品质性状的化学测定操作繁琐且存在破坏性和耗时较长等不足的问题, 光谱测定具有高效、 快速、 成本低等优点, 但测定准确度受到不同仪器以及不同机型的影响。 为了建立和优化快速测定苜蓿样品的粗蛋白（CP）、 粗脂肪（EE）、 酸性洗涤纤维（ADF）和中性洗涤纤维（NDF）近红外漫反射光谱的模型, 更好的测定苜蓿品质性状。 选取了25份苜蓿材料147份试验样品, 采用傅里叶变换近红外光谱技术（NIRS）扫描, 获得扫描光谱范围4 000~10 000 cm-1的光谱值, 软件TQ Analyst v9选用偏最小二乘法（PLS）和OPUS7.0选用定量2方法建立定量模型并优化, 并进一步交叉验证和外部检验评估模型效果。 结果表明利用2种软件建立的模型都能很好的预测CP的含量, 建模决定系数（R2cal）分别达到0.999 9和0.984 8, 交叉验证的均方根误差（RMSECV）分别为2.121和0.471, 外部验证决定系数（R2）都大于0.97, 残留预测偏差（RPD）值大于6.0。 EE应用TQ Analyst v9所建立的模型效果更好, R2cal为0.999 7, RMSECV为1.502, 外部验证的R2为0.9293, RPD值为3.89; ADF和NDF利用OPUS7.0建立的模型效果更好, R2cal分别为0.944 1和0.978 8, RMSECV分别为1.040和0.514, 外部验证的R2依次为0.914 5和0.911 8, RPD值分别为3.66和3.43。 4种品质性状建模效果表明, 相对分子结构相对简单的蛋白质和脂肪, 利用TQ Analyst v9更准确, 而对于分子结构更复杂的纤维素, OPUS7.0的预测效果更好。

生菜的新鲜程度是影响生菜品质的最重要因素之一, 其主要取决于生菜的储藏时间, 因此, 对不同储藏时间的生菜进行准确鉴别具有重要研究价值。 由于不同储藏时间生菜的近红外光谱数据具有差异性的特点, 因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。 通过将联合模糊C均值聚类(allied fuzzy c-means, AFCM)中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类(Gath-Geva AFCM, GGAFCM)分析算法。 GGAFCM通过迭代计算得到模糊隶属度值和典型值, 再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。 以新鲜的生菜样本作为研究对象, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)每隔12 h对生菜样本采集漫反射光谱数据, 光谱的波数范围介于10 000~4 000 cm-1之间。 首先, 通过主成分分析(principal component analysis, PCA)对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维, 然后通过模糊线性判别分析(fuzzy linear discriminant analysis, FLDA)对降维后的近红外漫反射光谱数据的鉴别信息进行提取。 设定鉴别向量数为2, 即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。 最后将模糊C均值聚类(fuzzy c-means, FCM)的聚类中心作为GGAFCM和AFCM的初始聚类中心, 通过运行FCM, GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类, 并对三种模糊聚类算法得到的聚类准确率、 模糊隶属度、 迭代次数进行分析。 实验结果表明: 在初始化条件相同的情况下, 采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。 在m=2的情况下, GGAFCM的鉴别准确率达到了95.56%, 而AFCM的聚类准确率为91.11%。 GGAFCM迭代4次达到收敛, 而AFCM与FCM均需要8次迭代计算才能达到收敛。 基于近红外光谱技术, 通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类, 为生菜储存时间的准确、 快速鉴别提供了实验依据和参考方法, 具有一定的实际应用价值。

