近紅外光譜分析技術(shù)在竹類研究中的應(yīng)用前景

王逸之，董文淵

(西南林業(yè)大學(xué)云南生物多樣性研究院，云南 昆明 650224)

近紅外光譜分析技術(shù)在竹類研究中的應(yīng)用前景

王逸之，董文淵

(西南林業(yè)大學(xué)云南生物多樣性研究院，云南 昆明 650224)

近紅外光譜分析技術(shù)作為一種快速、無損、綠色的定性與定量分析方法，目前已廣泛應(yīng)用于多個(gè)領(lǐng)域。該文簡要介紹了近紅外光譜化學(xué)計(jì)量學(xué)分析方法與一般流程，并對近年來該項(xiàng)技術(shù)在農(nóng)林行業(yè)定性與定量分析中的應(yīng)用現(xiàn)狀與研究進(jìn)展進(jìn)行了綜述。最后文章對近紅外光譜分析技術(shù)在竹類研究中應(yīng)用前景進(jìn)行了展望。

近紅外光譜；定性與定量分析；竹類研究

近紅外光(near infrared，NIR)是介于可見光(visible light)和中紅外光(mid infrared，MIR)之間的電磁波，美國材料試驗(yàn)協(xié)會(American Society for Testing Materials，ASTM)定義的近紅外光譜區(qū)的波長范圍為780～2 526 nm，對其細(xì)分又可分為為近紅外短波(780～1 100 nm)和近紅外長波(1 100～2 526 nm)兩個(gè)區(qū)域[1-3]，如圖1所示。

圖1 近紅外光譜波長范圍Fig.1 Wavelength range of the near infrared spectroscopy

近紅外光譜(near infrared reflectance spectroscopy，NIRS)主要是由分子震動的非諧振性使分子震動從基態(tài)向高能級躍遷時(shí)產(chǎn)生的，其譜區(qū)幾乎涵蓋了有機(jī)物中所有含氫基團(tuán)如C-H、N-H、O-H 、S-H的有效信息，能反映不同物質(zhì)的分子結(jié)構(gòu)、組成狀態(tài)，非常適用于含氫有機(jī)物質(zhì)的物理性質(zhì)及化學(xué)成分的測量。近紅外光譜分析技術(shù)隨著現(xiàn)代計(jì)算機(jī)科技的發(fā)展和化學(xué)計(jì)量學(xué)研究的深入，自20世紀(jì)80年代開始進(jìn)入了飛速發(fā)展期。作為一種新興的定量與定性分析手段，近紅外光譜技術(shù)在于醫(yī)藥、農(nóng)業(yè)、石油、化工等多個(gè)領(lǐng)域發(fā)揮了重要的作用[4-13]。

相對于傳統(tǒng)手段，近紅外光譜技術(shù)具有以下技術(shù)優(yōu)勢：(1)既可用于定量分析又可用于定性判別，精度較高；(2)檢測速度快，檢測周期短，光譜的測量過程一般可以在幾分鐘內(nèi)完成，參照已經(jīng)建立的定標(biāo)模型可以快速完成定性與定量分析；(3)檢測成本低，不破壞被測樣品，不需要使用試劑，綠色無污染；(4)樣品無需預(yù)處理或僅需簡單的預(yù)處理，操作方便；(5)檢測重現(xiàn)性好，光譜測量的穩(wěn)定性較好，測試結(jié)果受人為干擾的影響較小；(6)可實(shí)現(xiàn)在線分析與遠(yuǎn)程控制，通過光纖傳導(dǎo)，可使儀器遠(yuǎn)離采樣現(xiàn)場，可實(shí)現(xiàn)高溫、高壓、有毒等環(huán)境條件下樣品的遠(yuǎn)距離實(shí)時(shí)監(jiān)測[14-16]。目前近紅外光譜研究范圍逐步擴(kuò)大，在農(nóng)業(yè)、林業(yè)相關(guān)領(lǐng)域已有廣泛應(yīng)用，本文就近紅外光譜分析技術(shù)及其在農(nóng)林行業(yè)中的應(yīng)用情況進(jìn)行簡要介紹，并結(jié)合竹子的特點(diǎn)，對該項(xiàng)技術(shù)在竹類研究中的應(yīng)用前景進(jìn)行展望，以期為近紅外光譜技術(shù)應(yīng)用于竹類研究提供參考。

