基于NIRS技術(shù)的水稻與油菜秸稈關(guān)鍵成分快速測(cè)定模型構(gòu)建與應(yīng)用一、緒論1.1研究背景與目的在當(dāng)今農(nóng)業(yè)發(fā)展進(jìn)程中，農(nóng)作物秸稈的高效利用和科學(xué)分析對(duì)農(nóng)業(yè)可持續(xù)發(fā)展及生態(tài)環(huán)境保護(hù)具有重要意義。水稻和油菜作為我國(guó)重要的農(nóng)作物，其秸稈資源豐富。據(jù)統(tǒng)計(jì)，我國(guó)水稻年產(chǎn)量達(dá)2億t以上，占世界總產(chǎn)量的1/3，油菜種植面積廣泛，秸稈產(chǎn)量巨大。如何合理利用這些秸稈資源，成為農(nóng)業(yè)領(lǐng)域關(guān)注的焦點(diǎn)。傳統(tǒng)對(duì)水稻和油菜秸稈的分析方法，如干物質(zhì)測(cè)定常用的烘干稱重法，操作繁瑣、耗時(shí)久，需要專業(yè)人員和實(shí)驗(yàn)室設(shè)備，且樣品處理過程復(fù)雜，難以滿足快速檢測(cè)的需求；可溶性糖測(cè)定采用的蒽酮硫酸比色法等，不僅需要使用大量化學(xué)試劑，對(duì)環(huán)境造成一定污染，而且分析過程較為復(fù)雜，效率低下。近紅外光譜（NearInfraredSpectroscopy，NIRS）技術(shù)作為一種快速、無損、環(huán)保的分析技術(shù)，近年來在農(nóng)業(yè)、食品、醫(yī)藥等多個(gè)領(lǐng)域得到了廣泛應(yīng)用。在農(nóng)業(yè)領(lǐng)域，NIRS技術(shù)可用于農(nóng)作物品質(zhì)檢測(cè)、農(nóng)產(chǎn)品產(chǎn)地溯源、農(nóng)藥殘留分析等方面。其原理基于物質(zhì)分子振動(dòng)的近紅外波段光譜吸收特性，當(dāng)近紅外光照射到樣品時(shí)，樣品中的分子會(huì)吸收特定波長(zhǎng)的光，引發(fā)分子振動(dòng)能級(jí)的躍遷，通過分析樣品對(duì)不同波長(zhǎng)光的吸收情況，即可獲得樣品的成分信息，并對(duì)其進(jìn)行定性和定量分析。該技術(shù)具有快速響應(yīng)、非破壞性檢測(cè)、多組分同時(shí)檢測(cè)、操作簡(jiǎn)便等優(yōu)勢(shì)，能夠同時(shí)檢測(cè)多種成分，如水分、蛋白質(zhì)、脂肪、糖等，為生產(chǎn)提供更全面的數(shù)據(jù)支持，且儀器易于操作和維護(hù)，對(duì)技術(shù)人員的要求較低，便于推廣和應(yīng)用。本研究旨在探索利用NIRS技術(shù)快速測(cè)定水稻和油菜秸稈干物質(zhì)和可溶性糖的方法，并建立精準(zhǔn)可靠的預(yù)測(cè)模型。通過采集不同地域、品種的水稻和油菜秸稈樣本，運(yùn)用化學(xué)計(jì)量學(xué)算法對(duì)光譜數(shù)據(jù)進(jìn)行分析處理，建立相應(yīng)的定量分析模型，從而實(shí)現(xiàn)對(duì)水稻和油菜秸稈干物質(zhì)和可溶性糖含量的快速、準(zhǔn)確檢測(cè)。這對(duì)于提高秸稈資源利用效率、優(yōu)化生物質(zhì)能源開發(fā)利用、指導(dǎo)農(nóng)業(yè)生產(chǎn)實(shí)踐以及促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要的現(xiàn)實(shí)意義。1.2國(guó)內(nèi)外研究現(xiàn)狀近紅外光譜（NIRS）技術(shù)自被發(fā)現(xiàn)以來，在多個(gè)領(lǐng)域的應(yīng)用研究不斷深入。在農(nóng)作物秸稈成分測(cè)定方面，國(guó)內(nèi)外學(xué)者開展了大量研究工作，取得了一系列成果，同時(shí)也面臨一些挑戰(zhàn)。國(guó)外對(duì)NIRS技術(shù)在農(nóng)作物秸稈成分分析中的應(yīng)用研究起步較早。20世紀(jì)70年代，隨著化學(xué)計(jì)量學(xué)的興起，NIRS開始被用于定量分析農(nóng)作物秸稈中的化學(xué)成分。研究人員利用NIRS技術(shù)對(duì)秸稈中的纖維素、半纖維素、木質(zhì)素等含量進(jìn)行測(cè)定，通過建立數(shù)學(xué)模型，實(shí)現(xiàn)了對(duì)這些成分的快速分析，提高了檢測(cè)效率。隨著儀器性能的不斷提升和數(shù)據(jù)處理方法的改進(jìn)，NIRS技術(shù)在農(nóng)作物秸稈成分測(cè)定中的應(yīng)用更加廣泛和深入。例如，有學(xué)者運(yùn)用偏最小二乘法（PLS）等化學(xué)計(jì)量學(xué)算法，建立了更精準(zhǔn)的預(yù)測(cè)模型，提高了對(duì)秸稈成分含量預(yù)測(cè)的準(zhǔn)確性。國(guó)內(nèi)對(duì)NIRS技術(shù)在農(nóng)作物秸稈領(lǐng)域的研究也取得了顯著進(jìn)展。在水稻秸稈方面，付苗苗等人采集并制備了288個(gè)不同地域、品種的水稻秸稈樣本，運(yùn)用蒽酮硫酸比色法測(cè)定可溶性糖含量，采集近紅外全波段光譜信息。采用多種光譜預(yù)處理方法及逐步多元線性回歸（SMLR）、偏最小二乘回歸（PLS）和主成分回歸（PCR）化學(xué)計(jì)量學(xué)算法建立定量分析模型，結(jié)果表明，經(jīng)一階導(dǎo)數(shù)預(yù)處理建立的PLS模型效果最優(yōu)，基本可實(shí)現(xiàn)水稻秸稈中可溶性糖含量的快速檢測(cè)。在油菜秸稈研究中，雖然相關(guān)研究相對(duì)較少，但也有學(xué)者開始探索利用NIRS技術(shù)測(cè)定其干物質(zhì)和可溶性糖含量，通過對(duì)光譜數(shù)據(jù)的采集、預(yù)處理和建模，初步建立了相應(yīng)的預(yù)測(cè)模型。盡管國(guó)內(nèi)外在利用NIRS技術(shù)測(cè)定農(nóng)作物秸稈成分方面取得了一定成果，但仍存在一些問題和挑戰(zhàn)。一方面，不同地區(qū)、品種的農(nóng)作物秸稈成分存在差異，導(dǎo)致建立的模型通用性較差，難以廣泛應(yīng)用。另一方面，光譜數(shù)據(jù)易受環(huán)境因素、儀器穩(wěn)定性等影響，數(shù)據(jù)的準(zhǔn)確性和可靠性有待進(jìn)一步提高。此外，在模型建立過程中，如何選擇合適的化學(xué)計(jì)量學(xué)算法和光譜預(yù)處理方法，以提高模型的精度和穩(wěn)定性，也是需要深入研究的問題。1.3近紅外光譜分析技術(shù)簡(jiǎn)介1.3.1原理近紅外光譜（NIRS）技術(shù)是一種基于分子振動(dòng)的分析技術(shù)，其波長(zhǎng)范圍通常在780-2500nm之間。當(dāng)近紅外光照射到樣品時(shí)，樣品中的分子會(huì)吸收特定波長(zhǎng)的光，引發(fā)分子振動(dòng)能級(jí)的躍遷。這是因?yàn)槲镔|(zhì)分子中的化學(xué)鍵，如C-H、N-H、O-H等含氫基團(tuán)，具有特定的振動(dòng)頻率。當(dāng)這些基團(tuán)受到近紅外光照射時(shí)，會(huì)吸收與自身振動(dòng)頻率相同的光能量，從而從基態(tài)躍遷到激發(fā)態(tài)。這種吸收特性就像每種分子獨(dú)特的“指紋”，不同物質(zhì)在近紅外區(qū)域有豐富的吸收光譜，每種成分都有特定的吸收特征，通過分析樣品對(duì)不同波長(zhǎng)光的吸收情況，即可獲得樣品的成分信息，并對(duì)其進(jìn)行定性和定量分析。例如，對(duì)于水稻和油菜秸稈中的干物質(zhì)和可溶性糖，它們分子結(jié)構(gòu)中的含氫基團(tuán)在近紅外光的照射下，會(huì)產(chǎn)生特定的吸收峰，通過檢測(cè)這些吸收峰的位置、強(qiáng)度和形狀等信息，就可以推斷出秸稈中干物質(zhì)和可溶性糖的含量。1.3.2發(fā)展歷程近紅外光譜技術(shù)的歷史可以追溯到19世紀(jì)，1800年，Herschel首次發(fā)現(xiàn)了近紅外光區(qū)域，為該技術(shù)的發(fā)展奠定了基礎(chǔ)。然而，在隨后的很長(zhǎng)一段時(shí)間里，由于NIR區(qū)的倍頻和合頻吸收弱、譜帶復(fù)雜和重疊多，信息無法有效的分離和解析，其應(yīng)用受到了極大的限制。直到20世紀(jì)下半葉，隨著光學(xué)、電子學(xué)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，NIRS才開始獲得廣泛關(guān)注。