玉米單籽粒及單穗籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)NIRS模型的建立與驗(yàn)證

劉林三，張 宏，馮嬌嬌，鐘雨越，張旭東， 李藝博，徐淑兔，薛吉全， 郭東偉

(1.西北農(nóng)林科技大學(xué) 農(nóng)業(yè)部西北旱區(qū)玉米生物學(xué)與遺傳育種重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100; 2.陜西省玉米工程技術(shù)研究中心，陜西楊凌 712100; 3.楊凌職業(yè)技術(shù)學(xué)院 水利工程學(xué)院,陜西楊凌 712100)

玉米單籽粒及單穗籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)NIRS模型的建立與驗(yàn)證

劉林三1,2，張 宏3，馮嬌嬌1,2，鐘雨越1,2，張旭東1,2， 李藝博1,2，徐淑兔1,2，薛吉全1,2， 郭東偉1,2

(1.西北農(nóng)林科技大學(xué) 農(nóng)業(yè)部西北旱區(qū)玉米生物學(xué)與遺傳育種重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100; 2.陜西省玉米工程技術(shù)研究中心，陜西楊凌 712100; 3.楊凌職業(yè)技術(shù)學(xué)院 水利工程學(xué)院,陜西楊凌 712100)

玉米；單籽粒；直鏈淀粉質(zhì)量分?jǐn)?shù)；近紅外光譜；子模型

玉米淀粉是重要的工業(yè)原料，以淀粉為原料的工業(yè)制成品超過2 000種[1]。普通玉米淀粉由70%～75%的支鏈淀粉和25%～30%的直鏈淀粉組成，淀粉的直支比顯著影響著淀粉的用途和加工特性[2-3]。高直鏈淀粉是指直鏈淀粉質(zhì)量分?jǐn)?shù)超50%的淀粉，其理化、結(jié)構(gòu)及熱特性與普通淀粉存在很大差異，從而具有普通淀粉所不具備的特殊用途，廣泛用于環(huán)保、醫(yī)藥、食品、紡織等領(lǐng)域[4-5]。

玉米籽粒淀粉的高直鏈特性是受1對(duì)隱性等位突變基因ae(amylose extender)控制，該基因的存在降低淀粉分支酶SBEⅡb的活性，使淀粉中積累更多的直鏈淀粉，ae基因與不同的基因互作會(huì)產(chǎn)生不同的遺傳效應(yīng)[6-7]。因此，為了培育更具工業(yè)價(jià)值的直鏈淀粉質(zhì)量分?jǐn)?shù)超過70%的玉米雜交組合，就需要在高直鏈玉米自交系與不同遺傳背景材料的雜交、自交早代群體中進(jìn)行大規(guī)模籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)測(cè)定，因此，建立一套快速、準(zhǔn)確、無損傷的籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)測(cè)定方法就成為高直鏈玉米新品種選育的重要技術(shù)環(huán)節(jié)。

目前國際上常用的測(cè)定籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的方法主要有碘顯色光度法和碘親和力測(cè)定法(包括安倍滴定法和電位滴定法)[8-9]，但這2種方法不僅費(fèi)時(shí)費(fèi)力，成本高，而且會(huì)破壞優(yōu)良的籽粒，尤其不利于對(duì)早代單個(gè)籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的測(cè)定。近紅外反射光譜技術(shù)(NIRS)以樣本內(nèi)的有機(jī)基團(tuán)反射的光譜數(shù)據(jù)的特征為基礎(chǔ)來標(biāo)定樣本內(nèi)部有機(jī)成分的組成，它是近年來快速興起的一種樣本無損傷快速測(cè)定技術(shù)，已廣泛應(yīng)用于科研、制造、倉儲(chǔ)等領(lǐng)域的成分測(cè)定和質(zhì)量控制[10-11]，成為國內(nèi)外小麥、谷子、玉米和水稻等農(nóng)作物籽粒品質(zhì)分析的重要手段[12-13]，用于測(cè)定水分、總淀粉、粗纖維、蛋白質(zhì)、氨基酸等基本成分[14-16]。利用近紅外反射光譜技術(shù)測(cè)定玉米籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的研究在國內(nèi)外已有多篇報(bào)道[17-19]，但這些研究均用于穩(wěn)定品種籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的測(cè)定，缺少早代單籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)近紅外測(cè)定的模型，同時(shí)由于近紅外儀器和建模樣本來源的差異，建立的模型往往通用性較差，因此，急需建立立足于本地材料及設(shè)備條件的直鏈淀粉NIRS模型，以滿足高直鏈淀粉玉米育種的需要。