1 近紅外光譜化學(xué)計(jì)量學(xué)分析方法與一般流程

1.1 光譜預(yù)處理

光譜預(yù)處理研究主要包括圖譜預(yù)處理與波長選擇兩個(gè)方面。

1.1.1 圖譜預(yù)處理 近紅外光譜儀采集到的原始光譜信號中除包含與樣品組分相關(guān)的信息外，同時(shí)也包含其它干擾因素所產(chǎn)生的噪聲，如樣品背景、雜散光、儀器響應(yīng)、電噪聲等。這些噪聲信號會對譜圖產(chǎn)生干擾，從而影響校正模型的建立和對未知樣品組分或性質(zhì)的預(yù)測。在用化學(xué)計(jì)量方法建立模型之前，通過預(yù)處理方法消除光譜數(shù)據(jù)中無關(guān)信息和噪聲可以提高模型精度。常用的光譜預(yù)處理方法有平滑算法(Smoothing)、導(dǎo)數(shù)算法(Derivative)、小波變換(Wavelet Transform，WT)、多元散射校正(multiplicative scatter correction，MSC)等[17]。

1.1.2 波長范圍選擇 在全波長范圍內(nèi)通過特定的方法篩選特征區(qū)間可以簡化模型，剔除不相關(guān)或非線性變量，提高校正模型的預(yù)測能力與穩(wěn)健性。常用的波長選擇方法主要有間隔偏最小二乘法(Interval PLS，iPLS)、遺傳算法(Genetic Algorithm，GA)、無信息變量消除法(Uninformative Variables Elimination，UVE)、模擬退火算法(Simulated Annealing，SA)、連續(xù)投影算法(Successive ProjectionsAlgorithms，SPA)等[18]。

1.2 樣品集的劃分

在用近紅外光譜分析較多樣品時(shí)，通過選取具有代表性的定標(biāo)集樣品，可以減少建模的工作量，降低建模的復(fù)雜度。同時(shí)選取的樣本是否具有代表性，直接關(guān)系到所建模型的預(yù)測能力和適用性。常用的建模集樣品選擇方法有含量梯度法、雙向算法(Duplex)、Kennard-Stone法、GN距離法等[19-20]。

1.3 定性分析

近紅外光譜定性分析主要是運(yùn)用模式識別與聚類分析的一些算法，對未知樣品進(jìn)行判別分類。在模式識別運(yùn)算時(shí)，通過計(jì)算機(jī)對校正集樣品光譜數(shù)據(jù)進(jìn)行運(yùn)算，得出樣品集所在的數(shù)學(xué)空間范圍，對未知樣品集進(jìn)行運(yùn)算后，若也在此數(shù)學(xué)范圍之內(nèi)，則該樣品屬于校正集類型，反之則否定。聚類運(yùn)算不需要校正集，它通過待分析樣品的光譜特征根據(jù)光譜近似程度進(jìn)行分類。目前流行的近紅外光譜定性分析方法主要有偏最小二乘判別分析法(Partial least squares-discriminant analysis，PLS-DA)、簇類的獨(dú)立軟模式法(Soft Independent Modeling of Class Analogy，SIMCA)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)、支持向量機(jī)算法(Support Vector Machine，SVM)等[21]。

