基于近紅外光譜的大豆莖稈化學組分含量檢測模型構建與應用

李佳佳，洪慧龍，萬明月，儲麗，趙敬會，汪明華，徐志鵬，張陰，黃志平，張文明，王曉波，邱麗娟

基于近紅外光譜的大豆莖稈化學組分含量檢測模型構建與應用

李佳佳1，洪慧龍2，萬明月1，儲麗1，趙敬會1，汪明華1，徐志鵬1，張陰1，黃志平3，張文明1，王曉波1，邱麗娟2

1安徽農業大學農學院，合肥 230036；2中國農業科學院作物科學研究所/農業部作物基因資源與遺傳改良重大科學工程/農業部作物基因資源與種質創制重點實驗室，北京 100081；3農作物品質改良安徽省重點實驗室，合肥 230001

【】大豆莖稈化學組分（纖維素、半纖維素、木質素和粗纖維等）與其莖稈抗倒伏能力密切相關，但由于目前大豆莖稈化學組分檢測多采用傳統的化學分析技術，測定過程操作復雜、耗時耗力、成本昂貴且易造成環境污染，不適合大規模育種應用，因此，通過構建一套低成本、快速、科學、無污染的大豆莖稈化學組分檢測方法，為大豆種質資源莖稈組分分布規律及其與大豆生長習性和倒伏性關系的研究提供方法基礎。通過建立一套基于近紅外光譜檢測技術的大豆莖稈化學組分檢測模型，并利用該模型對大豆種質資源莖稈中的中性洗滌纖維（neutral detergent fiber，NDF）、酸性洗滌纖維（acid detergent fiber，ADF）和粗纖維（crude fiber，CF）等化學組分進行檢測分析，通過方差分析、多重比較和小提琴圖分析，明確大豆莖稈CF含量與其生長習性及抗倒伏性之間的內在關系。基于構建的大豆莖稈化學組分近紅外光譜快速檢測模型對莖稈NDF、ADF和CF組分檢測數值的校正相關系數（RC）均在0.90以上。利用16份模型外大豆莖稈樣本對模型的有效性進行驗證發現，常規化學檢測與該模型檢測結果之間無顯著性差異（＞0.05）。利用該模型對2017年和2018年種植的393份大豆莖稈CF含量及其生長習性之間的關系進行分析，結果表明，大豆莖稈CF含量符合正態分布規律，在CF含量50.00%以上的材料中，2年數據均表現出直立型（91.67%和86.14%）顯著高于蔓生型（8.33%和13.86%），表明大豆莖稈CF含量與其生長習性呈極顯著正相關（＜0.01）。構建的近紅外光譜模型具有低成本、快速高效、無污染的特點。此外，莖稈中CF含量高的大豆品種植株具有更強的抗彎曲度，可作為大豆抗倒伏育種親本篩選的重要指標。

