好。利用改进最小二乘法回归技术(Modified PLS)建立多种定标模型,并进行交叉验证(cross—Validation)来分析各种因素对定标模型的影响。同时筛选出较理想的蛋白质和脂肪定标分析回归方程,其中蛋白质和脂肪含量的相关系数高速0．973和0．850。探讨了NIRS技术在建模应用中的一些影响因素,以及由NIRS技术建立奶粉分析模型用于快速分析和在线检测的可行性。     

普通玉米主要营养品质性状的遗传效应分析

用13个普通玉米自交系按NCⅡ设计（7×6）研究了普通玉米主要营养品质性状的遗传效应。结果表明，普通玉米主要营养品质性状的遗传受种子二倍体胚、三倍体胚乳、细胞质和二倍体母体植株4套遗传体系的控制；主要品质性状4套遗传体系的效应值之间无太大的差异，蛋白质、淀粉和赖氨酸含量的胚遗传效应全部体现为胚加性遗传效应，而4种品质性状的胚乳遗传效应则全部由胚乳显性遗传效应构成；母体遗传效应主要表现为母体加性效应；遗传效应预测值表明亲本9636、99S2041-1-1-1和478在普通玉米品质改良中可能有一定的应用潜力。结果还发现，不同品质性状间存在不同程度的遗传相关，因此对这些性状进行间接选择或杂种优势利用均可取得一定的效果。     

近红外反射光谱分析在土壤肥料学的应用及发展方向

近红外反射光谱分析是一种"巨人"分析法,在土壤肥料及植物营养科学具有广阔的应用前景。对近红外反射光谱分析在土壤肥料及植物营养学科中的应用,存在问题,及其在土壤肥料及植物营养学科领域的发展方向进行了评述。     

近红外光谱分析技术在油菜品质育种中的应用

近红外光谱分析技术较之传统品质分析方法具有快速、简便、样品用量少且不破损样品、无药品污染的特点,其准确度、稳定性良好,是油菜品质分析的一种理想的方法。     

Prediction of Fiber Composition and Silicification for Rice Straw with Near Infrared Reflectance Spectroscopy (NIRS) Technique

The silicification of rice straw is a factor that affects the grain production and straw nutritive quality. The procedure of chemical analysis for silicon in straw is, however, time and labor consuming, and slightly poor in accuracy. The study has attempted to apply near infrared reflectance spectroscopy (NIRS)technique as an advanced alternative to predict the fiber composition and silicification in rice straw. Ninetytwo samples from different seasons and varieties were collected over the Fujian Province. Their chemical analyses were carried on the aspects of hemicellulose, cellulose, lignin, extractable and non-extractable silicon,and the results were used as a database for NIRS analyses. The prediction model was developed through modified partial least square regression (MPLS) for a calibration program. The factors that may affect the calibration, cross-validation and the prediction for the application of NIRS on rice straw were also discussed.