土壤有机质（SOM）是植物生长必需的营养物质, 也是土壤属性检测的重要参数。 快速、 高效地获取土壤有机质信息对精细农业的发展具有重要意义。 近红外光谱技术具有快捷、 低成本等优势, 被广泛应用到土壤有机质的测量中, 然而土壤水分在近红外光谱(780～2 500 nm)中具有很强的吸收特性, 对土壤有机质的检测形成了一定的干扰。 分析了50个土样在不同含水率（约17%, 15%, 10%, 5%和干土）下的近红外吸光度谱图特性, 利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数（MDI）, 并在此基础上对不同含水率土样进行了重构, 以消除水分对土壤有机质预测模型的影响。 结果如下: （1）经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近, 能较好地反映其干土土样的吸光度谱图特性。 （2）采用偏最小二乘（PLS）法建立了干土土样的有机质定量预测模型, 并对重构后的不同含水率土样进行了预测, 其统计参数分别为: 预测相关系数（RP）0.90, 预测标准误差（SEP）0.802和预测均方根误差（RMSEP）1.09; 与原始未经MDI校正的预测结果相比, 相关系数上升了0.032, 预测标准误差降低了0.113, 预测均方根误差降低了0.25。 结果表明, 本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰, 提高利用干土土样有机质定量预测模型预测不同含水率土样的精度, 可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。

可溶性固形物（SSC）是一种综合参数, 主要包括糖、 酸、 纤维素、 矿物质等成分, 对评价果实成熟度和品质具有重要意义, 影响果实口感、 风味及货架期。 西瓜可溶性固形物含量的无损快速检测对西瓜成熟度的确定、 贮藏及运输过程中西瓜内部品质监控具有十分重要的意义, 有助于提高西瓜生产效益和市场竞争力。 在西瓜可溶性固形物含量的快速无损近红外光谱检测中, 近红外漫透射的方式所需光源的能量大, 同时大功率透射会对水果的内部品质产生影响; 采用近红外漫反射方式的研究较少, 但漫反射采集所需的能量小, 有助于实现仪器小型便携化, 成本低, 同时避免透射引起的水果品质变化。 以小型西瓜为研究对象, 利用JDSU便携式近红外光谱仪采集西瓜样品瓜梗、 瓜脐、 赤道部位的近红外反射光谱, 在976, 1 186和1 453 nm附近有明显的吸收, 利用偏最小二乘回归定量分析方法建立西瓜可溶性固形物的近红外光谱无损预测模型。 首先, 采用光谱-理化值共生距离（SPXY）算法对西瓜不同检测部位的样品集进行划分, 以可溶性固形物含量为y变量, 光谱为x变量, 利用两种变量同时计算样品间距离, 以保证最大程度表征样本分布, 有效地覆盖多维向量空间, 增加样本间的差异性和代表性, 提高模型稳定性。 将西瓜样品划分为51个校正集和15个预测集, 校正集样本的SSC含量涵盖了预测集样本的SSC含量范围, 且变异系数均小于9%, 样品集划分合理, 有助于建立稳健可靠的预测模型。 其次, 对比分析西瓜瓜梗、 瓜脐、 赤道检测部位的近红外反射光谱与可溶性固形物含量之间的定量模型的预测精度, 结果得出西瓜赤道部位的反射光谱与可溶性固形物含量相关性较高, 预测效果较好, 预测集相关系数为0.629, 预测集均方根误差为0.49%。 对于不同检测部位获取的光谱信息所建立的近红外光谱SSC预测模型的精度问题, 一方面与光谱的采集方式有关, 另一方面与西瓜的产地、 品种、 成熟期等因素引起的其性状上的差异有关。 在模型建立过程中根据实际情况确定西瓜的检测部位。 最后, 为提高西瓜赤道部位近红外反射光谱与可溶性固形物含量之间的预测模型精度, 采用光谱预处理方法进行优化, 结果得出经标准归一化预处理后, 建立的偏最小二乘回归预测模型效果最佳, 预测集相关系数为0.864, 预测集均方根误差为0.33%, 模型相关性较好, 预测精度得到了很大提升。 研究结果表明, 近红外反射光谱检测小型西瓜赤道部位能很好预测其可溶性固形物含量, 为实际生产中近红外光谱无损快速检测西瓜可溶性固形物含量及小型便携式仪器研发提供了技术储备。