大豆；莖稈化學組分；近紅外光譜檢測定標模型；生長習性；抗倒伏育種

0 引言

【研究意義】近年來，莖稈倒伏在中國大豆不同種植生態區內均有發生，不僅嚴重影響了大豆產量和品質的穩定優質發展，還對其機械化作業帶來了不利影響，明顯阻礙了中國大豆產業化進程[1]。因此，深入研究大豆莖稈理化特性與其生長習性之間的關系，不僅為了解大豆倒伏與莖稈機械強度及理化特性關系提供一定的理論信息，還對當前中國大豆抗倒伏育種和機械化產業發展具有重要的實際意義。【前人研究進展】大量研究結果表明，影響作物倒伏與莖稈機械強度的因素很多且復雜，其中，作物莖稈化學組分（粗纖維、纖維素、木質素、半纖維素等）與其莖稈抗倒伏能力密切相關。粗纖維是指不能被稀酸稀堿所溶解，亦很難被人體或動物所消化利用的有機物質，主要成分包括纖維素，殘留的半纖維素和木質素[2]。纖維素、半纖維素及木質素共存于作物莖稈纖維原料中形成復雜的結構，可以增強作物莖稈的抗折力和抗倒伏力[3]。已有研究表明，作物莖稈粗纖維含量與其抗折力、莖稈充實度和抗倒伏性等均表現出顯著性正相關[4-7]。水稻莖稈力學性能研究結果表明，水稻莖稈力學性能與其莖稈細胞壁中纖維素的相對含量成正比[8]。水稻單莖抗推力與粗纖維含量、硅含量以及其他相關因素呈顯著正相關，說明莖稈中粗纖維含量越高，莖稈的充實度越好，其植株抗倒能力則越強[6]。陳曉光等[9]測定了抗倒性不同的6個小麥品種莖稈的木質素含量，結果表明，木質素含量高的品種莖稈折斷力大。油菜中，粗纖維含量與莖稈抗折力、株高等呈顯著正相關，木質素含量和粗纖維含量在抗倒伏材料和不抗倒材料間存在顯著性差異，該指標可以為高產育種中選育抗倒伏性狀新品種提供重要參考[4-5,10]。玉米的節間機械強度形成與其纖維素、木質素和半纖維素等結構性碳水化合物關系密切，其莖稈纖維素含量與莖稈強度呈正相關[7,11-12]。套作大豆莖稈木質素含量與實際倒伏率呈顯著負相關（=-0.969）；與抗折力和抗倒伏指數顯著正相關（=0.958，=0.959），說明較高的莖稈木質素含量可能是提高套作大豆抗倒伏能力的生理基礎[13]。此外，程穎穎[14]在大豆秸稈飼用品質性狀的研究中發現，株高、莖粗與粗纖維含量均呈顯著性正相關，基礎高粗纖維素含量數據可以快速選擇出莖稈粗壯、直立型大豆品種，達到抗倒伏和抵御惡劣環境條件的目的。由于時間和成本等原因，目前，國內外以莖稈為原料的生物質能產業中幾乎不會在莖稈轉換前進行莖稈化學組分的測定。當前，常使用傳統的化學方法對農作物莖稈化學組分進行測定，例如Van Soset（范式法），其測定過程復雜，耗時費力（一般歷時38 h），可能還會導致半纖維素的測定含量偏大[15]；此外還有王玉萬法[16-17]和高效液相色譜法[18]等，該類化學方法具有應用范圍廣、靈敏度高、儀器成本適中的優點，但同時具有操作復雜、費時費力、破壞樣品、污染環境等缺點。近年來，基于近紅外光譜技術的農作物化學組分檢測分析越來越普遍。近紅外光譜技術可以實現快速、低成本、綠色無污染測量莖稈組分，該方法需要在前期工作中進行大量采集、標定、模型建立等基本工作，模型建立后，對未知樣品測定只需通過所建模型解析搜集到的光譜，在1 min內就可得到所要測定樣本化學組分的數值[19-20]。Liu等[21]使用傅里葉變換紅外光譜儀，選取玉米秸稈和柳枝為樣品，對不同種類聚糖、木質素和灰燼進行檢測，并與傳統化學方法進行對比分析，證明了利用近紅外光譜技術結合化學計量學構造模型可以對生物質的化學成分進行分析，并具有很高的精度，是一種切實可行并且前景廣泛的方法。Schwab等[22]利用近紅外光譜技術分析了玉米雜交種秸稈青貯樣本中能值和產奶率相關性。趙峰等[23]利用近紅外光譜分析方法，構建了武夷巖茶的茶多酚、粗纖維、水分等品質測定模型并加以應用。基于近紅外光譜技術，Xu等[24]利用281份玉米秸稈樣品建立定標模型獲得了玉米秸稈中干物質、淀粉、糖分含量及消化率情況，結果表明這種方法可以快速、大量、及時測定玉米秸稈品質性狀。此外，根據近紅外光譜分析技術還建立了玉米秸稈成分定量分析模型，并基于該模型實現了玉米秸稈粗蛋白和半纖維素含量的快速測定[25]。王翠秀等[26]利用近紅外光譜技術構建了大豆籽粒蛋白質、脂肪含量的快速、無損檢測最佳模型，實現了大豆油脂和蛋白質含量快速無損檢測，對大豆品質評估以及作物改良具有重要意義。相較于傳統的檢測技術，基于近紅外光譜技術能夠實現大豆莖稈化學組分的科學性、快速、低成本和綠色無污染檢測分析[27-28]，并有助于加速解析大豆莖稈理化特性與其抗倒伏性和生長習性之間的關系，為大豆抗倒伏育種和機械化產業發展提供理論基礎。【本研究切入點】相較于傳統的檢測技術，基于近紅外光譜技術的大豆莖稈化學組分檢測分析具有獨特的技術優勢，然而，目前利用近紅外光譜技術對大豆莖稈化學組分含量進行快速、高效、綠色檢測分析的相關研究鮮見報道。【擬解決的關鍵問題】為了更快速、科學地評價大豆莖稈化學組分與其生長習性（直立型、半直立型、蔓生型和半蔓生型）[29]之間的關系，本研究基于近紅外光譜檢測技術利用135份大豆重組自交系（RIL）構建了一套低成本、快速、綠色的大豆莖稈化學組分檢測模型，并根據該模型對2017年和2018年大豆莖稈資源粗纖維組分含量進行了快速檢測分析，明確大豆莖稈粗纖維含量與其生長習性及抗倒伏性之間的內在關系，旨在為更好地利用大豆莖稈組分及理想株型育種、抗倒伏育種以及大豆機械化產業發展提供理論基礎。

