李佳佳^,1, 洪慧龙^,2, 万明月^,1, 储丽^,1, 赵敬会¹, 汪明华¹, 徐志鹏¹, 张阴¹, 黄志平³, 张文明^,1, 王晓波^,1, 邱丽娟^,21安徽农业大学农学院,合肥 230036
²中国农业科学院作物科学研究所/农业部作物基因资源与遗传改良重大科学工程/农业部作物基因资源与种质创制重点实验室,北京100081
³农作物品质改良安徽省重点实验室,合肥 230001

Construction and Application of Detection Model for the Chemical Composition Content of Soybean Stem Based on Near Infrared Spectroscopy

LI JiaJia^,1, HONG HuiLong^,2, WAN MingYue^,1, CHU Li^,1, ZHAO JingHui¹, WANG MingHua¹, XU ZhiPeng¹, ZHANG Yin¹, HUANG ZhiPing³, ZHANG WenMing^,1, WANG XiaoBo^,1, QIU LiJuan^,21College of Agriculture, Anhui Agricultural University, Hefei 230036
²Institute of Crop Science, Chinese Academy of Agricultural Sciences/The National Key Facility for Crop Gene Resources and Genetic Improvement (NFCRI)/Key Laboratory of Crop Gene Resource and Germplasm Enhancement (MOA), Beijing 100081
³Key Laboratory of Crop Quality Improvement of Anhui Province, Hefei 230001

通讯作者: 王晓波,E-mail：wxbphd@163.com;张文明,E-mail：zhangwenming_520@163.com;邱丽娟,E-mail：qiulijuan@caas.cn

李佳佳、洪慧龙、万明月和储丽为同等贡献作者。
责任编辑: 李莉
收稿日期:2020-07-28接受日期:2020-09-17网络出版日期:2021-03-01

基金资助:

国家重点研发计划.2016YFD0100201 安徽省自然科学基金.1908085QC105 安徽省学术和技术带头人及后备人选科研活动经费.2020H236 农作物品质改良安徽省重点实验室开放课题.2020ZW002

Received:2020-07-28Accepted:2020-09-17Online:2021-03-01
作者简介 About authors
李佳佳,E-mail：lijia6862@163.com

洪慧龙,E-mail：15011290378@163.com

万明月,E-mail：2748001406@qq.com

储丽,E-mail：chuli1206@163.com











摘要
【目的】大豆茎秆化学组分（纤维素、半纤维素、木质素和粗纤维等）与其茎秆抗倒伏能力密切相关,但由于目前大豆茎秆化学组分检测多采用传统的化学分析技术,测定过程操作复杂、耗时耗力、成本昂贵且易造成环境污染,不适合大规模育种应用,因此,通过构建一套低成本、快速、科学、无污染的大豆茎秆化学组分检测方法,为大豆种质资源茎秆组分分布规律及其与大豆生长习性和倒伏性关系的研究提供方法基础。【方法】通过建立一套基于近红外光谱检测技术的大豆茎秆化学组分检测模型,并利用该模型对大豆种质资源茎秆中的中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）和粗纤维（crude fiber,CF）等化学组分进行检测分析,通过方差分析、多重比较和小提琴图分析,明确大豆茎秆CF含量与其生长习性及抗倒伏性之间的内在关系。【结果】基于构建的大豆茎秆化学组分近红外光谱快速检测模型对茎秆NDF、ADF和CF组分检测数值的校正相关系数（R_C）均在0.90以上。利用16份模型外大豆茎秆样本对模型的有效性进行验证发现,常规化学检测与该模型检测结果之间无显著性差异（P > 0.05）。利用该模型对2017年和2018年种植的393份大豆茎秆CF含量及其生长习性之间的关系进行分析,结果表明,大豆茎秆CF含量符合正态分布规律,在CF含量50.00%以上的材料中,2年数据均表现出直立型（91.67%和86.14%）显著高于蔓生型（8.33%和13.86%）,表明大豆茎秆CF含量与其生长习性呈极显著正相关（P < 0.01）。【结论】构建的近红外光谱模型具有低成本、快速高效、无污染的特点。此外,茎秆中CF含量高的大豆品种植株具有更强的抗弯曲度,可作为大豆抗倒伏育种亲本筛选的重要指标。
关键词： 大豆;茎秆化学组分;近红外光谱检测定标模型;生长习性;抗倒伏育种

Abstract
【Objective】The chemical components (cellulose, hemicellulose, lignin, crude fiber, etc.) in the stem are closely/intently linked with lodging resistance of soybean. However, due to the current detection and analysis of chemical components in the stem, the traditional chemical analysis technology is adopted, and the determination procedure is complex, time-consuming, labor-consuming, expensive, and lead to environmental pollution. Thus, the current study aimed to construct a low-cost, quick, scientific and pollution-free method for detection of chemical components in soybean stems, and provide a methodological basis for the study of the distribution of stem components in soybean germplasm resources and their relationship with soybean growth habits and lodging. 【Method】 In present study, a chemical component detection model of soybean stem based on near-infrared spectroscopy was established, and the model was used to detect neutral detergent fiber (NDF), acid detergent fiber (ADF) and crude fiber (CF) of soybean germplasm resource stem. CF and other chemical components were detected and analyzed. The intrinsic relationship between CF content of soybean stem and its growth habit and lodging resistance was elucidated by analysis of variance, multiple comparisons and violin plot analysis. 【Result】 The results showed that the correction correlation coefficient (R_C) of the NDF, ADF and CF components of the stem based on the rapid detection model constructed in this research was all above 0.90. The validity of the model was verified by using 16 soybean stem samples outside the model, and it was found that there was no significant difference between the results of routine chemical testing and the model testing (P > 0.05). This model was used to analyze the relationship between the CF content and growth habit of 393 soybean stems planted in 2017 and 2018. The findings showed that the CF content of soybean stems conforms to the normal distribution. Among the materials of the CF content is above 50.00%, the two-year data showed that the erect type (91.67% and 86.14%) was significantly higher than the sprawl type (8.33% and 13.86%), indicating that the CF content was significantly correlated with its growth habit of soybean stems (P < 0.01). 【Conclusion】 The Near-infrared Spectroscopy Model constructed in this study has the characteristics of low cost, fast, high efficiency and pollution-free. In addition, the plants of soybean cultivars with high CF content in the stem had stronger bending resistance, which could be used as an important index for screening lodging resistance breeding parents of soybean.
Keywords：soybean;stem chemical components;near infrared spectrum detection model;growth habit;lodging resistance breeding


PDF (1327KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
李佳佳, 洪慧龙, 万明月, 储丽, 赵敬会, 汪明华, 徐志鹏, 张阴, 黄志平, 张文明, 王晓波, 邱丽娟. 基于近红外光谱的大豆茎秆化学组分含量检测模型构建与应用[J]. 中国农业科学, 2021, 54(5): 887-900 doi:10.3864/j.issn.0578-1752.2021.05.002
LI JiaJia, HONG HuiLong, WAN MingYue, CHU Li, ZHAO JingHui, WANG MingHua, XU ZhiPeng, ZHANG Yin, HUANG ZhiPing, ZHANG WenMing, WANG XiaoBo, QIU LiJuan. Construction and Application of Detection Model for the Chemical Composition Content of Soybean Stem Based on Near Infrared Spectroscopy[J]. Scientia Acricultura Sinica, 2021, 54(5): 887-900 doi:10.3864/j.issn.0578-1752.2021.05.002