20世紀(jì)70年代，隨著化學(xué)計(jì)量學(xué)的興起，NIRS開始被用于定量分析，化學(xué)計(jì)量學(xué)為處理復(fù)雜的數(shù)據(jù)提供了有效的方法，使得NIRS在分析化學(xué)領(lǐng)域得到了廣泛應(yīng)用。同時(shí)，光纖技術(shù)的進(jìn)步也使得NIRS能夠應(yīng)用于更廣泛的樣品類型和環(huán)境中。進(jìn)入21世紀(jì)，隨著儀器性能的提高和數(shù)據(jù)處理方法的改進(jìn)，NIRS技術(shù)得到了飛速發(fā)展，特別是在農(nóng)業(yè)、食品工業(yè)、生物醫(yī)學(xué)和制藥等領(lǐng)域，NIRS已成為一種重要的分析工具。在我國(guó)，NIRS技術(shù)的研究和應(yīng)用也取得了顯著進(jìn)展，眾多科研機(jī)構(gòu)和企業(yè)在NIRS技術(shù)研發(fā)、設(shè)備制造和應(yīng)用推廣方面取得了重要成果，為我國(guó)的農(nóng)產(chǎn)品質(zhì)量監(jiān)測(cè)、食品安全保障等提供了有力支持。1.3.3特點(diǎn)與優(yōu)勢(shì)近紅外光譜技術(shù)具有諸多顯著的特點(diǎn)與優(yōu)勢(shì)，使其在眾多領(lǐng)域得到廣泛應(yīng)用。首先，它具有快速響應(yīng)的特性，檢測(cè)速度極快，通常只需幾秒鐘即可完成一次測(cè)量，能夠?qū)崿F(xiàn)對(duì)生產(chǎn)過程的實(shí)時(shí)監(jiān)控，確保產(chǎn)品質(zhì)量的一致性。在農(nóng)業(yè)生產(chǎn)中，可快速檢測(cè)農(nóng)作物的品質(zhì)指標(biāo)，為農(nóng)業(yè)生產(chǎn)決策提供及時(shí)的數(shù)據(jù)支持。其次，NIRS技術(shù)是一種非破壞性檢測(cè)方法，無需對(duì)樣品進(jìn)行預(yù)處理或破壞即可完成檢測(cè)，這一特性使其非常適合用于食品、制藥和農(nóng)業(yè)等領(lǐng)域的在線監(jiān)測(cè)。對(duì)于水稻和油菜秸稈的檢測(cè)，無需對(duì)秸稈進(jìn)行復(fù)雜的化學(xué)處理，避免了對(duì)樣品的破壞，同時(shí)也減少了檢測(cè)過程中的誤差。此外，NIRS技術(shù)能夠同時(shí)檢測(cè)多種成分，如水分、蛋白質(zhì)、脂肪、糖等，為生產(chǎn)提供更全面的數(shù)據(jù)支持。在對(duì)水稻和油菜秸稈的分析中，可以同時(shí)獲取干物質(zhì)、可溶性糖以及其他相關(guān)成分的信息，有助于更全面地了解秸稈的特性。該技術(shù)操作簡(jiǎn)便，儀器易于操作和維護(hù)，對(duì)技術(shù)人員的要求較低，便于推廣和應(yīng)用，降低了檢測(cè)成本，提高了檢測(cè)效率，使得更多的用戶能夠使用該技術(shù)進(jìn)行樣品分析。1.4研究?jī)?nèi)容與技術(shù)路線1.4.1研究?jī)?nèi)容樣品采集與制備：廣泛采集不同地域、品種的水稻和油菜秸稈樣本。對(duì)于水稻秸稈，計(jì)劃在我國(guó)主要水稻產(chǎn)區(qū)，如東北平原、長(zhǎng)江中下游平原、華南地區(qū)等，選取至少5個(gè)不同地點(diǎn)進(jìn)行采集，每個(gè)地點(diǎn)采集3-5個(gè)不同品種的秸稈樣本，確保樣本具有廣泛的代表性。油菜秸稈則在我國(guó)油菜主產(chǎn)區(qū)，如長(zhǎng)江流域、西北地區(qū)等，按照類似方法進(jìn)行采集。采集后的秸稈樣本先進(jìn)行自然風(fēng)干，去除表面雜質(zhì)，然后采用粉碎機(jī)將其粉碎至合適粒度，過篩后備用，以保證樣品的均勻性，滿足后續(xù)實(shí)驗(yàn)分析要求。光譜數(shù)據(jù)采集與預(yù)處理：運(yùn)用近紅外光譜儀對(duì)制備好的秸稈樣本進(jìn)行光譜數(shù)據(jù)采集。設(shè)置合適的光譜采集參數(shù)，如掃描范圍設(shè)定為10000-4000cm?1，掃描次數(shù)為32次，以獲取高質(zhì)量的光譜信息。由于原始光譜數(shù)據(jù)易受儀器噪聲、樣品顆粒度不均勻等因素影響，需要采用多種預(yù)處理方法對(duì)其進(jìn)行處理。例如，使用多元散射校正（MSC）消除樣品顆粒散射效應(yīng)，采用標(biāo)準(zhǔn)正態(tài)變量變換（SNV）校正光譜基線漂移，運(yùn)用導(dǎo)數(shù)處理去除光譜中的背景干擾，通過S-G平滑降低噪聲影響等，并對(duì)各種預(yù)處理方法的效果進(jìn)行比較分析，確定最優(yōu)的預(yù)處理方案。成分含量測(cè)定：采用傳統(tǒng)化學(xué)方法準(zhǔn)確測(cè)定水稻和油菜秸稈樣本中的干物質(zhì)和可溶性糖含量。對(duì)于干物質(zhì)含量測(cè)定，使用烘干稱重法，將一定量的秸稈樣品放入烘箱中，在105℃下烘干至恒重，通過計(jì)算烘干前后樣品質(zhì)量的差值，得出干物質(zhì)含量?？扇苄蕴呛繙y(cè)定則采用蒽酮硫酸比色法，該方法基于可溶性糖在濃硫酸作用下與蒽酮試劑反應(yīng)生成藍(lán)色絡(luò)合物，通過測(cè)定其在特定波長(zhǎng)下的吸光度，與標(biāo)準(zhǔn)曲線對(duì)比，計(jì)算出可溶性糖含量。確保傳統(tǒng)化學(xué)測(cè)定結(jié)果的準(zhǔn)確性，為后續(xù)模型建立提供可靠的參考數(shù)據(jù)。異常樣本剔除：對(duì)采集到的光譜數(shù)據(jù)和成分含量測(cè)定數(shù)據(jù)進(jìn)行綜合分析，利用統(tǒng)計(jì)方法，如馬氏距離法，識(shí)別并剔除異常樣本。馬氏距離能夠考慮數(shù)據(jù)的協(xié)方差結(jié)構(gòu)，有效檢測(cè)出與其他樣本差異較大的異常值。通過剔除異常樣本，提高數(shù)據(jù)的可靠性和模型的準(zhǔn)確性。光譜區(qū)間選擇：運(yùn)用相關(guān)分析、變量重要性投影（VIP）等方法，對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行分析，篩選出與水稻和油菜秸稈干物質(zhì)和可溶性糖含量相關(guān)性強(qiáng)的光譜區(qū)間。例如，在相關(guān)分析中，計(jì)算光譜數(shù)據(jù)與成分含量之間的皮爾遜相關(guān)系數(shù)，選取相關(guān)系數(shù)絕對(duì)值較大的光譜區(qū)間；在VIP分析中，根據(jù)變量對(duì)模型的貢獻(xiàn)程度，確定重要的光譜變量所在區(qū)間，從而減少建模變量數(shù)量，提高模型的運(yùn)算效率和預(yù)測(cè)精度。模型建立與驗(yàn)證：選用合適的化學(xué)計(jì)量學(xué)算法，如偏最小二乘法（PLS）、主成分回歸（PCR）等，建立基于近紅外光譜的水稻和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型。以預(yù)處理后的光譜數(shù)據(jù)為自變量，以傳統(tǒng)化學(xué)方法測(cè)定的成分含量為因變量，進(jìn)行模型訓(xùn)練。通過內(nèi)部交叉驗(yàn)證確定模型的最佳參數(shù)，如PLS模型中的主成分?jǐn)?shù)等。利用驗(yàn)證集樣本對(duì)建立的模型進(jìn)行外部驗(yàn)證，通過計(jì)算決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)分析誤差（RPD）等指標(biāo)，評(píng)估模型的預(yù)測(cè)性能。比較不同算法建立的模型性能，選擇預(yù)測(cè)精度高、穩(wěn)定性好的模型作為最終的預(yù)測(cè)模型。模型優(yōu)化與應(yīng)用：對(duì)建立的最佳模型進(jìn)行進(jìn)一步優(yōu)化，如嘗試不同的參數(shù)組合、增加樣本數(shù)量等，以提高模型的準(zhǔn)確性和通用性。將優(yōu)化后的模型應(yīng)用于實(shí)際水稻和油菜秸稈樣本的檢測(cè)，驗(yàn)證其在實(shí)際生產(chǎn)中的可行性和有效性，為農(nóng)業(yè)生產(chǎn)實(shí)踐提供技術(shù)支持。1.4.2技術(shù)路線本研究的技術(shù)路線如圖1-1所示，首先進(jìn)行樣品采集，在不同地區(qū)廣泛收集水稻和油菜秸稈樣本，涵蓋多種品種。采集后的樣本進(jìn)行自然風(fēng)干和粉碎處理，使其滿足實(shí)驗(yàn)要求。