1 材料與方法

1.1 供試材料

135份（中黃35×十勝長葉）RILs群體后代2015年夏種植于中國農業科學院順義基地（北京）用于模型構建。共有的393份精準鑒定大豆種質資源分別于2017年和2018年夏種植于安徽農業大學高新技術產業園試驗站（合肥）（隨機區組設計，3 m行長，行距0.4 m），用于模型驗證和應用。上述所有材料均于成熟后正常收獲，考種后保留大豆整株莖稈，備用。

1.2 樣品處理

利用莖稈切片機（KQS-400型，北京錕捷玉誠設備有限公司）對晾曬干后的大豆整株莖稈進行切片處理。利用植物莖稈粉碎機（FSD-100A型，杭州綠博儀器有限公司）將切成片狀的莖稈組織打磨成粉末狀并通過18目篩，標記后裝袋備用。近紅外光譜技術檢測時，取莖稈粉末（約35 g）平鋪于器皿中，表面壓平，覆蓋完整，每個樣品都采用重復裝樣2次，重復測定2次，取平均值。

空間調制系統的ML檢測算法中，hlx需要4Nr次實數乘法，計算矢量的范數需要2Nr次實數乘法，由于ML檢測要搜索所有的天線和符號，因此ML檢測的計算復雜度為CML= 6MNtNr[13].

1.3 模型構建

1.3.1 大豆莖稈中性洗滌纖維、酸性洗滌纖維和粗纖維含量的化學測定 利用國家標準體系GB/T20806- 2006[30]和GB/T20805-2006[31]分別測定中性洗滌纖維（neutral detergent fiber，NDF）和酸性洗滌纖維（acid detergent fiber，ADF）的化學值含量。每個試樣測定2次，取平均值。具體方法如下：

實踐教育基地建設是不僅將學校資源與企業資源相融合，充分發揮各自的優勢，每一個需要，合作是雙贏的，也是符合我們學校建立“三位一體”人才培養模式，即：“學校，企業，研究機構”三位一體的教育主題?“，“常識科，專業課程，職業課程”Trinity課程體系，“學習，使用和創造”三位一體的培訓方法。這種方法在促進學校，教師，學生和企業方面發揮了積極作用。“教學與學習緊密結合，理論與實踐緊密結合，學校與企業緊密結合”教育模式積極適應并大力發展人才就業市場，創造本土應用型創新型人才模范。

（1）中性、酸性洗滌及水解：稱取1.00 g樣品放入長筒燒杯中，同時融入150 mL中性洗滌劑和10滴十氫化萘及0.50 g無水Na2SO4，并將燒杯置于熔爐上，持續進行加熱，保持沸狀態15 min，并持續保持微沸40 min。

(4)中秋節，將近正午的光景，在北平曾家舊宅的小花廳里，一切都還是靜幽幽的，屋內悄無一人，只聽見靠右墻長條案上一架方棱棱的古老蘇鐘遲緩低郁地邁著他“嘀塔嘀嗒”的衰弱的步子，屋外，主人蓄養的白鴿成群地在云霄里盤旋，時而隨著秋風吹下一片冷冷的鴿哨響，異常嘹亮悅耳，這銀笛一般的天上音樂使久羈在暗屋里的病人也不禁抬起頭來望望：從后面大花廳一排明凈的敞窗望過去，正有三兩朵白云悠然浮過蔚藍的天空。

（2）過濾：溶液沸騰40 min后將燒杯中溶液導入玻璃坩堝，采用絕緣錫紙進行過濾，同時移入所有殘渣，并用沸水沖洗坩堝與固體殘留物，不斷進行滴定直至參與濾液pH接近0。酸性過濾方法：用少量丙酮沖洗殘渣至抽下的丙酮液呈無色為止，并抽凈丙酮。

實際上，甘肅道地中藏醫藥產業的發展基礎較好，部分產地企業已經具有醫藥基礎研究和醫藥專利，但專利自用率不高，專利閑置較多，專利發展規劃缺乏[13]，這更加證明，以高投入、高風險、高回報、研發周期長為特征的生物醫藥產業，必須向經濟相對發達和專業智力密集的地區聚集，而蘭州生物醫藥產業基地的發展確實有條件擔當這一使命。因此，一方面要充分利用甘肅道地中、藏醫藥資源優勢，以好藥材保證好藥品；另一方面要進一步增強與國內外知名醫藥企業和研究機構的聯合協作，在區域性大尺度空間逐步形成從道地中、藏醫藥資源產地到醫藥產品市場的覆蓋全產業鏈的廣泛聯動發展網絡。

根據公式（1）和（2）分別求出NDF和ADF含量：

NDF（%）=（M1-M2）/M×100% （1）

式中，M1為玻璃坩堝和NDF的質量（g）；M2為玻璃坩堝的質量（g）；M為樣品的質量（g）。

ADF（%）=（m1-m2）/m×100% （2）

1.3.4 光譜預處理 為避免樣品裝樣量不一致對待測樣品近紅外光譜預測準確度的影響，采用卷積平滑求導法（savitzky-golay，SG）和一階導數（first derivative，FD）[34]對近紅外光譜進行預處理以提高近紅外分析的預測準確度。

