比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析

土壤肥力通常由有机质、总氮、速效磷、速效钾等含量决定。这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy,Vis/NIRS:350~2500 nm)进行研究,可见/短波近红外区域(visible/shortwave near-infrared spectroscopy,Vis/NIRS:325~1075 nm)的研究却非常罕见,将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点,通过2×2网格法选取对角区的10~30 cm深度的土壤样本,其中水稻土120份(水稻土1和水稻土2),棕壤60份、红壤60份。样品经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将获取的光谱数据去除325~349和1073~1075 nm的噪声波段,然后采用S-G卷积平滑结合一阶导数进行预处理。将预处理后的光谱数据进行主成分分析(PCA),根据主成分分析得到的得分图(PC1:98.44%,PC2:3.5%,PC3:0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分,样品存在明显聚类现象,PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型,通过PCA和PLSR对光谱数据降维,提取出3个主成分因子(PCs)和9个潜在变量(LVs),建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。通过比较PCR、PLSR、BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、TN、P、K的预测精度,得出以下结论:(1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型;(2)LS-SVM-LVs模型对OM和N的预测精度最高,这是在NIR区域具有光谱响应的特性;(3)采用Vis/SW-NIRS测定土壤矿质养分P和钾,具有不同的准确性,这是由于光谱活性成分的共变。根据本研究取得的结果,建议采用LS-SVM-LVs分析作为预测土壤性质(OM、TN、P和K)的最佳模型方法。然而,还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。该研究成果可以为当地的精细农业的发展提供理论与技术参考。

基于可见/短波近红外光谱检测结球甘蓝维生素C含量

维生素C是人类必需的营养素,结球甘蓝作为主要蔬菜品种之一富含维生素C。该试验利用可见/短波近红外光谱分析技术,开展结球甘蓝维生素C含量的快速检测方法研究。首先通过Kennard-Stone(K-S)法将样本按照6:1划分为校正集(60个样本)和验证集(11个样本),分别利用反射率和吸光度的原始光谱、一阶导数(first derivative,FD)和二阶导数(second derivative,SD)光谱预处理后对应的6个数据集,建立偏最小二乘(partial least squares,PLS)回归模型。针对最优光谱预处理方法处理后的光谱,设置5个置信水平(0.95,0.975,0.99,0.995,0.999 5),利用逐步回归(stepwise regression,SR)进行建模波长选择,以各置信水平对应的各组优选波长进行多元线性回归建模。结果表明:利用FD光谱预处理方法可以提高PLS回归模型精度,验正集R^2从处理前的0.85提高到0.96,是该研究的最佳光谱数据预处理方法。利用降维后的7个主成分继续建立PLS回归模型,校正集R^2为0.92,交互验证均方根误差(root mean squared error of cross validation,RMSECV)为0.658 0 mg/100 g,验证集R^2为0.96,预测均方根误差(root mean squared error of prediction,RMSEP)为1.620 4 mg/100 g。PLS回归模型预测维生素C含量,检测精度高,可以代替传统检测方法,为结球甘蓝的品质评定提供一种新的途径。进一步分别应用8,6,5个优选波长进行多元线性回归建模,校正集R^2平均为0.78,RMSECV平均为3.760 9 mg/100 g,验证集R^2平均为0.73,RMSEP平均为2.879 2 mg/100 g,虽然R^2有所降低,但波长点少,利用较少的波长变量来预测维生素C含量,降低模型复杂度,可以为便携式检测仪器开发提供技术支持,以提高结球甘蓝内部品质评定作业效率。