开放科学（资源服务）标识码（OSID）：

0 引言

【研究意义】近年来,茎秆倒伏在中国大豆不同种植生态区内均有发生,不仅严重影响了大豆产量和品质的稳定优质发展,还对其机械化作业带来了不利影响,明显阻碍了中国大豆产业化进程^[1]。因此,深入研究大豆茎秆理化特性与其生长习性之间的关系,不仅为了解大豆倒伏与茎秆机械强度及理化特性关系提供一定的理论信息,还对当前中国大豆抗倒伏育种和机械化产业发展具有重要的实际意义。【前人研究进展】大量研究结果表明,影响作物倒伏与茎秆机械强度的因素很多且复杂,其中,作物茎秆化学组分（粗纤维、纤维素、木质素、半纤维素等）与其茎秆抗倒伏能力密切相关。粗纤维是指不能被稀酸稀碱所溶解,亦很难被人体或动物所消化利用的有机物质,主要成分包括纤维素,残留的半纤维素和木质素^[2]。纤维素、半纤维素及木质素共存于作物茎秆纤维原料中形成复杂的结构,可以增强作物茎秆的抗折力和抗倒伏力^[3]。已有研究表明,作物茎秆粗纤维含量与其抗折力、茎秆充实度和抗倒伏性等均表现出显著性正相关^[4,5,6,7]。水稻茎秆力学性能研究结果表明,水稻茎秆力学性能与其茎秆细胞壁中纤维素的相对含量成正比^[8]。水稻单茎抗推力与粗纤维含量、硅含量以及其他相关因素呈显著正相关,说明茎秆中粗纤维含量越高,茎秆的充实度越好,其植株抗倒能力则越强^[6]。陈晓光等^[9]测定了抗倒性不同的6个小麦品种茎秆的木质素含量,结果表明,木质素含量高的品种茎秆折断力大。油菜中,粗纤维含量与茎秆抗折力、株高等呈显著正相关,木质素含量和粗纤维含量在抗倒伏材料和不抗倒材料间存在显著性差异,该指标可以为高产育种中选育抗倒伏性状新品种提供重要参考^[4-5,10]。玉米的节间机械强度形成与其纤维素、木质素和半纤维素等结构性碳水化合物关系密切,其茎秆纤维素含量与茎秆强度呈正相关^[7,11-12]。套作大豆茎秆木质素含量与实际倒伏率呈显著负相关（r=-0.969）;与抗折力和抗倒伏指数显著正相关（r=0.958,r=0.959）,说明较高的茎秆木质素含量可能是提高套作大豆抗倒伏能力的生理基础^[13]。此外,程颖颖^[14]在大豆秸秆饲用品质性状的研究中发现,株高、茎粗与粗纤维含量均呈显著性正相关,基础高粗纤维素含量数据可以快速选择出茎秆粗壮、直立型大豆品种,达到抗倒伏和抵御恶劣环境条件的目的。由于时间和成本等原因,目前,国内外以茎秆为原料的生物质能产业中几乎不会在茎秆转换前进行茎秆化学组分的测定。当前,常使用传统的化学方法对农作物茎秆化学组分进行测定,例如Van Soset（范式法）,其测定过程复杂,耗时费力（一般历时38 h）,可能还会导致半纤维素的测定含量偏大^[15];此外还有王玉万法^[16,17]和高效液相色谱法^[18]等,该类化学方法具有应用范围广、灵敏度高、仪器成本适中的优点,但同时具有操作复杂、费时费力、破坏样品、污染环境等缺点。近年来,基于近红外光谱技术的农作物化学组分检测分析越来越普遍。近红外光谱技术可以实现快速、低成本、绿色无污染测量茎秆组分,该方法需要在前期工作中进行大量采集、标定、模型建立等基本工作,模型建立后,对未知样品测定只需通过所建模型解析搜集到的光谱,在1 min内就可得到所要测定样本化学组分的数值^[19,20]。LIU等^[21]使用傅里叶变换红外光谱仪,选取玉米秸秆和柳枝为样品,对不同种类聚糖、木质素和灰烬进行检测,并与传统化学方法进行对比分析,证明了利用近红外光谱技术结合化学计量学构造模型可以对生物质的化学成分进行分析,并具有很高的精度,是一种切实可行并且前景广泛的方法。SCHWAB等^[22]利用近红外光谱技术分析了玉米杂交种秸秆青贮样本中能值和产奶率相关性。赵峰等^[23]利用近红外光谱分析方法,构建了武夷岩茶的茶多酚、粗纤维、水分等品质测定模型并加以应用。基于近红外光谱技术,XU等^[24]利用281份玉米秸秆样品建立定标模型获得了玉米秸秆中干物质、淀粉、糖分含量及消化率情况,结果表明这种方法可以快速、大量、及时测定玉米秸秆品质性状。此外,根据近红外光谱分析技术还建立了玉米秸秆成分定量分析模型,并基于该模型实现了玉米秸秆粗蛋白和半纤维素含量的快速测定^[25]。王翠秀等^[26]利用近红外光谱技术构建了大豆籽粒蛋白质、脂肪含量的快速、无损检测最佳模型,实现了大豆油脂和蛋白质含量快速无损检测,对大豆品质评估以及作物改良具有重要意义。相较于传统的检测技术,基于近红外光谱技术能够实现大豆茎秆化学组分的科学性、快速、低成本和绿色无污染检测分析^[27,28],并有助于加速解析大豆茎秆理化特性与其抗倒伏性和生长习性之间的关系,为大豆抗倒伏育种和机械化产业发展提供理论基础。【本研究切入点】相较于传统的检测技术,基于近红外光谱技术的大豆茎秆化学组分检测分析具有独特的技术优势,然而,目前利用近红外光谱技术对大豆茎秆化学组分含量进行快速、高效、绿色检测分析的相关研究鲜见报道。【拟解决的关键问题】为了更快速、科学地评价大豆茎秆化学组分与其生长习性（直立型、半直立型、蔓生型和半蔓生型）^[29]之间的关系,本研究基于近红外光谱检测技术利用135份大豆重组自交系（RIL）构建了一套低成本、快速、绿色的大豆茎秆化学组分检测模型,并根据该模型对2017年和2018年大豆茎秆资源粗纤维组分含量进行了快速检测分析,明确大豆茎秆粗纤维含量与其生长习性及抗倒伏性之间的内在关系,旨在为更好地利用大豆茎秆组分及理想株型育种、抗倒伏育种以及大豆机械化产业发展提供理论基础。

1 材料与方法

1.1 供试材料

135份（中黄35×十胜长叶）RILs群体后代2015年夏种植于中国农业科学院顺义基地（北京）用于模型构建。共有的393份精准鉴定大豆种质资源分别于2017年和2018年夏种植于安徽农业大学高新技术产业园试验站（合肥）（随机区组设计,3 m行长,行距0.4 m）,用于模型验证和应用。上述所有材料均于成熟后正常收获,考种后保留大豆整株茎秆,备用。

1.2 样品处理

利用茎秆切片机（KQS-400型,北京锟捷玉诚设备有限公司）对晾晒干后的大豆整株茎秆进行切片处理。利用植物茎秆粉碎机（FSD-100A型,杭州绿博仪器有限公司）将切成片状的茎秆组织打磨成粉末状并通过18目筛,标记后装袋备用。近红外光谱技术检测时,取茎秆粉末（约35 g）平铺于器皿中,表面压平,覆盖完整,每个样品都采用重复装样2次,重复测定2次,取平均值。

1.3 模型构建

1.3.1 大豆茎秆中性洗涤纤维、酸性洗涤纤维和粗纤维含量的化学测定 利用国家标准体系GB/T20806- 2006^[30]和GB/T20805-2006^[31]分别测定中性洗涤纤维（neutral detergent fiber,NDF）和酸性洗涤纤维（acid detergent fiber,ADF）的化学值含量。每个试样测定2次,取平均值。具体方法如下：

（1）中性、酸性洗涤及水解：称取1.00 g样品放入长筒烧杯中,同时融入150 mL中性洗涤剂和10滴十氢化萘及0.50 g无水Na₂SO₄,并将烧杯置于熔炉上,持续进行加热,保持沸状态15 min,并持续保持微沸40 min。

（2）过滤：溶液沸腾40 min后将烧杯中溶液导入玻璃坩埚,采用绝缘锡纸进行过滤,同时移入所有残渣,并用沸水冲洗坩埚与固体残留物,不断进行滴定直至参与滤液pH接近0。酸性过滤方法：用少量丙酮冲洗残渣至抽下的丙酮液呈无色为止,并抽净丙酮。

