摘 要：【目的】利用近紅外光譜技術(shù)構(gòu)建定量預(yù)測(cè)模型，及時(shí)獲得油茶重要的經(jīng)濟(jì)性狀指標(biāo)并進(jìn)行評(píng)價(jià)，以簡(jiǎn)便快速、綠色安全而又準(zhǔn)確地測(cè)定大批量油茶樣品的含油率和脂肪酸組成，為油茶良種選育提供數(shù)據(jù)基礎(chǔ)和依據(jù)。【方法】用氣相色譜法測(cè)定100 份油茶樣品的含油率（Oil content，OC）及棕櫚油酸（Palmitoleic acid，POA）、棕櫚酸（Palmitic Acid，PA）、硬脂酸（Stearic acid，SA）、油酸（Oleic acid，OA）、亞油酸（Linoleicacid，LOA）、亞麻酸（α-Linolenic acid，ALA）、不飽和脂肪酸（Unsaturated fat acid，USFA）、飽和脂肪酸（Saturatedfat acid，SFA）的含量水平，并作為試驗(yàn)測(cè)定值。對(duì)其中90 份樣本用近紅外光譜技術(shù)，采用漫反射掃描方式，采集經(jīng)過粉碎處理的油茶樣品光譜，光譜序列通過光譜殘差和特征殘差結(jié)合的方法進(jìn)行優(yōu)化預(yù)處理，對(duì)光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)歸一化，并結(jié)合導(dǎo)數(shù)法方法處理，結(jié)合偏最小二乘法建立油茶樣品含油率和主要脂肪酸組成的定量預(yù)測(cè)模型。另外10 份樣本作為模型的外部驗(yàn)證?！窘Y(jié)果】構(gòu)建的油茶籽粉OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 近紅外光譜定量模型，建模集回歸系數(shù)（RC）和驗(yàn)證集回歸系數(shù)（RP）均在0.69 以上，其中OC 和LOA 均達(dá)到0.90 以上，模型效果較好。9 個(gè)定量模型中效果最差的為SA，RC 和RP 分別為0.702 8 和0691 7。各指標(biāo)定量分析模型中建模均方根誤差（SEC）和驗(yàn)證均方根誤差（SEP）的比值在0.80 ～ 1.26 之間，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，其定量模型較佳。油茶樣品脂肪酸組成模型SEC/SEP 比值的相對(duì)偏差在0.034 ～ 0.220，說明構(gòu)建的定量模型結(jié)果很好。【結(jié)論】近紅外光譜技術(shù)能實(shí)現(xiàn)快速、綠色安全和準(zhǔn)確評(píng)價(jià)油茶樣品的含油率和主要脂肪酸組成，用所構(gòu)建的定量模型測(cè)定油茶籽粉的含油率和脂肪酸組成含量結(jié)果誤差小，有較好的預(yù)測(cè)效果，在加快油茶等木本油料樹種的良種選育方面具有很好的應(yīng)用前景。

關(guān)鍵詞：油茶籽；近紅外光譜；含油率；脂肪酸組成；定量模型

中圖分類號(hào)：S609.9 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003—8981（2023）04—0273—08