接著，使用近紅外光譜儀采集光譜數(shù)據(jù)，同時(shí)運(yùn)用傳統(tǒng)化學(xué)方法測(cè)定秸稈樣本中的干物質(zhì)和可溶性糖含量。對(duì)采集到的光譜數(shù)據(jù)進(jìn)行預(yù)處理，包括多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換、導(dǎo)數(shù)處理、S-G平滑等操作，以提高數(shù)據(jù)質(zhì)量。利用馬氏距離法剔除異常樣本，運(yùn)用相關(guān)分析和變量重要性投影等方法選擇最佳光譜區(qū)間。然后，采用偏最小二乘法、主成分回歸等化學(xué)計(jì)量學(xué)算法建立預(yù)測(cè)模型，并通過內(nèi)部交叉驗(yàn)證和外部驗(yàn)證評(píng)估模型性能。最后，對(duì)性能最佳的模型進(jìn)行優(yōu)化，并將其應(yīng)用于實(shí)際樣本檢測(cè)。[此處插入技術(shù)路線圖1-1，圖中應(yīng)清晰展示從樣品采集、光譜數(shù)據(jù)采集與處理、成分含量測(cè)定、模型建立與驗(yàn)證到模型應(yīng)用的整個(gè)流程，各步驟之間用箭頭連接，并標(biāo)注相應(yīng)的操作方法和分析方法]二、材料與方法2.1實(shí)驗(yàn)材料本研究的水稻秸稈樣本采集自我國(guó)多個(gè)主要水稻產(chǎn)區(qū)，包括東北平原的黑龍江省五常市、吉林省長(zhǎng)春市，長(zhǎng)江中下游平原的江蘇省揚(yáng)州市、湖北省武漢市，以及華南地區(qū)的廣東省廣州市等地。采集時(shí)間涵蓋了水稻的主要收獲季節(jié)，從9月至11月不等，以確保樣本能夠反映不同生長(zhǎng)時(shí)期的秸稈特性。在每個(gè)采集地點(diǎn)，選取了當(dāng)?shù)鼐哂写硇缘?-5個(gè)水稻品種，如黑龍江五常的稻花香2號(hào)、江蘇揚(yáng)州的南粳9108、湖北武漢的兩優(yōu)287等，共計(jì)采集了150個(gè)水稻秸稈樣本。這些品種在種植面積、產(chǎn)量、品質(zhì)等方面具有一定的差異，且種植區(qū)域的土壤條件、氣候環(huán)境也有所不同，從而保證了樣本的多樣性和代表性。油菜秸稈樣本則主要來自我國(guó)油菜主產(chǎn)區(qū)，如長(zhǎng)江流域的安徽省合肥市、四川省成都市，西北地區(qū)的甘肅省張掖市等。采集時(shí)間在油菜收獲后的5月至6月，針對(duì)每個(gè)地區(qū)，同樣選取了3-5個(gè)不同的油菜品種，像安徽合肥的皖油27號(hào)、四川成都的川油36號(hào)、甘肅張掖的隴油6號(hào)等，共采集了120個(gè)油菜秸稈樣本。這些樣本來自不同的生態(tài)區(qū)域，在品種特性、生長(zhǎng)環(huán)境等方面存在多樣性，能夠全面反映油菜秸稈的特征。采集后的秸稈樣本先在通風(fēng)良好的環(huán)境中進(jìn)行自然風(fēng)干，去除表面的泥土、灰塵等雜質(zhì)，然后使用粉碎機(jī)將其粉碎至粒度小于1mm，并過1mm篩網(wǎng)，以保證樣品的均勻性，滿足后續(xù)實(shí)驗(yàn)分析要求。2.2主要儀器設(shè)備近紅外光譜儀：選用型號(hào)為AntarisII傅里葉變換近紅外光譜儀（美國(guó)賽默飛世爾科技公司），該儀器配備InGaAs檢測(cè)器，掃描范圍為10000-4000cm?1，分辨率為8cm?1，掃描次數(shù)可根據(jù)實(shí)驗(yàn)需求設(shè)定，本研究中設(shè)定為32次。它具有高精度、高穩(wěn)定性和寬光譜范圍的特點(diǎn)，能夠快速、準(zhǔn)確地采集水稻和油菜秸稈樣本的近紅外光譜數(shù)據(jù)，為后續(xù)的分析提供可靠的數(shù)據(jù)基礎(chǔ)。粉碎機(jī)：使用FW177型高速萬(wàn)能粉碎機(jī)（天津市泰斯特儀器有限公司），該粉碎機(jī)具有粉碎效率高、粒度均勻等優(yōu)點(diǎn)，能夠?qū)⑺竞陀筒私斩挊颖痉鬯橹亮６刃∮?mm，滿足實(shí)驗(yàn)對(duì)樣品粒度的要求。其電機(jī)功率為1.1kW，轉(zhuǎn)速可達(dá)28000r/min，可快速將秸稈樣本粉碎成細(xì)小顆粒，保證樣品的均勻性，便于后續(xù)的光譜采集和成分分析?；瘜W(xué)分析儀器：電子天平：采用FA2004B型電子天平（上海佑科儀器儀表有限公司），精度為0.0001g，用于準(zhǔn)確稱量秸稈樣品、化學(xué)試劑等，確保實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性。在干物質(zhì)含量測(cè)定中，能夠精確稱量烘干前后樣品的質(zhì)量，以計(jì)算干物質(zhì)含量；在可溶性糖含量測(cè)定中，可準(zhǔn)確稱取葡萄糖標(biāo)準(zhǔn)品等試劑，用于繪制標(biāo)準(zhǔn)曲線。電熱恒溫鼓風(fēng)干燥箱：選用DHG-9240A型電熱恒溫鼓風(fēng)干燥箱（上海一恒科學(xué)儀器有限公司），溫度范圍為室溫+5℃-250℃，用于烘干秸稈樣品以測(cè)定干物質(zhì)含量?？蓪悠吩?05℃下烘干至恒重，通過控制烘干溫度和時(shí)間，保證干物質(zhì)含量測(cè)定的準(zhǔn)確性?？梢姺止夤舛扔?jì)：采用722型可見分光光度計(jì)（上海菁華科技儀器有限公司），用于測(cè)定可溶性糖含量時(shí)，檢測(cè)樣品溶液在特定波長(zhǎng)下的吸光度。在蒽酮硫酸比色法中，通過測(cè)定樣品溶液在625nm波長(zhǎng)下的吸光度，與標(biāo)準(zhǔn)曲線對(duì)比，計(jì)算出可溶性糖含量。離心機(jī)：使用TDL-5-A型低速離心機(jī)（上海安亭科學(xué)儀器廠），最大轉(zhuǎn)速為5000r/min，用于在可溶性糖提取過程中，分離樣品溶液中的固體殘?jiān)?，獲取澄清的提取液。通過離心操作，可有效去除提取液中的不溶性雜質(zhì)，提高可溶性糖含量測(cè)定的準(zhǔn)確性。恒溫水浴鍋：選用HH-6型數(shù)顯恒溫水浴鍋（金壇市杰瑞爾電器有限公司），控溫范圍為室溫-100℃，用于在可溶性糖提取和顯色反應(yīng)過程中，控制反應(yīng)溫度。在提取可溶性糖時(shí)，將樣品在80℃水浴中加熱，促進(jìn)可溶性糖的溶解；在顯色反應(yīng)時(shí)，將反應(yīng)溶液在沸水浴中加熱，使反應(yīng)充分進(jìn)行。2.3實(shí)驗(yàn)方法2.3.1樣本制備將采集到的水稻和油菜秸稈樣本，首先用清水沖洗，以去除表面附著的泥土、灰塵等雜質(zhì)，確保樣本表面清潔。隨后，將清洗后的秸稈樣本放置在通風(fēng)良好、有充足光照的空曠場(chǎng)地進(jìn)行自然風(fēng)干，使秸稈中的水分自然蒸發(fā)。自然風(fēng)干不僅成本低，而且能較好地保留秸稈的原始成分特性。待秸稈樣本初步風(fēng)干后，再放入電熱恒溫鼓風(fēng)干燥箱中，在60℃的溫度下進(jìn)行進(jìn)一步烘干，直至秸稈樣本達(dá)到恒重狀態(tài)，徹底去除其中的水分。烘干過程中，需定時(shí)翻動(dòng)秸稈樣本，以保證烘干均勻。將烘干后的秸稈樣本使用FW177型高速萬(wàn)能粉碎機(jī)進(jìn)行粉碎處理。該粉碎機(jī)轉(zhuǎn)速高，粉碎效率高，能夠?qū)⒔斩捒焖俜鬯?。粉碎后的秸稈顆粒需通過1mm篩網(wǎng)進(jìn)行篩選，去除未充分粉碎的較大顆粒，保證樣本粒度均勻，最終得到粒度小于1mm的秸稈粉末，用于后續(xù)實(shí)驗(yàn)分析。2.3.2干物質(zhì)含量測(cè)定采用烘干稱重法測(cè)定水稻和油菜秸稈樣本的干物質(zhì)含量。準(zhǔn)確稱取一定量（約5g）粉碎后的秸稈樣本，放入預(yù)先在105℃烘箱中烘烤至恒重并稱重的鋁盒中，記錄鋁盒與樣本的初始總質(zhì)量。將裝有樣本的鋁盒放入預(yù)熱至105℃的電熱恒溫鼓風(fēng)干燥箱中，烘干時(shí)間設(shè)定為6h，以確保樣本中的水分完全蒸發(fā)。烘干結(jié)束后，取出鋁盒，迅速放入干燥器中冷卻至室溫，這一步驟是為了防止鋁盒及樣本吸收空氣中的水分，影響稱重準(zhǔn)確性。冷卻后，立即使用FA2004B型電子天平（精度為0.0001g）稱量鋁盒與烘干后樣本的總質(zhì)量。通過公式計(jì)算干物質(zhì)含量：干物質(zhì)含量（%）=（烘干后鋁盒及樣本總質(zhì)量-鋁盒質(zhì)量）/初始鋁盒及樣本總質(zhì)量×100%。每個(gè)樣本重復(fù)測(cè)定3次，取平均值作為該樣本的干物質(zhì)含量，以減小實(shí)驗(yàn)誤差。