圖2 近紅外光譜分析的一般流程Fig.2 The flow chart of the near infrared spectroscopy analysis

1.4 定量分析

近紅外定量分析是一種間接分析技術(shù)，在用傳統(tǒng)化學(xué)分析手段或統(tǒng)計(jì)方法獲得待測樣本的物化參數(shù)之后，通過化學(xué)計(jì)量學(xué)方法在樣品待測屬性值與近紅外光譜數(shù)據(jù)之間建立定量關(guān)聯(lián)關(guān)系。校正模型精度達(dá)到要求之后，可以利用該模型對未知樣品的待測屬性進(jìn)行定量預(yù)測。常用的定量校正方法有多元線性回歸(Multiplicative Linear Regression，MLR)、主成分回歸((Principal Component Regression，PCR)、偏最小二乘回歸(Partial least squares，PLS)、拓?fù)鋵W(xué)法(Topology)等[2]。

1.5 近紅外光譜分析的一般流程(見圖2)

2 近紅外光譜分析技術(shù)在農(nóng)林行業(yè)中的應(yīng)用

2.1 近紅外光譜定性分析技術(shù)在農(nóng)林行業(yè)中的應(yīng)用

近紅外光譜定性分析技術(shù)廣泛應(yīng)用于各類食品、農(nóng)作物、林產(chǎn)品的品種與產(chǎn)地的快速識別。郝勇等[22]應(yīng)用可見/近紅外光譜分析方法結(jié)合軟獨(dú)立模式分類(SIMCA)和偏最小二乘判別分析(PLS-DA) 模式識別方法對贛南臍橙的品種進(jìn)行識別，試驗(yàn)結(jié)果表明基于上述兩種方法建立的校正模型對紐賀爾、奈弗寧娜、華臍以及朋娜4種臍橙品種的識別率均為100%。韓仲志等[23]采集了8個(gè)玉米品種的近紅外光譜數(shù)據(jù)，并基于此數(shù)據(jù)研究了PCA的光譜數(shù)據(jù)特征的提取方法，探討了神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)模型(SVM)在品種識別上的性能。研究發(fā)現(xiàn)基于近紅外的玉米品種識別，在6個(gè)主分量的情況下整體上性能達(dá)到90%以上；SVM算法較 ANN算法穩(wěn)定可靠，更適合于小樣本情況下的光譜分析，應(yīng)用光譜進(jìn)行產(chǎn)地鑒別，鑒別力達(dá)到95%以上。楊天鳴[24]等運(yùn)用傅立葉變換近紅外光譜結(jié)合主成分-馬氏距離判別分析方法(PCA-Mahalanobis distance discriminant analysis)對7種不同品種的茶葉進(jìn)行品種鑒別。結(jié)果表明：所得PCA-MD模型對7種茶葉的分類正確率均為100%，說明模型具有較好的預(yù)測分類能力。馬明宇[25]等測量了不同產(chǎn)地及品種的89個(gè)木材樣品的近紅外光譜，并分別使用反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural networks，BPANN)與廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network，GRNN)建立了NIRS樹種識別模型。結(jié)果表明兩種神經(jīng)網(wǎng)絡(luò)模型均有較好的預(yù)測結(jié)果，其中BPANN模型，對含偏置水平不高于2%、噪聲水平不高于4%的模擬光譜識別正確率在 97 %以上；GRNN模型，對含偏置水平不高于2%、噪聲水平不高于4%的模擬光譜識別正確率在99%以上。楊忠[26]等利用近紅外光譜結(jié)合 SIMCA模式識別法來檢測馬尾松木材單板節(jié)子。結(jié)果表明，通過培訓(xùn)集樣本建立的基于主成分分析的SIMCA判別模型對有無節(jié)子兩種類型樣本進(jìn)行回判和對未知節(jié)子類型的樣本(包括無節(jié)子和有節(jié)子樣本)的判別正確率均達(dá)到90%～100%，說明應(yīng)用近紅外光譜結(jié)合SIMCA模式識別法可以快速有效地檢測木材表面的節(jié)子缺陷。

