近紅外光譜信息篩選在瑪咖產(chǎn)地鑒別中的應(yīng)用

王元忠，趙艷麗，張 霽，金 航

云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200

近紅外光譜信息篩選在瑪咖產(chǎn)地鑒別中的應(yīng)用

王元忠，趙艷麗，張 霽，金 航*

云南省農(nóng)業(yè)科學(xué)院藥用植物研究所，云南 昆明 650200

食藥植物瑪咖富含多種營(yíng)養(yǎng)成分，極具藥用價(jià)值。采用近紅外漫反射光譜，對(duì)采自秘魯及云南共139份瑪咖樣品進(jìn)行產(chǎn)地鑒別。采用多元信號(hào)校正結(jié)合二階導(dǎo)數(shù)和Norris平滑預(yù)處理光譜，利用光譜標(biāo)準(zhǔn)偏差初步選擇光譜波段(7 500～4 061 cm-1)，結(jié)合主成分-馬氏距離(principal component analysis-mahalanobis distance，PCA-MD)篩選出適宜的主成分?jǐn)?shù)為5。基于所篩選的光譜波段及主成分?jǐn)?shù)，利用“模群迭代奇異樣本診斷”方法剔除2個(gè)異常樣品后，分別采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)法(competitive adaptive reweighted sampling，CARS)、蒙特卡洛-無(wú)信息變量消除法(monte carlo-uninformative variable elimination，MC-UVE)、遺傳算法(genetic algorithm，GA)和子窗口重排(subwindow permutation analysis，SPA)四種方法篩選光譜變量信息，利用模型集群分析(model population analysis，MPA)思想對(duì)所篩選的光譜變量信息進(jìn)行評(píng)價(jià)。結(jié)果顯示，RMSECV(SPA)>RMSECV(CARS)>RMSECV(MC-UVE)>RMSECV(GA)，分別為2.14，2.05，2.02，1.98，光譜變量數(shù)分別為250，240，250和70。采用偏最小二乘判別分析法(partial least squares discriminant analysis，PLS-DA)對(duì)四種方法篩選的光譜變量建立判別模型，隨機(jī)選擇97份樣品作為建模集，其余40份樣品作為驗(yàn)證集。通過(guò)R2，RMSEC和RMSEP分析可知，R2： GA>MC-UVE>CARS>SPA，RMSEC和RMSEP： GA

瑪咖； 近紅外光譜； 鑒別； 光譜信息篩選； 模型集群分析

引 言

瑪咖(LepidiummeyeniiWalp.)為十字花科(Cruciferae)獨(dú)荇菜屬(Lepidium)植物，常用名Maca(音譯“瑪咖”)，又名Maka，Maca-maca，Peruvian ginseng，Maino，Ayakwillku，Ayakchichira等，原產(chǎn)于海拔3 500～4 500 m的南美洲安第斯山區(qū)，現(xiàn)主要分布于秘魯中部的Puna生態(tài)區(qū)和秘魯東南部城市Puno[1-2]?，斂K根可藥食兩用，極具營(yíng)養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值，富含蛋白質(zhì)、人體必需氨基酸、礦物質(zhì)和多種維生素，在安第斯山區(qū)已有悠久的使用歷史。研究發(fā)現(xiàn)瑪咖中除含有多種營(yíng)養(yǎng)成分外[3]，還含有瑪咖酰胺、瑪咖烯、芥子油苷及其衍生物、甾醇等多種活性物質(zhì)[4-6]?，F(xiàn)代藥理學(xué)研究表明瑪咖具有抗氧化[7]、增強(qiáng)生育力[8]、改善性功能[9]、抗疲勞[10]、調(diào)節(jié)內(nèi)分泌[11]、增強(qiáng)免疫力[12]、抗壓力[13]、緩解更年期綜合癥[14]等多種功效。近年來(lái)，瑪咖因其獨(dú)特功效而倍受關(guān)注。我國(guó)云南、新疆、吉林、西藏和湖南等省(區(qū))均有引種栽培，其中以云南省種植規(guī)模最大、品種最多。據(jù)統(tǒng)計(jì)2012年，云南全省瑪咖種植面積達(dá)22 000 hm2，已成為云南省高寒山區(qū)的重要經(jīng)濟(jì)作物[15]。然而，不同產(chǎn)地種植的瑪咖其營(yíng)養(yǎng)價(jià)值和藥用價(jià)值存在一定差異，且隨著市場(chǎng)需求逐年增加，市售瑪咖品質(zhì)差異較大，粉末樣品摻雜現(xiàn)象突出。因此，不同產(chǎn)地瑪咖樣品的鑒別，為后續(xù)指導(dǎo)瑪咖GAP種植、品質(zhì)及安全評(píng)價(jià)具有重要的作用。