對仿真后獲得的光照度數據進行處理，可得到三角形LED陣列的照度均勻度分別為74.7%、83.3%和77.3%，這一結果表明粒子群算法對三角形LED陣列優化后的均勻度較高，可提高6.0%～8.6%。

（4）將150 mL硫酸傾注在樣品上，使其沸騰，并保持沸騰狀態30 min。轉動燒杯使其受熱均勻，加入數滴防泡劑。

（1）試料：稱取1.00 g大豆莖稈粉末，移至燒杯（W1）。

（2）除去碳酸鹽：將100 mL鹽酸傾注在試料上，連續振搖5 min，小心地將混合物傾入濾堝，濾堝底部覆蓋一層濾器輔料。用100 mL水洗滌2次，洗滌干凈。將濾堝內容物轉移至原來的燒杯中。

（3）酸消煮。

基于國家標準體系GB/T6434-2006[32]測定粗纖維（crude fiber，CF）的化學值含量，其中部分步驟稍作改進。每個試樣測定2次，取平均值。具體方法如下：

（5）第一次過濾：在濾堝中鋪一層濾器輔料，當消煮結束時將液體通過一個攪拌棒過濾至濾堝中，用真空抽濾，使150 mL幾乎全部通過。用攪拌棒移去覆蓋在濾器輔料上的粗纖維。殘渣用10 mL熱水洗滌5次，要注意使濾堝的過濾板始終有濾器輔料覆蓋，使得粗纖維不接觸濾板。停止抽真空，加一定體積的丙酮，剛好能覆蓋殘渣，靜置數分鐘后，慢慢抽濾排出丙酮，繼續抽真空，使空氣通過殘渣，使之干燥。

（6）脫脂：在冷提取裝置中，在真空條件下，試樣用石油醚脫脂3次，每次用石油醚30 mL，每次洗滌后抽吸干燥。

（7）堿消煮：將殘渣定量轉移至酸消煮用的同一燒杯中。加入150 mL氫氧化鉀溶液，使其沸騰，保持沸騰狀態30 min，在沸騰期間用一適當的冷卻裝置使溶液體積保持恒定。

（8）第二次過濾：在濾堝中鋪一層濾器輔料，殘渣用熱水洗至中性。在真空條件下用30 mL丙酮洗滌3次，每次洗滌后抽吸干燥殘渣。

1.3.2 光譜的采集 采用DA7200近紅外光譜分析儀（DA7200，波通儀器，瑞典）對所有大豆莖稈樣品進行近紅外光譜掃描。莖稈樣品為固體粉末，測樣方式選擇為漫反射，光譜掃描范圍為950—1 650 nm，光斑直徑為3.5 cm，分辨率為5 nm，環境溫度控制在室溫25℃左右，檢測器采用銦鎵砷二極管陣列檢測器，光柵為鍍金全息固定光柵，掃描次數為100次/s。將每個大豆莖稈樣品平鋪于器皿中，表面壓平，覆蓋完整。每個樣品都采用重復裝樣2次和掃描2次的光譜收集方式，取平均值作為大豆反射率，得到最終的大豆反射光譜數據。

2.1.2 樣品采集制備及標定 樣品的采集是否具有代表性直接影響所建立校正模型的精度和穩定性。采集的樣品是否具有正態分布是一個非常重要的指標，因此，首先對樣品進行正態分析，結果顯示，布爾變量H=0，表示不拒絕零假設，說明提出的假設“ADF含量均值為40.59%，NDF含量均值為63.12%，CF含量均值為47.08%”是合理的（表1）。ADF指標95%置信區間為[39.96，41.23]，NDF指標95%置信區間為[62.46，63.77]，CF指標95%置信區間[46.42，47.74]，完全包括均值且精度很高，各組分含量符合正態分布。

實驗組行4C延續性護理管理法。①創建專業化的護理小組：由護士長與護理工作人員組成專業化的護理小組，對患者進行健康知識的教育。②4C延續性護理：應遵循全面性的工作原則，在出院之前綜合評估生理特點與健康情況，為其編制個性化的護理方案，指導患者及其家屬掌握自我護理技巧[2]。還需保證護理工作的合作性，創建微信平臺與患者之間相互聯系，建立電子檔案，使得家屬密切配合，在協助監督的情況下改進問題。應遵循協調性的原則，相互協調密切的配合。另外還需進行延續性的護理，在出院之后的第二周到第四周進行家庭隨訪。第二個月到第六個月進行電話隨訪，每三周到家庭隨訪一次，掌握患者情況針對性護理[3]。

根據公式（3）求出CF含量：

CF（g·kg-1）=（W2-W3）/W1 （3）

式中，CF含量以每千克（g·kg-1）表示；W1：樣品的質量（g）；W2：灰化盤、濾堝以及在130℃干燥后獲得的殘渣的質量（mg）；W3：灰化盤、濾堝以及在500℃灰化后獲得的殘渣的質量（mg）。