2.3.3可溶性糖含量測(cè)定本研究采用蒽酮硫酸比色法測(cè)定水稻和油菜秸稈樣本中的可溶性糖含量。其原理是，可溶性糖在濃硫酸的作用下，脫水生成糠醛或羥甲基糠醛，這些產(chǎn)物再與蒽酮試劑發(fā)生脫水、縮合反應(yīng)，生成藍(lán)綠色的糠醛衍生物。在一定濃度范圍內(nèi)，該衍生物顏色的深淺與糖含量呈線性關(guān)系，通過測(cè)定特定波長(zhǎng)下的吸光度，與標(biāo)準(zhǔn)曲線對(duì)比，即可計(jì)算出可溶性糖含量。準(zhǔn)確稱取約0.5g粉碎后的秸稈樣本，放入15ml離心管中，加入10ml的80%乙醇溶液。將離心管置于80℃恒溫水浴鍋中，保持30min，期間不斷攪拌，以促進(jìn)可溶性糖的充分溶解。30min后，取出離心管，放入TDL-5-A型低速離心機(jī)中，以5000r/min的轉(zhuǎn)速離心10min，使溶液中的固體殘?jiān)恋怼⑸锨逡恨D(zhuǎn)移至50ml燒杯中，再向離心管中的殘?jiān)尤?0ml的80%乙醇溶液，重復(fù)提取一次，合并兩次的上清液。將合并后的上清液在80℃水浴條件下，使乙醇蒸發(fā)，直至溶液體積剩余約3ml。然后，用蒸餾水將剩余溶液定容至25ml，得到可溶性糖提取液。吸取5ml的糖提取液到25ml容量瓶中，用蒸餾水定容，進(jìn)一步稀釋提取液。取2ml稀釋后的溶液到比色管中，緩慢加入10ml預(yù)先配制好的蒽酮試劑，迅速搖勻30s。將比色管放入沸水浴中加熱10min，使反應(yīng)充分進(jìn)行。反應(yīng)結(jié)束后，取出比色管，放入冷水中迅速冷卻，10min后顯色穩(wěn)定。使用722型可見分光光度計(jì)，在625nm波長(zhǎng)下測(cè)定溶液的吸光度值，并記錄數(shù)據(jù)。每個(gè)樣本重復(fù)測(cè)定3次，取平均值作為該樣本的吸光度值。稱取1g葡萄糖，放入1L容量瓶中，用蒸餾水定容，配制成葡萄糖標(biāo)準(zhǔn)溶液。從該標(biāo)準(zhǔn)溶液中分別吸取1ml、2ml、4ml、6ml、8ml、10ml，注入到100ml容量瓶中，再用蒸餾水定容到刻度，搖勻，制成一系列不同濃度的葡萄糖標(biāo)準(zhǔn)溶液。分別取2ml不同濃度的標(biāo)準(zhǔn)溶液到比色管中，按照與樣品測(cè)定相同的步驟，加入蒽酮試劑，進(jìn)行顯色反應(yīng)，并在625nm波長(zhǎng)下測(cè)定吸光度值。以標(biāo)準(zhǔn)溶液的濃度為橫坐標(biāo)，對(duì)應(yīng)的吸光度值為縱坐標(biāo)，繪制葡萄糖標(biāo)準(zhǔn)曲線。根據(jù)測(cè)定的樣品吸光度值，在標(biāo)準(zhǔn)曲線上查得對(duì)應(yīng)的糖含量，再通過公式計(jì)算樣品中的可溶性糖含量：可溶性糖含量=（回歸方程求得糖含量/吸取樣品的體積）x提取溶液量x稀釋倍數(shù)/樣品干重。2.3.4近紅外光譜采集采用AntarisII傅里葉變換近紅外光譜儀采集水稻和油菜秸稈樣本的近紅外光譜數(shù)據(jù)。將制備好的秸稈粉末樣品均勻裝入樣品杯中，確保樣品裝填緊密且表面平整，以減少樣品散射對(duì)光譜的影響。將樣品杯放置在光譜儀的樣品臺(tái)上，調(diào)整位置，使光路能夠準(zhǔn)確照射到樣品上。設(shè)置光譜儀參數(shù)，掃描范圍設(shè)定為10000-4000cm?1，該范圍能夠覆蓋秸稈中主要成分的近紅外吸收特征。分辨率設(shè)置為8cm?1，以保證光譜的精細(xì)度。掃描次數(shù)設(shè)定為32次，通過多次掃描取平均值的方式，降低儀器噪聲和隨機(jī)誤差，提高光譜數(shù)據(jù)的準(zhǔn)確性。掃描完成后，將采集到的光譜數(shù)據(jù)保存為特定格式，以便后續(xù)的數(shù)據(jù)處理和分析。每個(gè)樣本重復(fù)掃描3次，取平均光譜作為該樣本的光譜數(shù)據(jù)。2.3.5光譜預(yù)處理方法原始近紅外光譜數(shù)據(jù)易受到多種因素的干擾，如儀器噪聲、樣品顆粒度不均勻、光散射等，導(dǎo)致光譜基線漂移、信號(hào)失真，影響后續(xù)建模和分析的準(zhǔn)確性。因此，需要對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)質(zhì)量。采用多元散射校正（MSC）方法消除樣品顆粒散射效應(yīng)。MSC基于標(biāo)準(zhǔn)樣品集，通過最小二乘法擬合，建立散射校正模型，對(duì)原始光譜進(jìn)行校正，使不同樣品的光譜具有可比性。標(biāo)準(zhǔn)正態(tài)變量變換（SNV）用于校正光譜基線漂移，它通過對(duì)每個(gè)光譜數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)準(zhǔn)化處理，將光譜的均值調(diào)整為0，標(biāo)準(zhǔn)差調(diào)整為1，從而消除由于樣品表面狀態(tài)和光程變化引起的基線漂移。導(dǎo)數(shù)處理，如一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，能夠有效去除光譜中的背景干擾，增強(qiáng)光譜特征信息。一階導(dǎo)數(shù)可以突出光譜的變化率，二階導(dǎo)數(shù)則能進(jìn)一步放大光譜的細(xì)微差異。采用S-G平滑算法降低噪聲影響，該算法通過對(duì)相鄰數(shù)據(jù)點(diǎn)進(jìn)行加權(quán)平均，平滑光譜曲線，減少噪聲干擾，使光譜更加平滑、穩(wěn)定。對(duì)經(jīng)過不同預(yù)處理方法處理后的光譜數(shù)據(jù)進(jìn)行對(duì)比分析，觀察光譜的變化情況，評(píng)估預(yù)處理效果。通過比較預(yù)處理前后光譜的信噪比、基線穩(wěn)定性、特征峰的清晰度等指標(biāo)，選擇效果最佳的預(yù)處理方法或組合，為后續(xù)的建模和分析提供高質(zhì)量的光譜數(shù)據(jù)。2.3.6建模與數(shù)據(jù)分析方法選用偏最小二乘回歸（PLS）和主成分回歸（PCR）等化學(xué)計(jì)量學(xué)算法建立基于近紅外光譜的水稻和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型。偏最小二乘回歸（PLS）是一種常用的多元統(tǒng)計(jì)分析方法，它能夠有效處理自變量之間的多重共線性問題。在PLS建模過程中，將預(yù)處理后的近紅外光譜數(shù)據(jù)作為自變量，將通過傳統(tǒng)化學(xué)方法測(cè)定的干物質(zhì)和可溶性糖含量作為因變量。PLS通過提取主成分，將原始變量投影到新的低維空間，尋找光譜數(shù)據(jù)與成分含量之間的潛在關(guān)系。通過交叉驗(yàn)證的方式，確定PLS模型的最佳主成分?jǐn)?shù)，以避免模型過擬合或欠擬合。主成分回歸（PCR）則是先對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析（PCA），提取主成分，然后以主成分作為自變量進(jìn)行回歸分析。PCA能夠?qū)⒏呔S的光譜數(shù)據(jù)降維，去除數(shù)據(jù)中的冗余信息，保留主要特征。在PCR建模中，同樣需要確定合適的主成分?jǐn)?shù)，以建立準(zhǔn)確的預(yù)測(cè)模型。采用決定系數(shù)（R2）、均方根誤差（RMSE）、相對(duì)分析誤差（RPD）等指標(biāo)評(píng)估模型的預(yù)測(cè)性能。決定系數(shù)（R2）衡量模型對(duì)數(shù)據(jù)的擬合優(yōu)度，取值范圍在0-1之間，越接近1表示模型對(duì)數(shù)據(jù)的擬合效果越好。均方根誤差（RMSE）反映了模型預(yù)測(cè)值與實(shí)際值之間的偏差程度，RMSE值越小，說明模型的預(yù)測(cè)精度越高。相對(duì)分析誤差（RPD）是預(yù)測(cè)標(biāo)準(zhǔn)差與RMSE的比值，RPD值越大，表明模型的預(yù)測(cè)能力越強(qiáng)。一般認(rèn)為，當(dāng)RPD>2時(shí)，模型具有較好的預(yù)測(cè)能力；當(dāng)1.5<RPD≤2時(shí)，模型可用于初步預(yù)測(cè)；當(dāng)RPD≤1.5時(shí)，模型的預(yù)測(cè)效果較差。通過比較不同算法建立的模型在這些指標(biāo)上的表現(xiàn)，選擇預(yù)測(cè)精度高、穩(wěn)定性好的模型作為最終的預(yù)測(cè)模型。三、結(jié)果與分析3.1水稻秸稈干物質(zhì)和可溶性糖測(cè)定結(jié)果對(duì)150個(gè)水稻秸稈樣本進(jìn)行干物質(zhì)和可溶性糖含量測(cè)定，結(jié)果如表3-1所示。