此外，在建模過程中，參與建模樣品的化學(xué)值變異范圍大，建立的模型適用范圍廣，但測(cè)定準(zhǔn)確度會(huì)下降，因此，模型測(cè)定的可靠性和穩(wěn)定性之間總是存在矛盾[20-22]，如何兼顧可靠性和適用性的問題尤其值得思考；而在實(shí)際建模的過程中，在保證模型一定穩(wěn)定性的前提下，通過建立化學(xué)值變異范圍相對(duì)較小的模型來提高模型的預(yù)測(cè)準(zhǔn)確度[20]或許是個(gè)有效的選擇?；谏鲜鰡栴}和假設(shè)，本研究分別以課題組自育的高直鏈淀粉玉米材料為對(duì)象，首先建立化學(xué)值變異范圍較大的單穗NIRS模型，在此基礎(chǔ)上將建模樣品化學(xué)值變異區(qū)間分割為2個(gè)子區(qū)間，利用2個(gè)子區(qū)間的建模樣品分別建模，形成1個(gè)“總模型”和2個(gè)“子模型”。依據(jù)各模型實(shí)際預(yù)測(cè)效果比較“子模型”和“總模型”的可靠性，以檢驗(yàn)利用“子模型”提高預(yù)測(cè)準(zhǔn)確度的可行性。同時(shí)，再選用F2自交后代單籽粒為材料建立單籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)測(cè)定模型，以期為高直鏈淀粉玉米新品種的選育提供便利，并為相關(guān)研究提供借鑒。

1 材料與方法

1.1 材 料

供試的玉米籽粒材料由筆者課題組提供，其中單籽粒材料共196份，從F2代單穗籽粒中隨機(jī)選擇所得，粒型、顏色不一；單穗籽粒材料360份，均為全穗籽粒，包含自交系和雜交種，且材料間粒型、大小及收獲年份有所差異。

1.2 方 法

1.2.1 樣品光譜采集 在采集光譜之前，所有材料室溫下平衡水分60 d。以參與建模樣本逐一編號(hào)后，分別裝入小樣品盤和單籽粒鏡面樣品盤，近紅外光譜儀(DA7200，Perten，Sweden)進(jìn)行全光譜掃描，采集光譜數(shù)據(jù)，譜區(qū)范圍950～1 650 nm，分辨率5 nm。每個(gè)樣品重復(fù)裝樣3次，每次裝樣掃描2次，保存光譜。在單籽粒光譜采集時(shí)，籽粒需水平放置在樣品盤中心，無胚一側(cè)朝上。

1.2.2 玉米籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的化學(xué)法測(cè)定及建模樣品的篩選 參照李志偉等[23]的方法分別提取單籽粒及單穗樣本(30粒混合)總淀粉，雙波長碘比色法[24]測(cè)定直鏈淀粉質(zhì)量分?jǐn)?shù)，測(cè)定波長分別為620 nm和510 nm，樣品按化學(xué)測(cè)定值從小到大排列并由低到高每3個(gè)樣品取 1 個(gè)分別組成驗(yàn)證集，其余樣品分別組成校正集[25]。其中單穗籽粒樣品校正集和驗(yàn)證集的分布頻率分別見圖1-A和圖1-B，根據(jù)校正集化學(xué)值變異區(qū)間及樣品分布頻率，選擇以45%為分界線將校正集平分為2個(gè)子校正集，以使2組樣品化學(xué)值變幅相近且每一組各不同直鏈淀粉質(zhì)量分?jǐn)?shù)個(gè)體出現(xiàn)的頻率符合正態(tài)分布，用于建立2個(gè)子模型，同時(shí)驗(yàn)證集也相應(yīng)平分為2個(gè)子驗(yàn)證集。測(cè)定結(jié)果均以干基(%)表示，所有被測(cè)樣品均平行測(cè)定2次并取平均值，2次測(cè)定數(shù)值相對(duì)誤差不得超過2%。