根据公式（1）和（2）分别求出NDF和ADF含量：

（1） NDF（%）=（M1-M2）/M×100%
式中,M1为玻璃坩埚和NDF的质量（g）;M2为玻璃坩埚的质量（g）;M为样品的质量（g）。

（2） ADF（%）=（m1-m2）/m×100%
式中,m1为玻璃坩埚和ADF的质量（g）;m2为玻璃坩埚的质量（g）;m为样品的质量（g）。

基于国家标准体系GB/T6434-2006^[32]测定粗纤维（crude fiber,CF）的化学值含量,其中部分步骤稍作改进。每个试样测定2次,取平均值。具体方法如下：

（1）试料：称取1.00 g大豆茎秆粉末,移至烧杯（W1）。

（2）除去碳酸盐：将100 mL盐酸倾注在试料上,连续振摇5 min,小心地将混合物倾入滤埚,滤埚底部覆盖一层滤器辅料。用100 mL水洗涤2次,洗涤干净。将滤埚内容物转移至原来的烧杯中。

（3）酸消煮。

（4）将150 mL硫酸倾注在样品上,使其沸腾,并保持沸腾状态30 min。转动烧杯使其受热均匀,加入数滴防泡剂。

（5）第一次过滤：在滤埚中铺一层滤器辅料,当消煮结束时将液体通过一个搅拌棒过滤至滤埚中,用真空抽滤,使150 mL几乎全部通过。用搅拌棒移去覆盖在滤器辅料上的粗纤维。残渣用10 mL热水洗涤5次,要注意使滤埚的过滤板始终有滤器辅料覆盖,使得粗纤维不接触滤板。停止抽真空,加一定体积的丙酮,刚好能覆盖残渣,静置数分钟后,慢慢抽滤排出丙酮,继续抽真空,使空气通过残渣,使之干燥。

（6）脱脂：在冷提取装置中,在真空条件下,试样用石油醚脱脂3次,每次用石油醚30 mL,每次洗涤后抽吸干燥。

（7）碱消煮：将残渣定量转移至酸消煮用的同一烧杯中。加入150 mL氢氧化钾溶液,使其沸腾,保持沸腾状态30 min,在沸腾期间用一适当的冷却装置使溶液体积保持恒定。

（8）第二次过滤：在滤埚中铺一层滤器辅料,残渣用热水洗至中性。在真空条件下用30 mL丙酮洗涤3次,每次洗涤后抽吸干燥残渣。

（9）干燥：将滤埚置于灰化皿中,灰化皿及其内

容物在130℃干燥箱中干燥2 h。在灰化过程中,将坩埚置于灰化皿中。滤埚和灰化皿在干燥器中冷却,从干燥器中取出后,立即对滤埚和灰化皿进行称量W2,精确至0.10 mg。

（10）灰化：将滤埚和灰化皿置于马福炉中,其内容物在500℃左右下灰化,直至冷却后称量。每次灰化后,让滤埚和灰化皿初步冷却,置于干燥器,使其完全冷却,然后称量（W3）。

根据公式（3）求出CF含量：

（3） CF（g·kg^-1）=（W2-W3）/W1
式中,CF含量以每千克（g·kg^-1）表示;W1：样品的质量（g）;W2：灰化盘、滤埚以及在130℃干燥后获得的残渣的质量（mg）;W3：灰化盘、滤埚以及在500℃灰化后获得的残渣的质量（mg）。

1.3.2 光谱的采集 采用DA7200近红外光谱分析仪（DA7200,波通仪器,瑞典）对所有大豆茎秆样品进行近红外光谱扫描。茎秆样品为固体粉末,测样方式选择为漫反射,光谱扫描范围为950—1 650 nm,光斑直径为3.5 cm,分辨率为5 nm,环境温度控制在室温25℃左右,检测器采用铟镓砷二极管阵列检测器,光栅为镀金全息固定光栅,扫描次数为100次/s。将每个大豆茎秆样品平铺于器皿中,表面压平,覆盖完整。每个样品都采用重复装样2次和扫描2次的光谱收集方式,取平均值作为大豆反射率,得到最终的大豆反射光谱数据。

1.3.3 异常样品剔除 在近红外光谱分析建模过程中通常会出现2种异常样品：第一类是含有极端组成的样品,通常称为高杠杆值样品,这些样品对回归结果有强烈的影响。第二类是指参考数据与预测值在统计意义上有差异的校正样品。预测过程异常样品的识别主要是用来检验待测样品是否在所建立校正模型的覆盖范围内,以确保其预测结果的准确性。本研究使用X-Y残差剔除的方法^[33]。

1.3.4 光谱预处理 为避免样品装样量不一致对待测样品近红外光谱预测准确度的影响,采用卷积平滑求导法（savitzky-golay,SG）和一阶导数（first derivative,FD）^[34]对近红外光谱进行预处理以提高近红外分析的预测准确度。

1.3.5 定标模型构建 采用偏最小二乘法（partial least square,PLS）^[34]对经过预处理的光谱数据进行回归分析,并利用Simplicity^TM软件和The Unscramber X 10.3软件建模^[35]。以R_C（校正相关系数）、R_CV（交互验证相关系数）、R_MSECV（交互验证预测标准偏差）、R_MSEC（校正相关系数标准偏差）作为衡量模型预测效果的主要参数^[35]。其中,R_C取值范围为0—1,越接近于1表明模型准确度越高;R_CV越高且R_MSECV和R_MSEC越低,预测能力越强,表明模型精确度越高。

1.4 建模效果验证与评价

随机选取16份未知ADF、NDF和CF含量的待测样品,分别用国家标准体系GB/T20805-2006^[31]、GB/T20806-2006^[30]和GB/T6434-2006^[32]等常规化学检测方法测定其化学值含量,与利用所建立模型检测结果进行比较分析,比较二者之间相关系数（R值）和预测标准偏差（R_MSEP）的差异,判断模型的外部验证和准确度。

1.5 模型应用

将所构建的大豆茎秆化学组分快速检测模型导入DA7200型近红外成分测定仪,对2017年和2018年共有的393份大豆种质资源茎秆化学组分进行检测分析。测定步骤为：取大豆茎秆样品粉末,放入近红外仪器样品盘中,使样品自然填满样品盘,自然摊平,每一种大豆茎秆粉末样品为避免人工操作的不稳定性和多次重复扫描的方式以减少样品的不均匀性带来的影响,为了收集到更多的样品信息,都采用扫描2次和重复装样2次取平均值的光谱收集方式。测定结果包括6个数值,分别为ADF、NDF、木质素、纤维素、半纤维素和CF含量。大豆生长习性调查参考邱丽娟等^[29]方法。本研究重点解析了大豆茎秆组分CF含量与其生长习性之间的相关性。

1.6 数据统计及分析

利用Microsoft Excel 2007对试验数据进行整理、统计与分析,利用Simplicity^TM软件和The Unscramber X 10.3软件建模,利用SPSS 19.0软件对预处理光谱进行回归分析、对测试数据方差分析、LSD法多重比较以及利用R进行小提琴图分析,检验CF含量与大豆生长习性之间的差异显著性（P=0.01,P=0.05）。

2 结果

2.1 模型构建

2.1.1 大豆茎秆组分测试样品的化学值分析 135份大豆RILs群体茎秆化学组分化学值分析结果显示,其各组分含量分布均匀（电子附表1）。其中,ADF含量主要分布于36.00%—44.00%,均值为40.59%;NDF含量主要分布在59.00%—65.00%,均值为63.12%;CF含量主要分布于44.00%—50.00%,均值为47.08%（表1和图1）。上述结果表明,群体内不同株系大豆茎秆化学组分含量存在明显差异,这对于定量分析作物茎秆成分,实现生物燃料产量及配置都具有重要意义。