近紅外光譜(NIRS)對(duì)復(fù)雜體系中C—H，O—H，N—H等含氫基團(tuán)振動(dòng)的倍頻和合頻吸收極為敏感，全光譜具有同時(shí)反映物料的物化信息等特點(diǎn)。但近紅外全光譜變量中，很多是無(wú)效信息、甚至是干擾變量，引入此類變量建立判別模型增加了模型的復(fù)雜性，同時(shí)降低了模型的判別精度，進(jìn)而對(duì)樣本的鑒別和變量的計(jì)算產(chǎn)生重要影響[16]。為建立較為準(zhǔn)確的判別模型，需對(duì)光譜信息進(jìn)行選擇及優(yōu)化，使所篩選的光譜信息具有全面性和客觀性。收集了139份不同產(chǎn)區(qū)種植的瑪咖樣品，擬采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)法(CARS)[17]、蒙特卡洛-無(wú)信息變量消除法(MC-UVE)[18-19]、遺傳算法(GA)[20]和子窗口重排(SPA)[21]篩選瑪咖樣品的近紅外光譜變量后，利用模型集群分析(MPA)[22]思想對(duì)所篩選的光譜變量信息進(jìn)行評(píng)價(jià)，并確定篩選的光譜波數(shù)，進(jìn)一步采用偏最小二乘判別分析法(PLS-DA)建立各方法的判別模型，用于預(yù)測(cè)驗(yàn)證樣品。該方法旨在為探析構(gòu)建近紅外光譜判別模型的新方法提供參考，通過(guò)集群分析結(jié)合PLS-DA建立不同產(chǎn)地瑪咖樣品的判別模型，以期為近紅外光譜鑒別和評(píng)價(jià)中藥材產(chǎn)地、品種等提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 材料

2014年采集15個(gè)不同產(chǎn)地種植的藥用植物瑪咖139份，經(jīng)鑒定，樣品來(lái)源見表1。

Table 1 Source and number of materials

1.2 儀器

AntarisⅡ近紅外光譜儀(美國(guó)賽默飛世爾科技，配備InGaAs檢測(cè)器的漫反射模塊，Result 2.1軟件采集光譜圖、TQ 8.6軟件定性分析)； DFT-100型中藥粉碎機(jī)(浙江溫嶺市林大機(jī)械有限公司)，80目不銹鋼篩盤(北京，中西泰安)； SIMCA-P+11.0軟件(瑞典，UMETRICS)； MATLAB R2010a分析軟件，代碼來(lái)源于http://code.google.com/p/carspls/和http://www.mathworks.cn/。

1.3 樣品制備

樣品采集后用自來(lái)水洗凈根莖部位，再用蒸餾水沖洗3次，將其切成薄片，置于干凈的白紙上在常溫下陰干。用中藥粉碎機(jī)粉碎，過(guò)80目篩，樣品不少于20.0 g，存放于自封袋中，備用。