微藻富含类胡萝卜素、 维生素、 蛋白质、 多不饱和脂肪酸等多种人体和动物所必需的营养成分, 同时在水生态系统的维持和保护中也扮演着重要的角色, 因此开展微藻生物学的研究具有十分重要的实际应用价值。 传统的微藻成分的检测分析需要经过微藻细胞研磨破碎、 有机溶剂分离提取、 液（气）相检测等一系列的繁琐的操作步骤, 有费时、 需要高昂的仪器设备、 操作过程复杂等缺点, 因此需要发展更加快速高效的微藻细胞组分检测分析技术。 红外光谱作为一种高效的物质检测和分析手段可以实现对微藻样品中的蛋白、 脂类、 核酸、 多糖、 叶绿素、 类胡萝卜素等多种成分同时分析, 具有简单、 快速和无损检测等优势, 特别是结合显微镜技术的红外光谱成像可以在微空间尺度上研究单一细胞或组织中各组分的变化。 近年来, 尤其是随着同步辐射技术的迅速发展, 为红外光谱仪器提供质量更好、 能量更高的同步辐射光源, 使得红外光谱显微光谱及成像检测技术具有更高的灵敏度和空间分辨率, 实现了能够在细胞和亚细胞尺度上对个体进行高空间分辨的原位观测, 这在一定程度上解决了许多常规的检测分析技术不能同时兼顾高通量测量和高空间分辨率观察之间的矛盾。 首先介绍了红外光谱技术的原理及其特点并分析了显微红外光谱及成像技术在生物样品检测中的独特优势, 特别介绍红外光谱结合化学计量学的分析方法在生物学研究领域的应用。 接下来综述了此项技术在分类鉴定、 生长代谢监测、 育种、 水环境、 食品医药等与微藻相关领域国内外的应用研究进展。 比如, 结合化学计量学方法红外光谱能够进行微藻的快速鉴定、 判别和分类。 利用红外光谱多组分快速检测的优势, 可以实现微藻生长代谢的研究。 基于红外光谱无损、 高效检测的特点, 可以实现油脂、 β-胡萝卜素、 虾青素等高产藻株的快速筛选。 另外, 微藻还可以有效地吸附废水中的重金属和有机活性染料, 利用红外光谱可以对其吸附和降解环境污染物的机理进行研究。 红外光谱还能够快速高效地实现微藻成分的分析和鉴定, 因而可以用于微藻食品药品质量的检测和真伪的鉴定。 然而, 红外光谱在微藻的研究和应用方面还处于发展阶段, 尚存在着一定的缺点和不足, 对此进行了讨论和分析并提供了相应的解决方案。 最后, 对红外光谱在微藻的规模化养殖、 高产藻株的筛选、 微藻的生理、 细胞器的结构和功能的研究等领域进行了展望。

测量重金属化合物氯化铬（CrCl3）、 氯化铜（CuCl2）、 氯化锌（ZnCl2）的可见-近红外反射光谱（VNIRS）, 将重金属反射光谱与重金属元素的核外电子排布式联系起来, 观察重金属化合物的反射光谱特征; 结合晶体场理论分析重金属的特征反射峰出现的波段位置和原因。 以湖北大冶地区土壤样品为例, 向土样中添加不同浓度梯度的CrCl3, CuCl2和ZnCl2并测定其可见-近红外反射光谱, 研究不同种类不同浓度的重金属对土壤反射光谱的影响。 对样本的反射光谱进行不同光谱预处理, 探究重金属浓度与土壤反射光谱之间的线性相关关系及显著相关（p<0.05）波段出现的位置和潜在机理。 结果表明, 重金属化合物CrCl3, CuCl2和ZnCl2在可见光-短波近红外波段范围内的反射光谱特征与重金属元素3d轨道上的电子填充状态有关。 添加入土壤中的重金属化合物影响了土壤的可见-近红外反射光谱, 其浓度与土壤反射光谱之间整体呈负相关, 最大负相关系数分别为-0.788, -0.880和-0.824。 样品反射光谱经不同预处理后, 重金属浓度与土壤反射光谱之间的线性相关关系有所变化, 显著相关波段信息更加丰富。 研究表明, 重金属的可见-近红外反射光谱与重金属的电子结构紧密相关, 可见-近红外反射光谱技术可以检测到土壤中较高浓度重金属的存在, 该技术在快速高效、 无损低耗地预测土壤重金属元素含量方面拥有巨大潜力。 基于部分重金属化合物的可见-近红外反射光谱特征, 结合晶体场理论为土壤重金属的定性和定量反射光谱分析提供了理论依据和实验参考。