功能性近红外光谱技术研究的可视化分析

背景:近年来,功能性近红外光谱技术因便携性、低成本、非侵入性和高时间分辨率的特点,在认知神经科学、临床医学和工程技术等领域展现出广泛的研究意义和应用潜力。目的:分析近10年来功能性近红外光谱技术的研究进展、热点问题及前沿趋势。方法:在Web of Science数据库中检索2013-01-01/2023-11-30发表的功能性近红外光谱技术相关文献,运用CiteSpace和VOSviewer软件对发文统计量、期刊、国家、机构、作者和关键词进行可视化分析。结果与结论:共纳入2 714篇文献进行研究,近10年有关功能性近红外光谱技术的文献总量整体呈上升趋势。选择的2 714篇文献,来自68个国家2 400个机构的9 171名作者,共发表在495种期刊上,美国和英国伦敦大学是代表性的国家和机构,Ehlis和Fallgatter是该研究领域具有影响力的2位作者,《神经影像》期刊以高引用率位居首位。功能性近红外光谱技术研究主要来自英国伦敦大学、中国北京师范大学和德国图宾根大学。使用VOSviewer 1.6.20生成的关键词共现网络图揭示了6个研究集群,通过分析各集群的具体关键词进一步把握了该领域的研究热点。关键词的突现分析揭示了研究前沿和发展趋势,为功能性近红外光谱技术未来研究方向提供了重要指导。

带壳板栗含水率的可见/近红外与中短波近红外光谱检测对比研究

为实现带壳板栗含水率的无损快速检测与评价,利用可见/近红外和中短波近红外光谱技术进行定量预测方法探索与对比研究。应用不同光谱预处理方法在波段Ⅰ和波段Ⅱ建立全光谱PLSR模型,结果显示,标准正态变量变换预处理的波段Ⅰ模型及归一化预处理的波段Ⅱ模型为优选,预测集相关系数分别达0.882和0.856,预测均方根误差为1.389%和1.665%。进一步对优选预处理光谱应用iPLSR,BiPLSR和SiPLSR建模预测并对比,研究结果表明,波段Ⅰ总体优于波段Ⅱ,且iPLSR模型的预测效果最优,Rp和RMSEP分别可达0.910及1.180%,明确了近红外光谱检测带壳板栗含水率的优选波段、预处理及建模方法。研究为后续板栗含水率高通量在线快检提供技术与方法支撑。

铀矿区超富集植物可见及短波近红外光谱判别研究

随着各国对核能需求的剧增,铀矿勘探成为核能供给中关键环节。铀矿勘探方法主要有放射性物探测量、地球化学测量等传统方法,大都存在探测数据不准确、效率低等的不足。采用近红外光谱技术,结合化学计量学,探索铀超富集植物筛选及确定的可行性。通过铀矿区植物生长情况及特性调查挑选超富集植物,利用近红外光谱分析仪获取不同区域其叶片综合光谱,比较分析光谱响应关系。发现两种超富集植物的吸收峰位于650~700和950~1050 nm两个波段内,前一个波段为叶绿素的吸收峰主要由C—O与C—H键伸缩振动的组合频产生。后一个波段是水的吸收峰主要由O—H键弯曲振动5级倍频导致。通过PCA与SPA选择特征变量,将两种样本分别按照3∶1的比例随机划分为训练与预测两部分,结合PLS和LSSVM两种方法构建超富集植物铀富集检测模型,并对比预测效果。发现基于PLS的狗尾草铀富集检测模型效果最佳,其判别正确率高达100%,RMSEP为0.115,R^(2)为0.946。两种建模方法中狗尾草检测模型均优于辣蓼,可能是狗尾草富集系数高于辣蓼,导致其铀矿区叶片铀含量浓度高于非铀矿区。结果表明,近红外光谱技术联合偏最小二乘法建立的超富集植物铀富集检测模型效果最好,很好的对铀超富集植物进行无损识别,从而筛选并确定之是可行的。该方法为废铀矿区生态修复提供重要参考,同时为利用特异性、指示性植物寻找铀矿提供新思路。

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响,进一步提高水果分选模型精度,应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱,对光谱进行多种预处理后,分别建立苹果可溶性固形物的偏最小二乘法模型,再用苹果果径75~85mm组中的建模集预测苹果果径分别为65~75、85~95mm组中的预测集样品,最后用果径组65~75、75~85、85~95 mm中的建模集和预测集,分别作为混合苹果尺寸糖度预测模型的建模集和预测集,并利用特征光谱选择算法对模型进行简化,建立苹果糖度通用预测模型。结果显示:与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比,其相关系数Rp由0.805提高至0.943,预测集均方根误差值RMSEP由0.778减小至0.480,RPD由0.96增加至3.05,再对建立的通用模型进行简化,可以降低苹果尺寸对苹果糖度模型的影响,提高模型预测性能。