圖1 單穗籽粒樣品校正集和驗(yàn)證集樣品的分布頻率Fig.1 Distribution frequency of the calibration and validation sets of single spike grain samples

2 結(jié)果與分析

2.1 供試樣品的近紅外光譜

以DA7200型近紅外光譜分析儀掃描包含校正集和驗(yàn)證集在內(nèi)的196份單籽粒樣品(圖2-A)和360份單穗籽粒樣品(圖2-B)得到的近紅外光譜。去除部分離散性大的異常光譜后，所有樣品的近紅外光譜呈現(xiàn)相似的曲線線型，在1 000、1 200、1 380及1 470 nm附近有明顯的吸收峰。但單籽粒樣品光譜和單穗樣品光譜之間存在明顯的光譜基線差異，這可能是裝樣量的不同導(dǎo)致的；同時(shí)，兩光譜圖內(nèi)部的部分樣品光譜也發(fā)生基線漂移及非均勻變化。用一階導(dǎo)數(shù)+SNV的數(shù)學(xué)方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理后得到單籽粒預(yù)處理光譜(圖2-C)和單穗預(yù)處理光譜(圖2-D)，上述誤差基本得以消除。各圖譜一致的曲線線型表明樣本基本成分相對(duì)一致，單個(gè)樣本間的光譜值差異則表明樣本各成分質(zhì)量分?jǐn)?shù)在一定范圍內(nèi)波動(dòng)。

圖2 單籽粒樣品與單穗籽粒樣品的近紅外光譜及其預(yù)處理光譜Fig.2 Spectra and preprocessed spectra of near infrared reflectance spectroscopy of single-kernel and single-spike samples

2.2 供試樣品直鏈淀粉質(zhì)量分?jǐn)?shù)的化學(xué)值

根據(jù)GH值及Y殘差，設(shè)置GH=4，Y=10.0，剔除校正集中部分參試樣品，并利用交叉驗(yàn)證處理技術(shù)去除離散性大的樣品，各校正集中實(shí)際參與建模的單籽粒和單穗籽粒樣品直鏈淀粉質(zhì)量分?jǐn)?shù)的化學(xué)測(cè)定結(jié)果見表1。實(shí)際參與建模的137份單籽粒校正集樣品和251份校正集單穗樣品的直鏈淀粉質(zhì)量分?jǐn)?shù)變幅分別為25.25%～51.65%和27.20%～62.50%，標(biāo)準(zhǔn)偏差分別為4.50%和8.81%，樣品間變異系數(shù)分別為13.8%和20.9%，樣品化學(xué)值變幅較大，變異程度較高，基本覆蓋早代單籽粒和單穗籽?？赡艹霈F(xiàn)的直鏈淀粉質(zhì)量分?jǐn)?shù)變化范圍，滿足建立NIRS模型并做驗(yàn)證的條件。單籽粒樣品校正集和驗(yàn)證集用于單籽粒NIRS模型的校正與驗(yàn)證，單穗籽粒樣品校正集和驗(yàn)證集用于單穗NIRS模型的校正與驗(yàn)證。

