基于近紅外光譜技術建立橡膠草根部菊糖和總糖含量快速檢測方法

中圖分類號：S31 文獻標志碼：A 文章編號：1001-4330（2025）05-1102-09

0引言

Rodin，TKS）為菊科（Compositae）蒲公英屬多年生宿根草本植物，因其根部富含天然橡膠而稱其為橡膠草[1]。橡膠草根部除了含有天然橡膠外，【研究意義】橡膠草（Taraxacumkok-saghyz同時還富含總糖和菊糖\"'。總糖是橡膠草根部的主要組成部分之一，參與生長、發育等多種生物過程，去除橡膠草根部總糖分中的還原糖之后，剩余組分被稱為菊糖或菊粉[3」。菊糖是一種特殊的果聚糖，主要存在于菊科、龍膽科、桔梗科等植物中，是由D－呋喃果糖通過1，2－糖苷鍵連接而成的直鏈結構多糖[4]。菊糖作為一種水溶性膳食纖維和生物活性前體，具有多種生理功能。因此，菊糖被廣泛應用于低熱量、低糖、低脂食品中，作為一種天然甜味劑和食品添加劑[5]，橡膠草的根部中菊糖和天然橡膠的合成競爭碳同化產物，與天然橡膠合成密切相關。但目前關于橡膠草根部總糖和菊糖含量測定方法的研究較少，僅有酶標儀法報道3，且操作過程較為繁瑣。我國目前對橡膠草的研究和育種還處于雛形階段，亟需一種快速且低成本的總糖和菊糖含量檢測方法，對于實現橡膠草資源的最大化利用以及橡膠草的育種和栽培均具有重要意義。【前人研究進展】近紅外光譜（NIRS）技術與化學計量方法相結合可實現低成本、快速、高效、無損、綠色的檢測，植物中的糖類物質，如總糖和菊糖中含有大量的含氫基團，近紅外光譜對其具有較好的吸收，通過化學計量學方法便可以實現總糖和菊糖的定量檢測。目前基于近紅外光譜技術建立樣品糖類含量預測模型的研究報道較多，許生陸等以114個不同產區枸杞樣品為研究對象，建立預測枸杞中總糖含量的PLS模型，預測性能較優， R_c2 和 R_v2 分別達到了0.994和0.916。鄧亮等[9使用1056個煙葉樣品，基于PLS建立了煙葉總糖含量的近紅外光譜預測模型，相關系數 r 達到了0.918，證明了近紅外光譜技術適合用于植物中總糖含量的預測，常常被作為總糖含量快速檢測的手段。【本研究切入點】目前未見基于近紅外光譜技術預測菊糖含量的研究報道。目前橡膠草根部總糖和菊糖含量的檢測方法主要為酶標儀法，該方法無法直接對菊糖含量的值進行測定，需要先使用酶標儀法測定出樣品總糖和還原糖的含量，再通過總糖和還原糖的含量推算出菊糖的含量3，檢測過程耗時耗力并且消耗的人工成本和材料成本較高，而近紅外光譜定量技術快速、低成本，可以彌補目前橡膠草總糖和菊糖含量檢測技術存在的缺陷。【擬解決的關鍵問題】 |850～2500nm 采集橡膠草根部粉末樣品的光譜數據，結合化學計量方法建立適用于橡膠草干根菊糖和總糖含量快速測定的近紅外光譜定量模型，為快速測定橡膠草根部總糖和菊糖含量提供技術支持。

1 材料與方法

1.1 材料

采用人工種植的K445品系橡膠草103份材料為樣品，其中包含部分與其他蒲公英屬植物雜交的橡膠草植株，樣品于 2021～2023 年不同月份種植，2023年于不同生長期采收。試驗樣品均來自于新疆維吾爾自治區農業科學院綜合試驗場橡膠草種植基地，位于 N43.94691^° ， E87.47567^° 。橡膠草樣品會在采集后的 ^48h 內處理，用剪刀減去樣品的地上部分，只留其根部，清洗掉根部泥王等雜質，放入烘箱內在 80^°C 下烘干至無水分，之后將樣品放入牛皮紙袋中待檢測。

1.2方法

1.2.1 樣品制備

將采集的橡膠草樣品根部用剪刀剪下并清洗干凈，放入烘箱中 80^°C 烘干至無水分，之后將烘干后的樣品剪碎浸泡于液氮中冷凍脆化 1min ，使用凈信公司JXFSTPRP-CLN-48冷凍研磨儀研磨 3～5min ，研磨后的粉末粒徑小于 0.097mm （可過180目篩），用于光譜的采集以及菊糖和總糖含量的檢測。

