纖維素類芒屬草本能源植物品質(zhì)近紅外光譜快速檢測技術(shù)研究

李曉娜，范希峰，武菊英，張國芳，劉尚義，武美軍，程研博，張 楠

北京草業(yè)與環(huán)境研究發(fā)展中心，北京 100097

纖維素類芒屬草本能源植物品質(zhì)近紅外光譜快速檢測技術(shù)研究

李曉娜，范希峰*，武菊英，張國芳，劉尚義，武美軍，程研博，張 楠

北京草業(yè)與環(huán)境研究發(fā)展中心，北京 100097

我國生物質(zhì)能源產(chǎn)業(yè)近年來得到快速發(fā)展，但對能源草的研究還處于初級階段，如果能建立全面的能源植物木質(zhì)素、纖維素、半纖維素的近紅外預(yù)測模型數(shù)據(jù)庫，將有助于優(yōu)良品種的篩選、能源植物能用性能的評價及生物質(zhì)能源產(chǎn)業(yè)在線控制。本研究采用傅里葉變換近紅外光譜(FT-NIR)技術(shù)結(jié)合偏最小二乘法(PLSR)建立了荻、南荻、奇崗、芒四種芒屬能源植物品質(zhì)指標(biāo)(纖維素，半纖維素，木質(zhì)素和灰分)近紅外預(yù)測模型，并在此基礎(chǔ)上研究了樣本粒度對模型的影響。研究結(jié)果表明：(1)四種芒屬能源植物莖稈中纖維素，半纖維素和木質(zhì)素含量誤差均方根(RMSECV)分別為1.35%(R2=0.88)，0.39%(R2=0.91)和0.35%(R2=0.80)，葉片中纖維素，半纖維素和木質(zhì)素含量誤差均方根(RMSECV)分別為0.72%(R2=0.88)，0.85%(R2=0.85)和0.44 (R2=0.87)，所建的纖維素，半纖維素和木質(zhì)素的近紅外校準(zhǔn)模型在預(yù)測未知樣品含量時效果較好，但灰分含量預(yù)測效果不理想；(2)2和0.5 mm粒度樣品所建近紅外模型均滿足樣品檢測精度要求，但考慮到時間和人工成本，建議在工廠對能源植物原料品質(zhì)進行分析時，采用2 mm樣品建模。

纖維素；近紅外；芒；能源植物；粒度

引 言

能源是當(dāng)今社會發(fā)展的物質(zhì)基礎(chǔ)，也是現(xiàn)代工業(yè)生產(chǎn)的核心，但隨著不可再生資源的日益耗竭，能源危機也將成為世界性難題。因此，可再生能源的開發(fā)與利用是我國能源可持續(xù)發(fā)展戰(zhàn)略中的重要組成部分。纖維素類植物因其分布廣泛，充足豐富作為可再生能源具有極大的潛力[1-2]。但是不同的纖維素植物種、同一植物種不同的栽培方式、不同的收獲日期均可造成其生物組成不同，進而影響到其利用方式及加工工藝。比如，生物乙醇的預(yù)處理和發(fā)酵過程需要了解原料的生物成分信息，進行合理的設(shè)計以達到加速其高溫分解的目的。因此在纖維素類植物加工為生物燃料之前，了解原料的生物成分信息是必須的，因此需要快速準(zhǔn)確檢測每一批料生物成分，但傳統(tǒng)的濕化學(xué)方法一天只能完成40～50個樣品的其中一個指標(biāo)的檢測，顯然不能滿足大規(guī)模生物質(zhì)能加工的需求。