2.3 單穗籽粒樣品子集的劃分

根據(jù)圖1單穗籽粒樣品化學(xué)值的變異范圍和分布頻率，將單穗籽粒樣品的校正集和驗(yàn)證集分別劃分為2個(gè)子集，設(shè)置GH=4，Y=10.0，剔除部分異常樣品后實(shí)際參與子模型校正與驗(yàn)證的樣品劃分結(jié)果見表2。子校正集一、二的樣品化學(xué)值變幅分別為27.20%～45.00%和45.20%～62.50%，標(biāo)準(zhǔn)偏差分別為4.38%和3.59%，樣品間變異系數(shù)分別為12.3%和7.0%，基本滿足本試驗(yàn)對(duì)于建立單穗NIRS子模型的要求。子校正集一和子驗(yàn)證集一用于單穗NIRS子模型一的校正與驗(yàn)證，子校正集二和子驗(yàn)證集二用于單穗NIRS子模型二的校正與驗(yàn)證。

表1 參與建模的單籽粒和單穗籽粒樣品直鏈淀粉質(zhì)量分?jǐn)?shù)的化學(xué)測(cè)定結(jié)果Table 1 Chemical analysis results of single-kernel and single-spike samples participating the modeling

表2 參與建模的單穗籽粒樣品子集劃分結(jié)果Table 2 Subset division results of single-spike samples participating the modeling

2.4 NIRS模型的建立與優(yōu)化

2.5 NIRS模型的實(shí)際預(yù)測(cè)效果分析

表3 各NIRS模型的校正與外部驗(yàn)證結(jié)果Table 3 Calibration and validation results of NIRS models

圖3 各NIRS模型的外部驗(yàn)證結(jié)果Fig.3 External validation results of NIRS models

以上結(jié)果表明，單籽粒NIRS模型定標(biāo)效果良好，預(yù)測(cè)準(zhǔn)確度高，可用于玉米單籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的鑒定。單穗NIRS子模型一、子模型二的RMSECV(2.394，2.408)(圖2)和RMSEP(2.369，2.596)均明顯小于單穗NIRS模型(RMSECV3.370，RMSEP3.205)，可見單穗NIRS子模型的預(yù)測(cè)準(zhǔn)確度高于單穗NIRS模型。

3 討 論

建立NIRS模型時(shí)，對(duì)于建模樣品在化學(xué)值變化范圍內(nèi)的分布狀態(tài)，是遵循均勻分布還是正態(tài)分布好，在近紅外分析界存在一定的爭議[21]。嚴(yán)衍祿等[20]認(rèn)為樣品按照自然的正態(tài)分布比較好，而褚小立等[28]則認(rèn)為樣品應(yīng)該均勻分布。李軍會(huì)等[29]以云南優(yōu)質(zhì)烤煙為試驗(yàn)材料，對(duì)樣品均勻分布和正態(tài)分布對(duì)NIRS建模結(jié)果的影響做了初步研究，結(jié)果顯示，當(dāng)建模樣品數(shù)分別為25、40和55時(shí)，正態(tài)分布模型和均勻分布模型的平均測(cè)量誤差分別為1.32%和3.09%、1.67%和2.00%及1.42%和1.83%，表明建模樣品量較少時(shí)，正態(tài)分布模型是優(yōu)于均勻分布模型的。但隨著建模樣品的增多，均勻分布模型與正態(tài)分布模型測(cè)量誤差的差距呈現(xiàn)縮小趨勢(shì)。受樣品豐富度的限制，本研究中單穗模型的建模樣品分布狀態(tài)不佳，但由于其建模樣品數(shù)在200以上，子模型的建模樣品數(shù)也均接近或大于100，建模樣品數(shù)足夠多，樣品分布狀態(tài)對(duì)模型的影響可以不予考慮。