1.2.2 光譜信息采集

使用福斯公司的FOSSNIRSTMDS2500F SR近紅外光譜儀對樣品進行漫反射光譜采集，光譜的采集范圍為 850～2500nm ，光譜分辨率為0.5nm 。試驗使用橡膠草根部粉末樣品進行光譜采集，將磨粉后的樣品送入光譜儀采集光譜，共采集103個橡膠草根部粉末樣品光譜數據。光譜采集時重復倒樣3次，取平均光譜。光譜采集前對儀器進行至少預熱 ¹h ，每次采集光譜重復掃描7次，每次共采集3300分光譜點。采集后對光譜進行簡化，將其調整為波長分辨率為 2nm 的光譜數據，每個樣品光譜的波長數量為825個。圖1

1.2.3 菊糖和總糖含量測定

使用酶標儀法測定研磨好的103份橡膠草根部粉末樣品的總糖和還原糖含量，基于式（1）計算出菊糖含量[3]。

圖1橡膠草根部粉末原始光譜

Fig. 1 Original spectra of TKS roots powder

菊糖含量 （%）= 總糖含量（ % ）－還原糖含 量 （%） 。 （1）

1.2.4 樣本集劃分

使用 SPXY 算法[10]（sample set partitioningbasedonjoint x-y distance）劃分校正集和驗證集，SPXY是基于KS（Kolmogorov-Smirnov）算法提出的一種改進方法，KS對數據集的劃分依據是計算不同樣本的 x 向量方向（即光譜數據）的歐氏距離;而SPXY算法在此基礎上增加了對不同樣本的 y 向量方向（即樣品的實測值）的歐氏距離的計算，并通過正則化將 x 和 y 方向的距離結合，更加全面的評估和劃分數據集。

1. 2.5 光譜數據

使用MATLAB2019b對光譜數據進行預處理。由于研磨的粉末樣品形態、大小及粒徑存在差異，導致漫反射過程中的光程發生變化，進而導致光譜重復性變差，因此需要對原始光譜進行處理來減少光譜因為環境而帶來的誤差。對光譜數據進行移動窗口平均平滑（movingwindowsmoot-hing，MWS）變量標準化處理（standardnormalizedvariate，SNV）多元散射校正（multiplicativescattercorrection，MSC）、一階導數（Firstderivative，FD）的處理。MWS可以減少光譜中的部分噪音，從而減少光譜受到的環境誤差影響[\"]。SNV可以在一定程度上降低由于樣品的物理差異等方面對光譜產生的干擾[12，13]，MSC可以消除樣品散射引起的波長偏移[14]，FD算法的突出優點是可消除基線漂移和疊加效應、提高光譜分辨率，可以有效消除常數基線和背景的干擾[15]

糖類物質主要由C、H、O構成[16]，其中含有大量的 -0H，-CH，-CH₂ 官能團[17]，近紅外波段對這些官能團較敏感。但這些官能團的特征波段只占近紅外波段的一部分，同時由于環境等因素近紅外光譜中難免會有一些影響模型預測性能的噪音波段，因此篩選波段往往可以提高模型的預測性能，研究使用競爭性自適應重加權采樣法[18]（competitive adapative reweighted sampling，CARS）篩選光譜，降維數據，減少模型的計算量和部分噪音，降低過擬合風險。

1.3 數據處理

使用Python3.10基于偏最小二乘法（partialleast-squaremethod，PLS）算法建立橡膠草根部菊糖含量預測模型，模型PLS是多元線性回歸模型的一種，集主成分、典型相關和多元線性回歸3種分析方法的優點于一身，該方法將自變量和因變量的空間進行一定的線性組合，使得自變量和因變量之間的協方差最大[9]，常被用于建立基于近紅外光譜技術的糖類物質含量預測模型，且具有不錯的預測性能。

在建立模型后，使用用驗證集的相關系數（CorrelationcoefficientofValidation， Rv ）、均方根誤差（Root-mean-square error of Validation，RM-SEv 以及相對分析誤差（RelativepercentdeviationofValidation， RPDv ）作為模型的評價參數評估模型的預測性能，更高的 R 以及更低的RMSE說明模型的預測性能更佳[2，在復雜樣品的檢測中，一般認為 RPDgt;2 表明模型可以用于初篩，RPDgt;2.5 表明預測性能較優[21.22]。對比全波段以及處理后的的光譜建立的預測模型的評價參數，找出最優預測模型的建立方法。使用酶標儀法對總糖和還原糖含量進行檢測[3]