Table 1
表1
表1大豆茎秆酸性洗涤纤维、中性洗涤纤维和粗纤维含量的方差分析和正态分布结果
Table 1Normal distribution and variance analysis results of acid detergent fiber (ADF), neutral detergent fiber (NDF) and crude fiber (CF) of soybean stem

成分 Component	平均值±标准差 Mean±SD (%)	95%置信区间 95% Confidence interval (%)		最小值 Min (%)	最大值 Max (%)
		下限 Lower Limit	上限 Upper Limit
酸性洗涤纤维ADF	40.59±3.72	39.96	41.23	30.27	51.15
中性洗涤纤维NDF	63.12±3.84	62.46	63.77	51.91	73.08
粗纤维CF	47.08±3.86	46.42	47.74	36.98	58.31

ADF：酸性洗涤纤维;NDF：中性洗涤纤维;CF：粗纤维。下同
ADF: Acid detergent fiber; NDF: Neutral detergent fiber; CF: Crude fiber. The same as below

新窗口打开|下载CSV

图1

新窗口打开|下载原图ZIP|生成PPT
图1大豆茎秆酸性洗涤纤维（ADF）、中性洗涤纤维（NDF）和粗纤维（CF）的变异频数图

Fig. 1Frequency chart of acid detergent fiber (ADF), neutral detergent fiber (NDF) and crude fiber (CF) of soybean stem



2.1.2 样品采集制备及标定 样品的采集是否具有代表性直接影响所建立校正模型的精度和稳定性。采集的样品是否具有正态分布是一个非常重要的指标,因此,首先对样品进行正态分析,结果显示,布尔变量H=0,表示不拒绝零假设,说明提出的假设“ADF含量均值为40.59%,NDF含量均值为63.12%,CF含量均值为47.08%”是合理的（表1）。ADF指标95%置信区间为[39.96,41.23],NDF指标95%置信区间为[62.46,63.77],CF指标95%置信区间[46.42,47.74],完全包括均值且精度很高,各组分含量符合正态分布。

2.1.3 原始光谱与光谱数据预处理方法的结果比较 大豆茎秆ADF、NDF和CF有C-H、O-H等含氢基团,因此,近红外光谱区域对此会有强烈的吸收。图2-A显示,光谱扫描范围为950—1 650 nm时大豆秸秆的近红外光谱具有基本相同的变化趋势,又具有明显的吸收峰,主要是由于不同测试样品的吸收强度不同,即大豆茎秆ADF、NDF和CF含量不同,结果说明,大豆茎秆ADF、NDF和CF的近红外光谱可以作为其含量的定量分析依据。同时,利用FD+SG预处理,能够减弱或消除背景噪音、消除基线漂移、克服谱带重叠、增强差别,突出光谱特征,对原始光谱进行平滑和求导,可以有效提高所建模型的光谱分辨率和灵敏度（图2-B）。本研究中,通过异常样品剔除方法得到剩余的131份大豆茎秆样品,选择交互验证（cross validation）来进行验证。结果显示,大豆茎秆ADF、NDF和CF的R_C较高,分别为0.9408、0.9093和0.9185,均在0.9000以上;R_CV分别为0.8010、0.8614和0.8257;预测标准偏差（R_MSEP）分别为1.337、1.454和1.381（图3）,说明所建立的大豆茎秆化学组分近红外光谱检测模型预测值与常规化学方法获得的真值之间的误差较小,结果表明,通过FD+SG预处理后大豆茎秆化学组分近红外光谱检测模型预测结果准确度高。

图2

新窗口打开|下载原图ZIP|生成PPT
图2测试样品光谱图

A：测试样品原始近红外光谱;B：FD+SG法处理的光谱图
Fig. 2Spectrogram of test samples

A: Original near infrared spectrum of test sample; B: Processing spectrogram FD+SG method

图3

新窗口打开|下载原图ZIP|生成PPT
图3大豆茎秆酸性洗涤纤维（ADF）、中性洗涤纤维（NDF）和粗纤维（CF）含量近红外校正模型参数

Fig. 3Near infrared correction model parameters of acid detergent fiber (ADF), neutral detergent fiber (NDF) and crude fiber (CF) contents of soybean stem



2.1.4 大豆茎秆组分含量近红外定标模型的建立 根据预处理后的光谱,采用偏最小二乘法（PLS）建立定标模型,获得了相关系数高和预测误差小的定标模型。131份大豆茎秆ADF、NDF和CF含量的化学测定值范围分别为30.27%—51.15%、51.91%—73.08%和36.98%—58.31%,构建的定标预测模型基本涵盖了大豆秸秆ADF、NDF和CF含量的范围,分布十分均匀（表1和图3）。因此,本定标模型针对ADF、NDF和CF含量适用的线性范围分别为30.00%—49.00%、51.00%—74.00%和36.00%—59.00%。

2.2 大豆茎秆化学组分含量近红外光谱定标模型的验证

随机选取16份未知样品进行平行试验,分别用常规化学测定方法和本研究建立的模型检测大豆茎秆ADF、NDF和CF含量值,以检验模型的精度。结果显示,大豆茎秆ADF、NDF和CF常规化学值和模型预测值统计分析之间的残差不超过2.87（表2）,具有良好的相关性,相关系数分别为0.969、0.967和0.976（表3）。结果表明,利用近红外光谱技术测定大豆茎秆组分ADF、NDF和CF含量的方法是可行的。同时,对于给定的显著性水平0.05,将外部验证及样品所对应的大豆茎秆ADF、NDF和粗纤维含量与模型的预测值进行配对T检验（表3）,结果表明,二者之间差异不显著（P=0.098>0.05;P=0.374>0.05;P=0.124>0.05）,说明该模型的预测准确度较高,可用于大豆茎秆ADF、NDF和CF含量未知样品的实际预测。结果表明,基于近红外光谱技术构建的大豆茎秆化学组分定标检测模型是可靠的,基本可代替常规化学方法对大豆茎秆化学组分进行快速、高效、科学检测分析。

Table 2
表2
表2常规法测定值和近红外模型预测值结果比较
Table 2Comparison of results between measured values by conventional method and predicted values by near infrared model

序号 No.	测定值（常规方法） Value (Conventional) (%)			预测值 Predicted value (%)			常规测定值与预测值差异 Difference of value
	ADF	NDF	CF	ADF	NDF	CF	ADF	NDF	CF
1	35.27	62.22	43.42	36.99	59.35	43.91	-1.72	2.87	-0.50
2	34.45	59.28	42.00	36.08	59.32	43.33	-1.63	-0.04	-1.34
3	39.75	61.47	47.68	40.20	62.25	48.03	-0.45	-0.78	-0.35
4	42.97	63.45	49.03	42.66	65.21	49.73	0.31	-1.76	-0.70
5	41.56	64.47	49.47	43.07	64.96	50.14	-1.51	-0.49	-0.67
6	41.10	59.06	45.97	42.80	60.32	47.47	-1.70	-1.26	-1.51
7	42.51	61.30	45.92	40.94	61.68	44.90	1.58	-0.38	1.02
8	30.27	51.91	36.98	31.80	51.00	37.12	-1.54	0.91	-0.14
9	47.70	71.70	54.58	45.87	71.45	53.81	1.83	0.24	0.77
10	40.82	66.99	48.17	41.85	66.06	48.85	-1.03	0.94	-0.68
11	39.80	67.31	50.49	40.70	64.82	50.10	-0.90	2.50	0.38
12	35.99	62.31	44.44	37.89	62.42	46.08	-1.90	-0.11	-1.64
13	43.47	64.96	48.86	42.14	64.55	48.02	1.32	0.41	0.84
14	37.53	62.68	44.71	37.84	61.61	44.37	-0.31	1.07	0.34
15	42.25	68.34	48.15	42.62	68.30	49.84	-0.37	0.04	-1.69
16	41.19	69.23	49.84	41.81	68.95	49.79	-0.62	0.29	0.05

新窗口打开|下载CSV

Table 3
表3
表3常规法测定值与近红外模型预测值的相关系数
Table 3Correlation coefficient between measured values by conventional method and predicted values by near infrared model