1.4 近紅外光譜采集

將樣品置于平衡箱中平衡2 h，使樣品水分含量在10%～12%。準(zhǔn)確稱取平衡后的樣品20.0 g，充分混勻，置于近紅外采樣杯中，壓緊。在儀器預(yù)熱2 h后，使用Result 2.1軟件漫反射模塊采集近紅外光譜圖。測(cè)試條件： 掃描次數(shù)： 64次，分辨率： 4 cm-1，掃描范圍： 10 000～4 000 cm-1。樣品平行測(cè)定3次，取平均光譜。隨機(jī)選擇99份樣品作為訓(xùn)練集，其余40份樣品作為驗(yàn)證集。采用TQ 8.6軟件對(duì)光譜進(jìn)行優(yōu)化處理，消除基線漂移和噪音，結(jié)果見圖1和圖2。

Fig.1 Original NIRS spectra of Maca

Fig.2 Second derivative spectra of NIRS of Maca

2 數(shù)據(jù)處理

2.1 近紅外光譜信息初步篩選[23]

利用TQ 8.6軟件，使用MSC+SD+ND(13∶3)方法初步優(yōu)化所采集的光譜，對(duì)不同產(chǎn)地樣品類型分別賦值： 香格里拉1#“1”，香格里拉2#“2”，香格里拉3#“3”至轎子雪山13#“13”，大山包14#“14”，秘魯15#“15”。通過(guò)光譜標(biāo)準(zhǔn)偏差選擇光譜波段，利用主成分-馬氏距離(PCA-MD)初步建立分類模型，并對(duì)主成分?jǐn)?shù)進(jìn)行選擇，結(jié)果見圖3和表2。

2.2 近紅外光譜集群分析

2.2.1 奇異樣品診斷

由于光譜數(shù)據(jù)(X)和量測(cè)指標(biāo)(Y)的采集和測(cè)定中，儀器的穩(wěn)定性及異常波動(dòng)會(huì)使部分X或Y偏離整體分布的數(shù)據(jù)點(diǎn)，導(dǎo)致所建立的判別模型存在奇異點(diǎn)。為提高判別模型的預(yù)測(cè)精度，建立穩(wěn)健的判別模型，采用SIMCA-P+11.0軟件將2.1中所篩選的光譜波段(7 500～4 061 cm-1)轉(zhuǎn)置為數(shù)據(jù)格式，并利用“模群迭代奇異樣本診斷”方法通過(guò)多次循環(huán)校正，將所選擇的光譜數(shù)據(jù)(X=7 500～4 061 cm-1)與量測(cè)指標(biāo)(Y=產(chǎn)區(qū)分類賦值1～15)建立判別模型，并計(jì)算模型的偏度和峰度，結(jié)果見圖4。

Table 2 Contribution of principal component

Fig.3 Spectral range selected by standard deviation

Fig. 4 Singular sample diagnosis

2.2.2 集群分析優(yōu)化光譜變量

剔除2.2.1中異常樣本1—2和12—6后，選擇主成分?jǐn)?shù)為5，對(duì)光譜數(shù)據(jù)與產(chǎn)地分類指標(biāo)進(jìn)行判別分析。將建模集樣品和驗(yàn)證集樣品按0.8的比例(即Ratio=0.8)，分別利用CARS(運(yùn)行次數(shù)為N=100次，主成分?jǐn)?shù)A=5，交叉驗(yàn)證數(shù)K=10，統(tǒng)計(jì)每個(gè)光譜波數(shù)選中頻率)、MC-UVE、GA(MC-UVE運(yùn)行次數(shù)為N=100次，主成分?jǐn)?shù)A=5； GA運(yùn)行次數(shù)為N=100次，Autoscaling=2，Deletion groups=5，Chromosomes=30，Variables as a maximum=30，Probability of mutation=0.01, Probability of cross-over=0.5，統(tǒng)計(jì)每個(gè)光譜波數(shù)選中頻率)和SPA(主成分?jǐn)?shù)p.component=5，顯著性水平p.sig=0.01，載荷p.Q=0.3)優(yōu)化光譜波數(shù)，計(jì)算標(biāo)表征變量重要性的指標(biāo)，CARS，MC-UVE，GA和SPA分別為頻率(Frequency，F(xiàn))、變量穩(wěn)定指數(shù)(reliability index，RI)[17]、頻率和條件協(xié)同得分(conditional synergetic score，COSS)[22]，按降序排列，以蒙特卡洛采樣技術(shù)，采用向前推移選擇變量重要性指標(biāo)引入變量(最大變量數(shù)為250)重復(fù)建模，使用蒙特卡洛交互驗(yàn)證評(píng)價(jià)預(yù)測(cè)性能[22]，以RMSECV值最小或變化趨是較小時(shí)確定最佳變量數(shù)，結(jié)果見圖5。

