高倩，王亞梅，吳平凡，張紅美，周嶺

（塔里木大學機械電氣化工程學院/自治區(qū)教育廳普通高等學?，F(xiàn)代農(nóng)業(yè)工程重點實驗室，新疆阿拉爾 843300）

0 引言

【研究意義】新疆南疆各地區(qū)果樹（含堅果樹）種植面積較大，近5年平均為712.29×103hm2/年，占全新疆的76.7%，僅種植面積最大的紅棗樹、核桃樹、杏樹、梨樹、蘋果樹的果樹殘枝資源量為173.93×104t/年，折標能源量為88.07×104t/年。在果樹殘枝的開發(fā)利用中，纖維組分的含量至關重要。用于測定纖維組分含量的方法很多，主要有范式法和高效液相色譜法等[1]。但耗時長、操作復雜和試驗成本高。研究一種果樹殘枝纖維組分的快速檢測方法對生物質資源化利用具有重要意義?！厩叭搜芯窟M展】近紅外光譜（NIRS）技術的與化學計量方法相結合能夠實現(xiàn)快速、高效、無損、綠色的檢測[2]，植物中的纖維素、半纖維素和木質素內含有大量的含氫基團（C-H、N-H 和O-H），近紅外光譜對其具有較好的吸收，與化學計量學相結合，能夠實現(xiàn)定量檢測。Huang J 等[3]采用偏最小二乘法（PLS）和主成分分析法（PCR），管麗媛等[4]采用偏最小二乘法均建立了亞麻纖維中纖維素、半纖維素和木質素的近紅外模型，實現(xiàn)了高效快速定量分析。謝歡等[5]結合近紅外光譜高維高相關性的特點，通過特征波長篩選建立了玉米秸稈纖維素含量的偏最小二乘（PLS）預測模型。任蘭天等[6]利用近紅外光譜構建快速檢測小麥秸稈腐解過程中纖維素、半纖維素、木質素含量的定量檢測模型，定量效果較好。陳雪萍等[7]運用不同光譜預處理方法和化學計量學方法建立甘藍型油菜莖稈纖維組分含量校正模型，建立模型最佳方法為修正偏最小二乘法（MPLS）?！颈狙芯壳腥朦c】果樹殘枝中的纖維組分檢測普遍存在耗時長、操作復雜和試驗成本高的問題，近紅外光譜技術應用于生物質的纖維組分含量的檢測得到廣泛研究，但是主要以農(nóng)作物秸稈為主，對果樹殘枝的研究卻鮮見報道。需研究檢測新疆南疆果樹殘枝纖維組分含量?！緮M解決的關鍵問題】以新疆南疆各地采集的150個果樹殘枝樣本為研究對象，利用傅里葉變換近紅外光譜儀在10 000 ～4 000 cm-1光譜范圍內對果樹殘枝的纖維組分進行定量檢測。采用不同預處理方法對果樹殘枝原始光譜數(shù)據(jù)進行預處理，通過選擇特征波長，建立穩(wěn)定性好、準確度高的偏最小二乘（PLS）近紅外檢測模型，快速測定新疆南疆果樹殘枝纖維組分含量。

1 材料與方法

1.1 材料

1.1.1 果樹殘枝

果樹殘枝樣本于2019年12月～2020年3月采自新疆南疆各地區(qū)（巴音郭楞蒙古自治州、阿克蘇地區(qū)、喀什地區(qū)、和田地區(qū)、克孜勒蘇柯爾克孜自治州及新疆生產(chǎn)建設兵團第一師、第二師、第三師、第十四師），所有樣本均在剪枝期隨機采集，150個樣本中包含紅棗樹殘枝28個，核桃樹殘枝32個，香梨樹殘枝29個，杏樹殘枝33個，蘋果樹殘枝28個。

1.1.2 設備

使用Thermo 公司的AntarisⅡ傅里葉變換型近紅外（FT-NIR）光譜儀、GZX-9140MBE 型電熱鼓風干燥箱、UV-6100S 型紫外分光光度計、TGL-16 型高速離心機、JF-2000 型智能馬弗爐、SHZ-D 型真空抽濾泵等。Excel、Origin2018、TQ Analyst9.3和Matlab2018b進行數(shù)據(jù)統(tǒng)計分析。

1.2 方法

1.2.1 試驗設計

1.2.1.1 樣本制備

試驗前將果樹殘枝全部用電動剪刀剪至1.5 cm左右，水洗自然晾干，于105℃烘干8 h至恒重，粉碎后過40目篩裝進已編號的自封袋，放至盛有變色硅膠的干燥器中備用。

1.2.1.2 光譜數(shù)據(jù)采集

將實驗室溫度控制在（22±3）℃，全程避免強光直射。使用傅里葉變換近紅外光譜儀采集近紅外光譜數(shù)據(jù)，光譜掃描參數(shù)設置：樣本掃描次數(shù)為32次取平均值，分辨率設為8 cm-1，光譜采集范圍為10 000 ～4 000 cm-1[8]，對應波長為1 000 ～2 500 nm，背景頻率為每個工作流運行1次。