指标 Index	相关系数 Correlation coefficient (r)	T测验 T-test（P）
酸性洗涤纤维 Acid detergent fiber (ADF)	0.969	0.098
中性洗涤纤维 Neutral detergent fiber (NDF)	0.967	0.374
粗纤维Crude fiber (CF)	0.976	0.124

新窗口打开|下载CSV

2.3 模型的验证和应用

2.3.1 供试材料表型数据整理、统计与分析 2017年和2018年共有的有效秸秆数量为393份,包括2017年收获直立型秸秆材料335份,蔓生型58份;2018年收获直立型秸秆材料312份,蔓生型81份（电子附表2）。其中,共有56个材料在2年均呈蔓生型生长,2个材料在2017年蔓生型而在2018年表现为直立型;25份材料在2017年直立生长而在2018年出现蔓生情况,这可能与两季的生长环境和管理措施有一定关系。

2.3.2 大豆茎秆粗纤维含量分布分析 对共有的393份大豆茎秆CF含量检测分析发现,2年的大豆茎秆CF含量基本呈一致性分布趋势,其含量主要分布于45.00%—55.00%（图4,2年比例分别高达77.86%和84.22%）,2017年大豆秸秆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含量总体上仍呈现出正态分布规律（图4）。

图4

新窗口打开|下载原图ZIP|生成PPT
图4大豆茎秆粗纤维含量分布分析

Fig. 4The distribution analysis of crude fiber contents in soybean stem



对共有的393份大豆茎秆CF含量统计分析结果显示,2017年和2018年CF含量检测变异系数基本相同（表4）,表明本研究获取的2年共有的粗纤维含量数据基本一致,数据检测结果是可信的,并能够用于进一步的分析。

Table 4
表4
表4393份大豆茎秆粗纤维含量检测分析
Table 4The detection analysis results of the crude fiber in 393 soybean stems

项目 Items		年份 Year
		2017	2018
大豆品种数量（份） Number of soybean varieties		1664	1335
打磨秸秆数（份） Number of grinding stem		745	639
2年共有秸秆数（份） Total number of stems in two years		393	393
粗纤维含量 Crude fiber contents (%)	最大值Max	57.39	58.63
	最小值Min	27.64	37.39
	均值±标准差Mean±Sd	47.60±3.53	50.30±3.60
	变异系数CV (%)	7.42	7.16

新窗口打开|下载CSV

2.3.3 大豆茎秆粗纤维含量与生长习性相关分析 对2年共有的393份茎秆生长习性与CF含量进行了方差分析,以了解茎秆中CF含量与生长习性之间的关系。

结果显示,2017年85.24%的大豆秸秆表现出直立型生长习性,14.76%的为蔓生型生长习性,二者CF含量均值表现出极显著性差异（P<0.01,表5）;2018年79.39%的大豆秸秆表现出直立型生长习性,20.61%的表现为蔓生型,二者CF含量均值亦为极显著性差异（P<0.01,表5）。上述结果表明,大豆品种茎秆生长习性与茎秆CF含量极显著相关。

Table 5
表5
表5大豆茎秆粗纤维含量与生长习性分相关性析
Table 5Correlation analysis of crude fiber content and growth habit of soybean stem

年份Year	类型 Types	数量 Number	CF含量均值±标准差 Crude fiber contents Mean±Sd (%)	95%置信区间 95% Confidence interval		极小值 Min	极大值 Max	F值 F value	P值 P value
2017	直立型 Erect type	335 (85.24%)	47.96±3.35A	47.60	48.32	37.66	57.39	25.77	0.000
	蔓生型 Sprawl type	58 (14.76%)	45.49±3.85B	44.48	46.50	27.64	53.02
	总数Total	393	47.60±3.53	47.25	47.95	27.64	57.39
2018	直立型 Erect type	312 (79.39%)	50.65±3.56A	50.25	51.05	37.39	58.63	14.64	0.000
	蔓生型 Sprawl type	81 (20.61%)	48.96±3.45B	48.20	49.72	39.96	58.35
	总数Total	393	50.30±3.60	49.94	50.66	37.39	58.63

A、B代表多重比较结果差异显著
A, B represents the significance result of multiple comparisons, respectively

新窗口打开|下载CSV

将2种类型CF含量按其分布比例划分为7个等级（图5）。结果显示,2017年和2018年所测直立型与蔓生型茎秆CF含量均呈现出正态分布规律,其主要分布在45.00%—55.00%。2017年,CF含量极低（小于30.00%）的区间内只存在蔓生材料（0.25%）;CF含量极高（大于55.00%）的区间内只存在直立型材料（1.78%）;2018年,在CF含量极低区间内的未鉴定到任何生长型（直立型和蔓生型）材料,而在CF极高区间内,100%材料分布比例中直立型占89.47%,蔓生型为10.53%（图5,电子附表2）。在CF含量大于50.00%的材料分布中,2年的数据均表现出直立型（91.67%和86.14%）显著高于蔓生型（8.33%和13.86%）（电子附表2）,结果表明,CF含量较高的材料有助于茎秆抗弯曲度的增强和直立型生长。

图5

新窗口打开|下载原图ZIP|生成PPT
图5大豆茎秆直立型与蔓生型粗纤维含量分布分析图

Fig. 5Analysis of content distribution of crude fiber from in erect type and sprawl type of soybean stem



为了更好地研究2017和2018年粗纤维含量（CF）与大豆生长习性之间的相关性,利用程辑包sm和vioplot（R 4.0.2）构建了小提琴图（图6）。结果显示,2017年,直立型的多数个体分布在（47.00±3.00）%范围内,而蔓生型的多数个体分布在（45.00±3.00）%范围内。2018年,直立型的多数个体分布在（50.00± 4.00）%范围内,而蔓生型的多数个体分布在（47.00± 3.00）%范围内。其中,2年数据中有部分个体CF含量超过了上须的延伸极限,说明可能存在CF含量极端高的单株;同时,部分个体含量低于下须的延伸极限,说明可能存在CF含量极端低的单株。对比2年的数据分布,直立型材料中CF含量的中位数、上四分位数和下四分位数均高于对应的蔓生型材料。核密度估测显示,相较于蔓生型材料,直立型材料CF含量概率密度函数分布峰值较高,说明二者可能存在显著差异（图6）。

图6

新窗口打开|下载原图ZIP|生成PPT
图6大豆茎秆粗纤维含量与茎秆生长习性之间的关联分析

Fig. 6Correlation analysis between crude fiber content and growth habit soybean stem

3 讨论

茎秆蔓生、倒伏现象在中国大豆不同生态区内均有发生,不仅严重影响了大豆产量和品质的稳定优质输出,还对其机械化作业带来了不利影响,明显阻碍了中国大豆产业化有序发展^[1]。前人研究表明,作物抗倒伏性可能与其茎秆中的化学成分,尤其是粗纤维含量等密切相关。当前,农作物茎秆化学组分检测分析常使用传统的化学测定方法,此类方法优点是应用范围广、灵敏度高、仪器成本和费用相对较低,但其同时具有工作繁琐、复杂,费时费力、样品破坏性大,且在测定过程中产生的酸和碱废弃液会对环境造成污染等不利之处。相较于传统化学检测手段的缺陷,近红外光谱分析技术已经在多个领域作为产业产品品质和质量的评定标准,几乎替代了广泛使用的化学标准分析方法,在生产效率和产品质量方面取得了很好的效果^[36,37]。近年来,基于近红外光谱仪的组织检测分析技术已被证明可以对不同农作物组织成分进行有效的检测分析^{[19-21,23,25-26]}。