Fig.5 RMSECV change trend chart

采用上述四種方法對(duì)所篩選的光譜波數(shù)進(jìn)行分析，結(jié)果見圖6—圖10。由圖6—圖10可知，CARS法選中的頻率大于1%的光譜波數(shù)分布于少數(shù)幾個(gè)波段，其中主要分布于4 072～4 539，4 917～4 933，5 191～5 993，7 046～7 116 cm-1等波段，選中的光譜變量數(shù)為240個(gè)； GA法選中的頻率大于4%的光譜波數(shù)分布均勻，主要集中于4 315～7 254 cm-1，選中的光譜變量數(shù)為70個(gè)； MC-UVE法選中的變量穩(wěn)定指數(shù)(RI)大于3的光譜波數(shù)主要分布于4 396～7 170 cm-1，選中的光譜變量數(shù)為250個(gè)； SPA法選中的條件協(xié)同得分(COSS)大于1的光譜波數(shù)主要分布于4 072～6 981 cm-1，選中的光譜變量數(shù)為240個(gè)。

Fig.6 Spectrum wave number selected by CARS

Fig.7 Spectrum wave number selected by GA

Fig.8 Spectrum wave number selected by MC-UVE

Fig.9 Spectrum wave number selected by SPA

2.3 PLS-DA判別模型的建立

采用SIMCA-P+11.0軟件對(duì)2.2.2中四種方法優(yōu)化的光譜波數(shù)及其分類賦值建立判別模型，剔除奇異樣品后，訓(xùn)練集為97份，驗(yàn)證集為40份，分類賦值見2.2.1。以GA法為例，建立判別模型，用于預(yù)測(cè)驗(yàn)證集樣品。采用決定系數(shù)(R2)、校準(zhǔn)均方根誤差(RMSEC)和預(yù)測(cè)均方根誤差(RMSEP)三個(gè)參數(shù)評(píng)估預(yù)測(cè)模型的準(zhǔn)確性[23]，結(jié)果見圖10和表3。

Fig.10 3D plot of PLS-DA by GA analysis

Table 3 Results of PLS-DA models for discrimination of different geographical Maca samples by GA, MC-UVE, CARS and SPA analysis

續(xù)表3

11-4111110.5720.30311UI11.5730.405111110.8470.108111110.8270.12211-9111111.0000.000111111.4070.288111110.4730.373111110.6530.24612-2121211.8600.099121212.4210.297121211.9260.052121212.1020.07212-5121212.4780.338121212.4320.30612UI12.5690.40212DE12.7960.56313-2131313.1500.106131313.2440.172131312.5470.320131313.0680.04813-6131312.6860.222131313.2230.15813UI12.3070.490131312.6690.23413-9131312.6330.260131313.2280.161131312.6680.235131312.8670.09414-2141413.5980.284141414.2670.18914DE13.2380.539141413.4540.38614-4141414.0000.000141413.7910.148141413.6320.26014UI13.3640.45014-8141414.1290.091141413.5330.330141413.5250.336141413.7220.19715-1151514.8850.082151514.9680.023151514.6440.252151514.8910.07715-5151514.5720.302151515.2650.187151515.0630.045151515.1280.09115-8151514.8020.140151515.1600.113151514.5430.323151514.5860.293正確率/%95.0092.5090.0085.00R20.99620.99380.98900.9864RMSEC0.180.230.310.34RMSEP0.280.350.470.52