稱取約3（±0.05）g 的待測粉末樣品，均勻放置在石英片上，盡量保持木屑的均勻松散狀態(tài)，將盛有樣本的石英片平行移動到檢測臺上采集光譜。每個樣本隨機選取3個不同位置掃描3次，取平均值作為樣本的原始光譜。

1.2.1.3 纖維組分的化學值

果樹殘枝的纖維組分（纖維素、半纖維素和木質素）含量采用范式法進行測定，每個樣本做3次平行試驗，取算術平均值。采用科銘生物科技公司纖維素、半纖維素和木質素的試劑盒對果樹殘枝各纖維組分抽檢校正。

1.2.1.4 異常樣本剔除與樣本集劃分

在纖維組分含量的化學測定和近紅外光譜采集過程中，實驗環(huán)境和光譜儀器等因素都會造成試驗誤差，產(chǎn)生異常樣本，試驗中果樹殘枝的異常光譜剔除采用主成分分析（PCA）和馬氏距離（MD）相結合的PCA-MD方法，篩選出8個異常樣本，果樹殘枝樣品中纖維組分化學值的異常值采用濃度殘差法識別[9]，其中纖維素含量檢測出7個異常樣本，半纖維素含量檢測出5個異常樣本，木質素含量檢測出7個異常樣本。通過兩種方法結合，共剔除纖維素含量異常樣本15個，半纖維素含量異常樣本13個，木質素含量異常樣本15個。

SPXY 算法考慮光譜和濃度兩方面因素為特征參數(shù)計算樣本之間的距離[10]。使用該方法對剔除異常樣本后的樣本集按照校正集和驗證集（約3：1）進行劃分[11]，纖維素、半纖維素和木質素含量分布范圍較寬，變幅較大，具有較好的代表性，符合近紅外建模的要求。表1

表1 果樹殘枝樣本校正集和驗證集各纖維組含量Table 1 Statistics of fiber group content in the calibration set and verification set of the residual branches of fruit trees

1.2.1.5 建模及評價

偏最小二乘回歸法（PLS）對光譜陣和濃度陣同時分解，并考慮兩者的相互關系，獲得最佳校正模型，是多元線性回歸、典型相關分析和主成分分析的完美結合[12]。在建立模型時通常采用相關系數(shù)r、決定系數(shù)R2、校正標準偏差RMSEC、預測標準偏差RMSEP和RPD等指標對模型進行評價，其中在濃度范圍相同的前提下，r越接近1，RMSEC越小，RPD越大（大于2.5 以上）檢測模型回歸或預測效果越好。

試驗采用PLS建模方法，通過均值中心化法、SG卷積平滑法、一階導和SNV四種預處理方法對原始果樹殘枝光譜數(shù)據(jù)預處理，選出建模參數(shù)中R2最大和RMSECV值最小的一組用連續(xù)投影算法（SPA）[13]和競爭性自適應權重取樣法（CARS）[14]優(yōu)選特征波段，建立近紅外光譜最優(yōu)模型。

2 結果與分析

2.1 近紅外光譜譜圖

研究表明，建模光譜有1 557個數(shù)據(jù)點在9 000～4 000 cm-1有很好的光譜響應，分別在4 251、4 352、4 726、5 173、5 775、6 821、8 289 cm-1附近有較寬的吸收峰，不同樣本的近紅外譜圖波形相似，但吸收強度各有不同，光譜數(shù)據(jù)具有很好的連續(xù)性和相似性。圖1

圖1 150個樣本近紅外平均光譜Fig.1 NIRS average spectra of 150 samples

在7 170～4 000 cm-1波段下光譜反射率由高到低為紅棗樹殘枝＞杏樹殘枝＞蘋果樹殘枝＞香梨樹殘枝＞核桃樹殘枝；在10 000 ～7 170 cm-1波段下光譜反射率由高到低排列為：核桃樹殘枝＞香梨樹殘枝＞紅棗樹殘枝＞蘋果樹殘枝＞杏樹殘枝。5種果樹殘枝的3種纖維組分的吸收峰位置相近，所含的成分相似，只是含量略有差異，可以共同建立近紅外定量檢測模型。圖2

圖2 5種果樹殘枝的近紅外平均光譜Fig.2 NIRS average spectra of five fruit tree stump

2.2 光譜預處理

研究表明，纖維素、半纖維素和木質素最優(yōu)預處理的方法都是SG卷積平滑法，PLS模型決定系數(shù)R2和RPD均達到最高值，且RMSECV和RMSEP較小，明顯比其他預處理方法的建模效果好。SG 卷積平滑法是最佳的建模光譜預處理方法。表2

表2 不同預處理方法的PLS模型效果比較Table 2 Comparison of PLS model effects of different preprocessing methods