美方語料使用位移動詞和指向動詞臆造歷史事實，描述中方“竊取美方知識產權，強制轉移美方技術成果”的行為（如例[4]），目的是為其發動貿易戰的無理行為尋求借口，并用標記影響的行為動詞在話語中構建這些臆造事實產生的危害（如例[5]），企圖給民眾造成恐慌：

（9）干燥：將濾堝置于灰化皿中，灰化皿及其內容物在130℃干燥箱中干燥2 h。在灰化過程中，將坩堝置于灰化皿中。濾堝和灰化皿在干燥器中冷卻，從干燥器中取出后，立即對濾堝和灰化皿進行稱量W2，精確至0.10 mg。

新時代統一戰線的戰略定位與發展圖景——從“愛國統一戰線”到“中華民族偉大復興統一戰線” …………………… 林華山（1·19）

1.3.3 異常樣品剔除 在近紅外光譜分析建模過程中通常會出現2種異常樣品：第一類是含有極端組成的樣品，通常稱為高杠桿值樣品，這些樣品對回歸結果有強烈的影響。第二類是指參考數據與預測值在統計意義上有差異的校正樣品。預測過程異常樣品的識別主要是用來檢驗待測樣品是否在所建立校正模型的覆蓋范圍內，以確保其預測結果的準確性。本研究使用X-Y殘差剔除的方法[33]。

式中，m1為玻璃坩堝和ADF的質量（g）；m2為玻璃坩堝的質量（g）；m為樣品的質量（g）。

1.3.5 定標模型構建 采用偏最小二乘法（partial least square，PLS）[34]對經過預處理的光譜數據進行回歸分析，并利用SimplicityTM軟件和The Unscramber X 10.3軟件建模[35]。以RC（校正相關系數）、RCV（交互驗證相關系數）、RMSECV（交互驗證預測標準偏差）、RMSEC（校正相關系數標準偏差）作為衡量模型預測效果的主要參數[35]。其中，RC取值范圍為0—1，越接近于1表明模型準確度越高；RCV越高且RMSECV和RMSEC越低，預測能力越強，表明模型精確度越高。

1.4 建模效果驗證與評價

隨機選取16份未知ADF、NDF和CF含量的待測樣品，分別用國家標準體系GB/T20805-2006[31]、GB/T20806-2006[30]和GB/T6434-2006[32]等常規化學檢測方法測定其化學值含量，與利用所建立模型檢測結果進行比較分析，比較二者之間相關系數（R值）和預測標準偏差（RMSEP）的差異，判斷模型的外部驗證和準確度。

1.5 模型應用

將所構建的大豆莖稈化學組分快速檢測模型導入DA7200型近紅外成分測定儀，對2017年和2018年共有的393份大豆種質資源莖稈化學組分進行檢測分析。測定步驟為：取大豆莖稈樣品粉末，放入近紅外儀器樣品盤中，使樣品自然填滿樣品盤，自然攤平，每一種大豆莖稈粉末樣品為避免人工操作的不穩定性和多次重復掃描的方式以減少樣品的不均勻性帶來的影響，為了收集到更多的樣品信息，都采用掃描2次和重復裝樣2次取平均值的光譜收集方式。測定結果包括6個數值，分別為ADF、NDF、木質素、纖維素、半纖維素和CF含量。大豆生長習性調查參考邱麗娟等[29]方法。本研究重點解析了大豆莖稈組分CF含量與其生長習性之間的相關性。

斯沃琪集團一走，巴塞爾還要靠這些大品牌撐場面。Benjamin Clymer認為，很多大品牌還將繼續參加巴塞爾表展，媒體、零售商和收藏家也還是會來。

1.6 數據統計及分析

利用Microsoft Excel 2007對試驗數據進行整理、統計與分析，利用SimplicityTM軟件和The Unscramber X 10.3軟件建模，利用SPSS 19.0軟件對預處理光譜進行回歸分析、對測試數據方差分析、LSD法多重比較以及利用R進行小提琴圖分析，檢驗CF含量與大豆生長習性之間的差異顯著性（=0.01，=0.05）。

2 結果

2.1 模型構建

2.1.1 大豆莖稈組分測試樣品的化學值分析 135份大豆RILs群體莖稈化學組分化學值分析結果顯示，其各組分含量分布均勻（電子附表1）。其中，ADF含量主要分布于36.00%—44.00%，均值為40.59%；NDF含量主要分布在59.00%—65.00%，均值為63.12%；CF含量主要分布于44.00%—50.00%，均值為47.08%（表1和圖1）。上述結果表明，群體內不同株系大豆莖稈化學組分含量存在明顯差異，這對于定量分析作物莖稈成分，實現生物燃料產量及配置都具有重要意義。