為提高模型預(yù)測(cè)的穩(wěn)定性，擴(kuò)大模型適用范圍，本研究選用多種粒型、顏色的單籽粒樣本構(gòu)建單籽粒NIRS模型，樣品直鏈淀粉質(zhì)量分?jǐn)?shù)變異范圍為25.25%～51.65%；選用粒型、顏色、大小各有差異的自交系和雜交種單穗籽粒構(gòu)建單穗NIRS模型及其子模型，樣品直鏈淀粉質(zhì)量分?jǐn)?shù)變異范圍為27.20%～62.50%。然而，模型預(yù)測(cè)穩(wěn)定性的增加往往伴隨著可靠性的降低[20-21]，這也是單籽粒NIRS模型和單穗籽粒NIRS模型預(yù)測(cè)準(zhǔn)確度尚有提升空間的重要原因。通過縮小樣品目標(biāo)化學(xué)值變異范圍建立的單穗NIRS子模型具備更好的預(yù)測(cè)效果，這印證了上述觀點(diǎn)。另外，單穗NIRS子模型的校正結(jié)果(表3)顯示，RPDlt;2，這與子校正集樣品間較小的變異范圍和變異程度(CVlt;13%，見表2)有關(guān)。

在建立近紅外數(shù)學(xué)模型的過程中，建模樣品的含水量、溫度、顆粒大小及均勻性、松緊程度等因素都會(huì)對(duì)采集光譜產(chǎn)生影響。因此,在建模過程中，應(yīng)盡量將樣品含水量、溫度和均勻性等因素控制在一致水平，規(guī)范裝樣條件(樣品松緊度、高度等)[30]，充分利用建模軟件自身的篩選功能和評(píng)價(jià)方法剔除異常光譜，并采用適當(dāng)?shù)墓庾V預(yù)處理方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。在本研究中，所有參試樣品均經(jīng)過2個(gè)月以上的平衡水分處理，裝樣條件保持一致，根據(jù)GH值、Y殘差對(duì)校正集樣品光譜進(jìn)行異常值檢驗(yàn)，并采用一階導(dǎo)數(shù)+SNV的光譜預(yù)處理方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，這在一定程度上降低了非目標(biāo)因素對(duì)建模效果的影響。

4 結(jié) 論

本研究應(yīng)用近紅外光譜技術(shù)(NIRS)分別構(gòu)建單籽粒和單穗籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的NIRS分析模型，并通過分割建模樣品化學(xué)值變異范圍的方法建立2個(gè)單穗NIRS子模型。所建單籽粒NIRS模型的定標(biāo)效果良好，實(shí)際預(yù)測(cè)準(zhǔn)確度較高，可用于早代單籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的鑒定。單穗NIRS子模型較高的預(yù)測(cè)準(zhǔn)確度可以彌補(bǔ)單穗NIRS模型可靠性的不足，在鑒定單穗籽粒直鏈淀粉質(zhì)量分?jǐn)?shù)的過程中，可采用單穗NIRS模型+子模型的聯(lián)合鑒定方法，即先用單穗NIRS模型對(duì)待測(cè)樣品初步鑒定，然后利用相應(yīng)的子模型進(jìn)一步鑒定，以獲得準(zhǔn)確度更高的鑒定結(jié)果。

Reference：

[1] 董延豐.我國玉米需求情況分析[J].淀粉與淀粉糖,2013(3):1-3.

DONG Y F.China’s corn demand analysis[J].StarchandStarchSugar,2013(3):1-3(in Chinese)

[2] 張春紅,黃曉杰,李心欣,等.高直鏈玉米淀粉性質(zhì)的研究[J].食品科技,2009,3(9):21-23.

ZHANG CH H,HUANG X J,LI X X,etal.Study on the characteristics of high amylose maize[J].FoodScienceandTechnology,2009,3(9):21-23(in Chinese with English abstract).

[3] 陳 佩.不同鏈/支比玉米淀粉的形態(tài)及其在有/無剪切力下糊化的研究[D].廣州：華南理工大學(xué),2010.

CHEN P.Morphology and pasting properties under presence/absence of maize starch of different chain / branched ratio[D].Guangzhou:South China University of Technology,2010(in Chinese with English abstract).

[4] 張 瑛,徐曉紅,朱玉芹,等.高直鏈淀粉玉米的選育概況與發(fā)展前景[J].玉米科學(xué),2005,13(1):52-54.