Note： AC: actual class; CC: calculated class; Ypre: predicted value; Ydev: deviation; UI: unidentified; DE: discriminant error

3 結(jié)果與討論

3.1 近紅外光譜初步篩選分析

由圖3和表2可知，15個(gè)不同產(chǎn)區(qū)139份樣品建立的PCA-MD分類模型，光譜波段選擇7 500～4 061 cm-1，主成分?jǐn)?shù)為5時(shí)，提取的光譜信息較為充分，提取的總光譜貢獻(xiàn)率為98.192 7%，選擇的7 500～4 061 cm-1光譜波段提取貢獻(xiàn)率為98.9995%，且隨主成分?jǐn)?shù)的增加，光譜信息數(shù)據(jù)量無(wú)明顯變化。因此，選擇主成分?jǐn)?shù)為5較為適宜。

3.2 近紅外光譜集群分析

由圖4分析可知，共剔除奇異點(diǎn)(outlier)數(shù)2個(gè)，即樣品1—2和12—6，計(jì)算出模型的偏度和峰度分別為-0.31和-0.52。結(jié)果表明，樣品1—2和12—6可能在所篩選的光譜波段與其余樣品存在較大差異，致使樣品出現(xiàn)奇異。通過(guò)模型偏度和峰度分析可知，在所選擇的光譜波段范圍內(nèi)，分析樣品較為集中，說(shuō)明該光譜波段對(duì)模型的建立具有重要影響。

由圖5可知，采用四種方法對(duì)光譜波數(shù)進(jìn)行篩選，RMSECV(SPA)>RMSECV(CARS)>RMSECV(MC-UVE)>RMSECV(GA)，分別為2.14，2.05，2.02，1.98； 且變量個(gè)數(shù)分別為250，240，250和70。分析結(jié)果顯示： 四種集群分析方法中，通過(guò)綜合評(píng)價(jià)選擇的光譜波數(shù)和RMSECV值，其中GA法最優(yōu)，CARS法和MC-UVE法次之，SPA法稍差。

由圖6—圖10分析可知，不同產(chǎn)區(qū)采集的瑪咖樣品在近紅外光譜分析中，其光譜差異波段主要集中在4 300～7 200 cm-1之間，且光譜波數(shù)具有不連續(xù)性，四種方法篩選瑪咖樣品近紅外光譜波數(shù)均具有一定的代表性，其中GA法篩選的光譜波數(shù)較少，且分布范圍較廣，具有較好的代表性。

3.3 PLS-DA判別模型分析

由3D圖10可知，秘魯15#、香格里拉2#、昭通5#、大山包14#、轎子雪山13#等能清晰分開，其余產(chǎn)地樣品雖集聚在一起，但仍能清晰區(qū)分。由表3可知，通過(guò)上述四種方法篩選光譜波數(shù)，采用PLS-DA對(duì)篩選的光譜波數(shù)與其分類賦值進(jìn)行分析，并對(duì)驗(yàn)證樣品進(jìn)行預(yù)測(cè)。結(jié)果顯示： 四種方法篩選的光譜波數(shù)建立的判別模型預(yù)測(cè)驗(yàn)證樣品正確率均大于85%，其中GA方法驗(yàn)證結(jié)果較好，達(dá)95%。通過(guò)R2、RMSEC和RMSEP分析可知，GA(R2)>MC-UVE(R2)>CARS(R2)>SPA(R2)； GA(RMSEC，RMSEP)