2 結果與分析

2.1 橡膠草樣品總糖、還原糖、菊糖的數據采集

研究表明，樣品總糖含量區間為 9.79% ～ 51.85% ，變異系數為 34.18% ，樣品還原糖區間 為 3.11%～8.98% ，變異系數為 32.61% 。樣品 的菊糖含量區間為 6.41%～45.35% ，變異系數 為 39.46% 。表1

2.2 樣品集的劃分

研究表明，樣品被劃分為82個校正集數據和21個驗證集數據。表2

Tab.1 Statistical tableofInulinand Total Sugarcontentinsampleset

表2SPXY法劃分樣本集橡膠草菊糖和總糖含量

表1樣本集菊糖和總糖含量統計

2.3 光譜數據預處理

研究表明，菊糖和總糖含量光譜數據最優預處理方法均為MWS-SNV，相對其他預處理方法，使用MWS-SNV改方法對光譜進行預處理后，菊糖含量PLS預測模型的 Rv 和 RPDv 為0.925和2.635，RMSEv為2.871；總糖含量PLS預測模型的 Rv 和 RPDv 為0.939和2.902，RMSEv為2.720。表3

Tab.2 StatisticaldataofInulinand TotalSugarcontentofTKSinsample setdividedbySPXYmethod

表3 不同預處理方法的PLS模型效果比較

Tab.3Comparison of PLS model effects of different preprocessing methods

2.4 特征波長篩選

研究表明，隨著采樣次數的增加，低貢獻率的波長在不斷的被剔除，在采樣次數達到34次時交叉驗證集的均方根誤差RMSECV達到最低，而后開始升高，繼續采樣會剔除掉菊糖對應的特征波長，用“*”組成的垂直線處為最佳的采樣次數34次，共篩選出了20個菊糖特征波長，約占總波長的 2.4% ；對總糖含量光譜特征波長的采樣次數在31次時RMSECV達到最低，為最佳采樣次數，篩選出14個特征波長，占總波長的 1.7% 0圖2～3

2.5 最優PLS模型的建立

研究表明，經過波長篩選后模型預測性能上限有所提升，其中菊糖含量預測性能最佳的是光譜使用了MWS-SNV-CARS處理的PLS模型，R_v 從0.925提升至 0.942，RPDv 從2.635提升至2.977，RMSEv從2.841降低至2.515；總糖含量預測性能最佳的是光譜使用了MWS-FD-CARS處理PLS模型， R_v 從0.939提升至0.949，RPDv從2.211提升至 3.175，RMSEv 從3.576降低至2.490。表4，圖4

圖2 CARS篩選菊糖光譜特征波長過程

Fig.2 Process of CARS screening the spectral characteristic wavelength of Inulin

圖3 CARS篩選總糖光譜特征波長過程

Fig.3 Process of CARS screening thespectral characteristic wavelength of Total Sugar

表4全光譜和特征波長PLS模型比較

Tab.4 Comparison of full spectrum and characteristic band PLS models

圖4菊糖（a）和總糖（b）實測值-預測值散點

Fig.4 Scatter plot of the true value-predicted value of Inulin（a）and Total Sugar（b）

3討論

3.1周志磊[22]等利用聯合區間偏最小二乘（is-PLS）進行波長篩選，建立了黑果枸杞中總糖含量的近紅外光譜PLS預測模型，其預測集相關系數R_p 達到了0.988，相對分析誤差RPD達到了4.84;陳淼[23]等建立了不同種皮顏色花生的總糖含量的PLS預測模型，其中使用黑色種皮花生光譜數據建立的模型預測性能最佳，交叉驗證集相關系數 Rcv 達到了0.868，外部驗證集的相對分析誤差 Rp 達到了0.967，均方根誤差RMSECV為2.522；王凡[24]等使用便攜式近紅外光譜儀對番茄進行光譜采集，建立了番茄總糖含量的PLS預測模型，其驗證集相關系數 R_v 達到了0.966，均方根誤差RMSEv為0.128。目前利用近紅外光譜技術建立植物樣品中總糖含量預測模型的相關研究很多，但是尚無利用該技術對菊糖含量進行檢測的研究報道，然而菊糖作為一種在植物中具有重要生理功能的糖類物質[17]

