王逸之，董文渊

(西南林业大学云南生物多样性研究院，云南 昆明 650224)

近红外光谱分析技术在竹类研究中的应用前景

王逸之，董文渊

(西南林业大学云南生物多样性研究院，云南 昆明 650224)

近红外光谱分析技术作为一种快速、无损、绿色的定性与定量分析方法，目前已广泛应用于多个领域。该文简要介绍了近红外光谱化学计量学分析方法与一般流程，并对近年来该项技术在农林行业定性与定量分析中的应用现状与研究进展进行了综述。最后文章对近红外光谱分析技术在竹类研究中应用前景进行了展望。

近红外光谱；定性与定量分析；竹类研究

近红外光(near infrared，NIR)是介于可见光(visible light)和中红外光(mid infrared，MIR)之间的电磁波，美国材料试验协会(American Society for Testing Materials，ASTM)定义的近红外光谱区的波长范围为780～2 526 nm，对其细分又可分为为近红外短波(780～1 100 nm)和近红外长波(1 100～2 526 nm)两个区域[1-3]，如图1所示。

图1 近红外光谱波长范围Fig.1 Wavelength range of the near infrared spectroscopy

近红外光谱(near infrared reflectance spectroscopy，NIRS)主要是由分子震动的非谐振性使分子震动从基态向高能级跃迁时产生的，其谱区几乎涵盖了有机物中所有含氢基团如C-H、N-H、O-H 、S-H的有效信息，能反映不同物质的分子结构、组成状态，非常适用于含氢有机物质的物理性质及化学成分的测量。近红外光谱分析技术随着现代计算机科技的发展和化学计量学研究的深入，自20世纪80年代开始进入了飞速发展期。作为一种新兴的定量与定性分析手段，近红外光谱技术在于医药、农业、石油、化工等多个领域发挥了重要的作用[4-13]。

相对于传统手段，近红外光谱技术具有以下技术优势：(1)既可用于定量分析又可用于定性判别，精度较高；(2)检测速度快，检测周期短，光谱的测量过程一般可以在几分钟内完成，参照已经建立的定标模型可以快速完成定性与定量分析；(3)检测成本低，不破坏被测样品，不需要使用试剂，绿色无污染；(4)样品无需预处理或仅需简单的预处理，操作方便；(5)检测重现性好，光谱测量的稳定性较好，测试结果受人为干扰的影响较小；(6)可实现在线分析与远程控制，通过光纤传导，可使仪器远离采样现场，可实现高温、高压、有毒等环境条件下样品的远距离实时监测[14-16]。目前近红外光谱研究范围逐步扩大，在农业、林业相关领域已有广泛应用，本文就近红外光谱分析技术及其在农林行业中的应用情况进行简要介绍，并结合竹子的特点，对该项技术在竹类研究中的应用前景进行展望，以期为近红外光谱技术应用于竹类研究提供参考。

1 近红外光谱化学计量学分析方法与一般流程

1.1 光谱预处理

光谱预处理研究主要包括图谱预处理与波长选择两个方面。

1.1.1 图谱预处理 近红外光谱仪采集到的原始光谱信号中除包含与样品组分相关的信息外，同时也包含其它干扰因素所产生的噪声，如样品背景、杂散光、仪器响应、电噪声等。这些噪声信号会对谱图产生干扰，从而影响校正模型的建立和对未知样品组分或性质的预测。在用化学计量方法建立模型之前，通过预处理方法消除光谱数据中无关信息和噪声可以提高模型精度。常用的光谱预处理方法有平滑算法(Smoothing)、导数算法(Derivative)、小波变换(Wavelet Transform，WT)、多元散射校正(multiplicative scatter correction，MSC)等[17]。

1.1.2 波长范围选择 在全波长范围内通过特定的方法筛选特征区间可以简化模型，剔除不相关或非线性变量，提高校正模型的预测能力与稳健性。常用的波长选择方法主要有间隔偏最小二乘法(Interval PLS，iPLS)、遗传算法(Genetic Algorithm，GA)、无信息变量消除法(Uninformative Variables Elimination，UVE)、模拟退火算法(Simulated Annealing，SA)、连续投影算法(Successive ProjectionsAlgorithms，SPA)等[18]。