2.2 近紅外光譜定量分析技術(shù)在農(nóng)林行業(yè)中的應(yīng)用

近紅外光譜定量分析技術(shù)在農(nóng)林行業(yè)中主要應(yīng)用于不同物質(zhì)內(nèi)含物的定量分析與預(yù)測，涉及農(nóng)作物、林產(chǎn)品、土壤與環(huán)境等多個(gè)研究領(lǐng)域。徐璐璐[27]等應(yīng)用近紅外光譜分析技術(shù)結(jié)合SPA-RBF神經(jīng)網(wǎng)絡(luò)對小麥蛋白質(zhì)含量進(jìn)行快速、無損檢測，模型的預(yù)測均方根誤差和預(yù)測相關(guān)系數(shù)可達(dá)到0.265 76和0.975，預(yù)測效果較好，結(jié)果表明近紅外光譜技術(shù)可實(shí)現(xiàn)對小麥蛋白質(zhì)含量的檢測，滿足現(xiàn)代農(nóng)業(yè)發(fā)展對小麥無損、實(shí)時(shí)、大量檢測的需要。湯旭光[28]等利用 PROSAIL模型模擬了不同葉綠素水平下的大豆冠層光譜反射率，而后針對多期實(shí)測高光譜及相應(yīng)的葉綠素?cái)?shù)據(jù)，在對響應(yīng)波段進(jìn)行小波能量系數(shù)提取的基礎(chǔ)上，分別采用多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和 RBF神經(jīng)網(wǎng)絡(luò)、以及偏最小二乘法進(jìn)行估算，結(jié)果表明：基于小波分析的3種回歸模型都取得了較好的估算效果，驗(yàn)證模型的R2分別為0.634，0.715，0.873和 0.776，能夠全面穩(wěn)定地估算葉綠素含量。吳靜珠[29]等比較了分析競爭自適應(yīng)重加權(quán)采樣法(CARS)、蒙特卡羅無信息變量消除法(MCUVE)、向后間隔偏最小二乘法(BiPLS)和組合間隔偏最小二乘法(SiPLS)4種特征波長挑選方法在番茄苗氮含量快速測定近紅外光譜建模中的準(zhǔn)確度和穩(wěn)定性。結(jié)果表明：CARS和 MCUVE挑選的特征變量所建定標(biāo)模型的性能比BiPLS和 SiPLS挑選的特征變量所建定標(biāo)模型的性能更優(yōu)，但是預(yù)測性能遠(yuǎn)低于后者。其中，基于BiPLS建立的番茄苗氮素含量預(yù)測模型性能最佳，相關(guān)系數(shù)(r)、預(yù)測均方根誤差(RMSEP)和性能對標(biāo)準(zhǔn)差之比(RDP)分別為 0.9527，0.1183和 3.2910。劉汝寬[30]等，對湖南地區(qū)的52個(gè)光皮樹果實(shí)樣品進(jìn)行分析，建立了近紅外法無損測定其主要內(nèi)含物含量的模型，結(jié)果表明：近紅外光譜法同標(biāo)準(zhǔn)的化學(xué)分析方法之間，無顯著性差異，可以采用近紅外光譜法進(jìn)行光皮樹果實(shí)中的粗脂肪含量、熱值、水分和粗蛋白質(zhì)等指標(biāo)的無損測定。吳茜[31]等從可見/近紅外光譜建模的幾個(gè)重要環(huán)節(jié)，即特征波段、預(yù)處理方法及回歸模型方法的選擇，研究了土壤有效氮、磷、鉀含量快速估測的光譜建模方法，結(jié)果表明應(yīng)用局部非線性回歸方法(BP神經(jīng)網(wǎng)絡(luò)局部回歸法)建模，所建模型對土壤有效氮、磷、鉀含量估測的相關(guān)系數(shù)r分別為0.90，0.82和 0.94，可實(shí)現(xiàn)對土壤養(yǎng)分狀況的快速診斷。