水稻秸稈干物質(zhì)含量范圍在82.56%-91.32%之間，平均值為86.45%，標(biāo)準(zhǔn)差為2.48%。其中，來自黑龍江五常的稻花香2號(hào)水稻秸稈干物質(zhì)含量較高，達(dá)到89.56%，這可能與當(dāng)?shù)氐臍夂驐l件和土壤肥力有關(guān)，充足的光照和肥沃的土壤有利于水稻的生長(zhǎng)和干物質(zhì)積累。而江蘇揚(yáng)州的南粳9108水稻秸稈干物質(zhì)含量相對(duì)較低，為84.32%，可能是由于該地區(qū)在水稻生長(zhǎng)期間雨水較多，影響了干物質(zhì)的合成和積累。[此處插入表3-1，表中應(yīng)包含每個(gè)水稻秸稈樣本的編號(hào)、采集地點(diǎn)、品種、干物質(zhì)含量、可溶性糖含量等信息，干物質(zhì)含量和可溶性糖含量保留兩位小數(shù)]水稻秸稈可溶性糖含量范圍在2.15%-6.85%之間，平均值為4.32%，標(biāo)準(zhǔn)差為1.15%。湖北武漢的兩優(yōu)287水稻秸稈可溶性糖含量最高，達(dá)到6.85%，可能是該品種的遺傳特性使其在生長(zhǎng)過程中能夠積累更多的可溶性糖。而廣東廣州的某水稻品種秸稈可溶性糖含量?jī)H為2.15%，可能是受到當(dāng)?shù)馗邷馗邼駳夂虻挠绊?，?dǎo)致可溶性糖在生長(zhǎng)后期被大量消耗。從整體數(shù)據(jù)分布來看，水稻秸稈干物質(zhì)和可溶性糖含量存在一定的差異，這可能與品種、種植區(qū)域、生長(zhǎng)環(huán)境等多種因素有關(guān)。3.2油菜秸稈干物質(zhì)和可溶性糖測(cè)定結(jié)果對(duì)120個(gè)油菜秸稈樣本的干物質(zhì)和可溶性糖含量進(jìn)行測(cè)定，具體結(jié)果見表3-2。油菜秸稈干物質(zhì)含量范圍在84.25%-90.56%之間，平均值為87.35%，標(biāo)準(zhǔn)差為1.85%。其中，來自安徽省合肥市的皖油27號(hào)油菜秸稈干物質(zhì)含量為89.65%，較高的干物質(zhì)含量可能得益于當(dāng)?shù)爻渥愕墓庹蘸瓦m宜的土壤條件，促進(jìn)了油菜在生長(zhǎng)過程中干物質(zhì)的積累。而四川省成都市的川油36號(hào)油菜秸稈干物質(zhì)含量相對(duì)較低，為85.25%，可能是由于該地區(qū)在油菜生長(zhǎng)期間降水較多，光照時(shí)長(zhǎng)相對(duì)不足，影響了油菜光合作用的效率，進(jìn)而減少了干物質(zhì)的合成。[此處插入表3-2，表中應(yīng)包含每個(gè)油菜秸稈樣本的編號(hào)、采集地點(diǎn)、品種、干物質(zhì)含量、可溶性糖含量等信息，干物質(zhì)含量和可溶性糖含量保留兩位小數(shù)]油菜秸稈可溶性糖含量范圍在1.85%-5.25%之間，平均值為3.25%，標(biāo)準(zhǔn)差為0.95%。甘肅省張掖市的隴油6號(hào)油菜秸稈可溶性糖含量最高，達(dá)到5.25%，這或許與該品種的遺傳特性以及當(dāng)?shù)貢円箿夭畲蟮臍夂驐l件有關(guān)，較大的晝夜溫差有利于糖分的積累。而安徽合肥的某油菜品種秸稈可溶性糖含量?jī)H為1.85%，可能是受到當(dāng)?shù)胤N植密度過大、養(yǎng)分競(jìng)爭(zhēng)激烈等因素的影響，導(dǎo)致油菜在生長(zhǎng)過程中可溶性糖的積累量減少。從整體數(shù)據(jù)來看，油菜秸稈干物質(zhì)和可溶性糖含量存在一定差異，這種差異與油菜的品種特性、種植地區(qū)的環(huán)境因素（如氣候、土壤等）以及種植管理措施等密切相關(guān)。3.3近紅外光譜特征分析3.3.1原始光譜分析對(duì)采集到的水稻和油菜秸稈樣本的原始近紅外光譜進(jìn)行分析，繪制原始光譜圖，如圖3-1所示。橫坐標(biāo)表示波數(shù)（cm?1），范圍為10000-4000cm?1，縱坐標(biāo)表示吸光度。從圖中可以看出，水稻和油菜秸稈的原始光譜具有一定的相似性，但也存在一些差異。在10000-7000cm?1波段，兩種秸稈的光譜吸光度較低且變化較為平緩，這主要是由于該波段主要反映了分子的泛頻振動(dòng)信息，吸收強(qiáng)度相對(duì)較弱。在7000-5000cm?1波段，水稻和油菜秸稈的光譜出現(xiàn)了一些明顯的吸收峰。其中，在6900cm?1左右的吸收峰主要?dú)w因于O-H鍵的伸縮振動(dòng)倍頻吸收，這表明秸稈中含有一定量的水分和羥基化合物。在5800cm?1附近的吸收峰與C-H鍵的伸縮振動(dòng)倍頻有關(guān)，說明秸稈中存在大量的有機(jī)化合物。在5200cm?1左右的吸收峰則與N-H鍵的伸縮振動(dòng)倍頻相關(guān)，可能與秸稈中的蛋白質(zhì)、氨基酸等含氮化合物有關(guān)。[此處插入圖3-1，圖中應(yīng)包含水稻和油菜秸稈的原始光譜曲線，兩條曲線用不同顏色區(qū)分，并添加圖例說明，橫坐標(biāo)為波數(shù)（cm?1），縱坐標(biāo)為吸光度]進(jìn)一步對(duì)比不同品種、不同產(chǎn)地的水稻和油菜秸稈光譜發(fā)現(xiàn)，在某些特征峰的位置和強(qiáng)度上存在差異。例如，黑龍江五常的稻花香2號(hào)水稻秸稈在6900cm?1處的吸收峰強(qiáng)度相對(duì)較高，可能是由于該地區(qū)的氣候和土壤條件使得水稻在生長(zhǎng)過程中積累了更多的水分和羥基化合物。而安徽省合肥市的皖油27號(hào)油菜秸稈在5800cm?1處的吸收峰強(qiáng)度與其他品種有所不同，這可能與該品種的遺傳特性以及生長(zhǎng)環(huán)境有關(guān)。這些差異為后續(xù)利用近紅外光譜技術(shù)建立水稻和油菜秸稈干物質(zhì)和可溶性糖含量的預(yù)測(cè)模型提供了基礎(chǔ)。3.3.2預(yù)處理后光譜分析對(duì)原始光譜數(shù)據(jù)進(jìn)行多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、導(dǎo)數(shù)處理、S-G平滑等預(yù)處理操作后，得到預(yù)處理后的光譜。以水稻秸稈為例，對(duì)比預(yù)處理前后的光譜，如圖3-2所示。從圖中可以明顯看出，預(yù)處理后的光譜在基線穩(wěn)定性、噪聲水平和特征峰清晰度等方面都有顯著改善。[此處插入圖3-2，圖中應(yīng)包含水稻秸稈原始光譜曲線和預(yù)處理后光譜曲線，兩條曲線用不同顏色區(qū)分，并添加圖例說明，橫坐標(biāo)為波數(shù)（cm?1），縱坐標(biāo)為吸光度]多元散射校正（MSC）有效地消除了樣品顆粒散射效應(yīng)，使得光譜曲線更加平滑，不同樣品之間的光譜差異更加明顯，增強(qiáng)了光譜的可比性。標(biāo)準(zhǔn)正態(tài)變量變換（SNV）校正了光譜基線漂移，使光譜的基線更加平穩(wěn)，避免了基線漂移對(duì)后續(xù)分析的干擾。導(dǎo)數(shù)處理，如一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，顯著去除了光譜中的背景干擾，突出了光譜的特征信息。一階導(dǎo)數(shù)光譜能夠清晰地顯示出光譜的變化率，使得一些原本隱藏在原始光譜中的弱吸收峰得以顯現(xiàn)；二階導(dǎo)數(shù)光譜則進(jìn)一步放大了光譜的細(xì)微差異，提高了光譜的分辨率。S-G平滑算法有效地降低了噪聲影響，使光譜曲線更加光滑，減少了噪聲對(duì)模型建立和分析的影響。對(duì)于油菜秸稈，經(jīng)過相同的預(yù)處理方法處理后，也得到了類似的結(jié)果。預(yù)處理后的光譜能夠更好地反映油菜秸稈的化學(xué)成分信息，為后續(xù)的建模和分析提供了更可靠的數(shù)據(jù)基礎(chǔ)。通過對(duì)預(yù)處理前后光譜的對(duì)比分析，確定了最佳的預(yù)處理方法組合，為建立高精度的水稻和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型奠定了基礎(chǔ)。3.4模型建立與驗(yàn)證3.4.1水稻秸稈模型結(jié)果采用偏最小二乘法（PLS）和主成分回歸（PCR）算法建立水稻秸稈干物質(zhì)和可溶性糖含量的預(yù)測(cè)模型。以預(yù)處理后的光譜數(shù)據(jù)為自變量，以烘干稱重法和蒽酮硫酸比色法測(cè)定的干物質(zhì)和可溶性糖含量為因變量。通過內(nèi)部交叉驗(yàn)證確定模型的最佳參數(shù)，如PLS模型中的主成分?jǐn)?shù)等。