4 結(jié) 論

通過(guò)采集不同產(chǎn)地瑪咖樣品的近紅外光譜，采用TQ 8.6軟件，應(yīng)用光譜標(biāo)準(zhǔn)偏差初步選擇7 500～4 061 cm-1光譜波段，應(yīng)用PCA-MD初步建立產(chǎn)地分類模型，提取光譜信息的主成分貢獻(xiàn)率選擇所提取的主成分?jǐn)?shù)為5，進(jìn)一步采用“模群迭代奇異樣本診斷”方法通過(guò)多次循環(huán)校正診斷，剔除異常樣品1—2和12—6，使用模型偏度和峰度初步判定所選光譜波段的實(shí)用性。

為使鑒定效果更好，采用MatlabR2010a分析軟件，分別利用GA，CARS，MC-UVE和SPA四種方法對(duì)初步篩選的光譜波段及其分類賦值樣品進(jìn)行分析，優(yōu)化不同產(chǎn)地咖樣品的光譜波數(shù)，并通過(guò)RMSECV和篩選的光譜波數(shù)評(píng)估方法的可靠性。采用SIMCA-P+11.0軟件結(jié)合PLS-DA對(duì)四種方法篩選的光譜波數(shù)建立判別模型，利用R2，RMSEC和RMSEP評(píng)價(jià)模型的預(yù)測(cè)性能。結(jié)果顯示： 四種方法篩選的光譜波數(shù)建立的判別模型預(yù)測(cè)驗(yàn)證樣品正確率均大于85%，其中GA方法驗(yàn)證結(jié)果較好，達(dá)95%，GA(R2)>MC-UVE(R2)>CARS(R2)>SPA(R2)； GA(RMSEC，RMSEP)

[1] YU Long-jiang, JIN Wen-wen, WU Yuan-xi, et al(余龍江, 金文聞, 吳元喜, 等). Natural Product Research and Development(天然產(chǎn)物研究與開發(fā)), 2002, 14(5): 71.

[2] YU Long-jiang, SUN You-ping, CHENG Hua, et al(余龍江, 孫友平, 程 華, 等). Acta Botanica Boreali-Occidentalia Sinica (西北植物學(xué)報(bào)), 2004, 24(10): 1901.

[3] WANG Yi-qiang, CHEN Zhang-jing, WANG Qi-ye, et al(王義強(qiáng), 陳章靖, 王啟業(yè), 等). Nonwood Forest Research(經(jīng)濟(jì)林研究), 2014, 32(2): 167.

[4] Zheng B L, He K, Rogers L, et al. Urology, 2000, 55(4): 598.

[5] Li G, Ammermann U, Quiros C F. Economic Botany, 2001, 55(2): 255.

[6] Piacente S, Carbone V, Plaza A, et al. Journal of Agricultural and Food Chemistry, 2002, 50(20): 5621.

[7] Sandoval M, Okuhama N N, Angeles F M, et al. Food Chemistry, 2002, 79(2): 207.

[8] Onyechi O, Lawrence U S E, Akuoma H O. Nutrition Research, 1999, 19(3): 443.

[9] McKay D. Alternative Medicine Review, 2004, 9(1): 4.

[10] Schroeck F R, Hollingsworth J M, Hollenbeck B K, et al. Urology, 2013, 81(6): 1177.

[11] Meissner H O, Reich-Bilinska H, Mrozikiewicz R, et al. Menopause, 2005, 12(6): 813.

[12] ZHANG Yong-zhong, YU Long-jiang, WAN Jun-mei, et al(張永忠, 余龍江, 萬(wàn)軍梅, 等). Natural Product Research and Development(天然產(chǎn)物研究與開發(fā)), 2007, 19(2): 274.

[13] Rubio J, Riqueros M I, Manuel G, et al. Food and Chemical Toxicology, 2006, 44: 1114.

[14] Brooks N A, Wilcox G, Walker K Z, et al. Menopause, 2008, 15(6): 1.