ZHANG Y,XU X H,ZHU Y Q,etal.Breeding surveying and development prospect of high amylose maize[J].JournalofMaizeScience,2005,13(1):52-54(in Chinese with English abstract).

[5] 高衛(wèi)帥,張燕萍,徐海娟,等.3種玉米淀粉的性質(zhì)比較[J].食品與發(fā)酵工業(yè),2007,33(9):65-69.

GAO W SH,ZHANG Y P,XU H J,etal.Properties comparation of three kinds of corn starch[J].FoodandFermentationIndustries,2007,33(9):65-69(in Chinese).

[6] 喬光明,賈舉慶,丁建旭,等.高直鏈淀粉玉米研究進(jìn)展[J].玉米科學(xué),2007,15(4):140-142.

QIAO G M,JIA J Q,DING J X,etal.Research advancement of high amylose starch maize[J].JournalofMaizeScience,2007,15(4):140-142(in Chinese with English abstract).

[7] 寧麗華,陳亭亭,劉懷華,等.高直鏈淀粉玉米amylose-extender基因功能標(biāo)記的開發(fā)及應(yīng)用[J].分子植物育種,2001,9(2):185-189.

NING L H,CHEN T T,LIU H H,etal.Development and utilization of amylose-extender functional marker in high-amylose maize[J].MolecularPlantBreeding,2001,9(2):185-189(in Chinese with English abstract).

[8] 郭 星,溫其標(biāo).測(cè)定直鏈淀粉含量的幾種新方法[J].糧油加工與食品機(jī)械,2006(4):87-89.

GUO X,WEN Q B.Several new method for the determination of amylose content[J].GrainandOilProcessingandFoodMachinery,2006(4):87-89(in Chinese with English abstract).

[9] 楊有仙,趙 燕,李建科,等.直鏈淀粉含量測(cè)定方法研究進(jìn)展[J].食品科學(xué),2010,31(23):417-419.

YANG Y X,ZHAO Y,LI J K,etal.Research progress in determination methods for amylose content[J].FoodScience,2010,31(23):417-419(in Chinese with English abstract).

[10] 張 勇,叢 茜,謝云飛,等．NIRS 分析技術(shù)在農(nóng)業(yè)中的應(yīng)用進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(10):285-290.

ZHANG Y,CONG Q,XIE Y F,etal.Progress in application of near infrared spectroscopy technology in agriculture[J].TransactionsoftheChineseSocietyAgriculturalScience,2007,23(10):285-290(in Chinese with English abstract).

[11] 李 偉,肖愛平,冷 鵑,等.近紅外光譜技術(shù)及其在農(nóng)作物中的應(yīng)用[J].中國農(nóng)學(xué)通報(bào),2009,25(3):56-59.

LI W,XIAO A P,LENG J,etal.Near-infrared spectroscopy and its applications in crops[J].ChineseAgriculturalScienceBulletin,2009,25(3):56-59(in Chinese with English abstract).

[12] BARTON F E,HIMMELSBACH D S,MCCLUNG A M,etal.Rice quality by spectroscopic analysis:precision of three spectral regions[J].JournalofCerealChemistry,2000,77:669-672.

[13] 邰書靜,張仁和,史俊通,等.近紅外光譜法測(cè)定玉米秸稈飼用品質(zhì)[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(12):151-155.

TAI SH J,ZHANG R H,SHI J T,etal.Prediction of forage quality of maize stover by near infrared spectroscopy[J].TransactionsoftheChineseSocietyAgriculturalScience,2009,25(12):151-155(in Chinese with English abstract).

[14] 籍保平.近紅外光譜技術(shù)在農(nóng)產(chǎn)品加工中的應(yīng)用[J].糧油加工與食品機(jī)械,2006,47(6):31-33.

JI B P.Near infrared spectroscopy technology in agricultural products processing[J].GrainandOilProcessingandFoodMachinery,2006,47(6):31-33(in Chinese with English abstract).