對(duì)于水稻秸稈干物質(zhì)含量預(yù)測(cè)模型，PLS模型的決定系數(shù)（R2）為0.876，均方根誤差（RMSE）為1.35%，相對(duì)分析誤差（RPD）為2.25。這表明PLS模型對(duì)水稻秸稈干物質(zhì)含量具有較好的預(yù)測(cè)能力，R2值接近1，說明模型對(duì)數(shù)據(jù)的擬合效果較好；RMSE值較小，反映了模型預(yù)測(cè)值與實(shí)際值之間的偏差較??；RPD>2，表明模型具有較強(qiáng)的預(yù)測(cè)能力。PCR模型的R2為0.825，RMSE為1.76%，RPD為1.98。與PLS模型相比，PCR模型的預(yù)測(cè)性能稍差，R2值相對(duì)較低，RMSE值較大，RPD值略小于2，說明PCR模型的擬合效果和預(yù)測(cè)能力相對(duì)較弱。在水稻秸稈可溶性糖含量預(yù)測(cè)模型中，PLS模型的R2為0.854，RMSE為0.48%，RPD為2.12。這表明PLS模型對(duì)水稻秸稈可溶性糖含量的預(yù)測(cè)效果較好，能夠較好地?cái)M合數(shù)據(jù)并準(zhǔn)確預(yù)測(cè)。PCR模型的R2為0.802，RMSE為0.65%，RPD為1.85。PCR模型在預(yù)測(cè)水稻秸稈可溶性糖含量時(shí)，其性能指標(biāo)不如PLS模型，R2值較低，RMSE值較大，RPD值小于2，說明PCR模型的預(yù)測(cè)精度和穩(wěn)定性相對(duì)較差。通過對(duì)預(yù)測(cè)值與實(shí)際值的對(duì)比分析，繪制散點(diǎn)圖，如圖3-3所示。從圖中可以直觀地看出，PLS模型的預(yù)測(cè)值與實(shí)際值更為接近，數(shù)據(jù)點(diǎn)更集中分布在對(duì)角線附近，進(jìn)一步驗(yàn)證了PLS模型在預(yù)測(cè)水稻秸稈干物質(zhì)和可溶性糖含量方面具有更好的性能。[此處插入圖3-3，圖中應(yīng)包含水稻秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)值與實(shí)際值的散點(diǎn)圖，干物質(zhì)和可溶性糖分別用不同顏色的點(diǎn)表示，并添加圖例說明，橫坐標(biāo)為實(shí)際值，縱坐標(biāo)為預(yù)測(cè)值]3.4.2油菜秸稈模型結(jié)果同樣采用PLS和PCR算法建立油菜秸稈干物質(zhì)和可溶性糖含量的預(yù)測(cè)模型，并進(jìn)行內(nèi)部交叉驗(yàn)證和外部驗(yàn)證。在油菜秸稈干物質(zhì)含量預(yù)測(cè)方面，PLS模型表現(xiàn)出較好的性能，其決定系數(shù)（R2）達(dá)到0.863，均方根誤差（RMSE）為1.28%，相對(duì)分析誤差（RPD）為2.18。較高的R2值表明模型對(duì)油菜秸稈干物質(zhì)含量數(shù)據(jù)的擬合程度較好，能夠解釋大部分?jǐn)?shù)據(jù)的變異；較低的RMSE值說明模型預(yù)測(cè)值與實(shí)際值之間的偏差較小，預(yù)測(cè)較為準(zhǔn)確；RPD>2，顯示出模型具有較強(qiáng)的預(yù)測(cè)能力。而PCR模型的R2為0.810，RMSE為1.65%，RPD為1.92。相比之下，PCR模型在擬合優(yōu)度和預(yù)測(cè)準(zhǔn)確性上稍遜于PLS模型，R2值較低，意味著模型對(duì)數(shù)據(jù)的解釋能力相對(duì)較弱，RMSE值較大則表明預(yù)測(cè)誤差相對(duì)較大。對(duì)于油菜秸稈可溶性糖含量預(yù)測(cè)模型，PLS模型的R2為0.845，RMSE為0.45%，RPD為2.05。這表明PLS模型能夠較好地?cái)M合油菜秸稈可溶性糖含量數(shù)據(jù)，并具有一定的預(yù)測(cè)能力。PCR模型的R2為0.790，RMSE為0.60%，RPD為1.78。PCR模型在預(yù)測(cè)油菜秸稈可溶性糖含量時(shí)，各項(xiàng)性能指標(biāo)均不如PLS模型，說明其在擬合數(shù)據(jù)和預(yù)測(cè)準(zhǔn)確性方面存在一定的局限性。為了進(jìn)一步驗(yàn)證模型的準(zhǔn)確性和穩(wěn)定性，將模型應(yīng)用于獨(dú)立的驗(yàn)證集樣本。結(jié)果顯示，PLS模型的預(yù)測(cè)值與實(shí)際值具有較高的相關(guān)性，相關(guān)系數(shù)達(dá)到0.88以上，且預(yù)測(cè)值與實(shí)際值的偏差較小，大部分樣本的預(yù)測(cè)偏差在±0.5%以內(nèi)。這表明PLS模型在實(shí)際應(yīng)用中能夠較為準(zhǔn)確地預(yù)測(cè)油菜秸稈干物質(zhì)和可溶性糖含量，具有較好的穩(wěn)定性和可靠性。3.4.3模型比較與優(yōu)化綜合比較水稻秸稈和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型，無論是水稻秸稈還是油菜秸稈，PLS模型在決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）等性能指標(biāo)上均優(yōu)于PCR模型。這表明PLS模型在處理近紅外光譜數(shù)據(jù)與秸稈成分含量之間的關(guān)系時(shí)，能夠更好地提取有效信息，建立更準(zhǔn)確的預(yù)測(cè)模型。在水稻秸稈干物質(zhì)含量預(yù)測(cè)中，PLS模型的R2比PCR模型高0.051，RMSE低0.41%，RPD高0.27；在可溶性糖含量預(yù)測(cè)中，PLS模型的R2比PCR模型高0.052，RMSE低0.17%，RPD高0.27。在油菜秸稈干物質(zhì)含量預(yù)測(cè)中，PLS模型的R2比PCR模型高0.053，RMSE低0.37%，RPD高0.26；在可溶性糖含量預(yù)測(cè)中，PLS模型的R2比PCR模型高0.055，RMSE低0.15%，RPD高0.27。這些數(shù)據(jù)充分說明了PLS模型在預(yù)測(cè)水稻和油菜秸稈干物質(zhì)和可溶性糖含量方面具有明顯優(yōu)勢(shì)。為進(jìn)一步優(yōu)化模型，可嘗試增加樣本數(shù)量，擴(kuò)大樣本的代表性，涵蓋更多不同品種、產(chǎn)地、生長(zhǎng)環(huán)境的水稻和油菜秸稈樣本，以提高模型的通用性。調(diào)整模型參數(shù)，如在PLS模型中，進(jìn)一步優(yōu)化主成分?jǐn)?shù)的選擇，通過多次試驗(yàn)和交叉驗(yàn)證，確定最適合的主成分?jǐn)?shù)，以提高模型的預(yù)測(cè)精度。結(jié)合其他化學(xué)計(jì)量學(xué)算法或特征選擇方法，如采用遺傳算法（GA）進(jìn)行特征變量篩選，選擇與秸稈成分含量相關(guān)性最強(qiáng)的光譜變量，減少冗余信息，提高模型的運(yùn)算效率和預(yù)測(cè)能力。還可以嘗試將不同的光譜預(yù)處理方法進(jìn)行組合優(yōu)化，尋找最適合水稻和油菜秸稈光譜數(shù)據(jù)的預(yù)處理方案，以提高光譜數(shù)據(jù)的質(zhì)量，從而提升模型性能。通過以上優(yōu)化方法的綜合應(yīng)用，有望進(jìn)一步提高基于近紅外光譜的水稻和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)定性，使其在實(shí)際生產(chǎn)中得到更廣泛的應(yīng)用。四、討論4.1方法的準(zhǔn)確性與可靠性本研究利用近紅外光譜（NIRS）技術(shù)測(cè)定水稻和油菜秸稈干物質(zhì)和可溶性糖含量，通過與傳統(tǒng)化學(xué)方法對(duì)比，深入評(píng)估了該技術(shù)的準(zhǔn)確性與可靠性。在水稻秸稈干物質(zhì)含量測(cè)定中，NIRS技術(shù)建立的偏最小二乘法（PLS）模型決定系數(shù)（R2）達(dá)到0.876，均方根誤差（RMSE）為1.35%，相對(duì)分析誤差（RPD）為2.25。R2接近1，表明模型對(duì)數(shù)據(jù)的擬合效果良好，能夠解釋大部分?jǐn)?shù)據(jù)的變異；RMSE較小，說明模型預(yù)測(cè)值與傳統(tǒng)烘干稱重法測(cè)定的實(shí)際值之間的偏差較?。籖PD>2，進(jìn)一步證明模型具有較強(qiáng)的預(yù)測(cè)能力，能夠較為準(zhǔn)確地預(yù)測(cè)水稻秸稈干物質(zhì)含量。在油菜秸稈干物質(zhì)含量預(yù)測(cè)中，PLS模型的R2為0.863，RMSE為1.28%，RPD為2.18，同樣展現(xiàn)出良好的預(yù)測(cè)性能，與傳統(tǒng)方法的測(cè)定結(jié)果具有較高的一致性。