2.3 特征波段優(yōu)選

研究表明，SPA 通過均方根誤差值確定有效特征變量數(shù)，當纖維素最終迭代變量數(shù)為44，半纖維素最終迭代變量數(shù)52，木質素最終迭代變量數(shù)為58 時，模型的預測效果最好，RMSECV分別為0.010 5、0.010 5和0.008 5。經(jīng)過SPA選取特征波段后建模，纖維組分的各項模型驗證指標均有所提高。圖3

圖3 SPA選擇變量與RMSECV之間的關系Fig.3 The Relation between SPA selection variables and RMSECV

隨著迭代次數(shù)的增加，被選擇的波長數(shù)量減少由快至慢，當纖維素迭代次數(shù)為28 次，半纖維素迭代次數(shù)為27次，木質素迭代次數(shù)為21次時，RMSECV均降到最低，這時選出最優(yōu)波長組合建立的PLS模型預測效果最好。圖4

圖4 CARS法變量篩選過程Fig.4 Variable selection process diagram by CARS

采用SPA和CARS選取特征波長與全光譜建模相比，各項指標均有提升，新疆南疆果樹殘枝纖維素、半纖維素和木質素三分組分均采用CARS法變量篩選后得到最優(yōu)模型，其相關系數(shù)r分別為0.950 3、0.948 7 和0.937 1，決定系數(shù)R2分別為0.900 8、0.896 5 和0.875 1，校正標準偏差RMSECV分別為0.007 0、0.005 4 和0.005 1，預測標準偏差RMSEP分別為0.011 8、0.008 9 和0.008 8，RMSEP略大于RMSEC，且均小于1，3個模型的RPD均大于2.5（纖維素RPD為3.18；半纖維素RPD為3.11；木質素RPD為2.83），采用CARS 法進行了光譜變量篩選，建立的3個模型穩(wěn)定可靠，均具有較好的預測精度。表3

表3 全光譜和特征波長PLS模型比較Table 3 Comparison of full spectrum and characteristic band PLS models

2.4 近紅外光譜模型的建立與評價

研究表明，建立新疆南疆果樹殘枝的纖維素、半纖維素和木質素的近紅外定量檢測模型，實測值和預測值擬合具有較好的線性關系，模型具有較好的相關性。圖5

圖5 果樹殘枝纖維組分實測值-預測值散點Fig.5 Scatter plot of the true value-predicted value of the fiber component of the residual branches of fruit trees

預測值與實測值十分相近，波動范圍較為均勻，纖維素、半纖維素和木質素含量的平均相對偏差分別為1.2%、4.92%和3.26%，預測結果較為可靠，建立的模型能夠實現(xiàn)果樹殘枝纖維素、半纖維素和木質素含量的快速定量檢測。圖6

圖6 果樹殘枝纖維組分實測值-預測值對比Fig.6 Comparison of true value-predicted value of fiber components of fruit tree stumps

3 討論

3.1 從預處理角度

穩(wěn)健性好的校正模型，通常會采用特征波段優(yōu)選的方法[15-18]。SPA 通過多次迭代比較波段投影向量大小，將最大投影量波段列為有效波段，選擇冗余信息最少的變量組，從而調高模型的效率[19]。在均值中心化法（mean centering）、SG 卷積平滑法、一階導和標準正態(tài)變量（SNV）四種預處理方法對果樹殘枝原始光譜數(shù)據(jù)進行預處理時，SG 卷積平滑法的預測效果較好，可能是因為150個果樹殘枝樣本中包含了5個品種，各組分含量存在一定的差異性，而SG卷積平滑法是一種加權平均法，對光譜數(shù)據(jù)進行多項式最小二乘擬合，強調了中心點的中心作用，減少了光譜中噪聲的影響。

3.2 從特征波段優(yōu)選角度

由于近紅外光譜中存在著大量的冗余信息，因此在建立定量檢測模型額時候需要對特征波段進行優(yōu)選。競爭性自適應權重取樣法（CARS）優(yōu)選光譜信息后，果樹殘枝的纖維素、半纖維素和木質素的定量檢測效果均有明顯提升，這是因為這些波段包含了各纖維組分中非鍵合羥基伸縮振動的組合頻以及亞甲基的伸縮振動，選用這些光譜能夠減少模型中的異常點，提升模型的穩(wěn)健性。

4 結論

5種果樹殘枝可以共同建立近紅外定量檢測模型，纖維素、半纖維素和木質素最優(yōu)預處理的方法均為SG卷積平滑法，PLS模型決定系數(shù)R2和RPD均達到最高值，分別為0.716 4、0.585 5 與0.619 7，最優(yōu)的變量篩選法均為CARS法，獲得的特征波段數(shù)目分別為28、27 與21，建立果樹殘枝纖維組分實測值-預測值的近紅外定量檢測模型，平均相對偏差分別為1.2%、4.92%和3.26%。該模型能夠實現(xiàn)果樹殘枝纖維素、半纖維素和木質素的快速定量檢測。