本研究基于新型固定光栅连续近红外光谱分析仪（DA7200,波通仪器,瑞典）构建了一套低成本、快速、高效、绿色、科学的大豆茎秆化学组分检测定标模型,并利用该模型对大豆茎秆化学组分进行光谱数据采集,以检测分析其ADF、NDF和CF组分含量。DA7200近红外光谱分析仪操作简单,使用高强度、宽波带的白光照射样品,将对样品相关组分测量的光谱信号转化为数字信号,获得测量值。然后,采用一阶导数处理（FD）+卷积平滑求导法（SG）对原始光谱进行预处理,同时利用软件Simplicity^TM和The Unscramber X 10.3对预处理后的光谱进行计算建模,以减少样品散射对光谱的影响,提高光谱数据的精确度（图2）。处理之后的光谱采用偏最小二乘法（PLS）建立定标模型。近红外定量分析中统计分析方法主要有多元线性回归（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均采用了全谱信息,将光谱变量压缩为为数不多的独立变量建立回归方程,通过交叉验证来防止过拟合现象。但是,PCA没有保证主成分一定与感兴趣组分浓度有关,而PLS则很好地保证了这一点^[38]。因此,PLS分析精确度较高,是目前近红外光谱分析上应用做多的回归方法。本研究所用计量统计分析方法采用PLS建立定标模型,获得了相关系数高和预测误差小的检测定标模型。

为了验证所建模型对大豆化学组分含量检测分析的准确度和可靠性,本研究随机选取了模型外的16份未知大豆茎秆组分分别采用常规化学检测和模型预测方法进行分析比较。结果显示,常规化学检测分析结果与利用本研究中构建的大豆茎秆化学组分近红外光谱检测定标模型预测分析结果无显著性差异,且二者之间的相关性较好（表2和表3）。结果表明,本研究构建的大豆茎秆化学组分近红外光谱检测定标模型测定结果是可靠的,基本上可代替常规化学方法的检测分析。同时,与传统化学检测技术相比,该定标模型操作过程简单、快速、环保,且数据可靠性高。此外,相较于ASEKOVA等^[39]构建的NIRS（near-infrared reflectance spectroscopy）模型获得的R6期大豆茎秆中ADF（22.60%—38.10%,平均值为29.40%）和NDF（37.40%—66.60%,平均值为50.70%）检测结果,本研究利用构建的近红外光谱定标模型获得的大豆茎秆ADF（30.27%—51.15%,平均值为40.59%）和NDF（51.91%—73.08%,平均值为63.12%）含量与其存在一定的差异性,具体原因可能是：（1）所测样本时期不同,本研究为收获后晾晒干的大豆整体茎秆部分,而ASEKOVA等^[39]所用样本为大豆R6时期植株茎秆烘干（60℃烘箱）后样品;（2）样品处理、光谱采集以及测量方法等方面不同。值得注意的一点是,本研究中,近红外光谱定标模型建立需要的样本量越大,建立的模型越稳定,结果越准确,得到的预测值与常规法实际值误差越小。本研究通过近红外光谱定标模型测定大豆茎秆化学组分ADF、NDF和CF含量,克服了以往常规化学方法测定过程中的繁琐复杂、耗时耗力、污染环境等缺点,为农作物茎秆化学组分含量的检测分析提供了一种新的测定方法参考。

为了进一步验证该模型的准确性和适用性,本研究根据已构建的大豆茎秆化学组分近红外光谱定标模型对2017年和2018年共有的393份大豆茎秆CF组分及其生长习性之间的关系进行了分析,结果显示,2年材料的CF含量在分布上存在一定差异性的原因可能有2种：一是2年间的田间生态、土壤等环境因素的影响不同;二是比较样本总量上不对等的原因所致。尽管存在一定的差异性分布,但2年的大豆茎秆CF含量均表现出正态分布规律,且茎秆CF含量与其生长习性呈极显著正相关（P<0.01）,表明CF含量较高的品种有助于其茎秆抗弯曲度的增强和直立型生长。CF是大豆茎秆中的主要构成成分之一,生长习性则代表了一定的植株生长形态特征。由于农作物品种、生态区、生长部位的不同,其茎秆中的CF等物质含量也存在较大差异^[40],这说明CF含量不仅与基因型有关,也受环境条件的影响。同时,这也是2018年所有供试材料茎秆CF含量平均值（50.30%）高于2017年所有供试材料茎秆CF含量平均值（47.60%）的原因之一。通过2年共有的393份大豆种质资源的CF值分析发现,其变异幅度分别为27.64%—57.39%和37.39%—58.63%,建模的CF值范围为36.98%—58.31%,依据图3可知,本定标模型针对CF含量适用的线性范围为36.00%—59.00%。其中,2017年大豆种质资源CF含量分析中只有1个品种（CF含量为27.64%）超出了该建模范围（超出率为0.25%,可忽略）,其余均在该范围内。2018年大豆种质资源CF含量均在该线性范围内。此外,两年所有大豆种质资源CF含量主要分布范围均在45.00%—55.00%,该区间范围与建模区间范围符合度较高,因此,本研究基于近红外光谱技术构建的大豆茎秆化学组分定标检测模型是可靠的。此外,基于该模型通过多年多点试验数据证明了大豆茎秆生长习性（直立和蔓生倒伏）与其CF含量显著正相关,该结果可以通过茎秆CF含量直接判别大豆茎秆生长习性（平均吻合率为86.77%）,能够为大豆耐密植栽培、抗倒伏遗传育种和机械化作业发展提供理论基础。

4 结论

基于近红外光谱检测技术构建了一套低成本、快速、高效的大豆茎秆化学组分检测模型,该模型稳定性好,精确度高,可靠性好,可以代替化学方法测定大豆茎秆组分含量。利用该模型分析了多年多点试验环境下的大豆茎秆组分CF含量与其生长习性之间的关系,发现大豆茎秆组分CF含量与其生长习性呈显著正相关,直立型大豆品种CF含量显著高于蔓生倒伏型大豆品种。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] 范冬梅, 杨振, 马占洲, 曾庆力, 杜翔宇, 蒋洪蔚, 刘春燕, 韩冬伟, 栾怀海, 裴宇峰, 陈庆山, 胡国华. 多环境条件下大豆倒伏性相关形态性状的QTL分析
中国农业科学, 2012,45(15):3029-3039.
URL [本文引用: 2]

FAN D M, YANG Z, MA Z Z, ZENG Q L, DU X Y, JIANG H W, LIU C Y, HAN D W, LUAN H H, PEI Y F, CHEN Q S, HU G H. QTL analysis of lodging-related morphological traits of soybean under two eco-environments
Scientia Agricultura Sinica, 2012,45(15):3029-3039. (in Chinese)
URL [本文引用: 2]

[2] 程颖颖, 赵晋铭, 盖钧镒, 邢邯. 大豆秸秆粗纤维含量的测定及摘荚对其饲用品质的影响
大豆科学, 2008,27(5):773-776.
URL [本文引用: 1]

CHENG Y Y, ZHAO J M, GAI J Y, XING H. Testing method for crude fiber content of soybean straw and effect of picking-pod on its feeding quality
Soybean Sciences, 2008,27(5):773-776. (in Chinese)
URL [本文引用: 1]

[3] 徐忠, 姜兆华, 汪群慧. 氨预处理对大豆秸秆纤维素酶解产糖影响的研究
高校化学工程学报, 2004,18(6):773-776.
URL [本文引用: 1]

XU Z, JIANG Z H, WANG Q H. Effect of ammonia pretreatment on cellulose hydrolysis of soybean straw
Journal of Chemical Engineering of Chinese Universities, 2004,18(6):773-776. (in Chinese)
URL [本文引用: 1]

[4] 张建, 陈金城, 唐章林, 王瑞. 油菜茎秆理化性质与倒伏关系的研究
西南农业大学学报(自然科学版), 2006,28(5):763-765.
[本文引用: 2]

ZHANG J, CHEN J C, TANG Z L, WANG R. Study on the physico-chemical properties of stem as related to lodging in rape
Journal of Southwest Agricultural University (Natural Science Edition), 2006,28(5):763-765. (in Chinese)
[本文引用: 2]

[5] 刘唐兴, 官春云, 肖君泽, 梁勇, 雷冬阳, 王永兴. 甘蓝型油菜主茎理化特性与倒伏的关系及抗倒性评价
河南农业科学, 2007,12:40-42, 54.
URL [本文引用: 2]