3 近紅外光譜分析技術(shù)在竹類研究中的應(yīng)用前景

3.1 竹類植物系統(tǒng)分類

傳統(tǒng)的植物分類學(xué)法方從植物形態(tài)學(xué)及解剖學(xué)入手，基于桿、葉、地下莖、根、花和果實(shí)等組織器官的外部形態(tài)及組織構(gòu)造來分類。竹類植物因其很少開花結(jié)實(shí)和開花周期長且不固定的特性，以花和果形態(tài)特征為主要依據(jù)的分類方法實(shí)施難度較大，近紅外光譜定性分析技術(shù)的出現(xiàn)為竹類植物系統(tǒng)分類提供了新的思路。李倫[32]等開展了基于傅里葉變換紅外光譜結(jié)合主成分分析和系統(tǒng)聚類分析法的竹類植物鑒別研究，成功的對6種竹子的葉片進(jìn)行了聚類分析與鑒別。王逸之[21]等使用便攜式近紅外光譜儀野外實(shí)測了4個(gè)竹種葉片正面近紅外光譜，并結(jié)合PLS-DA方法對不同竹種葉片近紅外光譜進(jìn)行判別分析，利用最優(yōu)校正模型對驗(yàn)證集中4個(gè)竹種葉片正面近紅外光譜進(jìn)行判別，識別率均為100%，說明近紅外光譜結(jié)合PLS-DA方法可以用于野外不同竹種的快速識別。相對與傳統(tǒng)分類學(xué)方法，近紅外光譜具有技術(shù)操作簡單、快速、無損、無需樣品分離提取等優(yōu)勢，在收集多個(gè)地點(diǎn)，不同生長發(fā)育階段的相應(yīng)竹種光譜數(shù)據(jù)，建立完善完整的竹種光譜數(shù)據(jù)庫的基礎(chǔ)上，可以為竹類系統(tǒng)分類研究提供參考。

3.2 竹類植物內(nèi)含物成分分析與預(yù)測

近年來，隨著儀器設(shè)備與加工工藝的發(fā)展，在傳統(tǒng)的竹材利用領(lǐng)域之外，竹類營養(yǎng)成分與提取物的開發(fā)利用逐漸受到人們的關(guān)注，竹筍營養(yǎng)成分、竹葉黃酮、多糖、特種氨基酸、揮發(fā)性成分、微量元素等均有研究報(bào)道[33-36]。上述竹類植物內(nèi)含物的成分分析都基于傳統(tǒng)化學(xué)分析手段，耗時(shí)長、操作復(fù)雜、檢測成本高，若將傳統(tǒng)化學(xué)分析法方與近紅外光譜定量分析技術(shù)相結(jié)合，則可以顯著提高工作效率，降低成本，并能在實(shí)際生產(chǎn)中實(shí)現(xiàn)在線分析與遠(yuǎn)程控制。該技術(shù)在農(nóng)業(yè)領(lǐng)域已有許多應(yīng)用：臍橙糖度、茶葉含水率、梨可溶性固形物含量、武夷巖茶品質(zhì)成分、南疆紅棗品質(zhì)等均已經(jīng)實(shí)現(xiàn)了近紅外在線快速測定[37-41]。目前近紅外光譜定性分析技術(shù)在竹類研究報(bào)道很少，應(yīng)用前景廣闊。

3.3 竹林資源評估與監(jiān)測

近紅外光譜不同竹種的定性識別模型與竹子內(nèi)含物定量分析模型的建立，為竹林資源評估與監(jiān)測提供了一個(gè)新的途徑?；趥鹘y(tǒng)遙感的森林資源評估，受光譜數(shù)據(jù)空間分辨率、衛(wèi)星重訪周期、數(shù)據(jù)價(jià)格昂貴等因素的制約，不適用于中、小尺度上的森林資源評估與實(shí)時(shí)監(jiān)測，而近紅外光譜技術(shù)可以彌補(bǔ)傳統(tǒng)遙感技術(shù)的不足。在建立和完善一定區(qū)域內(nèi)各竹種紅外光譜定性識別模型與內(nèi)含物定量分析模型的基礎(chǔ)上，通過機(jī)載與手持近紅外光譜儀進(jìn)行數(shù)據(jù)采集，可以實(shí)現(xiàn)竹林養(yǎng)分、健康狀況、開花預(yù)警等方面的實(shí)時(shí)評估與監(jiān)測。

