[目的]高粱是酿酒和饲料的主要原料之一,其籽粒直链淀粉含量与支链淀粉含量的比值大小与白酒品质及饲料质量密切相关.传统的高粱成分化学检测方法已不适合高通量测试,采用改进最小二乘法(modified PLS)对高粱样品的近红外光谱图进行光谱预处理、得分处理和结果监控建立高粱籽粒直链淀粉、支链淀粉含量的预测模型,旨在得到一种快速高效低成本的检测方法,为高粱的遗传改良及品质分析提供依据.[方法]从450份高粱资源中筛选出112份代表品种作为校正集和验证集,通过双波长法测定112份高粱品种籽粒中直链淀粉、支链淀粉含量的化学值,并收集波长为850—1048 nm的近红外光谱,对光谱进行扫描数据矩阵和化学数据计算得分(PL1)处理解释光谱间差异,剔除马氏距离(GH)大于3的超常品种以减小建模误差.采用Modified PLS回归技术建模,通过不同散射处理和导数处理等方法建立不同的定标模型.根据交叉验证标准偏差(SECV)、交叉验证相关系数(1-VR)确定最佳模型,并进行结果监控和非参数检验评估模型的预测性能.[结果]直链淀粉的近红外预测模型SECV是2.7732,1-VR是0.9503,相关系数(RSQ)是0.9688.Bias=0.229<2.7732(SECV)×0.6,即偏差(Bias)小于定标模型SECV的0.6倍;预测标准偏差(SEP)=1.266<2.7732(SECV)×1.3=3.60516,即SEP小于定标模型SECV的1.3倍,11.01(SD)—10.81(SD)=0.2<11.02(SD)×0.2=2.204即化学数据和近红外预测数据标准偏差(SD)差值小于化学数据SD的20％.支链淀粉的近红外预测模型SECV是1.7516,1-VR是0.8818,RSQ是0.9127.Bias=-0.014<1.7516(SECV)×0.6即Bias小于定标模型SECV的0.6倍,SEP=1.316<1.7516(SECV)×1.3=2.2708即SEP小于定标模型SECV的1.3倍,5.30-5.29=0.01<5.30×0.2=1.06即化学数据和近红外预测数据SD差值小于化学数据SD的20％.利用30份模型外高粱籽粒对模型的有效性进行两配对样本非参数检验,结果表明,直链淀粉含量和支链淀粉含量的测定值与预测值之间差异不显著(P=0.262>0.05;P=0.992>0.05).[结论]所建立的近红外模型精准度高,稳定性好,能准确快速地检测高粱籽粒中直链淀粉、支链淀粉的含量,可用于高粱的遗传改良及高粱品质的检测.

近红外光谱;高粱;直链淀粉;支链淀粉;改进最小二乘法

贵州大学农学院/国家小麦改良中心贵州分中心,贵阳 550025

[1]张北举;陈松树;李魁印;李鲁华;徐如宏;安畅;熊富敏;张燕;董俐利;任明见-.基于近红外光谱的高粱籽粒直链淀粉、支链淀粉含量检测模型的构建与应用)[J].中国农业科学,2022(01):26-35

改进最小二乘法

近红外光谱,高粱籽粒,支链淀粉含量,含量检测,检测模型,构建与应用,酿酒,直链淀粉含量,白酒品质,饲料质量,化学检测,modified,PLS,光谱图,光谱预处理,分处,快速高效,遗传改良,品质分析,验证集,双波长法,高粱品种,种籽,中直,数据矩阵,矩阵和,数据计算,PL1,处理解释,马氏距离,GH,超常,小建,建模误差,Modified,导数,数处,定标模型,交叉验证,验证标准,标准偏差,SECV,VR,非参数检验,检验评估,预测性能,近红外预测模型,RSQ,Bias,SEP,即化,预测数据,数据标准,测定值,近红外模型,准确快速,测高

0.229799