基于近红外光谱的卷烟配方模块香型预测

为提高卷烟配方模块的分类识别准确率,并为卷烟配方模块的科学评估提供技术支撑,提出了一种基于近红外光谱特征筛选的卷烟配方模块香型预测方法。选取2017—2019年238个卷烟配方模块样品的近红外光谱数据,结合特征工程中的递归特征消除法和BP神经网络、随机森林、XGBoost3种机器学习技术,构建了基于特征变量的香型预测模型。与全光谱数据训练的分类效果对比,经过递归特征消除法筛选后的光谱特征变量能够有效提升卷烟配方模块香型的识别准确率,其中,XGBoost算法分类效果最佳,模型对测试集的识别准确率达到了90.41%。结果表明,基于近红外光谱特征筛选的香型预测方法对卷烟配方模块的快速定位、科学评价及卷烟配方设计等有一定的辅助决策作用。

基于近红外光谱特征的国产绿茶产地溯源研究

目的研究我国多省出产绿茶近红外光谱特征,探索以近红外光谱差异进行绿茶产地溯源研究的可行性。方法运用傅里叶变换红外光谱仪漫反射法扫描我国多个产区的169份代表性绿茶样本,谱图分别采用一阶导数(first derivative,1st)、最大最小归一化(max-min normalization,Max-min)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(multiplicative scatter correction,MSC)4种预处理方式处理,采用连续投影算法(successive projections algorithm,SPA)筛选产地差异波段,采用主成分分析(principal component analysis,PCA)对光谱降维处理,建立茶叶产区判别模型。结果采用Max-min、SNV、MSC处理的数据前3个主成分的累计方差贡献率均达到95%以上。分别建立基于主成分的线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machine,SVM)、K-最近邻算法(K-nearest neighbor algorithm,KNN)判别模型。经交叉验证和测试集验证,确定最佳处理路线为卷积平滑(Savitzky-Golay,S-G)+MSC+SPA+PCA,结合KNN和SVM建立非线性模型,其光谱测试集判别正确率均达到94%以上。结论近红外光谱结合判别模型可以用于绿茶产地溯源,本研究为绿茶溯源及模型参数选择提供了一定的参考。

基于反向比例解析的近红外光谱定量模型快速构建方法

为解决光谱漂移问题,该研究设计了一种基于反向比例解析的近红外光谱定量模型方法。以烟叶近红外光谱和烟碱含量为研究对象,将数据划分为训练集和测试集。通过计算训练集光谱与测试集光谱的相关性并按照高低排序,选择前20%的光谱,运用约束规划的方法,计算测试集的拟合系数,得到测试集光谱的估计值。结果显示,使用反向比例解析法建立的模型的平均绝对误差为0.3466,预测标准偏差为0.4252,相关系数为0.7932,优于PLS模型。反向光谱比例解析可以有效解决光谱漂移问题,实现烟草中烟碱含量的准确预测,为烟碱的有效测量提供参考。