3.2與試驗建立的模型預測精確度不算非常優秀，可能是由于橡膠草根部含有大量的天然橡膠，天然橡膠主要成分為順式聚異戊二烯[25]，其中包含大量-CH和 -CH₂ 官能團[26.27]，與糖類物質官能團的高度重疊，以至于近紅外光譜中的糖類物質的官能團相關波長被天然橡膠的官能團相關波長大量覆蓋，難以提取其特征，在一定程度上影響了橡膠草根部糖類含量預測模型的精度。試驗中建立的橡膠草根部菊糖和總糖含量最優PLS模型的RPDv分別達到了2.977和3.175，均超過2.5，說明具有較優的預測性能。

4結論

基于近紅外光譜技術建立了橡膠草根部菊糖和總糖含量的PLS預測模型，最優的菊糖含量PLS預測模型使用的光譜預處理方法是MWS-SNV -CARS， R_v 達到了 0.942，RMSEv 為2.515，RPDv 為2.977；最優總糖含量PLS預測模型使用的光譜預處理方法是 MWS-FD-CARS，R_v 達到了0.949，RMSEv為2.490，RPDv為3.175。2個模型的 RPDv 均大于2.5，性能較優，可實現快速定量檢測橡膠草根部菊糖和總糖。

參考文獻（References）

[1]vanBeilenJB，Poirier Y.Guayuleand Russian dandelion asal-ternativesources ofnatural rubber[J].Critical ReviewsinBio-technology，2007，27（4）：217-231.

［2］梁素鈺，王文帆，劉濱凡，等．能源橡膠草的綜合利用研究[J]．能源研究與信息，2010，26（4）：219-224，236.LIANG Suyu，WANGWenfan，LIUBinfan，etal.Studyon thecomprehensive utilization ofthe Taraxacum kok-saghyz Rodin[J]．Energy Research and Information，2010，26（4）：219-224，236.

[3］朱金霞，張源沛，鄭國保，等．利用酶標儀快速批量測定橡膠草中菊糖的含量[J]．食品工業科技，2016，37（19）：294-297，301.ZHU Jinxia，ZHANG Yuanpei，ZHENG Guobao，etal.Rapidbatch determination of the inulin in Taraxacum kok- saghyz Rod-inby enzyme mark instrument[J].Science and Technology ofFood Industry，2016，37（19）：294-297，301.

[4]Petrovsky N，Cooper PD.AdvaxTM，a novel microcrystallinepolysaccharide particle engineered from delta inulin，providesro-bustadjuvantpotency together with tolerability and safety[J].Vaccine，2015，33（44）：5920-5926.

［5］曾小宇，羅登林，劉勝男，等．菊糖的研究現狀與開發前景[J]．中國食品添加劑，2010，21（4）：222-227.ZENGXiaoyu，LUO Denglin，LIU Shengnan，et al. Recent ad-vanceand future trend of inulin research and development[J].ChinaFood Additives，2010，21（4）：222-227.

[6]徐夢毫，張義，楊雪，等．橡膠草糖轉運蛋白TkSWEET3基因的克隆和功能初步分析［J]．分子植物育種，2022，20（18）：6001-6008.XU Menghao，ZHANG Yi，YANG Xue，et al. Cloning and char-acterization of a sugar transporter gene， TkSWEET3 in Taraxacumkok-saghyz Rodin[J]．MolecularPlant Breeding，2022，20（18）：6001-6008.

[7］楊增玲，楊欽楷，沈廣輝，等．豆粕品質近紅外定量分析實

YANG Zengling， YANG Qinkai， SHEN Guanghui， et al. Online application of soybean meal NIRS quantitative analysis model from laboratory to factory[J]． Transactions of the Chinese Society for Agricultural Machinery，2019，50（8）： 358-363，371.

[8]許生陸，高媛，胡國梁，等．基于有效波長選擇的近紅外光 譜枸杞總糖含量快速檢測[J]．食品科學，2016，37（12）： 105 -109. XU Shenglu，GAO Yuan，HU Guoliang，et al. Rapid determination of total sugar content of goji berries（Lycium barbarum）by nearinfrared spectroscopy with efective wavenumber selection [J].Food Science，2016，37（12）： 105-109.