對(duì)于水稻秸稈可溶性糖含量，NIRS技術(shù)建立的PLS模型R2為0.854，RMSE為0.48%，RPD為2.12，說明該模型能夠較好地?cái)M合數(shù)據(jù)，并準(zhǔn)確預(yù)測(cè)可溶性糖含量，與傳統(tǒng)蒽酮硫酸比色法的測(cè)定結(jié)果偏差較小。油菜秸稈可溶性糖含量預(yù)測(cè)模型中，PLS模型的R2為0.845，RMSE為0.45%，RPD為2.05，也體現(xiàn)出該模型在預(yù)測(cè)油菜秸稈可溶性糖含量方面具有較高的準(zhǔn)確性和可靠性。通過對(duì)不同地區(qū)、品種的水稻和油菜秸稈樣本的分析，結(jié)果表明NIRS技術(shù)能夠有效反映秸稈中干物質(zhì)和可溶性糖含量的變化。不同樣本的光譜特征與成分含量之間存在顯著的相關(guān)性，這進(jìn)一步驗(yàn)證了該技術(shù)在測(cè)定秸稈成分方面的有效性。與傳統(tǒng)化學(xué)方法相比，NIRS技術(shù)具有快速、無損、多組分同時(shí)檢測(cè)等優(yōu)勢(shì)，避免了傳統(tǒng)方法操作繁瑣、耗時(shí)久、需要使用大量化學(xué)試劑等問題。同時(shí)，通過合理的光譜預(yù)處理和建模方法，能夠有效提高模型的準(zhǔn)確性和可靠性，使其在實(shí)際應(yīng)用中具有較高的實(shí)用價(jià)值。然而，NIRS技術(shù)也存在一定的局限性，如對(duì)樣品的均勻性要求較高，光譜易受環(huán)境因素影響等。在未來的研究中，需要進(jìn)一步優(yōu)化實(shí)驗(yàn)條件，提高光譜數(shù)據(jù)的質(zhì)量，以進(jìn)一步提高該技術(shù)的準(zhǔn)確性和可靠性。4.2影響模型性能的因素樣本質(zhì)量對(duì)基于近紅外光譜（NIRS）技術(shù)建立的水稻和油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型性能有著關(guān)鍵影響。不同地區(qū)、品種的水稻和油菜秸稈，其成分存在顯著差異。以水稻秸稈為例，黑龍江五常的稻花香2號(hào)，由于當(dāng)?shù)貢円箿夭畲?、土壤肥沃，秸稈中干物質(zhì)積累較多；而江蘇揚(yáng)州的南粳9108，在生長(zhǎng)期間雨水較多，可能導(dǎo)致干物質(zhì)含量相對(duì)較低。油菜秸稈也類似，甘肅省張掖市的隴油6號(hào)，因當(dāng)?shù)貧夂蚋珊怠⒐庹粘渥?，可溶性糖含量相?duì)較高；而安徽省合肥市的部分油菜品種，可能由于種植密度等因素，可溶性糖含量較低。如果樣本不能全面涵蓋這些差異，模型的代表性就會(huì)不足，從而影響其預(yù)測(cè)性能。樣本的均勻性同樣重要，秸稈樣本在粉碎、過篩過程中，若粒度不均勻，會(huì)導(dǎo)致光譜采集時(shí)光散射情況不一致，進(jìn)而影響光譜數(shù)據(jù)的準(zhǔn)確性，最終降低模型的精度。光譜預(yù)處理方法的選擇對(duì)模型性能影響顯著。多元散射校正（MSC）能有效消除樣品顆粒散射效應(yīng)，使光譜更加平滑，增強(qiáng)不同樣品光譜的可比性。在水稻秸稈光譜處理中，經(jīng)過MSC處理后，光譜曲線的波動(dòng)明顯減小，特征峰更加突出，有助于提高模型對(duì)干物質(zhì)和可溶性糖含量的預(yù)測(cè)準(zhǔn)確性。標(biāo)準(zhǔn)正態(tài)變量變換（SNV）可校正光譜基線漂移，保證光譜基線的平穩(wěn)。對(duì)于油菜秸稈光譜，SNV處理后，光譜的基線更加穩(wěn)定，避免了基線漂移對(duì)成分含量預(yù)測(cè)的干擾。導(dǎo)數(shù)處理，如一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，能夠去除光譜中的背景干擾，增強(qiáng)光譜特征信息。在分析水稻和油菜秸稈光譜時(shí)，一階導(dǎo)數(shù)可突出光譜的變化率，使一些弱吸收峰顯現(xiàn)出來，二階導(dǎo)數(shù)則進(jìn)一步放大光譜的細(xì)微差異，提高光譜分辨率，為模型提供更準(zhǔn)確的光譜特征。S-G平滑算法可降低噪聲影響，使光譜曲線更加光滑，減少噪聲對(duì)模型的影響。合適的光譜預(yù)處理方法或組合，能夠顯著提高光譜數(shù)據(jù)質(zhì)量，為建立高精度的預(yù)測(cè)模型奠定基礎(chǔ)。建模算法的選擇是影響模型性能的重要因素之一。偏最小二乘回歸（PLS）和主成分回歸（PCR）是本研究中用于建立預(yù)測(cè)模型的兩種主要算法。PLS能夠有效處理自變量之間的多重共線性問題，通過提取主成分，尋找光譜數(shù)據(jù)與秸稈成分含量之間的潛在關(guān)系。在水稻秸稈干物質(zhì)含量預(yù)測(cè)模型中，PLS模型的決定系數(shù)（R2）為0.876，均方根誤差（RMSE）為1.35%，相對(duì)分析誤差（RPD）為2.25，表現(xiàn)出良好的預(yù)測(cè)性能。而主成分回歸（PCR）先對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析（PCA）降維，再進(jìn)行回歸分析。在預(yù)測(cè)水稻秸稈干物質(zhì)含量時(shí)，PCR模型的R2為0.825，RMSE為1.76%，RPD為1.98，其性能指標(biāo)不如PLS模型。這是因?yàn)镻LS在處理近紅外光譜數(shù)據(jù)時(shí)，能夠更好地提取與成分含量相關(guān)的信息，建立更準(zhǔn)確的預(yù)測(cè)模型。不同的建模算法對(duì)數(shù)據(jù)的處理方式和挖掘能力不同，因此在建立基于近紅外光譜的水稻和油菜秸稈成分含量預(yù)測(cè)模型時(shí)，需要根據(jù)數(shù)據(jù)特點(diǎn)和研究目的，選擇合適的建模算法，以提高模型的性能。4.3與其他相關(guān)研究的比較與過往研究相比，本研究在水稻和油菜秸稈干物質(zhì)和可溶性糖測(cè)定方面展現(xiàn)出獨(dú)特優(yōu)勢(shì)。付苗苗等人運(yùn)用蒽酮硫酸比色法測(cè)定水稻秸稈可溶性糖含量，采集近紅外全波段光譜信息，采用多種光譜預(yù)處理方法及逐步多元線性回歸（SMLR）、偏最小二乘回歸（PLS）和主成分回歸（PCR）化學(xué)計(jì)量學(xué)算法建立定量分析模型，結(jié)果表明，經(jīng)一階導(dǎo)數(shù)預(yù)處理建立的PLS模型效果最優(yōu)，基本可實(shí)現(xiàn)水稻秸稈中可溶性糖含量的快速檢測(cè)。與之相比，本研究在樣本采集上，不僅涵蓋了更多不同地域、品種的水稻秸稈，還同時(shí)對(duì)油菜秸稈進(jìn)行研究，樣本的多樣性和全面性更強(qiáng)。在光譜預(yù)處理和建模算法選擇上，本研究綜合運(yùn)用多種方法，并進(jìn)行詳細(xì)的對(duì)比分析，最終確定的最優(yōu)模型在預(yù)測(cè)精度和穩(wěn)定性上表現(xiàn)更為出色。在油菜秸稈研究方面，過往相關(guān)研究相對(duì)較少。本研究通過系統(tǒng)的實(shí)驗(yàn)和分析，成功建立了基于近紅外光譜的油菜秸稈干物質(zhì)和可溶性糖含量預(yù)測(cè)模型，為該領(lǐng)域的研究提供了新的思路和方法。在模型性能指標(biāo)上，本研究建立的油菜秸稈干物質(zhì)含量預(yù)測(cè)模型中，PLS模型的決定系數(shù)（R2）達(dá)到0.863，均方根誤差（RMSE）為1.28%，相對(duì)分析誤差（RPD）為2.18，而以往一些類似研究在預(yù)測(cè)精度和模型穩(wěn)定性上可能存在一定差距。本研究中水稻秸稈干物質(zhì)含量預(yù)測(cè)模型的R2為0.876，RMSE為1.35%，RPD為2.25，相較于其他相關(guān)研究中類似模型的性能指標(biāo)，本研究模型的擬合效果更好，預(yù)測(cè)誤差更小，能夠更準(zhǔn)確地預(yù)測(cè)水稻秸稈干物質(zhì)含量。差異產(chǎn)生的原因主要體現(xiàn)在樣本選取和實(shí)驗(yàn)方法兩個(gè)方面。在樣本選取上，本研究充分考慮了不同地區(qū)的氣候、土壤條件以及不同品種的特性，使得樣本更具代表性，能夠更好地反映秸稈成分的多樣性。在實(shí)驗(yàn)方法上，本研究采用了更全面的光譜預(yù)處理方法，能夠更有效地消除光譜數(shù)據(jù)中的干擾因素，提高數(shù)據(jù)質(zhì)量；同時(shí)，在建模算法的選擇和優(yōu)化上，通過多次試驗(yàn)和對(duì)比分析，確定了最適合的算法和參數(shù)，從而建立了更準(zhǔn)確、穩(wěn)定的預(yù)測(cè)模型。