基于迁移成分分析的近红外光谱定量分析通用模型

在近红外光谱定量分析中,由于光谱数据采集设备和环境条件的不同,已有模型在使用到不同设备或不同环境时会出现预测精度低的现象。为了增强定量分析模型的普适性和通用性,提高模型的预测精度,提出一种基于改进的迁移成分分析转移方法(TM-TCA)的近红外光谱定量分析通用模型构建策略。改进的迁移成分分析方法采用二次校正策略,通过对从机光谱数据的两次校正,改善由于仪器偏移、漂移或不稳定性引起的光谱差异性,确保数据的一致性和准确性,消除仪器不同或外界条件影响产生的偏差,使校正后的从机光谱数据特征尽可能接近主机光谱,以此增强模型对从机光谱的预测能力。首先求出主机与从机光谱转换矩阵,通过转换矩阵进行待测样品的一次校正,缩小主机与从机样品间受外界条件因素产生的差异性。将经过转换矩阵转换后的主机-从机光谱数据矩阵作为迁移成分分析方法的输入。接下来,基于多指标综合迭代优化选择迁移学习中的核函数和特征值个数的基础上构建定量分析通用模型。为了验证迁移成分分析改进效果,与多种方法的转移效果进行比较。通过优化分析选择RBF核函数,特征值个数为52,实验表明,基于TM-TCA的光谱校正率达到97.1%,光谱平均差异(ARMS)与转移前相比下降了82.9%,比TM和TCA方法分别降低了46.5%和30.2%。为了验证模型构建策略的有效性,构建基于TM-TCA和偏最小二乘回归(PLSR)的玉米水分定量分析通用模型,并对不同设备条件下的模型通用性进行分析。TM-TCA-PLSR模型的预测效果与TCA-PLSR模型的预测效果相比较,模型的预测决定系数达到了0.8729,提升了41%,预测均方根误差(RMSEP)和平均绝对误差(MAE)分别为0.1543和0.1159,均降低了90%以上,并且TM-TCA-PLSR模型相对分析误差(RPD)值超过了2.5,模型具有实际应用的价值。表明了TM-TCA转移方法能有效减少主机和从机光谱之间的差异性,基于TM-TCA和PLSR的主机模型具有一定的通用泛化能力。

近红外光谱技术快速鉴别碱水浸泡鸡肉的研究

采用近红外光谱分析技术并结合主成分分析法,建立碱水浸泡鸡肉快速鉴别模型。原始光谱经平滑、多元散射校正和一阶导数等预处理后进行系统主成分分析,结果显示正常鸡肉和碱水浸泡鸡肉能得到清晰的分类。通过不同光谱预处理方法,采用簇类的独立软模式法建立分类模型,结果显示通过对样品光谱采用7点卷积平滑方法预处理,分类模型综合正确率最高,校正回判正确率在77.08%~100%之间,预测正确率在81.25%~100%之间。综上,采用近红外光谱分析技术对碱水浸泡鸡肉进行快速鉴别可行。

基于近红外光谱模型转移的牛奶蛋白检测方法研究

目的研究基于近红外光谱模型转移的牛奶蛋白检测方法。方法分别采用实验室与在线检测近红外光谱仪采集生产过程中原料奶样品的近红外光谱,研究斜率截距法(slope/bias,S/B)、分段直接标准化(piecewise direct standardization,PDS)算法、Shenk’s方法在不同仪器测量光谱之间模型转移应用,优化模型参数,提高实验室仪器建立的校正模型应用于在线光谱仪器的预测精度。结果经过Shenk’s算法转移,主从机的光谱平均差异降低为0.0075,光谱校正率达到98.95%。利用模型转移方法与偏最小二乘模型结合,将实验室分析光谱仪建立的模型用于生产在线光谱仪测量光谱预测,显著提高了牛奶中蛋白质含量预测准确度,不同仪器之间模型预测相对均方根误差从5.52%下降到2.03%。结论本研究的方法实现了实验室分析与在线检测仪器测量光谱及定量分析模型转移共享,为近红外在线检测的智能化改进提供了基础。

近红外光谱技术在乳及乳制品质量检测中的应用

随着生活水平的提升,人们对食品质量的关注日益增加,快速获取产品质量信息已成为热点问题之一。近红外光谱技术作为一种快速、无损、定量的检测手段,能够在短时间内获取食品的质量信息,该技术已逐渐在食品质量评价中得到广泛应用。本文综述了近红外光谱技术在乳及乳制品质量检测方面的应用,旨在为该技术在乳制品行业中的进一步应用提供参考。

