应用手持式近红外光谱仪检测桑椹可溶性固形物含量的偏最小二乘回归模型建立

可溶性固形物含量(SSC)是评价桑椹鲜果品质的重要指标,利用近红外光谱分析技术建立快速、实时无损地检测桑椹鲜果中可溶性固形物的方法。首先用手持式Micro NIR1700型近红外光谱仪采集桑椹的近红外光谱,对光谱进行预处理后,应用偏最小二乘回归(PLS)法建立桑椹鲜果SSC预测模型,并用随机蛙(Random-frog)和自适应重加权采样(CARS)2种方法筛选出最优波长变量,提高PLS模型预测精度。经过1阶求导(1stDer)、标准正态变量变换(SNV)和均值中心化(MNCN)相结合预处理后的全波长光谱PLS模型的预测效果最好,校正集与验证集的相关系数平方(R2)分别为0.916 1和0.925 0,均方根误差分别为0.985 8°Brix和0.654 3°Brix。相较于Random-frog法,用CARS方法优选出19个波长变量,所建PLS模型的预测效果更好,校正集与验证集的R2分别为0.933 2和0.943 4,均方根误差分别为0.782 0°Brix和0.582 8°Brix。研究结果表明,利用手持式Micro NIR 1700型近红外光谱仪结合化学计量学方法,能够用于现场对桑椹鲜果SCC的快速无损检测。

应用微型近红外光谱仪快速检测桑园土壤有机质含量的方法

采用低功耗、便捷式微型近红外光谱仪建立土壤有机质(soil organic matter,SOM)含量的快速检测方法,对于桑园土壤肥力监测和精确施肥有重要意义。对采集的71份桑园土壤样品,使用便携式NIR光谱仪采集样品的NIR漫反射光谱,使用一阶求导(1stD)、标准正态变量变换(SNV)和均值中心化(MC)3种方法预处理光谱,应用偏最小二乘法(PLS)建立预测模型,并用竞争性自适应重加权法(CARS)和随机蛙跳法(Random Frog)2种方法优选特征波长、优化模型,提高模型的预测精度。结果表明,使用1stD、SNV和MC预处理组合方式效果最好,2种波长优选方法均可提高模型预测精度,其中Random Frog-PLS方法效果最佳,建模集均方根误差(RMSEC)和相关系数(RC)分别为0.46%和0.94,交叉验证集均方根误差(RMSECV)和相关系数(RCV)分别为0.62%和0.89。对37个未知桑园土壤样品进行验证,RMSEP和相关系数RP分别为0.64%和0.90,实测值与预测值的误差较小,相关性较高,表明模型预测能力较好。研究表明,将便携式微型近红外光谱仪用于SOM含量的快速分析,可以促进对桑园土壤肥力的高效管理。