（10）灰化：將濾堝和灰化皿置于馬福爐中，其內容物在500℃左右下灰化，直至冷卻后稱量。每次灰化后，讓濾堝和灰化皿初步冷卻，置于干燥器，使其完全冷卻，然后稱量（W3）。

2.1.3 原始光譜與光譜數據預處理方法的結果比較 大豆莖稈ADF、NDF和CF有C-H、O-H等含氫基團，因此，近紅外光譜區域對此會有強烈的吸收。圖2-A顯示，光譜掃描范圍為950—1 650 nm時大豆秸稈的近紅外光譜具有基本相同的變化趨勢，又具有明顯的吸收峰，主要是由于不同測試樣品的吸收強度不同，即大豆莖稈ADF、NDF和CF含量不同，結果說明，大豆莖稈ADF、NDF和CF的近紅外光譜可以作為其含量的定量分析依據。同時，利用FD+SG預處理，能夠減弱或消除背景噪音、消除基線漂移、克服譜帶重疊、增強差別，突出光譜特征，對原始光譜進行平滑和求導，可以有效提高所建模型的光譜分辨率和靈敏度（圖2-B）。本研究中，通過異常樣品剔除方法得到剩余的131份大豆莖稈樣品，選擇交互驗證（cross validation）來進行驗證。結果顯示，大豆莖稈ADF、NDF和CF的RC較高，分別為0.9408、0.9093和0.9185，均在0.9000以上；RCV分別為0.8010、0.8614和0.8257；預測標準偏差（RMSEP）分別為1.337、1.454和1.381（圖3），說明所建立的大豆莖稈化學組分近紅外光譜檢測模型預測值與常規化學方法獲得的真值之間的誤差較小，結果表明，通過FD+SG預處理后大豆莖稈化學組分近紅外光譜檢測模型預測結果準確度高。

表1 大豆莖稈酸性洗滌纖維、中性洗滌纖維和粗纖維含量的方差分析和正態分布結果

ADF：酸性洗滌纖維；NDF：中性洗滌纖維；CF：粗纖維。下同

ADF: Acid detergent fiber; NDF: Neutral detergent fiber; CF: Crude fiber. The same as below

圖1 大豆莖稈酸性洗滌纖維（ADF）、中性洗滌纖維（NDF）和粗纖維（CF）的變異頻數圖

A：測試樣品原始近紅外光譜；B：FD+SG法處理的光譜圖 A: Original near infrared spectrum of test sample; B: Processing spectrogram FD+SG method

圖3 大豆莖稈酸性洗滌纖維（ADF）、中性洗滌纖維（NDF）和粗纖維（CF）含量近紅外校正模型參數

2.1.4 大豆莖稈組分含量近紅外定標模型的建立 根據預處理后的光譜，采用偏最小二乘法（PLS）建立定標模型，獲得了相關系數高和預測誤差小的定標模型。131份大豆莖稈ADF、NDF和CF含量的化學測定值范圍分別為30.27%—51.15%、51.91%—73.08%和36.98%—58.31%，構建的定標預測模型基本涵蓋了大豆秸稈ADF、NDF和CF含量的范圍，分布十分均勻（表1和圖3）。因此，本定標模型針對ADF、NDF和CF含量適用的線性范圍分別為30.00%—49.00%、51.00%—74.00%和36.00%—59.00%。

2.2 大豆莖稈化學組分含量近紅外光譜定標模型的驗證

隨機選取16份未知樣品進行平行試驗，分別用常規化學測定方法和本研究建立的模型檢測大豆莖稈ADF、NDF和CF含量值，以檢驗模型的精度。結果顯示，大豆莖稈ADF、NDF和CF常規化學值和模型預測值統計分析之間的殘差不超過2.87（表2），具有良好的相關性，相關系數分別為0.969、0.967和0.976（表3）。結果表明，利用近紅外光譜技術測定大豆莖稈組分ADF、NDF和CF含量的方法是可行的。同時，對于給定的顯著性水平0.05，將外部驗證及樣品所對應的大豆莖稈ADF、NDF和粗纖維含量與模型的預測值進行配對檢驗（表3），結果表明，二者之間差異不顯著（=0.098＞0.05；=0.374＞0.05；=0.124＞0.05），說明該模型的預測準確度較高，可用于大豆莖稈ADF、NDF和CF含量未知樣品的實際預測。結果表明，基于近紅外光譜技術構建的大豆莖稈化學組分定標檢測模型是可靠的，基本可代替常規化學方法對大豆莖稈化學組分進行快速、高效、科學檢測分析。

表2 常規法測定值和近紅外模型預測值結果比較

表3 常規法測定值與近紅外模型預測值的相關系數

2.3 模型的驗證和應用

2.3.1 供試材料表型數據整理、統計與分析 2017年和2018年共有的有效秸稈數量為393份，包括2017年收獲直立型秸稈材料335份，蔓生型58份；2018年收獲直立型秸稈材料312份，蔓生型81份（電子附表2）。其中，共有56個材料在2年均呈蔓生型生長，2個材料在2017年蔓生型而在2018年表現為直立型；25份材料在2017年直立生長而在2018年出現蔓生情況，這可能與兩季的生長環境和管理措施有一定關系。