1.2 样品集的划分

在用近红外光谱分析较多样品时，通过选取具有代表性的定标集样品，可以减少建模的工作量，降低建模的复杂度。同时选取的样本是否具有代表性，直接关系到所建模型的预测能力和适用性。常用的建模集样品选择方法有含量梯度法、双向算法(Duplex)、Kennard-Stone法、GN距离法等[19-20]。

1.3 定性分析

近红外光谱定性分析主要是运用模式识别与聚类分析的一些算法，对未知样品进行判别分类。在模式识别运算时，通过计算机对校正集样品光谱数据进行运算，得出样品集所在的数学空间范围，对未知样品集进行运算后，若也在此数学范围之内，则该样品属于校正集类型，反之则否定。聚类运算不需要校正集，它通过待分析样品的光谱特征根据光谱近似程度进行分类。目前流行的近红外光谱定性分析方法主要有偏最小二乘判别分析法(Partial least squares-discriminant analysis，PLS-DA)、簇类的独立软模式法(Soft Independent Modeling of Class Analogy，SIMCA)、人工神经网络(Artificial Neural Network，ANN)、支持向量机算法(Support Vector Machine，SVM)等[21]。

图2 近红外光谱分析的一般流程Fig.2 The flow chart of the near infrared spectroscopy analysis

1.4 定量分析

近红外定量分析是一种间接分析技术，在用传统化学分析手段或统计方法获得待测样本的物化参数之后，通过化学计量学方法在样品待测属性值与近红外光谱数据之间建立定量关联关系。校正模型精度达到要求之后，可以利用该模型对未知样品的待测属性进行定量预测。常用的定量校正方法有多元线性回归(Multiplicative Linear Regression，MLR)、主成分回归((Principal Component Regression，PCR)、偏最小二乘回归(Partial least squares，PLS)、拓扑学法(Topology)等[2]。

1.5 近红外光谱分析的一般流程(见图2)

2 近红外光谱分析技术在农林行业中的应用

2.1 近红外光谱定性分析技术在农林行业中的应用

近红外光谱定性分析技术广泛应用于各类食品、农作物、林产品的品种与产地的快速识别。郝勇等[22]应用可见/近红外光谱分析方法结合软独立模式分类(SIMCA)和偏最小二乘判别分析(PLS-DA) 模式识别方法对赣南脐橙的品种进行识别，试验结果表明基于上述两种方法建立的校正模型对纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙品种的识别率均为100%。韩仲志等[23]采集了8个玉米品种的近红外光谱数据，并基于此数据研究了PCA的光谱数据特征的提取方法，探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能。研究发现基于近红外的玉米品种识别，在6个主分量的情况下整体上性能达到90%以上；SVM算法较 ANN算法稳定可靠，更适合于小样本情况下的光谱分析，应用光谱进行产地鉴别，鉴别力达到95%以上。杨天鸣[24]等运用傅立叶变换近红外光谱结合主成分-马氏距离判别分析方法(PCA-Mahalanobis distance discriminant analysis)对7种不同品种的茶叶进行品种鉴别。结果表明：所得PCA-MD模型对7种茶叶的分类正确率均为100%，说明模型具有较好的预测分类能力。马明宇[25]等测量了不同产地及品种的89个木材样品的近红外光谱，并分别使用反向传播人工神经网络(back propagation artificial neural networks，BPANN)与广义回归神经网络(generalized regression neural network，GRNN)建立了NIRS树种识别模型。结果表明两种神经网络模型均有较好的预测结果，其中BPANN模型，对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在 97 %以上；GRNN模型，对含偏置水平不高于2%、噪声水平不高于4%的模拟光谱识别正确率在99%以上。杨忠[26]等利用近红外光谱结合 SIMCA模式识别法来检测马尾松木材单板节子。结果表明，通过培训集样本建立的基于主成分分析的SIMCA判别模型对有无节子两种类型样本进行回判和对未知节子类型的样本(包括无节子和有节子样本)的判别正确率均达到90%～100%，说明应用近红外光谱结合SIMCA模式识别法可以快速有效地检测木材表面的节子缺陷。