近紅外光譜技術(shù)產(chǎn)生于20世紀(jì)50年代，發(fā)展于80年代，對樣品前處理要求低，操作簡單，快速，廣泛應(yīng)用于農(nóng)業(yè)、環(huán)保領(lǐng)域。然而有關(guān)近紅外光譜分析技術(shù)在能源植物方面應(yīng)用的研究卻很少。Hames等研究了利用近紅外光譜法來預(yù)測以玉米秸稈為原料加工乙醇所產(chǎn)生的中間產(chǎn)物的含量，并發(fā)現(xiàn)是可行的，為了節(jié)省時間和成本，在不影響精度的情況下，可以使用近紅外光譜技術(shù)來預(yù)測熱值、水分和灰分[3]。X Philip和Lu等建立了玉米秸稈、柳枝稷的三個品種葡聚糖、木聚糖、半乳糖體、樹膠醛糖、甘露聚糖、木質(zhì)素和灰分的近紅外模型，在糖和木質(zhì)素指標(biāo)方面取得了較好的預(yù)測效果[4-5]。Fagan等建立了芒草水分、熱值、灰分、碳含量的近紅外模型，表明近紅外光譜技術(shù)對于水分、熱值具有很好的預(yù)測效果[6]。在國內(nèi)程旭云，牛智有等構(gòu)建了生物質(zhì)秸稈熱值的近紅外光譜模型，預(yù)測結(jié)果理想[7]。楊增玲，薛俊杰等分析了不同光譜采集條件下麥秸低位熱值的近紅外光譜技術(shù)檢測效果，表明不同的近紅外光譜儀所建模型精度一致[8]。采用近紅外光譜技術(shù)預(yù)測4個芒屬能源植物纖維素、半纖維素、木質(zhì)素和灰分的含量，為建立全面的能源植物木質(zhì)素、纖維素、半纖維素、熱值的近紅外預(yù)測模型提供數(shù)據(jù)與理論支持。

1 實驗部分

1.1 樣品

芒、荻與奇崗作為能源植物在歐洲已經(jīng)被廣泛應(yīng)用。芒作為鄉(xiāng)土植物在中國具有廣泛的分布，本研究選擇了129份芒屬植物，分別來自北京、湖北、山東、四川等地，均于2011年4月移栽一年生苗，種植于北京小湯山資源圃，2013年10月份收獲，收獲時每個小區(qū)隨機選擇4株，每株選擇4個分蘗，距地面5 cm收割，自然風(fēng)干后將葉片與莖稈分開(樣品具體信息見表1)。

植物材料(約2～3 kg)自然風(fēng)干后先切割為20 mm，充分混勻后一部分粉碎為2 mm，一部分粉碎為0.5 mm，105 ℃烘干至恒重并貯存于干燥器中。2 mm樣品僅用來進行光譜掃描，0.5 mm樣品一部分進行光譜掃描，一部分進行濕化學(xué)分析。

Table 1 Description of the experiment samples

注：-為來源不明。

1.2 濕化學(xué)分析

植物品質(zhì)所選擇的指標(biāo)為纖維素、半纖維素、木質(zhì)素與灰分。所有樣品的纖維素、半纖維素含量分別采用國標(biāo)(GB/T 20806—2006[9]，GB/T 20805—2006[10])進行測定，每個樣品重復(fù)測定三次。具體測定流程如圖1。

Fig.1 Schematic representation of experimental procedures

1.3 光譜分析

使用的近紅外光譜儀TENSOR37產(chǎn)自德國BLUKER公司，配備高通量的空氣冷卻紅外光源，低噪聲DLATGS 探測器, 波段范圍在12 000～4 000 cm-1，分辨率16 cm-1，樣品掃描次數(shù)64，可以對樣品旋轉(zhuǎn)掃描，保證樣品的均勻性。掃描時環(huán)境溫度保持25 ℃恒溫，濕度低于25%，石英杯裝至1/3杯，用200g砝碼輕壓5s，掃描3次求光譜平均值。

1.4 數(shù)據(jù)處理方法

光譜數(shù)據(jù)處理采用布魯克公司的OPUS軟件。采用消除常數(shù)偏移量、矢量歸一化、最小-最大歸一化、多元散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、一階導(dǎo)數(shù)+減去一條直線、一階導(dǎo)數(shù)+矢量歸一化、一階導(dǎo)數(shù)+MSC九種方法對光譜進行預(yù)處理，并對所建模型性能進行評價，評價指標(biāo)采用誤差均方根(RMSECV)和決定系數(shù)(R2)，誤差均方根數(shù)值越小、決定系數(shù)值越大，模型性能越好。采用偏最小二乘法建立校正模型，并用交叉檢驗的方式對所建模型進行驗證。

2 結(jié)果與討論

2.1 濕化學(xué)值

如表2所示，纖維素、半纖維素、木質(zhì)素和灰分的含量因植物部位不同而不同。其中莖稈中的纖維素和木質(zhì)素含量高于葉片。與此相反，莖稈中的半纖維素和灰分含量明顯低于葉片。同時，四種組分含量在不同芒屬植物中存在差異，說明樣品具有較好的代表性，滿足建立近紅外模型的基本條件。

從表2可以看出除了芒之外，其他三種能源植物的纖維素與半纖維素總含量莖稈中均高于葉片，且灰分低于葉片。因此對于奇崗、荻、南荻三種芒屬能源植物如果作為乙醇轉(zhuǎn)化原料，在秋季收獲時可適當(dāng)延遲至葉片全部脫落，而對于芒則可將葉片與莖稈混合收獲。