试验探讨了近红外反射光谱测定大豆制品中寡糖(蔗糖、 棉籽糖及水苏糖)含量的可行性。 2012年—2014年, 从国内20个代表性大豆制品加工厂收集并筛选了160个大豆制品(包括去皮豆粕、 膨化豆粕、 发酵豆粕及膨化大豆各40个), 同时为使样品集中的寡糖含量均匀分布, 采用发酵豆粕和普通豆粕混合的方法, 配制人工混合豆粕样品40个, 使用偏最小二乘法, 采用不同导数或去散射方法对光谱进行预处理并建立近红外定标模型。 在光谱预处理中, 针对不同寡糖, 导数处理、 多元散射校正及矢量归一化方法得到良好的预测效果。 所建立的近红外定标模型的蔗糖、 棉籽糖和水苏糖的定标决定系数(R2cal)分别为0.99, 0.95和0.98, 交互验证决定系数(R2cv)分别为0.98, 0.94和0.97, 交互验证RPDcv值分别为7.24, 4.13和5.98, 表明适用于大豆制品(除发酵豆粕外)中寡糖的日常检测。

为加快紫苏优质育种进程, 采用近红外光谱(NIRS)技术, 结合线性偏最小二乘法(PLS), 以250份全国范围内收集的紫苏资源为研究材料, 分别较好的建立其种子中含油量, 棕榈酸(C16∶0), 硬脂酸(C18∶0), 油酸(C18∶1), 亚油酸(C18∶2), a-亚麻酸(C18∶3)含量的六个近红外光谱校正模型。 结果显示, 六个模型的校正决定系数(RSQ1)分别为: 0.98, 0.91, 0.92, 0.92, 0.85, 0.93; 交叉验证决定系数(1-VR)分别为: 0.97, 0.89, 0.89, 0.91, 0.85和0.91; 外部验证相关系数(RSQ)分别为: 0.98, 0.91, 0.89, 0.90, 0.80和0.89, 且定标标准误差(SEC)分别为0.99, 0.21, 0.1, 0.94, 0.81, 0.92; 交叉验证标准误差(SECV)分别为1.16, 0.23, 0.11, 1.05, 0.92, 1.02和预测标准误差(SEP)分别为0.97, 0.21, 0.11, 1.12, 0.99, 1.14。 结果表明, 此六个校正模型质量均较高。 这些首次建立的快速无损的近红外分析模型, 可为紫苏资源开发提供指导, 对紫苏油分品质育种具有重要意义。

在测定土壤养分中, 可见-近红外光谱技术具有很大的应用空间。 该研究探讨了基于可见-近红外光谱（250～950 nm）离线、 快速测定土壤总氮（TN）、 总磷（TP）、 总钾（TK）、 总碳（TC）等土壤养分的方法及应用。 采集青岛三个不同地区土壤样品（异质性较高的山地土壤与河畔土壤）各60份, 总计180份, 并测定其TN, TP, TK, TC含量及其可见-近红外反射光谱, 利用Kennard-Stone法按2∶1比例划分校正集和检验集, 采用遗传算法分别提取TN, TP, TK, TC特征波长, 以偏最小二乘法建立定量分析模型。 TN, TP, TK, TC含量所建光谱模型的相关系数分别为0.970, 0.964, 0.680和0.967, 检验集的相关系数分别为0.980, 0.937, 0.717和0.972, 检验集的RPD值分别为4.570, 2.424, 1.411和4.135。 结果表明, 该方法能够对土壤TN, TP, TC含量进行精确预测, 对土壤TK含量进行粗略预测。 该研究主要依靠可见光波段, 较好的预测了异质性较高的土壤的氮磷钾等养分含量, 有望降低未来土壤养分速测的成本。 此外, 该研究还提供了青岛土壤养分的光谱库, 为我国土壤大数据库的建立提供技术支撑。