2.2 近红外光谱定量分析技术在农林行业中的应用

近红外光谱定量分析技术在农林行业中主要应用于不同物质内含物的定量分析与预测，涉及农作物、林产品、土壤与环境等多个研究领域。徐璐璐[27]等应用近红外光谱分析技术结合SPA-RBF神经网络对小麦蛋白质含量进行快速、无损检测，模型的预测均方根误差和预测相关系数可达到0.265 76和0.975，预测效果较好，结果表明近红外光谱技术可实现对小麦蛋白质含量的检测，满足现代农业发展对小麦无损、实时、大量检测的需要。汤旭光[28]等利用 PROSAIL模型模拟了不同叶绿素水平下的大豆冠层光谱反射率，而后针对多期实测高光谱及相应的叶绿素数据，在对响应波段进行小波能量系数提取的基础上，分别采用多元线性回归、BP神经网络和 RBF神经网络、以及偏最小二乘法进行估算，结果表明：基于小波分析的3种回归模型都取得了较好的估算效果，验证模型的R2分别为0.634，0.715，0.873和 0.776，能够全面稳定地估算叶绿素含量。吴静珠[29]等比较了分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS)和组合间隔偏最小二乘法(SiPLS)4种特征波长挑选方法在番茄苗氮含量快速测定近红外光谱建模中的准确度和稳定性。结果表明：CARS和 MCUVE挑选的特征变量所建定标模型的性能比BiPLS和 SiPLS挑选的特征变量所建定标模型的性能更优，但是预测性能远低于后者。其中，基于BiPLS建立的番茄苗氮素含量预测模型性能最佳，相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为 0.9527，0.1183和 3.2910。刘汝宽[30]等，对湖南地区的52个光皮树果实样品进行分析，建立了近红外法无损测定其主要内含物含量的模型，结果表明：近红外光谱法同标准的化学分析方法之间，无显著性差异，可以采用近红外光谱法进行光皮树果实中的粗脂肪含量、热值、水分和粗蛋白质等指标的无损测定。吴茜[31]等从可见/近红外光谱建模的几个重要环节，即特征波段、预处理方法及回归模型方法的选择，研究了土壤有效氮、磷、钾含量快速估测的光谱建模方法，结果表明应用局部非线性回归方法(BP神经网络局部回归法)建模，所建模型对土壤有效氮、磷、钾含量估测的相关系数r分别为0.90，0.82和 0.94，可实现对土壤养分状况的快速诊断。

3 近红外光谱分析技术在竹类研究中的应用前景

3.1 竹类植物系统分类

传统的植物分类学法方从植物形态学及解剖学入手，基于杆、叶、地下茎、根、花和果实等组织器官的外部形态及组织构造来分类。竹类植物因其很少开花结实和开花周期长且不固定的特性，以花和果形态特征为主要依据的分类方法实施难度较大，近红外光谱定性分析技术的出现为竹类植物系统分类提供了新的思路。李伦[32]等开展了基于傅里叶变换红外光谱结合主成分分析和系统聚类分析法的竹类植物鉴别研究，成功的对6种竹子的叶片进行了聚类分析与鉴别。王逸之[21]等使用便携式近红外光谱仪野外实测了4个竹种叶片正面近红外光谱，并结合PLS-DA方法对不同竹种叶片近红外光谱进行判别分析，利用最优校正模型对验证集中4个竹种叶片正面近红外光谱进行判别，识别率均为100%，说明近红外光谱结合PLS-DA方法可以用于野外不同竹种的快速识别。相对与传统分类学方法，近红外光谱具有技术操作简单、快速、无损、无需样品分离提取等优势，在收集多个地点，不同生长发育阶段的相应竹种光谱数据，建立完善完整的竹种光谱数据库的基础上，可以为竹类系统分类研究提供参考。