2.2 傅里葉近紅外光譜模型

2.2.1 光譜

圖2為四種芒屬植物光譜圖，可以看出，樣品光譜具有很大的代表性，全波數(shù)范圍內(nèi)(4 000～7 500 cm-1)，光譜存在多個吸收峰，從而為能源植物中各生物質(zhì)成分的測定提供了豐富的信息。莖稈和葉片光譜圖吸收峰峰形及出現(xiàn)的波長區(qū)間一致，但是吸光度值有所差異，在波數(shù)5 200～7 500 cm-1范圍內(nèi)莖稈吸光度值大于葉片，而在4 000～5 200 cm-1波數(shù)范圍內(nèi)，葉片吸光度值大于莖稈。在5 618～7 353 cm-1波段范圍內(nèi)主要反映樣品中含氫組分(纖維素、半纖維素、淀粉、木質(zhì)素)的信息[11]，從濕化學(xué)值結(jié)果看，莖稈中纖維素、半纖維素與木質(zhì)素綜合含量高于葉片，由此可以解釋在此波段范圍內(nèi)其吸光度值高于葉片。

Fig.2 Typical near-infrared spectra of the four Miscanthus samples’s stalk (a) and leaf (b) (a)：Spectrum of stem；(b)：Spectrum of leaf；

2.2.2 模型

因為樣品中纖維素、木質(zhì)素與半纖維素的含量變化規(guī)律不同，因此根據(jù)樣品中各個指標(biāo)化學(xué)分析值的梯度范圍分別選擇建模樣品，并分別建立近紅外模型，具體樣品數(shù)量如表3所示。

Williams在其研究中利用決定系數(shù)(R2)評價模型的精度[12]，并將其分為4個層次：R2介于0.50～0.65之間時，該模型可以區(qū)別樣品中該物質(zhì)濃度含量的高低；介于0.66～0.81時，可以近似預(yù)測樣品中該物質(zhì)的濃度；介于0.82～0.90時，該模型對于樣品中該物質(zhì)的濃度可以進行很好的預(yù)測；大于0.91時，該模型的預(yù)測效果非常好。由表3可以看出，莖稈與葉片中纖維素、木質(zhì)素與半纖維素含量的近紅外模型R2均介于0.82～0.90之間，表明利用近紅外光譜分析技術(shù)可以對能源植物中纖維素、木質(zhì)素與半纖維素含量進行很好的預(yù)測。

莖稈與葉片中灰分的近紅外模型R2均小于0.50，表示該模型不能用來進行未知樣品灰分含量的預(yù)測，與前人近紅外光譜分析技術(shù)不能很好的預(yù)測植物灰分的研究結(jié)果相符。植物灰分的主要組成為礦質(zhì)元素及其鹽類，其在植物體內(nèi)除了小部分以無機鹽形態(tài)存在外，大部分與有機物結(jié)合或是有機化合物的一部分，因此灰分的近紅外光譜信息可以通過有機化合物間接獲取，進而建立近紅外光譜分析模型。但不同植物體礦質(zhì)元素類型不同、與有機物的結(jié)合方式不同，Hitunen等根據(jù)灰分的組成將能源植物分為三類：(1)富鈣、鉀，硅缺乏；(2)富硅、鈣，鉀缺乏；(3)富鈣、鉀、磷。而硅在能源植物中組成為[(Si≡)N(OH)4-n]，OH的振動頻率是在波數(shù)7 042～7 092和6 494～6 894 cm-1，因此在構(gòu)建灰分的近紅外模型之前了解植物灰分的組成，然后選擇光譜范圍有利于改善模型。

同時由表3可以看出相同指標(biāo)莖稈和葉片建模時所采用的譜區(qū)范圍、預(yù)處理方法、維數(shù)并不完全相同，纖維素含量近紅外模型葉片所選譜區(qū)包含在莖稈所選譜區(qū)范圍之內(nèi)，采用的預(yù)處理方法分別為一階導(dǎo)數(shù)+MSC與矢量歸一化；莖稈與葉片木質(zhì)素模型預(yù)處理方法均為一階導(dǎo)數(shù)，但所選譜區(qū)范圍僅有部分重疊。

Table 3 Summary of PLS prediction results for cellulose, lignin, hemicellulose and ash of stalk and leaf using near infrared spectroscopy