LIU T X, GUAN C Y, XIAO J Z, LIANG Y, LEI D Y, WANG Y X. Relation between physico-chemical properties of stem and lodging and evaluation of lodging resiistance in rapeseed (Brassica napus L.)
Henan Agricultural Sciences, 2007,12:40-42, 54. (in Chinese)
URL [本文引用: 2]

[6] 陈桂华, 邓化冰, 张桂莲, 唐丈帮, 黄璜. 水稻茎秆性状与抗倒性的关系及配合力分析
中国农业科学, 2016,49(3):407-417.
URL [本文引用: 2]

CHEN G H, DENG H B, ZHANG G L, TANG Z B, HUANG H. The correlation of stem characters and lodging resistance and combining ability analysis in rice
Scientia Agricultura Sinica, 2016,49(3):407-417. (in Chinese)
URL [本文引用: 2]

[7] 薛军. 玉米冠层光分布对茎秆抗倒伏性能的影响
[D]. 石河子: 石河子大学, 2016.
[本文引用: 2]

XUE J. Effect of light distribution within the canopy on maize (Zea mays L.) stalk lodging resistance charactistic
[D]. Shihezi: Shihezi University, 2016. (in Chinese)
[本文引用: 2]

[8] 汪清焰. 水稻茎秆成分与其力学性能关系的研究
[D]. 合肥: 中国科学技术大学, 2019.
[本文引用: 1]

WANG Q Y. Study on the relationship between components and mechanical properties of rice stem
[D]. Hefei: University of Science and Technology of China, 2019. (in Chinese)
[本文引用: 1]

[9] 陈晓光, 史春余, 尹燕枰, 王振林, 石玉华, 彭佃亮, 倪英丽, 蔡铁. 小麦茎秆木质素代谢及其与抗倒性的关系
作物学报, 2011,37(9):1616-1622.
URL [本文引用: 1]

CHEN X G, SHI C Y, YIN Y P, WANG Z L, SHI Y H, PENG D L, NI Y L, CAI T. Relationship between lignin metabolism and lodging resistance in wheat
Acta Agronomica Sinica, 2011,37(9):1616-1622. (in Chinese)
URL [本文引用: 1]

[10] 刘唐兴, 官春云. 油菜倒伏指数和茎秆生化成分及农艺性状的灰色关联分析
中国油料作物学报, 2008,30(2):152-156.
URL [本文引用: 1]

LIU T X, GUAN C Y. Grey relational analysis between lodging index and biochemistry components of stem, agronomic characteristics in rapeseed (Brassica napus L.)
Chinese Journal of Oil Crops, 2008,30(2):152-156. (in Chinese)
URL [本文引用: 1]

[11] MARTIN S A, DARRAH L L, HIBBARD B E. Divergent selection for rind penetrometer resistance and its effects on European corn borer damage and stalk traits in corn
Crop Science, 2004,44:711-717.
[本文引用: 1]

[12] CHEN Y, CHEN J, ZHANG Y, ZHOU D. Effect of harvest date on shearing force of maize stems
Livestock Science, 2007,111(1/2):33-44.
[本文引用: 1]

[13] 邹俊林. 套作大豆苗期茎秆抗倒特征及其与木质素合成的关系研究
[D]. 雅安: 四川农业大学, 2015.
[本文引用: 1]

ZOU J L. Characteristics of stem lodging resistance of relay strip intercropping soybean and its relationship with lignin synthesis at seedling stage
[D]. Yaan: Sichun Agricultural University, 2015. (in Chinese)
[本文引用: 1]

[14] 程颖颖. 大豆秸秆饲用品质性状的遗传研究
[D]. 南京: 南京农业大学, 2008.
[本文引用: 1]

CHENG Y Y. Genetic research of feeding quality traits in soybean straw
[D]. Nanjing: Nanjing Agricultural University, 2008. (in Chinese)
[本文引用: 1]

[15] PRASAD K, CLAUS F. Characterization of lignin during oxidative and hydrothermal pre-treatment processes of wheat straw and corn stover
Bioresource Technology, 2010,101(9):3175-3181.
DOI:10.1016/j.biortech.2009.12.008URLPMID:20056415 [本文引用: 1]
The objective of the study was to characterize and map changes in lignin during hydrothermal and wet explosion pre-treatments of wheat straw and corn stover. Chemical composition, microscopic (atomic force microscopy and scanning electron microscopy) and spectroscopic (attenuated total reflectance Fourier transform infrared spectroscopy, ATR-FTIR) analyses were performed. Results showed that both pre-treatments improved the cellulose and lignin content with substantial removal of hemicellulose in the pre-treated biomasses. These values were slightly higher for hydrothermal compared to wet explosion pre-treatment. ATR-FTIR analyses also confirmed these results. Microscopic analysis showed that pre-treatments affected the biomass by partial difibration. Lignin deposition on the surface of the hydrothermally pre-treated fibre was very distinct while severe loss of fibril integrity was noticed with wet exploded fibre. The present study thus revealed that the lignin cannot be removed by the studied pre-treatments. However, both pre-treatments improved the accessibility of the biomass towards enzymatic hydrolysis.

[16] ELVIRA L, SALVADOR Z, ANGEL G. Dietary transfatty acids in early life: A review
Early Human Development, 2001,65:31-41.
[本文引用: 1]

[17] CHOUINARD P Y, GIRARD V, BRISSON G J. Fatty acid profile and physical properties of milk fat from cows fed calcium salts of fatty acids with varying unsaturation
Journal of Dairy Science, 1998,81(2):471-481.
URLPMID:9532502 [本文引用: 1]

[18] 王立琦. 基于近红外光谱分析的大豆质量检测方法研究
[D]. 哈尔滨: 哈尔滨理工大学, 2011.
[本文引用: 1]

WANG L Q. Research on detecting methods for soybean oil quality based on near-infrared spectrum analysis
[D]. Harbin: Harbin University of Science and Technology, 2011. (in Chinese)
[本文引用: 1]

[19] 李玉, 刘勋, 李加纳, 殷家明, 徐新福. 甘蓝型油菜粒色近红外光谱分析模型构建
中国油料作物学报, 2012,34(5):533-536.
URL [本文引用: 2]

LI Y, LIU X, LI J N, YIN J M, XU X F. Construction of near-infrared reflectance spectroscopy model for seed color of rapeseed
Chinese Journal of Oil Crop Sciences, 2012,34(5):533-536. (in Chinese)
URL [本文引用: 2]

[20] 孔庆明. 大豆秸秆成分近红外光谱分析快速检测方法研究
[D]. 哈尔滨: 东北农业大学, 2015.
[本文引用: 1]

KONG Q M. Study on near infrared spectrum rapid detection method of crop straw component
[D]. Harbin: Northeast Agricultural University, 2015. (in Chinese)
[本文引用: 1]

[21] LIU L, YE X P, WOMAC A R, SOKHANSAN S. Variability of biomass chemical composition and rapid analysis using FT-NIR techniques
Carbohydrate Polymers, 2010,81(4):820-829.
URL [本文引用: 2]

[22] SCHWAB D G, YU J M, TESSO T, DOWELL F, WANG D H. Qualitative and quantitative analysis of lignocellulosic biomass using infrared techniques-A mini-review
Applied Energy, 2013,104:801-809.
URL [本文引用: 1]

[23] 赵峰, 林河通, 杨江帆, 叶乃兴, 俞金朋. 基于近红外光谱的武夷岩茶品质成分在线检测
农业工程学报, 2014,30(2):269-277.
[本文引用: 2]

ZHAO F, LIN H T, YANG J F, YE N X, YU J P. Online quantitative determination of wuyi rock tea quality compounds by near infrared spectroscopy
Transactions of the Chinese Society of Agricultural Engineering, 2014,30(2):269-277. (in Chinese)
[本文引用: 2]