3.2 竹类植物内含物成分分析与预测

近年来，随着仪器设备与加工工艺的发展，在传统的竹材利用领域之外，竹类营养成分与提取物的开发利用逐渐受到人们的关注，竹笋营养成分、竹叶黄酮、多糖、特种氨基酸、挥发性成分、微量元素等均有研究报道[33-36]。上述竹类植物内含物的成分分析都基于传统化学分析手段，耗时长、操作复杂、检测成本高，若将传统化学分析法方与近红外光谱定量分析技术相结合，则可以显著提高工作效率，降低成本，并能在实际生产中实现在线分析与远程控制。该技术在农业领域已有许多应用：脐橙糖度、茶叶含水率、梨可溶性固形物含量、武夷岩茶品质成分、南疆红枣品质等均已经实现了近红外在线快速测定[37-41]。目前近红外光谱定性分析技术在竹类研究报道很少，应用前景广阔。

3.3 竹林资源评估与监测

近红外光谱不同竹种的定性识别模型与竹子内含物定量分析模型的建立，为竹林资源评估与监测提供了一个新的途径。基于传统遥感的森林资源评估，受光谱数据空间分辨率、卫星重访周期、数据价格昂贵等因素的制约，不适用于中、小尺度上的森林资源评估与实时监测，而近红外光谱技术可以弥补传统遥感技术的不足。在建立和完善一定区域内各竹种红外光谱定性识别模型与内含物定量分析模型的基础上，通过机载与手持近红外光谱仪进行数据采集，可以实现竹林养分、健康状况、开花预警等方面的实时评估与监测。

4 结 语

随着软硬件开发与化学计量学方法的不断进步，近红外光谱技术从最初的概念炒作期进入了稳步发展的平台期，在诸多领域逐渐发挥着越来越重要的作用，应用前景非常广阔，任何一个应用点都存在着巨大的推广市场与发展空间。近红外光谱分析技术在农林行业中多项成功应用案例作为很好的借鉴和学习材料，为其在竹类研究中的推广应用奠定了坚实的基础。相信在未来的5～10 a内，近红外光谱分析技术一定能在我国竹类研究领域发挥应有的作用。

[1] 张小超,吴静珠,徐云.近红外光谱分析技术及其在现代农业中的应用[M].电子工业出版社, 2012.

[2] 宋海燕.土壤近红外光谱检测[M].化学工业出版社, 2013.

[3] 褚小丽.化学计量学方法与分子光谱分析技术[M].化学工业出版社, 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,辛术贞,李军会.应用近红外光谱技术测试温室黄瓜叶片全氮含量[J].光谱学与光谱分析, 2011, 31(8):2114-2116.

[12] 徐安传,胡巍耀,王超,等.应用近红外技术直接检测烟丝常规化学成分的研究[J].激光与红外,2012, 42(4):393-398.

[13] 唐忠厚,李洪民,陆国权.基于近红外光谱的甘薯抗性淀粉含量的快速测定方法[J].江苏农业学报,2011, 27(6):1426-1429.

[14] 李水方.蜂蜜质量的近红外光谱分析技术研究[D].中南林业科技大学,博士学位论文,2012.

[15] 刘雪梅.基于可见近红外光谱检测土壤养分及仪器开发[D].东华大学,博士学位论文,2014.

[16] 杨琼.近红外光谱法定量分析及其应用研究[D].西南大学,硕士学位论文, 2009.

[17] 李民赞.光谱分析技术及其应用[M].北京:科学出版社,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] 王艳斌.人工神经网络在近红外分析方法中的应用和深色油品的分析[D].北京:石油化工研究院, 博士学位论文,2002.

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

[21] 王逸之,董文渊,李永和,等.基于近红外光谱结合PLS-DA法的野外竹种识别技术研究[J].竹子研究汇刊,2014,33(4):16-20.

[22] 郝勇, 孙旭东, 高荣杰, 等. 基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别[J].农业工程学报, 2010, 26(12):373-377.

[23] 韩仲志,万剑华,张洪生，等.基于玉米籽粒近红外光谱的品种与产地识别研究[J].中国粮油学报,2014,29(1):21-25.

[24] 杨天鸣,苏蕊,付海燕.茶叶品种鉴别的近红外光谱指纹图谱模式识别方法[J].甘肃科技,2015,31(25):40-43.