基于实验型和工业型近红外光谱仪的木片材性预测建模对比研究

本研究探讨了采用工业型光谱仪和实验型光谱仪建立近红外模型用于快速预测木片材性的可行性,分析对比不同光谱仪的建模效果。针对不同材性指标分析特点,通过光谱信号校正和特征波长筛选算法优化模型预测性能,建立适宜的建模方法。结果表明,基于工业型光谱仪建立的近红外模型对木片水分、基本密度、纤维形态等物理性能指标表现出更高的预测精度,而化学组分含量的预测精度与实验型光谱仪无显著差异。工业型光谱仪木片理化材性近红外模型适用于制浆原料品质评价和工业过程分析。

近红外光谱无损分析肉类品质的研究进展

近年来,近红外光谱分析技术以其无损、快速、高效、环境友好等特点,被广泛应用于肉类品质无损快速分析领域。然而,由于基质复杂、水分含量高,肉类常会对近红外光谱产生一定干扰,进而影响分析结果的准确度。为进一步明确近红外光谱分析技术在肉类品质无损分析方面的最新研究进展,本文对近年来近红外光谱技术在牛肉、羊肉、猪肉、鸡肉、水产品5种常见肉类的品质无损分析方面的应用进行梳理,包括品质检测、分类研究、真伪鉴别、质量安全4个方面,并就近红外光谱分析技术在肉类品质无损分析方面的应用进行总结与展望。可为近红外光谱分析技术在肉类品质无损检测、分类研究、真伪鉴别及质量安全方面的应用提供一定的参考与借鉴。

偏最小二乘法和近红外光谱技术快速测定发酵黄芪茎叶中黄酮含量及抗氧化活性

试验测定发酵前、后黄芪茎叶黄酮含量和抗氧化活性,并应用近红外光谱技术(NIR)结合化学计量学法快速预测发酵黄芪茎叶黄酮含量,为定量检测发酵黄芪茎叶黄酮含量提供理论依据以及为黄芪茎叶深加工利用提供技术支持。试验采用硝酸铝-亚硝酸钠比色法测定发酵黄芪茎叶黄酮的含量,测定黄酮对1,1-二苯基-2-三硝基苯肼(DPPH)自由基清除能力和羟基自由基的清除能力,利用偏最小二乘方法构建发酵黄芪茎叶黄酮的快速预测模型。结果表明,发酵黄芪茎叶黄酮抗氧化能力强于发酵前,构建快速预测模型采用了二阶导数(SD)+正态变量变换(SNV)+去趋势算法(Detred)的方法对全谱图进行预处理的效果较好,优化后的模型决定系数(R^(2))、校正均方根误差(RMSEC)、校准标准差(SEC)分别为0.92、0.24、0.24,其相对分析误差(PRD)为3.46,外部验证R2为0.88。研究表明,构建的NIR模型校正和交互验证决定系数均较大,PRD均大于2,说明模型预测性能较好,建立的模型有助于检测发酵黄芪茎叶黄酮含量活性成分。

近红外光谱结合Stacking集成学习的猕猴桃糖度检测研究

利用近红外光谱技术Stacking集成学习对猕猴桃糖度的无损检测。以湖北“云海一号”猕猴桃为研究对象,采用红外分析仪获取了280个样本的光谱数据,包含了4000~10000cm^(-1)范围内的1557个波长数据,使用折射仪测量糖度值。通过蒙特卡洛随机采样结合T检验的奇异样本识别算法筛除异常值样本。利用SPXY算法按照4∶1的比例划分训练集和测试集。使用多元散射校正(MSC)、SG平滑滤波(SG)、趋势校正(DT)、矢量归一化(VN)、标准正态变换(SNV)五种方法对数据进行预处理。使用无信息变量消除法(UVE)、竞争性自适应重加权算法(CARS)和区间变量迭代空间收缩特征选择算法(iVISSA)提取特征波长,使用连续投影算法(SPA)进行二次提取,消除共线性变量。由于单一模型的泛化能力有限,为了扩大建模能力,设计了一种基于Stacking算法的集成学习模型。选择贝叶斯岭回归(BRR)、偏最小二乘回归(PLSR)、支持向量机回归(SVR)以及人工神经网络(ANN)作为基学习器,线性回归(LR)作为元学习器建立集成模型,比较不同组合下集成模型的性能。使用Pearson相关系数分析基学习器与集成模型之间的关系。结果表明:在五种预处理方法之中,矢量归一化的效果最佳。对预处理后的光谱进行特征波长提取,结果显示VN-CARS-PLSR模型效果最好,在测试集上的RP2为0.805,RMSEP为0.498。模型提取了177个特征波长,数据量相比于原始光谱减少了88.6%。通过Stacking算法对基学习器进行融合,对比不同的组合方式,发现PLS+SVR+ANN集成模型预测精度最高,RP2达到了0.853,RMSEP下降至0.433。通过Pearson相关系数分析了基学习器对集成模型性能的影响。研究表明,与单一模型相比,Stacking集成模型能够进行更加全面的建模,具有更高的泛化能力,该方法为猕猴桃糖度品质的无损检测提供了技术支持。