油茶是我國(guó)重要的木本油料樹種，廣泛種植在我國(guó)南方亞熱帶地區(qū)的山地丘陵地帶，具有悠久的栽培歷史[1]。油茶果實(shí)去皮加工后得到油茶籽油，它是一種天然的優(yōu)質(zhì)保健食用油，與棕櫚油、橄欖油和椰子油并稱為世界四大木本植物油，其中不飽和脂肪酸的含量在90% 左右，且油酸、亞油酸和棕櫚酸的含量較高，具有很高的營(yíng)養(yǎng)價(jià)值，且含有豐富的活性物質(zhì)[2]。茶油的用途非常廣泛，據(jù)報(bào)道，茶油具有預(yù)防心血管疾病、減少血液中的膽固醇、增強(qiáng)免疫系統(tǒng)、抑制腫瘤、抗炎等多種作用[3]。目前對(duì)于油脂中脂肪酸成分及含量的檢測(cè)，除了需要較為復(fù)雜的油脂提取過程外，還要進(jìn)行油脂甲酯化處理后才能上機(jī)檢測(cè)。針對(duì)不同脂肪酸含量的測(cè)定通常采用氣相色譜質(zhì)譜聯(lián)用儀（GC-MS）、氣相色譜儀（GC）、近紅外光譜儀（NIRS）等結(jié)合化學(xué)計(jì)量方法進(jìn)行[4-5]。相較于質(zhì)譜、色譜等技術(shù)，光譜技術(shù)的特點(diǎn)是簡(jiǎn)單、快速、準(zhǔn)確、無試劑污染，安全而且對(duì)環(huán)境比較友好[6]。NIRS 作為一種簡(jiǎn)便、快速的光譜檢測(cè)技術(shù)，為木本油料品質(zhì)檢測(cè)和評(píng)價(jià)提供了有效途徑。該技術(shù)通過化合物中各種化學(xué)基團(tuán)振動(dòng)的倍頻和組合頻率的綜合表現(xiàn)，即不同有機(jī)化合物、不同化學(xué)基團(tuán)，有不同特征吸收波長(zhǎng)，從而反應(yīng)樣品的組成或組成成分的內(nèi)在聯(lián)系，結(jié)合化學(xué)計(jì)量學(xué)和計(jì)算機(jī)分析技術(shù)可以做到對(duì)多種成分和理化指標(biāo)的同時(shí)定量分析，通用性強(qiáng)，重復(fù)性好，易于推廣應(yīng)用[7-8]。

近紅外光譜分析法已廣泛地應(yīng)用于植物含油量和脂肪酸組成的快速分析，基本上可以滿足這些植物育種和品質(zhì)分析的大規(guī)模快速檢測(cè)要求[9-10]。在茶油中已有應(yīng)用的研究報(bào)道，如張菊華等[11] 應(yīng)用近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)建立的偏最小二乘法模型所預(yù)測(cè)茶油中棕櫚酸、硬脂酸、油酸和亞油酸的含量與實(shí)際化學(xué)測(cè)定值接近，證明近紅外光譜法是一種快速、無損、準(zhǔn)確測(cè)定茶油中主要脂肪酸的方法。文韜等[12-13] 研究表明，市售不同茶油間近紅外光譜的曲線變化趨勢(shì)基本一致，呈波動(dòng)性增加，茶油中脂肪酸的含量與近紅外光譜的吸光度呈正相關(guān)。選擇全波段光譜預(yù)測(cè)茶油中脂肪酸含量的總體精度略高于顯著波段。然而，從模型的復(fù)雜性分析來看，采用顯著性帶建模的輸入變量數(shù)量與全波段建模相比少了3/4，更加節(jié)省運(yùn)算時(shí)間。另外通過采集湖南、江西、安徽和浙江4 個(gè)不同產(chǎn)地茶油的近紅外光譜數(shù)據(jù)，構(gòu)建快速鑒別原產(chǎn)地的定性模型，準(zhǔn)確率達(dá)到95% 以上。褚璇等[14] 以A 組（0% ～ 5%）和B 組（6% ～10%）共11 個(gè)樣品，C 組（15% ～ 40%）6 個(gè)和D 組（50% ～ 100%）6 個(gè)樣品不同摻假比例的山茶油為研究對(duì)象，通過對(duì)其1 000 ～ 2 500 nm 下的近紅外光譜數(shù)據(jù)進(jìn)行分析，結(jié)合主成分、特征波長(zhǎng)和支持向量機(jī)建立判別模型，均實(shí)現(xiàn)了山茶油摻假的鑒別[14]。以上研究均是以茶油展開快速定性、定量和摻偽模型的研究，對(duì)于茶油加工前端油茶籽的含油率和主要脂肪酸組成快速定量研究卻鮮有報(bào)道，因此，本研究對(duì)收集到的100 份油茶樣品構(gòu)建其含油率和脂肪酸的近紅外定量分析模型，實(shí)現(xiàn)油茶籽品質(zhì)的快速預(yù)測(cè)，為茶油質(zhì)量評(píng)價(jià)和油茶良種選育提供數(shù)據(jù)基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