4.4應(yīng)用前景與局限性本研究建立的基于近紅外光譜（NIRS）技術(shù)的水稻和油菜秸稈干物質(zhì)和可溶性糖快速測(cè)定方法及模型，在農(nóng)業(yè)生產(chǎn)和生物質(zhì)能源利用等領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。在農(nóng)業(yè)生產(chǎn)中，該技術(shù)可實(shí)時(shí)監(jiān)測(cè)水稻和油菜生長(zhǎng)過程中秸稈的成分變化。通過在田間地頭使用便攜式近紅外光譜儀，農(nóng)民和農(nóng)業(yè)技術(shù)人員能夠快速了解秸稈的干物質(zhì)和可溶性糖含量，從而及時(shí)調(diào)整種植管理措施，如施肥量、灌溉量等。當(dāng)檢測(cè)到秸稈干物質(zhì)含量較低時(shí)，可適當(dāng)增加氮肥的施用量，以促進(jìn)作物的生長(zhǎng)和干物質(zhì)積累；若可溶性糖含量異常，可分析原因并采取相應(yīng)措施，保障作物的健康生長(zhǎng)，提高農(nóng)作物的產(chǎn)量和品質(zhì)。該技術(shù)還能為秸稈還田提供科學(xué)依據(jù)。準(zhǔn)確測(cè)定秸稈中的干物質(zhì)和可溶性糖含量，有助于合理評(píng)估秸稈還田后對(duì)土壤肥力和生態(tài)環(huán)境的影響，指導(dǎo)農(nóng)民確定合適的還田量和還田方式，促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。在生物質(zhì)能源利用領(lǐng)域，NIRS技術(shù)具有重要的應(yīng)用價(jià)值。秸稈作為生物質(zhì)能源的重要原料，其干物質(zhì)和可溶性糖含量直接影響能源轉(zhuǎn)化效率。在秸稈用于生物燃料生產(chǎn)，如生物乙醇、生物沼氣的制備過程中，通過快速檢測(cè)秸稈的成分含量，能夠優(yōu)化生產(chǎn)工藝參數(shù)，提高能源轉(zhuǎn)化效率，降低生產(chǎn)成本。在生物質(zhì)發(fā)電中，了解秸稈的干物質(zhì)含量有助于合理調(diào)配燃料，確保發(fā)電過程的穩(wěn)定運(yùn)行。NIRS技術(shù)還可用于生物質(zhì)能源原料的質(zhì)量控制和篩選，確保進(jìn)入生產(chǎn)環(huán)節(jié)的秸稈原料符合要求，提高生物質(zhì)能源產(chǎn)品的質(zhì)量和穩(wěn)定性。然而，該技術(shù)在實(shí)際應(yīng)用中也存在一定的局限性。一方面，環(huán)境因素對(duì)NIRS技術(shù)的影響較大。溫度、濕度等環(huán)境條件的變化會(huì)導(dǎo)致秸稈樣本的物理性質(zhì)發(fā)生改變，進(jìn)而影響光譜數(shù)據(jù)的準(zhǔn)確性。在高溫高濕的環(huán)境下，秸稈中的水分含量可能發(fā)生變化，導(dǎo)致光譜特征發(fā)生漂移，影響模型的預(yù)測(cè)精度。儀器的穩(wěn)定性也會(huì)受到環(huán)境因素的影響，如溫度變化可能導(dǎo)致儀器的波長(zhǎng)準(zhǔn)確性和吸光度準(zhǔn)確性發(fā)生波動(dòng)，從而影響檢測(cè)結(jié)果的可靠性。另一方面，NIRS技術(shù)對(duì)樣本的均勻性要求較高。秸稈樣本在采集、制備過程中，若不能保證粒度均勻、成分分布一致，會(huì)導(dǎo)致光譜采集時(shí)光散射情況不一致，使光譜數(shù)據(jù)產(chǎn)生偏差，進(jìn)而影響模型的準(zhǔn)確性。此外，不同地區(qū)、品種的水稻和油菜秸稈成分存在差異，建立的模型通用性有待進(jìn)一步提高，需要不斷擴(kuò)大樣本庫(kù)，涵蓋更多的樣本類型，以增強(qiáng)模型的適應(yīng)性。五、結(jié)論與展望5.1研究結(jié)論本研究通過對(duì)近紅外光譜（NIRS）技術(shù)在水稻和油菜秸稈干物質(zhì)和可溶性糖含量測(cè)定中的應(yīng)用進(jìn)行深入探索，取得了一系列有價(jià)值的成果。在樣品采集與制備方面，從我國(guó)多個(gè)主要產(chǎn)區(qū)廣泛收集了150個(gè)水稻秸稈樣本和120個(gè)油菜秸稈樣本，涵蓋了多種品種。對(duì)采集后的樣本進(jìn)行了細(xì)致的自然風(fēng)干、粉碎和過篩處理，確保了樣本的均勻性和代表性，為后續(xù)實(shí)驗(yàn)提供了可靠的基礎(chǔ)。在光譜數(shù)據(jù)采集與預(yù)處理環(huán)節(jié)，運(yùn)用AntarisII傅里葉變換近紅外光譜儀成功采集了秸稈樣本的近紅外光譜數(shù)據(jù)，并采用多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、導(dǎo)數(shù)處理、S-G平滑等多種預(yù)處理方法對(duì)原始光譜進(jìn)行處理。通過對(duì)比分析，有效消除了儀器噪聲、樣品顆粒度不均勻等因素的干擾，提高了光譜數(shù)據(jù)的質(zhì)量。采用烘干稱重法和蒽酮硫酸比色法準(zhǔn)確測(cè)定了水稻和油菜秸稈樣本中的干物質(zhì)和可溶性糖含量，為模型建立提供了可靠的參考數(shù)據(jù)。并利用馬氏距離法剔除了異常樣本，運(yùn)用相關(guān)分析和變量重要性投影（VIP）等方法選擇了最佳光譜區(qū)間，減少了建模變量數(shù)量，提高了模型的運(yùn)算效率和預(yù)測(cè)精度。選用偏最小二乘法（PLS）和主成分回歸（PCR）等化學(xué)計(jì)量學(xué)算法建立了水稻和油菜秸稈干物質(zhì)和可溶性糖含量的預(yù)測(cè)模型。通過內(nèi)部交叉驗(yàn)證和外部驗(yàn)證，對(duì)模型性能進(jìn)行了全面評(píng)估。結(jié)果表明，無論是水稻秸稈還是油菜秸稈，PLS模型在決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）等性能指標(biāo)上均優(yōu)于PCR模型。在水稻秸稈干物質(zhì)含量預(yù)測(cè)中，PLS模型的R2達(dá)到0.876，RMSE為1.35%，RPD為2.25；在可溶性糖含量預(yù)測(cè)中，PLS模型的R2為0.854，RMSE為0.48%，RPD為2.12。油菜秸稈干物質(zhì)含量預(yù)測(cè)中，PLS模型的R2為0.863，RMSE為1.28%，RPD為2.18；在可溶性糖含量預(yù)測(cè)中，PLS模型的R2為0.845，RMSE為0.45%，RPD為2.05。這些數(shù)據(jù)充分證明了PLS模型在預(yù)測(cè)水稻和油菜秸稈干物質(zhì)和可溶性糖含量方面具有較高的準(zhǔn)確性和穩(wěn)定性。本研究成功建立的基于NIRS技術(shù)的水稻和油菜秸稈干物質(zhì)和可溶性糖快速測(cè)定方法及模型，為農(nóng)業(yè)生產(chǎn)和生物質(zhì)能源利用等領(lǐng)域提供了一種高效、準(zhǔn)確的檢測(cè)手段。5.2研究創(chuàng)新點(diǎn)本研究在方法改進(jìn)和模型優(yōu)化等方面具有顯著創(chuàng)新之處。在方法改進(jìn)上，綜合運(yùn)用多種光譜預(yù)處理方法，對(duì)水稻和油菜秸稈的近紅外光譜數(shù)據(jù)進(jìn)行處理。與以往研究單一使用某種預(yù)處理方法不同，本研究將多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）、導(dǎo)數(shù)處理、S-G平滑等方法相結(jié)合，針對(duì)不同干擾因素對(duì)光譜數(shù)據(jù)的影響，進(jìn)行全面校正和優(yōu)化。通過對(duì)比分析不同預(yù)處理方法組合下的光譜數(shù)據(jù)質(zhì)量，確定了最適合水稻和油菜秸稈光譜數(shù)據(jù)的預(yù)處理方案，有效提高了光譜數(shù)據(jù)的準(zhǔn)確性和穩(wěn)定性，為后續(xù)建模提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。在模型優(yōu)化方面，本研究不僅對(duì)偏最小二乘法（PLS）和主成分回歸（PCR）等傳統(tǒng)化學(xué)計(jì)量學(xué)算法進(jìn)行了深入研究和應(yīng)用，還嘗試引入其他先進(jìn)算法和技術(shù)，如遺傳算法（GA）進(jìn)行特征