近红外光谱及成像在果品无损检测中的应用

近红外光谱及成像技术作为新兴传感无损检测技术,具有绿色、无污染、非破坏性等优势,为果品品质领域的快速、无损检测提供新的方法和手段。文章综述近红外光谱及成像技术在果品品质检测中的研究进展,介绍近红外光谱和成像技术的基本原理,分析近红外光谱技术在果品品质检测中的化学组成、成熟度评估和小型化设备开发的应用现状,探析近红外光谱成像技术在果品外观和质量、病虫害诊断中的应用现状,阐述其在果品组分分布和缺陷识别等方面的技术优势。同时,探讨近红外光谱及成像技术与人工智能、物联网结合应用的巨大潜力,以及对提高果品检测效率、精度和改善供应链智能管控等方面的应用前景做出展望,以期为果品无损检测的应用研究提供参考。

基于可见-近红外光谱技术的果蔬品质检测方法

可见-近红外光谱技术利用波长在380~2 500 nm的电磁波获取果蔬中有机分子含氢基团的特征信息,根据样品对不同波长光的吸收信息,实现果蔬的外部、内部缺陷及营养成分定性、定量分析,是目前主流的果蔬内外部品质快速无损检测技术。综述了目前基于吸光度谱和能量谱对果蔬营养物质含量定量分析及缺陷定性分析,所使用的检测模型和变量筛选模型及其检测准确性,为相关研究人员选择高效准确的检测模型提供技术支撑。

新疆白杨河铀矿区白色云母短波红外光谱及电子探针成分特征

铀是我国战略性关键金属资源之一,对科技发展和国家安全具有重要意义。新疆白杨河铀矿床是我国重要的热液型铀矿床,铀成矿过程中广泛发育白色云母。已有研究表明,白杨河铀矿床白色云母短波红外光谱蕴含着丰富的地质信息,记录了其形成热液环境及其与矿化的关系,但其短波红外光谱变化规律及其地质影响因素研究依然薄弱。因此,运用短波红外光谱技术和电子探针微区分析等分析方法对矿床白色云母进行分析研究。研究表明:白杨河铀矿床白色云母Al-OH特征吸收峰波长在2190和2220 nm之间漂移变化,电子探针化学组分表明其发生了明显的Tschermak(契尔马克)替换,Al-OH特征吸收峰波长直接受Mg和Fe含量以及Fe/(Fe+Mg)比值的影响,也受围岩成分的影响。Al-OH特征吸收峰波长较短的白色云母反映了相对高温的热液流体环境,而Al-OH特征吸收峰波长较长的白色云母则代表了相对低温的热液流体环境。白杨河铀矿床铀矿化点附近白色云母具有相对较短的Al-OH特征吸收峰波长、较大的ISM(伊利石光谱成熟度)值和较低的FWHM 2200(半峰宽)值。综合白色云母的Al-OH特征吸收峰波长、ISM值和FWHM2200值的空间变化规律,可以推断白杨河铀矿床的热液矿化中心位于杨庄花岗斑岩与上泥盆统火山岩的北部接触带。这不仅对完善白杨河铀矿床成因和深部与外围勘探具有重要的实际意义,对其他热液型金属矿产勘查亦具有重要的参考价值。