1.1.1 材 料

從江西油茶主產(chǎn)區(qū)（25°37′ ～ 29°44′N，113°49′ ～118°16′E）收集油茶鮮果樣品100 份。樣品經(jīng)晾干、去皮、烘干、粉碎，過1.0 mm 篩，裝袋，得到100 份油茶籽的粉末樣本，其中90 份作為構(gòu)建近紅外光譜模型用，其余10 份樣本用作模型外部驗(yàn)證。

1.1.2 主要儀器設(shè)備及試劑

NIRFlex N-500 型近紅外光譜儀（步琦實(shí)驗(yàn)室設(shè)備貿(mào)易（上海）有限公司），GC2010-Plus 氣相色譜儀（日本島津制作所），BS124S 電子天平（賽多利斯科學(xué)儀器有限公司），電熱鼓風(fēng)干燥箱（上海新苗醫(yī)療器械制造有限公司），RE5298A 旋轉(zhuǎn)蒸發(fā)儀（上海亞榮生化儀器廠），HH-S6 電熱恒溫水浴鍋（金壇市恒豐儀器），SXT-06 索氏提取器（四川蜀玻（集團(tuán)）有限責(zé)任公司），高速粉碎機(jī)（天津市泰斯特儀器有限公司）。

6 種脂肪酸甲酯（棕櫚酸甲酯、棕櫚油酸甲酯、硬脂酸甲酯、油酸甲酯、亞油酸甲酯、亞麻酸甲酯）混合標(biāo)準(zhǔn)品（濃度均為 10 mg/mL，上海安譜實(shí)驗(yàn)科技有限公司）；石油醚（60-90℃）（上海國(guó)藥集團(tuán)化學(xué)試劑有限公司）；實(shí)驗(yàn)超純水（默克化工技術(shù)有限公司），其他試劑均為國(guó)產(chǎn)分析純。

1.2 試驗(yàn)方法

1.2.1 含油率的測(cè)定

采用索氏提取法提取測(cè)定[15]。

1.2.2 脂肪酸含量的測(cè)定

采用氣相色譜法測(cè)定[16]。

1.2.3 近紅外光譜采集方法

稱取樣品20 g，平鋪于玻璃皿中，采用漫反射方式旋轉(zhuǎn)掃描采集光譜，光譜掃描范圍4 000 ～ 10 000 cm-1，分辨率8 cm-1，掃描次數(shù)32。在光譜采集過程中，保持實(shí)驗(yàn)室內(nèi)溫濕度基本恒定，儀器開機(jī)預(yù)熱3 h 后進(jìn)行樣品光譜掃描，每個(gè)樣品重復(fù)掃描3 次。圖1 為油茶籽粉樣品的原始近紅外光譜圖。

1.2.4 樣品集劃分

為避免軟件隨機(jī)選擇驗(yàn)證集樣品可能存在的選樣不均勻，以及最大值和最小值不包含在建模集的情況，本實(shí)驗(yàn)建模均采用手動(dòng)選取驗(yàn)證集。驗(yàn)證集選取方法為：對(duì)樣品不同成分含量進(jìn)行升序排序后，自上而下每隔2 ～ 3 個(gè)樣品選擇一個(gè)驗(yàn)證集樣品，其余為建模集樣品。參與建模集和驗(yàn)證集的樣品數(shù)見表1。