[15] Yang S H, Li G Z, Xue R G, et al. Agricultural Science and Technology, 2013, 14(12): 1877.

[16] RUAN Zhi-gang, LI Bin(阮治綱，李 彬). Chinese Journal of Pharmaceutical Analysis(藥物分析雜志)，2011，31(2)： 408.

[17] Li H D, Liang Y Z, Xu Q S, et al. Analytica Chimica Acta, 2009, 648(1): 77.

[18] Cai W, Li Y, Shao X. Chemometrics and Intelligent Laboratory Systems, 2008, 90(2): 188.

[19] Han Q J, Wu H L, Cai C B, et al. Analytica Chimica Acta, 2008, 612(2): 121.

[20] Leardi R. Journal of Chemometrics, 2000, 14(5-6): 643.

[21] LIANG Yi-zeng, XU Qing-song(梁逸曾, 許青松). Instrumental Analysis of Complex Systems-White, Gray and Black Analytical Systems and Their Multivariate Methods(復(fù)雜體系儀器分析-白、灰、黑分析體系及其多變量解析方法). Beijing: Chemical Industry Press(北京: 化學(xué)工業(yè)出版社), 2012. 487.

[22] Li H D, Liang Y Z, Xu Q S, et al. Journal of Chemometrics, 2009, 24(7-8): 418.

[23] ZHAO Yan-li, ZHANG Ji, YUAN Tian-jun, et al(趙艷麗, 張 霽, 袁天軍, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(7): 1831.

Study on Application of NIR Spectral Information Screening in Identification of Maca Origin

WANG Yuan-zhong, ZHAO Yan-li, ZHANG Ji, JIN Hang*

Institute of Medicinal Plants, Yunnan Academy of Agricultural Sciences, Kunming 650200, China

Medicinal and edible plant Maca is rich in various nutrients and owns great medicinal value. Based on near infrared diffuse reflectance spectra, 139 Maca samples collected from Peru and Yunnan were used to identify their geographical origins. Multiplication signal correction (MSC) coupled with second derivative (SD) and Norris derivative filter (ND) was employed in spectral pretreatment. Spectrum range (7 500～4 061 cm-1) was chosen by spectrum standard deviation. Combined with principal component analysis-mahalanobis distance (PCA-MD), the appropriate number of principal components was selected as 5. Based on the spectrum range and the number of principal components selected, two abnormal samples were eliminated by modular group iterative singular sample diagnosis method. Then, four methods were used to filter spectral variable information, competitive adaptive reweighted sampling (CARS), monte carlo-uninformative variable elimination (MC-UVE), genetic algorithm (GA) and subwindow permutation analysis (SPA). The spectral variable information filtered was evaluated by model population analysis (MPA). The results showed that RMSECV(SPA)>RMSECV(CARS)>RMSECV(MC-UVE)>RMSECV(GA), were 2.14, 2.05, 2.02, and 1.98, and the spectral variables were 250, 240, 250 and 70, respectively. According to the spectral variable filtered, partial least squares discriminant analysis (PLS-DA) was used to build the model, with random selection of 97 samples as training set, and the other 40 samples as validation set. The results showed that,R2: GA>MC-UVE>CARS>SPA, RMSEC and RMSEP: GA

Lepidium meyenii Walp.; NIR spectroscopy; Identification; Spectral information screening; Model population analysis

Jul. 11, 2014; accepted Nov. 12, 2014)

2014-07-11，

2014-11-12

國(guó)家自然科學(xué)基金項(xiàng)目(31460538, 81260608)和云南省自然科學(xué)基金項(xiàng)目(2013FD066, 2013FZ150)資助

王元忠，1981年生，云南省農(nóng)業(yè)科學(xué)院藥用植物研究所助理研究員 e-mail： yzwang1981@126.com *通訊聯(lián)系人 e-mail： jinhang2009@126.com

O657.3

A

10.3964/j.issn.1000-0593(2016)02-0394-07

*Corresponding author