[24] XU F, WANG D H. Rapid determination of sugar content in corn stover hydrolysates using near infrared spectroscopy
Bioresource Technology, 2013,4(2):293-298. (in Chinese)
[本文引用: 1]

[25] 胡枫竹. 基于近红外的氨/碱化玉米秸秆成分快速检测方法研究
[D]. 哈尔滨:东北农业大学, 2018.
[本文引用: 2]

HU F Z. Study on rapid detection of ammonia/alkali corn stalk composition based on near infrared technology
[D]. Harbin: Northeast Agricultural University, 2018. (in Chinese)
[本文引用: 2]

[26] 王翠秀, 曹见飞, 顾振飞, 徐明雪, 吴泉源. 基于近红外光谱大豆蛋白质、脂肪快速无损检测模型的优化构建
大豆科学, 2019,38(6):968-976.
[本文引用: 2]

WANG C X, CAO J F, GU Z F, XU M X, WU Q Y. Rapid nondestructive test of soybean protein and fat by near infrared spectroscopy combined with different model methods
Soybean Science, 2019,38(6):968-976. (in Chinese)
[本文引用: 2]

[27] 纪楠. 大豆秸秆木质素和纤维素含量与近红外光谱相关性模型研究
[D]. 哈尔滨:东北农业大学, 2016.
[本文引用: 1]

JI N. Correlation model research in cellulose and lignin of soybean straw based on near infrared spectroscopy
[D]. Harbin: Northeast Agricultural University, 2016. (in Chinese)
[本文引用: 1]

[28] 王建波. 大豆秸秆纤维素和半纤维素含量近红外检测模型研究与建立
[D]. 哈尔滨:东北农业大学, 2016.
[本文引用: 1]

WANG J B. The research and the establishment of near infrared detection model of soybean straw cellulose and hemicellulose content
[D]. Harbin: Northeast Agricultural University, 2016. (in Chinese)
[本文引用: 1]

[29] 邱丽娟, 常汝镇. 大豆种质资源描述规范和数据标准. 北京: 中国农业出版社, 2006,5(5):59.
[本文引用: 2]

QIU L J, CHANG R Z. Descriptors and Data Standard for Soybean (Glycine spp.). Beijing: China Agriculture Press, 2006,5(5):59. (in Chinese)
[本文引用: 2]

[30] 饲料中中性洗涤纤维(NDF)的测定. GB/T20806-2006, 北京: 中国标准出版社, 2007.
[本文引用: 2]

Determination of neutral detergent fiber (NDF) in feed. GB/T20806- 2006, Beijing: Standards Press of China, 2007. (in Chinese)
[本文引用: 2]

[31] 饲料中酸性洗涤木质素(ADL)的测定. GB/T20805-2006, 北京: 中国标准出版社, 2007.
[本文引用: 2]

Determination of acid washing lignin (ADL) in feed. GB/T20805- 2006, Beijing: Standards Press of China, 2007. (in Chinese)
[本文引用: 2]

[32] 饲料中粗纤维(CF)的含量测定过滤法. GB/T6434-2006, 北京: 中国标准出版社, 2006.
[本文引用: 2]

Determination of crude fiber content in feed-filtration method. GB/T6434-2006, Beijing: Standards Press of China, 2006. (in Chinese)
[本文引用: 2]

[33] 王晶晶. 基于近红外光谱的大米水分及蛋白质含量检测方法研究
[D]. 哈尔滨:东北农业大学, 2017.
[本文引用: 1]

WANG J J. The research of moisture and protein content of the detection method in rice based on near infrared spectroscopy
[D]. Harbin: Northeast Agricultural University, 2017. (in Chinese)
[本文引用: 1]

[34] BAI T C, WANG T, CHEN Y Q, MERCATORIS B. Comparison of near-infrared spectrum pretreatment methods for Jujube leaf moisture content detection in the sand and dust area of southern Xinjiang
Spectroscopy and Spectral Analysis, 2019,39:1323-1328.
[本文引用: 2]

[35] 奚如春, 钟燕梅, 邓小梅, 陈晓阳, 莫宝盈, 易立飒. 基于近红外光谱的油茶种子含油量定标模型构建
林业科学, 2013(4):1-6.
DOI:10.11707/j.1001-7488.20130401URL [本文引用: 2]
利用瑞典波通DA7200型固定光栅连续光谱近红外分析仪, 对来自不同产地的150份油茶种子样品进行含油量测定。依据其吸收光谱与化学特征分析数据, 建立2个种仁含油率模型, 并对模型的准确性进行预测评价。结果表明:用整颗油茶种仁建立的模型与常规方法测量结果之间的相关系数为0.88, 预测标准偏差为0.91, 该模型可用于测定准度要求相对不高而比较珍贵和量少的样品。而用粉碎油茶种仁建立的模型测定效果最好, 与常规方法测量结果之间的相关系数为0.98, 预测标准偏差为0.33, 因此该模型可代替常规测试方法使用。检验结果表明定标模型预测精度高、稳定性较好。近红外光谱技术可用于快速测定油茶种仁含油量, 具有很好的应用前景。
XI R C, ZHONG X M, DENG X M, CHEN X Y, MO B Y, YI L S. Models for determining oil contents in Camellia oleifera seeds by using near infrared spectroscopy
Scientia Silvae Sinicae, 2013(4):1-6. (in Chinese)
DOI:10.11707/j.1001-7488.20130401URL [本文引用: 2]
利用瑞典波通DA7200型固定光栅连续光谱近红外分析仪, 对来自不同产地的150份油茶种子样品进行含油量测定。依据其吸收光谱与化学特征分析数据, 建立2个种仁含油率模型, 并对模型的准确性进行预测评价。结果表明:用整颗油茶种仁建立的模型与常规方法测量结果之间的相关系数为0.88, 预测标准偏差为0.91, 该模型可用于测定准度要求相对不高而比较珍贵和量少的样品。而用粉碎油茶种仁建立的模型测定效果最好, 与常规方法测量结果之间的相关系数为0.98, 预测标准偏差为0.33, 因此该模型可代替常规测试方法使用。检验结果表明定标模型预测精度高、稳定性较好。近红外光谱技术可用于快速测定油茶种仁含油量, 具有很好的应用前景。

[36] 郝勇. 近红外光谱微量分析方法研究
[D]. 天津: 南开大学, 2009.
[本文引用: 1]

HAO Y. Microanalysis methods by near infrared spectroscopy
[D]. Tianjin: Nankai University, 2009. (in Chinese)
[本文引用: 1]

[37] 王勇生, 李洁, 王博, 张宇婷, 耿俊林. 基于近红外光谱扫描技术对高粱中粗脂肪、粗纤维、粗灰分含量的测定方法研究
中国粮油学报, 2020,35(3):1-5.
[本文引用: 1]

WANG Y S, LI J, WANG B, ZAHNG Y T, GENG J L. Determination of crude fat, crude fiber and crude ash in sorghum based on near infrared spectroscopy
Journal of the Chinese Cereals and Oils Association, 2020,35(3):1-5. (in Chinese)
[本文引用: 1]

[38] 张月玲. 绿茶品质相关成分的近红外定标模型的初步建立
[D]. 杭州: 浙江大学, 2006.
[本文引用: 1]

ZHANG Y L. Preliminary construction of NIR calibration model for green tea qualities
[D]. Hangzhou: Zhejiang University, 2006. (in Chinese)
[本文引用: 1]

[39] ASEKOVA S, HAN S I, CHOI H J, PARK S J, SHI D H, KWON C H, SHANNON J G, LEE J D. Determination of forage quality by near-infrared reflectance spectroscopy in soybean
Turkish Journal of Agriculture & Forestry, 2016,40:45-52.
[本文引用: 2]

[40] 宋平. 农作物秸秆开发利用研究进展
现代牧业, 2018,2:26-30.
[本文引用: 1]

SONG P. Research progress of crop straw development and utilization
Modern Animal Husbandry, 2018,2:26-30. (in Chinese)
[本文引用: 1]