1.2.5 樣品光譜預(yù)處理

利用定標(biāo)軟件NIRCal5.4 對(duì)采集的光譜數(shù)據(jù)進(jìn)行處理，一般選擇杠桿值、光譜殘差、特征殘差和載荷值中的一種或幾種參數(shù)來剔除異常樣品。本研究根據(jù)各個(gè)參數(shù)表征重要性，采用光譜殘差和特征殘差結(jié)合的方法，剔除異常樣品的光譜[8]。

采用標(biāo)準(zhǔn)歸一化（SNV），并結(jié)合二階導(dǎo)數(shù)處理（db1g2）、平滑處理、趨近歸一化（ncl）等方法對(duì)光譜進(jìn)行處理。油茶籽粉各組分在最佳波數(shù)條件下選擇的最佳預(yù)處理方法詳情見表2。校正統(tǒng)計(jì)采用偏最小二乘法（Partial least squaresregression，PLS）。

1.2.6 模型驗(yàn)證與評(píng)價(jià)

模型驗(yàn)證的目的是確認(rèn)所建立模型能否準(zhǔn)確地預(yù)測(cè)未知的樣品。將標(biāo)準(zhǔn)樣品集分為建模集和驗(yàn)證集，通過相關(guān)系數(shù)和標(biāo)準(zhǔn)偏差兩個(gè)指標(biāo)對(duì)模型效果進(jìn)行評(píng)價(jià)。

2 結(jié)果與分析

2.1 含油率及脂肪酸組成含量

用氣相色譜法測(cè)定90 份油茶樣品主要脂肪酸的含量，統(tǒng)計(jì)分析結(jié)果見表3。由表3 可知，OC、PA、POA、SA、OA、LOA、ALA、USFA、SFA 質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)偏差在0.02 ～ 5.16 之間，各指標(biāo)的數(shù)據(jù)結(jié)果分布偏度均小于1.4，范圍在0.31 ～ 1.39，峰度在0.39 ～ 4.20 之間，除了SFA的峰度達(dá)到4.0 以上，呈現(xiàn)尖峰狀態(tài)，其他指標(biāo)均小于3.0。從偏度和峰度值綜合評(píng)價(jià)，POA、SA和SFA 數(shù)據(jù)呈現(xiàn)分布左偏，說明大部分?jǐn)?shù)據(jù)結(jié)果小于各自對(duì)應(yīng)的平均值。OC、OA、USFA 數(shù)據(jù)呈現(xiàn)分布右偏，其他數(shù)據(jù)分布偏度較小，接近正態(tài)分布。各指標(biāo)峰度值表明數(shù)據(jù)結(jié)果屬于尖峰分布，可知數(shù)據(jù)集中，除ALA 接近正態(tài)分布外，其他均出現(xiàn)中等或高度偏態(tài)，即數(shù)據(jù)結(jié)果分布相對(duì)集中。

2.2 模型構(gòu)建和評(píng)價(jià)

用近紅外光譜儀自帶軟件對(duì)采集到的樣品光譜進(jìn)行預(yù)處理和模型參數(shù)優(yōu)化，在油茶籽粉光譜預(yù)處理過程中，OC、POA、SA、OA 和USFA均采用了db1g2，而PA、ALA 和SFA 均采用了SNV，SA、OA 和USFA 采用了db1g2 和ncl 結(jié)合。應(yīng)用PLS 構(gòu)建的油茶籽粉OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 共9 個(gè)近紅外光譜定量模型，各模型參數(shù)結(jié)果如表4 所示。