4 結(jié) 語

隨著軟硬件開發(fā)與化學(xué)計(jì)量學(xué)方法的不斷進(jìn)步，近紅外光譜技術(shù)從最初的概念炒作期進(jìn)入了穩(wěn)步發(fā)展的平臺期，在諸多領(lǐng)域逐漸發(fā)揮著越來越重要的作用，應(yīng)用前景非常廣闊，任何一個(gè)應(yīng)用點(diǎn)都存在著巨大的推廣市場與發(fā)展空間。近紅外光譜分析技術(shù)在農(nóng)林行業(yè)中多項(xiàng)成功應(yīng)用案例作為很好的借鑒和學(xué)習(xí)材料，為其在竹類研究中的推廣應(yīng)用奠定了堅(jiān)實(shí)的基礎(chǔ)。相信在未來的5～10 a內(nèi)，近紅外光譜分析技術(shù)一定能在我國竹類研究領(lǐng)域發(fā)揮應(yīng)有的作用。

[1] 張小超,吳靜珠,徐云.近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[M].電子工業(yè)出版社, 2012.

[2] 宋海燕.土壤近紅外光譜檢測[M].化學(xué)工業(yè)出版社, 2013.

[3] 褚小麗.化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M].化學(xué)工業(yè)出版社, 2011.

[4] Glencross B, Bourne N, Hawkins W, et al. Using Near Infrared Reflectance Spectroscopy (NIRS) to predict the protein and energy digestibility of lupin kernel meals when fed to rainbow trout, Oncorhynchusmykiss[J]. Aquaculture Nutrition, 2015, 21(1):54-62.

[5] Eisenstecken D, Panarese A, Robatscher P, et al. A Near Infrared Spectroscopy (NIRS) and Chemometric Approach to Improve Apple Fruit Quality Management: A Case Study on the Cultivars "Cripps Pink" and "Braeburn"[J]. Molecules, 2015, 20(8):13 603-13 619.

[6] Lin P, Chen YM, He Y, et al. Study on Nonlinear Multivariate Methods Combined with the Visible Near-Infrared Spectroscopy (Vis/NIRS) Technique for Detecting the Protein Content of Cheese[J]. Food Bioprocess Technol, 2014, 7:3 359-3 369.

[7] Williams CL, Willard S, Kouba A, et al. Dietary shifts affect the gastrointestinal microflora of the giant panda (Ailuropodamelanoleuca)[J]. Journal of Animal Physiology and Animal Nutrition, 2013, 97:577-585.

[8] Taml L S, Ann C K, Ann-Marie F. Using NIRS to predict fiber and nutrient content of dryland cereal cultivars[J]. J. Agric. Food Chem., 2010, 58(1):398-403.

[9] Guy F, Prache S, Thomas A, et al. Prediction of lamb meat fatty acid composition using near-infrared reflectance spectroscopy (NIRS)[J].Food Chemistry, 2011, 127:1 280-1 286.

[10] Manuela Z, Michael P, Craig K, et al. NIRS as a tool for precision horticulture in the citrus industry[J]. B iosystems Engineering, 2008, 99:455-459.

[11] 芮玉奎,辛術(shù)貞,李軍會.應(yīng)用近紅外光譜技術(shù)測試溫室黃瓜葉片全氮含量[J].光譜學(xué)與光譜分析, 2011, 31(8):2114-2116.

[12] 徐安傳,胡巍耀,王超,等.應(yīng)用近紅外技術(shù)直接檢測煙絲常規(guī)化學(xué)成分的研究[J].激光與紅外,2012, 42(4):393-398.