[15] 后其軍,鞠興榮,何 榮.近紅外光譜分析技術(shù)在糧油品質(zhì)評(píng)價(jià)中的研究應(yīng)用進(jìn)展[J].中國糧油學(xué)報(bào),2015,30(7):136-140.

HOU Q J,JU X G,HE R.The application progress of near infrared spectroscopy analysis technology in grain and oil quality evaluation[J].JournalofTheChineseCerealsandOilsAssociation,2015,30(7):136-140(in Chinese with English abstract).

[16] 龐新安.近紅外光譜技術(shù)及其在農(nóng)產(chǎn)品品質(zhì)分析中的應(yīng)用[J].廣西農(nóng)業(yè)生物科學(xué),2007,26(1):83-87.

PANG X A.Near infrared spectroscopy and its application in the analysis of the quality of agricultural products[J].GuangxiAgriculturalandBiologicalSciences,2007,26(1):83-87(in Chinese with English abstract).

[17] CAMPBELLM R,MANNIS S R,PORTH A,etal.Prediction of starch amylose content versus total grain amylose content in corn by near-infrared transmittance spectroscopy[J].CerealChemistry,1999,76(4):552-557.

[18] SCAMPBELL M R,SBRUMM ST J,SGlover D V.Whole grain amylose analysis in maize using near-infrared transmittance spectroscopy[J].CerealChemistry,1997,74(3):300-303.

[19] 朱蘇文,何 瑰,李 展.玉米籽粒直鏈淀粉含量的近紅外透射光譜無損檢測(cè)[J].中國糧油學(xué)報(bào),2007,22(3):144-148.

ZHU S W,HE G,LI ZH.Whole Kernel Detection:Determination of amylose content of maize with near-infrared transmittance spectroscopy[J].JournaloftheChineseCerealsandOilsAssociation,2007,22(3):144-148(in Chinese with English abstract).

[20] 嚴(yán)衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京:中國輕工業(yè)出版社,2005.

YAN Y L,ZHAO L L,HAN D H,etal.Near Infrared Spectrum Analysis and Application[M].Beijing:China Light Industry Press,2005(in Chinese).

[21] 陸婉珍.現(xiàn)代近紅外光譜分析 [M].第2版.北京：世界地圖出版社,2007.

LU W ZH.Modern Near Infrared Spectroscopy[M].2nd Ed.Beijing:World Map Publishing House,2007(in Chinese).

[22] WILLIAMS P C.Implementation of near-infrared technology[C].St Paul,Minnesota,USA:American Association of Cereal Chemist,2001:145-169.

[23] 李志偉,鐘雨越,吳權(quán)明,等.高直鏈玉米淀粉的理化特性研究[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,42(7):54-59.

LI ZH W,ZHONG Y Y,WU Q M,etal.Physicochemical properties of high-amylose maize starch[J].JournalofNorthwestAamp;FUniversity(NaturalScienceEdition),2014,42(7):54-59(in Chinese with English abstract).

[24] THIANMING Z,DAVID S J,RANDY L,etal.Comparison of amylose determination methods and the development of a dual wavelength iodine binding technique[J].CerealChemistry,2008,85(1):51-58.

[25] 吳靜珠,王一鳴,張小超,等.近紅外光譜分析中定標(biāo)集樣品挑選方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2006,37(4):158-161.

WU J ZH,WANG Y M,ZHANG X CH,etal.Study on algorithms of selection of representative samples for calibration in near infrared spectroscopy analysis[J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2006,37(4):158-161(in Chinese with English abstract).

[26] 閔順耕,李 寧,張明祥.近紅外光譜分析中異常值的判別與定量模型優(yōu)化[J].光譜學(xué)與光譜分析,2004,24(10):1205-1209.