[25] 马明宇,王桂芸,黄安民，等.人工神经网络结合近红外光谱用于木材树种识别[J].光谱学与光谱分析,2012,32(9):2 377-2 381.

[26] 杨忠,陈玲,付跃进,等.近红外光谱结合SIMCA模式识别法检测木材表面节子[J].东北林业大学学报,2012,40(8):70-72.

[27] 徐璐璐,孙来军,刘明亮，等.基于SPA-RBF神经网络的小麦蛋白质含量无损检测[J].中国农学通报,2013,29(9):208-212.

[28] 汤旭光,宋开山,刘殿伟，等.基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较[J].光谱学与光谱分析,2011,31(2):371-374.

[29] 吴静珠,汪凤珠,王丽丽，等.基于近红外特征光谱的番茄苗氮含量快速测定方法研究[J].光谱学与光谱分析,2015(35)1:99-103.

[30] 刘汝宽,肖志红,姜莎，等.近红外光谱法无损测定光皮树果实内含物含量[J].中国粮油学报,2014,29(9):120-123.

[31] 吴茜,杨宇虹,徐照丽，等.应用局部神经网络和可见/近红外光谱法估测土壤有效氮磷钾[J].光谱学与光谱分析,2014(34)8:2 102-2 105.

[32] 李伦,刘刚,张川云.FTIR结合统计分析对竹类植物的鉴别分类研究[J].光谱学与光谱分分析,2013,33(12):3 221-3 225.

[33] 赵景威,王雨珺,唐国建，等.云龙箭竹和空心箭竹竹笋营养成分[J].西部林业科学,2015,44(3):159-163.

[34] 刘康莲,冯定坤,贺银菊，等.三都麻竹叶总黄酮的提取及其含量测定[J].食品研究与开发,2015,36(4):62-65.

[35] 王逸之,董文渊,Andrew Kouba，等.巴山木笋和叶营养成分分析[J].林业科技开发,2012,26(6):47-50.

[36] 王进,崔宇,王志勇，等.两种前处理方法分析竹醋液挥发性成分的比较[J].食品科学,2011,32(18):198-201.

[37] 孙旭东,郝勇,高荣杰，等.脐橙糖度近红外光谱在线检测数学模型优化研究[J]. 光谱学与光谱分分析,2011,31(5):1 230-1 235.

[38] 陈寿松,郑功宇,金心怡.茶叶含水率近红外在线快速测定及其应用研究[J].茶叶科学,2014,34(4):337-343.

[39] 孙通,应义斌,刘魁武，等.梨可溶性固形物含量的在线近红外光谱检测[J].光谱学与光谱分分析,2008,28(1):2 536-2 539.

[40] 赵峰,林河通,杨江帆，等.基于近红外光谱的武夷岩茶品质成分在线检测[J].农业工程学报,2014,30(2):269-276.

[41] 罗华平,卢启鹏,丁海泉，等.南疆红枣品质近红外光谱在线模型参数的实验研究[J]. 光谱学与光谱分分析,2012,32(5):1 225-1 229.

《竹子研究汇刊》更名为《竹子学报》

经国家新闻出版广电总局文件(新广出审[2016]189号)批准，自2016年2月起原《竹子研究汇刊》正式更名为《竹子学报》，国内统一连续出版物号变更为CN 33-1399/S。

《竹子学报》定于2016年第35卷第2期正式启用新刊名出版发行。更名后，《竹子学报》将继承《竹子研究汇刊》的荣誉、办刊宗旨和办刊传统，以新的视觉展现在广大读者面前。作者已投《竹子研究汇刊》的论文，将自动改投《竹子学报》，不再另行通知。

欢迎新老作者及相关领域的广大科技工作者踊跃投稿，希望广大读者一如既往的关心和支持《竹子学报》。E-mail:zzxbbjb@126.com; zhukan2004@163.com

《竹子学报》编辑部

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

西南林业大学科研启动基金项目(111440)

王逸之(1984-)，男，助理研究员，主要从事竹林生态与培育研究。通讯作者：董文渊，男，教授。E-mail：wydong6839@sina.com