[13] 唐忠厚,李洪民,陸國權(quán).基于近紅外光譜的甘薯抗性淀粉含量的快速測定方法[J].江蘇農(nóng)業(yè)學(xué)報(bào),2011, 27(6):1426-1429.

[14] 李水方.蜂蜜質(zhì)量的近紅外光譜分析技術(shù)研究[D].中南林業(yè)科技大學(xué),博士學(xué)位論文,2012.

[15] 劉雪梅.基于可見近紅外光譜檢測土壤養(yǎng)分及儀器開發(fā)[D].東華大學(xué),博士學(xué)位論文,2014.

[16] 楊瓊.近紅外光譜法定量分析及其應(yīng)用研究[D].西南大學(xué),碩士學(xué)位論文, 2009.

[17] 李民贊.光譜分析技術(shù)及其應(yīng)用[M].北京:科學(xué)出版社,2006.

[18] Vigneau E, Sahmer K, Oannari E M,et al. Clustering of variable to analyze spectraldata[J].Journal of Chemometrics, 2005,19(3):122-128.

[19] 王艷斌.人工神經(jīng)網(wǎng)絡(luò)在近紅外分析方法中的應(yīng)用和深色油品的分析[D].北京:石油化工研究院, 博士學(xué)位論文,2002.

[20] Kennard R W, Stone L A. Computer Aided Design of Experiments[J]. Technometrics, 1969, 11:137-148.

[21] 王逸之,董文淵,李永和,等.基于近紅外光譜結(jié)合PLS-DA法的野外竹種識別技術(shù)研究[J].竹子研究匯刊,2014,33(4):16-20.

[22] 郝勇, 孫旭東, 高榮杰, 等. 基于可見/近紅外光譜與SIMCA和PLS-DA的臍橙品種識別[J].農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(12):373-377.

[23] 韓仲志,萬劍華,張洪生，等.基于玉米籽粒近紅外光譜的品種與產(chǎn)地識別研究[J].中國糧油學(xué)報(bào),2014,29(1):21-25.

[24] 楊天鳴,蘇蕊,付海燕.茶葉品種鑒別的近紅外光譜指紋圖譜模式識別方法[J].甘肅科技,2015,31(25):40-43.

[25] 馬明宇,王桂蕓,黃安民，等.人工神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜用于木材樹種識別[J].光譜學(xué)與光譜分析,2012,32(9):2 377-2 381.

[26] 楊忠,陳玲,付躍進(jìn),等.近紅外光譜結(jié)合SIMCA模式識別法檢測木材表面節(jié)子[J].東北林業(yè)大學(xué)學(xué)報(bào),2012,40(8):70-72.

[27] 徐璐璐,孫來軍,劉明亮，等.基于SPA-RBF神經(jīng)網(wǎng)絡(luò)的小麥蛋白質(zhì)含量無損檢測[J].中國農(nóng)學(xué)通報(bào),2013,29(9):208-212.

[28] 湯旭光,宋開山,劉殿偉，等.基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較[J].光譜學(xué)與光譜分析,2011,31(2):371-374.

[29] 吳靜珠,汪鳳珠,王麗麗，等.基于近紅外特征光譜的番茄苗氮含量快速測定方法研究[J].光譜學(xué)與光譜分析,2015(35)1:99-103.

[30] 劉汝寬,肖志紅,姜莎，等.近紅外光譜法無損測定光皮樹果實(shí)內(nèi)含物含量[J].中國糧油學(xué)報(bào),2014,29(9):120-123.

[31] 吳茜,楊宇虹,徐照麗，等.應(yīng)用局部神經(jīng)網(wǎng)絡(luò)和可見/近紅外光譜法估測土壤有效氮磷鉀[J].光譜學(xué)與光譜分析,2014(34)8:2 102-2 105.

[32] 李倫,劉剛,張川云.FTIR結(jié)合統(tǒng)計(jì)分析對竹類植物的鑒別分類研究[J].光譜學(xué)與光譜分分析,2013,33(12):3 221-3 225.