2.3.2 大豆莖稈粗纖維含量分布分析 對共有的393份大豆莖稈CF含量檢測分析發現，2年的大豆莖稈CF含量基本呈一致性分布趨勢，其含量主要分布于45.00%—55.00%（圖4，2年比例分別高達77.86%和84.22%），2017年大豆秸稈CF含量主要分布在45.00%—50.00%（占55.47%），2018年主要分布在45.00%—50.00%（占42.49%），CF含量總體上仍呈現出正態分布規律（圖4）。

對共有的393份大豆莖稈CF含量統計分析結果顯示，2017年和2018年CF含量檢測變異系數基本相同（表4），表明本研究獲取的2年共有的粗纖維含量數據基本一致，數據檢測結果是可信的，并能夠用于進一步的分析。

在花期低溫凍害發生前后，各地采用了各種預防應對措施，效果不盡相同。調查發現，整體而言，凍前采取措施優于凍后補救的效果。凍害后采取噴生長調節劑、施肥、灌水措施的，效果不明顯。

2.3.3 大豆莖稈粗纖維含量與生長習性相關分析 對2年共有的393份莖稈生長習性與CF含量進行了方差分析，以了解莖稈中CF含量與生長習性之間的關系。結果顯示，2017年85.24%的大豆秸稈表現出直立型生長習性，14.76%的為蔓生型生長習性，二者CF含量均值表現出極顯著性差異（＜0.01，表5）；2018年79.39%的大豆秸稈表現出直立型生長習性，20.61%的表現為蔓生型，二者CF含量均值亦為極顯著性差異（＜0.01，表5）。上述結果表明，大豆品種莖稈生長習性與莖稈CF含量極顯著相關。

圖4 大豆莖稈粗纖維含量分布分析

表4 393份大豆莖稈粗纖維含量檢測分析

表5 大豆莖稈粗纖維含量與生長習性分相關性析

A、B代表多重比較結果差異顯著 A, B represents the significance result of multiple comparisons, respectively

將2種類型CF含量按其分布比例劃分為7個等級（圖5）。結果顯示，2017年和2018年所測直立型與蔓生型莖稈CF含量均呈現出正態分布規律，其主要分布在45.00%—55.00%。2017年，CF含量極低（小于30.00%）的區間內只存在蔓生材料（0.25%）；CF含量極高（大于55.00%）的區間內只存在直立型材料（1.78%）；2018年，在CF含量極低區間內的未鑒定到任何生長型（直立型和蔓生型）材料，而在CF極高區間內，100%材料分布比例中直立型占89.47%，蔓生型為10.53%（圖5，電子附表2）。在CF含量大于50.00%的材料分布中，2年的數據均表現出直立型（91.67%和86.14%）顯著高于蔓生型（8.33%和13.86%）（電子附表2），結果表明，CF含量較高的材料有助于莖稈抗彎曲度的增強和直立型生長。

為了更好地研究2017和2018年粗纖維含量（CF）與大豆生長習性之間的相關性，利用程輯包sm和vioplot（R 4.0.2）構建了小提琴圖（圖6）。結果顯示，2017年，直立型的多數個體分布在（47.00±3.00）%范圍內，而蔓生型的多數個體分布在（45.00±3.00）%范圍內。2018年，直立型的多數個體分布在（50.00± 4.00）%范圍內，而蔓生型的多數個體分布在（47.00± 3.00）%范圍內。其中，2年數據中有部分個體CF含量超過了上須的延伸極限，說明可能存在CF含量極端高的單株；同時，部分個體含量低于下須的延伸極限，說明可能存在CF含量極端低的單株。對比2年的數據分布，直立型材料中CF含量的中位數、上四分位數和下四分位數均高于對應的蔓生型材料。核密度估測顯示，相較于蔓生型材料，直立型材料CF含量概率密度函數分布峰值較高，說明二者可能存在顯著差異（圖6）。

圖5 大豆莖稈直立型與蔓生型粗纖維含量分布分析圖

圖6 大豆莖稈粗纖維含量與莖稈生長習性之間的關聯分析

3 討論

莖稈蔓生、倒伏現象在中國大豆不同生態區內均有發生，不僅嚴重影響了大豆產量和品質的穩定優質輸出，還對其機械化作業帶來了不利影響，明顯阻礙了中國大豆產業化有序發展[1]。前人研究表明，作物抗倒伏性可能與其莖稈中的化學成分，尤其是粗纖維含量等密切相關。當前，農作物莖稈化學組分檢測分析常使用傳統的化學測定方法，此類方法優點是應用范圍廣、靈敏度高、儀器成本和費用相對較低，但其同時具有工作繁瑣、復雜，費時費力、樣品破壞性大，且在測定過程中產生的酸和堿廢棄液會對環境造成污染等不利之處。相較于傳統化學檢測手段的缺陷，近紅外光譜分析技術已經在多個領域作為產業產品品質和質量的評定標準，幾乎替代了廣泛使用的化學標準分析方法，在生產效率和產品質量方面取得了很好的效果[36-37]。近年來，基于近紅外光譜儀的組織檢測分析技術已被證明可以對不同農作物組織成分進行有效的檢測分析[19-21,23,25-26]。