[9］鄧亮，冷紅瓊，段沅杏，等．FT－NIR光譜測定煙草中煙堿、 總氮、總糖含量的模型研究［J]．云南農業大學學報（自然科 學），2013，28（6）：814-818. DENG Liang，LENG Hongqiong， DUAN Yuanxing，et al. Determination of nicotine，total nitrogen and total sugar in tobacco with Fourier transform near-infrared[J]. Journal of Yunnan Agricultural University（Natural Science），2013，28（6） ： 814-818.

[10]GalvaoRKH，AraujoMCU，JoséGE，etal.Amethod for calibration and validation subset partitioning[J].Talanta，2005， 67（4） ： 736 -740.

［11］孫嘉豪，張偉，施鑒芩，等．光譜數據預處理策略選擇及應 用[J]．計量學報，2023，44（8）：1284－1292. SUN Jiahao， ZHANG Wei， SHI Jianqin，et al. Selection and application of spectral data preprocessing strategy[J]. Acta Metrologica Sinica，2023，44（8）：1284-1292.

[12]Palou A，Mir6A，BlancoM，etal.Calibrationsets selection strategy for the construction of robust PLS models for prediction of biodiesel/diesel blends physico-chemical properties using NIR spectroscopy[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2017，180：119-126.

[13]Delwiche SR，Reeves JB II. The effect of spectral pre- treatments on the partial least squares modelling of agricultural products[J].Journal of Near Infrared Spectroscopy，2004，12（3）： 177 - 182.

[14]Noda IGeneralized two-dimensionalcorelationmethodapplicable to infrared，Raman，and other types of spectroscopy[J]. Applied Spectroscopy，1993，47（9）：1329-1336.

［15］杜一平，潘鐵英，張玉蘭．化學計量學應用[M]．北京：化 學工業出版社，2008：71－ 72. DU Yiping，PAN Tieying，ZHANG Yulan. Chemometrics application[M].Beijing：Chemical Industry Press，20o8：71 -72.

[16］史丹陽．定量核磁共振波譜法測定肉桂多酚提取物中的總 酚、總糖和六種多酚成分［D]．上海：上海應用技術大學， 2022. SHI Danyang. Determination of Total Phenols，Total Sugars and SixPolyphenols in Cinnamon Polyphenols Extracts by Quantitative Nuclear Magnetic Resonance Spectroscopy[D]. Shanghai： Shanghai Institute of Technology，2022.

「17］陳靖琳，蔡靜薇，李建科，等．菊糖基功能性食品特性及研 究現狀[J].食品工業，2023，44（5）：281-286. CHENJinglin，CAI Jingwei，LI Jianke，et al.Characteristics andresearch status of inulin-based functional food[J].The FoodIndustry，2023，44（5）：281-286.

[18]Li HD，Liang Y Z，Xu Q S，et al. Key wavelengths screening usingcompetitive adaptive reweighted sampling method for multivariatecalibration[J].Analytica Chimica Acta，2009，648（1）： 77 -84.

[19］唐啟義，唐潔．偏最小二乘回歸分析在均勻設計試驗建模 分析中的應用[J].數理統計與管理，2005，24（5）：45-49， 67. TANGQiyi，TANG Jie.Application of partial least-squares regressive on modeling analysis of uniform design experiment[J]. Application ofStatisticsand Management，2005，24（（5）：45- 49，67.

[20]Bekiaris G，Triolo JM，PeltreC，etal.Rapid estimation of the biochemical methane potential of plant biomasses using Fourier transform mid- infrared photoacoustic spectroscopy[J].BioresourceTechnology，2015，197：475-481.

[21]Phil W.TheRPD statistic：a tutorial note[J].NIRNews， 2014，25（1）：22-26.

［22］周志磊，衡洋洋，陳超，等．黑果枸杞果實中主要成分的傅 里葉變換近紅外光譜預測模型構建[J]．食品工業科技， 2024，45（5）：234-242. ZHOUZhilei，HENGYangyang，CHENChao，etal.Construction ofFourier transform nearinfrared spectroscopy prediction model formaincomponentsinLycium ruthenicumMurr[J].Science and Technology of Food Industry，2024，45（5）：234-242.

[23]陳淼，侯名語，崔順立，等．不同種皮顏色花生糖含量近紅 外模型的構建[J]．光譜學與光譜分析，2022，42（9）：2896 -2902. CHEN Miao，HOU Mingyu，CUI Shunli，et al.Construction of near-infrared model ofpeanut sugar contentin different seed coat colors[J].Spectroscopyand Spectral Analysis，2022，42（9）： 2896 -2902.