MIN SH G,LI N,ZHANG M X.Outlier diagnosis and calibration model optimization for near infrared spectroscopy analysis[J].SpectroscopyandSpectralAnalysis,2004,24(10):1205-1209(in Chinese with English abstract).

[27] MAESSCHALK R D,JOUAN R D,MASSART D L.The mahalanobis distance[J].ChemometricsandIntelligentLaboratorySystems,2000,50(1):1-18.

[28] 褚小立,王艷斌,陸婉珍.近紅外光譜定量校正模型的建立及應(yīng)用[J].理化檢驗(yàn)(化學(xué)分冊(cè)),2008,44(8):796-800.

CHU X L,WANG Y B,LU W ZH.Establishment and application of near infrared spectroscopy quantitative calibration model[J].PhysicalTesting(ChemicalAnalysis),2008,44(8):796-800(in Chinese with English abstract).

[29] 李軍會(huì),秦西云,張文娟,等.樣品年份、化學(xué)值分布參數(shù)對(duì)近紅外檢測(cè)結(jié)果的影響[J].光譜學(xué)與光譜分析,2007,27(9):1754-1756.

LI J H,QIN X Y,ZHANG W J.etal.Influence of sample annum and distribution of chemical values on NIR veracity[J].SpectroscopyandSpectralAnalysis,2007,27(9):1754-1756(in Chinese with English abstract).

[30] 吳靜珠,王一鳴,張小超,等.樣品狀態(tài)與裝樣條件對(duì)近紅外光譜測(cè)定的影響研究[J].現(xiàn)代科學(xué)儀器,2006(1):69-71.

WU J ZH,WANG Y M,ZHANG X CH,etal.Study on the influence of sample’s state and loading condition to near infrared spectroscopy analysis[J].ModernScientificInstruments,2006(1):69-71(in Chinese with English abstract).

CorrespondingauthorZHANG Hong,female,associate professor. Research area: mathematical model design.E-mail:zhanghong@ylvtc.com GUO Dongwei,male,associate professor.Research area: maize genetics and breeding. E-mail: gdwei1973@126.com

(責(zé)任編輯：潘學(xué)燕Responsibleeditor:PANXueyan)

TheCalibrationandValidationofNIRSPredictionModelsforAmyloseMassFractionofSingle-kernelandSingle-spikeofMaize

LIU Linsan1,2,ZHANG Hong3,FENG Jiaojiao1,2,ZHONG Yuyue1,2,ZHANG Xudong1,2, LI Yibo1,2,XU Shutu1,2,XUE Jiquan1,2and GUO Dongwei1,2

(1.Key Laboratory of Biology and Genetic Improvement of Maize in Arid Area of Northwest Region,Ministry of Agriculture,College of Agronomy,Northwest Aamp;F University,Yangling,Shaanxi 712100,China; 2.Maize Engineering amp; Technology Research Center of Shaanxi Province,Yangling Shaanxi 712100,China; 3.College of Water Conservancy Engineering,Yangling Vocational amp; Technical College,Yangling Shaanxi 712100,China)

Maize; Single kernel;Amylose mass fraction;Near infrared spectroscopy: Sub-model

2016-08-06

2016-09-26

Yangling Demonstration District Science and Technology Plan Projects(No.2014NY-01)；Cyrus Tang Breeding Fund.

LIU Linsan,male,master student.Research area:maize genetics and breeding.E-mail:liuls1993@163.com

日期：2017-11-17

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/61.1220.S.20171117.1101.014.html

2016-08-06

2016-09-26

楊凌示范區(qū)科技計(jì)劃項(xiàng)目(2014NY-01)；唐仲英育種基金。

劉林三，男，碩士研究生，從事玉米遺傳育種研究。E-mail:liuls1993@163.com

張 宏，女，副教授，主要從事數(shù)理模型設(shè)計(jì)研究。E-mail：zhanghong@ylvtc.com 郭東偉，男，副教授，主要從事玉米遺傳育種研究。E-mail: gdwei1973@126.com

O657.33

A

1004-1389(2017)11-1606-08