2.2.3 對未知樣品的預(yù)測效果分析

利用所建模型對未知樣品纖維素、半纖維素、木質(zhì)素含量進行定量預(yù)測，并與室內(nèi)濕化學(xué)值進行相關(guān)分析，以此來考證模型的穩(wěn)定性。由圖3可以看出，除了莖稈木質(zhì)素含量外，莖稈與葉片的其他指標(biāo)預(yù)測值與真值的相關(guān)系數(shù)均達到0.8以上，說明利用近紅外光譜技術(shù)建立的模型能很好的預(yù)測能源植物纖維素、半纖維素、木質(zhì)素的含量。由于莖稈木質(zhì)素含量較為集中造成真值與預(yù)測值相關(guān)系數(shù)較小，分析真值與預(yù)測值的絕對差值均小于1.00%，平均偏差小于10%，按照國標(biāo)規(guī)定，這個誤差在測量允許范圍之內(nèi)，即表明利用近紅外光譜分析技術(shù)預(yù)測莖稈木質(zhì)素含量也是可行的。

Fig.3 Linear regression plots of predicted versus actual values

2.2.4 樣品粒度對模型穩(wěn)定性的影響

在建立近紅外模型時，樣品的粉碎程度對于樣品的均勻性及模型的預(yù)測效果有很大的影響，如果粉碎過粗，則樣品不均勻，影響模型預(yù)測效果；如果樣品粉碎過細則增加加工的時間和人力成本，因此研究樣品粉碎程度對近紅外光譜模型的影響很有必要。該部分將纖維素濕化學(xué)分析結(jié)果與2和0.5 mm掃描光譜圖分別建立模型，比較兩個模型的優(yōu)劣。

圖4為0.5和2 mm四種芒屬能源植物光譜圖，可以看出，不同粒度植物樣品光譜圖吸收峰峰形及出現(xiàn)的波長區(qū)間一致，但是在9 000～11 000 cm-1波數(shù)范圍內(nèi)，芒和南荻的吸光度值存在差異，可能是不同粒度導(dǎo)致的樣品不均一性引起，這一差異可以在進行光譜預(yù)處理及光譜范圍選擇時消除。

表4中，當(dāng)樣品的粉碎粒度為0.5與2 mm時，均采用一階導(dǎo)數(shù)+矢量歸一化的光譜預(yù)處理方法，但所采用的譜區(qū)范圍只有部分與0.5 mm重疊；比較0.5 mm粒度與2 mm粒度樣品建模的均方根誤差與決定系數(shù)，0.5 mm粒度樣品的均方根誤差較小而決定系數(shù)較大，但二者差異并不顯著，由此表明在工廠對能源植物原料品質(zhì)進行分析時，可以采用2 mm樣品進行建模從而降低樣品粉碎過程中所產(chǎn)生的人力成本。

Fig.4 2 and 0.5 mm near-infrared spectral for stem of the four Miscanthus samples

Table 4 Summary of PLS prediction results for cellulose using near infrared spectroscopy for different particle size

3 結(jié) 論

(1)濕化學(xué)分析結(jié)果顯示：四種芒屬植物莖稈和葉片纖維素、半纖維素、木質(zhì)素、灰分含量均存在差異；如果將能源植物作為生產(chǎn)乙醇的原料，奇崗、南荻和荻可適當(dāng)延遲收獲時間至葉片完全脫落。

(2)模型預(yù)測結(jié)果顯示利用傅里葉近紅外光譜分析技術(shù)可以快速預(yù)測芒屬能源植物纖維素、半纖維素與木質(zhì)素的含量。在研究中，因樣品數(shù)量限制，所建立的近紅外模型均只能預(yù)測單一指標(biāo)，在以后研究中可以通過增加樣品數(shù)量，建立綜合模型同時預(yù)測多組分含量。

(3)近紅外光譜模型對灰分的預(yù)測效果不理想。

(4)粒度越小，樣品均一性越好，所建模型的預(yù)測效果亦會越好。Haffner and FB在研究奇崗近紅外預(yù)測模型時發(fā)現(xiàn)樣品粒度越小模型的預(yù)測效果越好[13]。魏姜等研究表明小的樣品粒度有利于改善近紅外模型[14]。但在近紅外光譜掃描過程中，長波更容易受樣品粒度的影響，這種影響可以通過預(yù)處理來消除，因此適度增加樣品的粒度在近紅外光譜分析中是可行的。通過比較0.5和2 mm粒度樣品的近紅外模型，利用2 mm粒度樣品所建近紅外光譜模型與0.5 mm粒度樣品所建模型無顯著差異，可以滿足芒屬植物纖維素含量快速預(yù)測的要求。

[1] Anon. Department of the Taoiseach, Dublin, 2008.