[24]王凡，李永玉，彭彥昆，等．便攜式番茄多品質參數可見/ 近紅外檢測裝置研發[J]．農業工程學報，2017，33（19）： 295-300. WANGFan，LIYongyu，PENGYankun，etal.Developmentof portable device for simultaneous detection on multi-quality attributes of tomatobyvisibleandnear-infrared[J].Transactions ofthe Chinese Society of Agricultural Engineering，2O17，33 （19）：295-300.

[25]TakenoS，BambaT，NakazawaY，etal.High-throughput and highly sensitive analysismethod for polyisoprene inplantsby pyrolysis-gas chromatography/mass spectrometry[J].Bioscience，Biotechnology，andBiochemistry，2010，74（1）：13-17.

[26］湯麗昌，王寧，姚海萍，等．天然橡膠膠清化學成分的研究 [J]．林產化學與工業，2013，33（1）：125-129. TANGLichang，WANGNing，YAO Haiping，et al.Chemical componentsof the Hevea brasiliensis skim[J].Chemistryand IndustryofForest Products，2013，33（1）：125-129.

[27]ZouXB，ZhaoJW，PoveyMJW，etal.Variables selection methodsin near-infrared spectroscopy[J].Analytica Chimica Acta，2010，667（1/2）：14-32.

A rapid determination method for inulin and total sugar content in araxacum kok -saghyz Rodin based on near - infrared spectroscopy

CHEN Runfeng1，2，GAO Qiang1 ， YAN Qingqing1， XU Lin¹ ，Tuhanguli Touheti’，ZHANG Yan’，ZHENGLipeng'，REN Hailong3，NIE Qiuhai4

（1. Institute of Crop Xinjiang Uyghur Asuronomous Region Academy of Agricultural Sciences，National Central Asian Characteristic Crop Germplasm Resources Medium -term Gene Bank （Urumqi），Urumqi 830091， China; 2. Colege of Agronomy， Xinjiang Agricultural University， Urumqi 830091，China; 3. Crops Research Institute， Guangdong Academy of Agricultural Sciences， Guangzhou 5103O8， China; 4. Beijing Linglong Tyre Company Limited，Beijing 101102， China）

Abstract：【Objective】 This study aims to develop a green，low-cost，rapid detection technique for inulin and total sugar content in the roots of Taraxacum kok -saghyz Rodin（TKS）using near -infrared （NIR） spectroscopy，therebyadvancing research in cultivation and breeding of TKS.【Methods】This study involved 103 dry root powder samples of TKS（Rubber Grass）. Spectra were collcted using the FOSS NIRSTM DS2500F SR near - infrared spectrometer （wavelength range 850-2500nm ）by Foss Company. Enzyme labeling method was employed to measure the total sugar and reducing sugar content in the root samples and the inulin content was calculated by subtracting the reducing sugar content from the total sugar content. The SPXY algorithm was utilized to divide the samples into training and validation sets.Pretreatments on the raw spectral data included Moving Window Smoothing（MWS），Standard Normal Variate（SNV），Multiplicative Scatter Correction （MSC），and First Derivative （FD）. Competitive Adaptive Reweighted Sampling（CARS） was applied for wavelength selection，followed by establishing Partial Least Squares （PLS） prediction models for inulin and total sugar content in TKS roots.【Results】The content range of total sugar，reducing sugar，and inulinin the sample setwas 9.79% -51. 85% ， 3.11%-8.98% ，and 6.41%-45.35% ，respectively，with variation coefficients of 34.18% ， 32.61% ，and 39.46% . The samples were divided into calibration and validation sets at a ratio of 4：1 using the SPXY algorithm，with each set containing 82 and 21 samples for both total sugar and inulin. The optimal PLS prediction model for inulin content utilized MWS-SNV-CARS preprocessing，achieving a validation set correlation coeffcient （ Rv ）of 0.942，a root mean square error（RMSEv） of 2.515，and a relative performance deviation（ RPDv ）of 2.977. For total sugar，the best PLS model also employed MWS - SNV - CARS preprocessing，reaching an Rv of 0.949，RMSEv of 2.490，and RPDv of 3.175.Both models exhibited RPDu values exceeding 2.5，indicating good performance.【Conclusion】NIR spectroscopy proves to be an effective method for the green，low-cost，and rapid quantitative determination of inulin and total sugar contents in the roots of TKS.

Key words：Taraxacum kok -saghyz Rodin; near -infrared spectroscopy； inulin; total sugar； rapid detection；partial least squares