[33] 趙景威,王雨珺,唐國建，等.云龍箭竹和空心箭竹竹筍營養(yǎng)成分[J].西部林業(yè)科學(xué),2015,44(3):159-163.

[34] 劉康蓮,馮定坤,賀銀菊，等.三都麻竹葉總黃酮的提取及其含量測定[J].食品研究與開發(fā),2015,36(4):62-65.

[35] 王逸之,董文淵,Andrew Kouba，等.巴山木筍和葉營養(yǎng)成分分析[J].林業(yè)科技開發(fā),2012,26(6):47-50.

[36] 王進(jìn),崔宇,王志勇，等.兩種前處理方法分析竹醋液揮發(fā)性成分的比較[J].食品科學(xué),2011,32(18):198-201.

[37] 孫旭東,郝勇,高榮杰，等.臍橙糖度近紅外光譜在線檢測數(shù)學(xué)模型優(yōu)化研究[J]. 光譜學(xué)與光譜分分析,2011,31(5):1 230-1 235.

[38] 陳壽松,鄭功宇,金心怡.茶葉含水率近紅外在線快速測定及其應(yīng)用研究[J].茶葉科學(xué),2014,34(4):337-343.

[39] 孫通,應(yīng)義斌,劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測[J].光譜學(xué)與光譜分分析,2008,28(1):2 536-2 539.

[40] 趙峰,林河通,楊江帆，等.基于近紅外光譜的武夷巖茶品質(zhì)成分在線檢測[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(2):269-276.

[41] 羅華平,盧啟鵬,丁海泉，等.南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實(shí)驗(yàn)研究[J]. 光譜學(xué)與光譜分分析,2012,32(5):1 225-1 229.

《竹子研究匯刊》更名為《竹子學(xué)報(bào)》

經(jīng)國家新聞出版廣電總局文件(新廣出審[2016]189號)批準(zhǔn)，自2016年2月起原《竹子研究匯刊》正式更名為《竹子學(xué)報(bào)》，國內(nèi)統(tǒng)一連續(xù)出版物號變更為CN 33-1399/S。

《竹子學(xué)報(bào)》定于2016年第35卷第2期正式啟用新刊名出版發(fā)行。更名后，《竹子學(xué)報(bào)》將繼承《竹子研究匯刊》的榮譽(yù)、辦刊宗旨和辦刊傳統(tǒng)，以新的視覺展現(xiàn)在廣大讀者面前。作者已投《竹子研究匯刊》的論文，將自動改投《竹子學(xué)報(bào)》，不再另行通知。

歡迎新老作者及相關(guān)領(lǐng)域的廣大科技工作者踴躍投稿，希望廣大讀者一如既往的關(guān)心和支持《竹子學(xué)報(bào)》。E-mail:zzxbbjb@126.com; zhukan2004@163.com

《竹子學(xué)報(bào)》編輯部

Application Prospects of the Near Infrared Spectroscopy Analysis Technology in Bamboo Research

WANG Yi-zhi， DONG Wen-yuan

(Yunnan Academy of Biodiversity, Southwest Forestry University, Kunming 650224, Yunnan, China)

The near infrared spectroscopy (NIRS) analysis technology has been used widely in many fields as a rapid, nondestructive and green qualitative and quantitative analysis method. In this paper, the chemometrics analysis method and general process of the near infrared spectroscopy were briefly introduced. The application and research progress of the near infrared spectroscopy analysis technology for qualitative and quantitative analysis in agriculture and forestry fields were also summarized. At last, the application prospects of the near infrared spectroscopy analysis technology in bamboo research were proposed.

Near infrared spectroscopy; Qualitative and quantitative analysis; Bamboo research

2015-12-13

西南林業(yè)大學(xué)科研啟動基金項(xiàng)目(111440)

王逸之(1984-)，男，助理研究員，主要從事竹林生態(tài)與培育研究。通訊作者：董文淵，男，教授。E-mail：wydong6839@sina.com