[2] Orts W J, Holtmant, K M, Seiber J N. Journal of Agricultural and Food Chemistry, 2008, 56: 3892.

[3] Hames B R, Thomas S R, Sluiter A D. Applied Biochemistry and Biotechnology, 2003，105: 5.

[4] Lu Liu, X Philip Ye, Alvin R. Carbohydrate Polymers, 2010, 81: 820.

[5] X Philip Ye, Lu Liu, Douglas Hayes. Bioresource Technology, 2008, 99: 7323.

[6] Colette C Fagan, Colm D Everard, Kevin McDonnell. Bioresource Technology, 2011，102: 5200.

[7] CHENG Xu-yun, NIU Zhi-you, YAN Hong-mei(程旭云，牛智有，晏紅梅). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報)，2013, 29(11)：196.

[8] YANG Zeng-ling, XUE Jun-jie, HE Cheng(楊增玲，薛俊杰，賀 城). Transactions of the Chinese Society of Agricultural Machinery(農(nóng)業(yè)機械學(xué)報)，2013, 44(8)：139.

[9] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China(中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會). Determination of Acid Detergent Lignin in Feedstuffs(酸性洗滌木質(zhì)素測定), 2006，(GB/T 20805—2006).

[10] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China(中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會). Determination of Neutral Detergent Fiber in Feedstuffs(中性洗滌纖維測定)，2006，(GB/T 20806—2006).

[11] Burns D A，Ciurczak E W. Handbook of Near-Infrared Analysis, 2nd ed CRC. New York: Marcel Dekker，2001. 431.

[12] Williams P. Near-Infrared Technology-Getting the Best Cut of Light. A Short Course in the Practical Inplementation of Near Infrared Spectroscopy. 1.1 ed. Nanaimo, Canada，2003.

[13] Haffner F B, Mitchell V D, Arundale R A, et al. Cellulose, 2013, 20(4): 1629.

[14] Jiang W, Han G T, Via B K. Wood Science and Technology, 2014, 48(1): 109.

*Corresponding author

Prediction of Cellulose, Hemicellulose, Lignin and Ash Content of Four Miscanthus Bio-Energy Crops Using Near-Infrared Spectroscopy

LI Xiao-na, FAN Xi-feng*, WU Ju-ying, ZHANG Guo-fang, LIU Shang-yi, WU Mei-jun, CHENG Yan-bo, ZHANG Nan

Beijing Research & Development Center for Grass and Environment, Beijing 100097, China

Biomass energy is being industrialized rapidly in China in recent years, whereas, research on energy grass is still in primary stage. Only if near-infrared spectroscopy mode was constructed which was used to predict the lignin, cellulose and hemicellulose contents in energy crop, the varieties screening, performance evaluation and on-line control of industrialization would be facilitated. In this study, the prediction model for quality indices (cellulose, hemicellulose, lignin and ash) of four energy grass (Miscanthus) was built using Fourier transform near-infrared (FT-NIR) spectroscopy combined with partial least squares regression (PLSR) , and the impacts exerted by particle size on the model were also revealed. The results showed that (1) the root mean error of cross validation (RMSECV) of cellulose, hemicelluloses and lignin contents were 1.35% (R2=0.88), 0.39% (R2=0.91) and 0.35 (R2=0.80), respectively in stalk and 0.72% (R2=0.88), 0.85% (R2=0.85) and 0.44 (R2=0.87), respectively in leaf. The model showed good performance in prediction of corresponding contents in unknown samples, however, no satisfying performance in ash content. (2) Both 2 mm and 0.5 mm grades of particle size can meet accuracy requirements of the model. But considering the time and labor cost, 2 mm grade was suggested for model building.

Cellulose; Near-infrared spectroscopy; Miscanthus; Bioenergy crops；Particle size

Oct. 14, 2014; accepted Feb. 5, 2015)

2014-10-14，

2015-02-05

國家自然科學(xué)基金項目(41001156)和北京市科技新星項目(Z131105000413020)資助

李曉娜, 女, 1977年生，北京草業(yè)與環(huán)境研究發(fā)展中心副研究員 e-mail: lxn1977@126.com *通訊聯(lián)系人 e-mail: fanxifengcau@163.com

O561.3

A

10.3964/j.issn.1000-0593(2016)01-0064-06