通过波段比和阈值相结合的方法, 分别提取了玉米籽粒全表面结构和胚结构区域的1 000～2 500 nm近红外高光谱信息, 研究了玉米籽粒水分含量与胚结构区域光谱关系, 同时采用竞争性自适应重加权变量选择算法(CARS)、 遗传算法(GA) 、 连续投影算法(SPA)筛选特征波段, 建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果。 结果显示, 玉米籽粒水分含量与胚结构区域光谱关系显著, 随着水分含量的增加, 光谱反射值逐渐降低。 预测模型结果表明, 基于玉米籽粒胚结构区域光谱信息所建立的CARS-PLS, GA-PLS和SPA-PLS回归模型预测相关系数Rp分别为0.931 2, 0.917 6和0.922 7, 预测均方根误差(RMSEP)分别为0.315 3, 0.336 9和0.336 6, 所选取的特征波段数量分别为9, 14和6, 较基于全表面光谱信息所建模型的特征波段数量分别少了49, 12和24个, 且预测效果与采用全表面光谱信息无显著差别, SPA-PLS算法为基于玉米籽粒胚结构光谱信息的水分含量预测最高效模型。 提取胚结构区域所用光谱波段为1 197, 1 322和1 495 nm, 建立SPA-PLS回归模型所用特征波段为1 322, 1 342, 1 367, 1 949, 2 070和2 496 nm。 研究结果表明, 采用近红外高光谱技术进行玉米籽粒水分含量无损检测时, 提取玉米籽粒胚结构的图谱信息较全表面光谱信息更高效。

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法.但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型.本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较.在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型.结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法.

采用傅里叶近红外漫反射光谱技术,结合偏最小二乘法,以294份中选的普通和高油玉米自交系以及高油玉米重组自交系为样品建立了玉米籽粒四种主要脂肪酸(软脂酸、硬脂酸、油酸和亚油酸)含量和含油量的近红外光谱(NIRS)校正模型。其中,油酸、亚油酸和含油量的校正模型质量较高,交叉验证决定系数分别为0.89,0.88和0.91,外部验证决定系数分别为0.86,0.84和0.92,相对分析误差(RSP(C))均大于2.5。软脂酸和硬脂酸的校正模型不够精确,交叉验证决定系数和外部验证决定系数均小于0.80,相对分析误差(RSP(C))均小于2.5。通过实际预测进一步验证了油酸、亚油酸和含油量NIRS模型的准确性和可靠性。这些模型可应用于玉米籽粒脂肪酸含量及油分含量大批量快速测定,对玉米油分的品质育种具有重要意义。