本研究基于新型固定光柵連續近紅外光譜分析儀（DA7200，波通儀器，瑞典）構建了一套低成本、快速、高效、綠色、科學的大豆莖稈化學組分檢測定標模型，并利用該模型對大豆莖稈化學組分進行光譜數據采集，以檢測分析其ADF、NDF和CF組分含量。DA7200近紅外光譜分析儀操作簡單，使用高強度、寬波帶的白光照射樣品，將對樣品相關組分測量的光譜信號轉化為數字信號，獲得測量值。然后，采用一階導數處理（FD）+卷積平滑求導法（SG）對原始光譜進行預處理，同時利用軟件SimplicityTM和The Unscramber X 10.3對預處理后的光譜進行計算建模，以減少樣品散射對光譜的影響，提高光譜數據的精確度（圖2）。處理之后的光譜采用偏最小二乘法（PLS）建立定標模型。近紅外定量分析中統計分析方法主要有多元線性回歸（multivarate linear regression，MLR）、主成分分析法（principal component analysis，PCA）和偏最小二乘法（PLS）。其中PLS和PCA均采用了全譜信息，將光譜變量壓縮為為數不多的獨立變量建立回歸方程，通過交叉驗證來防止過擬合現象。但是，PCA沒有保證主成分一定與感興趣組分濃度有關，而PLS則很好地保證了這一點[38]。因此，PLS分析精確度較高，是目前近紅外光譜分析上應用做多的回歸方法。本研究所用計量統計分析方法采用PLS建立定標模型，獲得了相關系數高和預測誤差小的檢測定標模型。

顱腦損傷患者常合并高熱等并發癥,當受壓組織溫度升高時,更易發生壓瘡。臨床上頭部給冰枕冰帽降溫,從而使患者頭部皮膚處于相對潮濕狀態,冰袋長時間使用,會影響組織代謝或使局部組織血管收縮而缺血缺氧,從而造成頭部壓瘡的發生[3]。對使用冰枕冰帽降溫者必須用毛巾將起包裹才可接觸皮膚。

為了驗證所建模型對大豆化學組分含量檢測分析的準確度和可靠性，本研究隨機選取了模型外的16份未知大豆莖稈組分分別采用常規化學檢測和模型預測方法進行分析比較。結果顯示，常規化學檢測分析結果與利用本研究中構建的大豆莖稈化學組分近紅外光譜檢測定標模型預測分析結果無顯著性差異，且二者之間的相關性較好（表2和表3）。結果表明，本研究構建的大豆莖稈化學組分近紅外光譜檢測定標模型測定結果是可靠的，基本上可代替常規化學方法的檢測分析。同時，與傳統化學檢測技術相比，該定標模型操作過程簡單、快速、環保，且數據可靠性高。此外，相較于ASEKOVA等[39]構建的NIRS（near-infrared reflectance spectroscopy）模型獲得的R6期大豆莖稈中ADF（22.60%—38.10%，平均值為29.40%）和NDF（37.40%—66.60%，平均值為50.70%）檢測結果，本研究利用構建的近紅外光譜定標模型獲得的大豆莖稈ADF（30.27%—51.15%，平均值為40.59%）和NDF（51.91%—73.08%，平均值為63.12%）含量與其存在一定的差異性，具體原因可能是：（1）所測樣本時期不同，本研究為收獲后晾曬干的大豆整體莖稈部分，而ASEKOVA等[39]所用樣本為大豆R6時期植株莖稈烘干（60℃烘箱）后樣品；（2）樣品處理、光譜采集以及測量方法等方面不同。值得注意的一點是，本研究中，近紅外光譜定標模型建立需要的樣本量越大，建立的模型越穩定，結果越準確，得到的預測值與常規法實際值誤差越小。本研究通過近紅外光譜定標模型測定大豆莖稈化學組分ADF、NDF和CF含量，克服了以往常規化學方法測定過程中的繁瑣復雜、耗時耗力、污染環境等缺點，為農作物莖稈化學組分含量的檢測分析提供了一種新的測定方法參考。

北京科技大學圖書館推行的輔助大學生創新社會實踐案例獲得了2016年全國高校信息素養教育研討會案例大賽一等獎，案例是為滿足學生創新社會實踐進行