根據(jù)建模集和驗(yàn)證集相關(guān)系數(shù)的大小和標(biāo)準(zhǔn)偏差進(jìn)行比較。結(jié)果顯示，所建模型中OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 的定量模型建模集回歸系數(shù)（Rc）和驗(yàn)證集回歸系數(shù)（Rp）均在0.70 以上，其中OC 和LOA 的Rc 和Rp 分別為0.913 1 和0.902 6、0.961 5 和0.937 5，均達(dá)到0.90 以上，模型的光譜預(yù)測(cè)值與化學(xué)值的相關(guān)性較好，模型效果較好。9 個(gè)定量模型中效果最差的為SA，Rc 和Rp 分別為0.702 8 和0.691 7，這可能是因?yàn)镾A 化學(xué)值數(shù)據(jù)結(jié)果分布高度偏態(tài)，數(shù)據(jù)較為集中，光譜信息無法明顯有效地分辨數(shù)據(jù)間的微小差異。另外，衡量模型預(yù)測(cè)效果還可以從建模均方根誤差（SEC）和驗(yàn)證均方根誤差（SEP）反映， 從表4 可以看出， 各模型SEC 均處于0.012 1 ～ 1.605 0 范圍內(nèi)，SEP 均處于0.011 0 ～1.806 6 范圍，各指標(biāo)模型的均方根誤差較小。構(gòu)建的9 個(gè)定量分析模型中SEC 和SEP 比值在0.80-1.26 之間，均接近1，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，其定量模型較佳。模型SEC/SEP 比值的相對(duì)偏差在0.034-0.220，說明構(gòu)建的定量模型結(jié)果較好，因此使用近紅外光譜技術(shù)構(gòu)建的定量模型預(yù)測(cè)油茶籽粉的含油率和脂肪酸組成（除SA 外）切實(shí)可行。

2.3 模型驗(yàn)證

隨機(jī)選取10 份樣品對(duì)構(gòu)建的近紅外模型進(jìn)行外部驗(yàn)證， 結(jié)果見表5。OC、PA、POA、OA、LOA、ALA、USFA 和SFA 模型的預(yù)測(cè)值與化學(xué)值絕對(duì)偏差在0.00 ～ 1.03 之間，相對(duì)偏差在0.02% ～7.75% 之間， 而POA 和SA 模型的預(yù)測(cè)值與化學(xué)值絕對(duì)偏差在0.00 ～ 0.21 之間，相對(duì)偏差在0.45% ～ 21.40% 之間，相對(duì)偏差的最大極值主要是SA 模型驗(yàn)證結(jié)果導(dǎo)致。從外部驗(yàn)證的偏差結(jié)果可以看出，除了SA 外，各指標(biāo)模型可用于樣品含油率和主要脂肪酸含量的預(yù)測(cè)。

3 結(jié)論與討論

3.1 討 論

近紅外光譜技術(shù)以其快速、簡(jiǎn)便、綠色、高效等特點(diǎn)已經(jīng)在各領(lǐng)域得到廣泛應(yīng)用，發(fā)展迅速。通過該技術(shù)構(gòu)建的定性和定量預(yù)測(cè)模型，能夠較好地滿足實(shí)際生產(chǎn)需要。近紅外光譜儀采集到的樣品光譜能全覆蓋有機(jī)組分信息，通過對(duì)樣品譜圖進(jìn)行預(yù)處理、特征信息提取、關(guān)鍵波長(zhǎng)確定、主成分?jǐn)?shù)量確定、回歸擬合算法選擇、調(diào)整優(yōu)化和參數(shù)評(píng)估，最終完成模型構(gòu)建。陳洪亮等[17]采用SNV 進(jìn)行光譜預(yù)處理，無信息變量消除法（UVE）篩選波長(zhǎng)變量，再結(jié)合聯(lián)合間隔偏最小二乘法（SiPLS） 和帶極值擾動(dòng)的簡(jiǎn)化粒子群優(yōu)化算法（tsPSO）建立芝麻油中大豆油摻偽含量的預(yù)測(cè)模型。在構(gòu)建楸樹木材抗彎強(qiáng)度（MOR）和抗彎彈性模量（MOE）的近紅外模型時(shí)，采用不同的預(yù)處理方法，得到的模型預(yù)測(cè)效果不同，MOR 模型性能表現(xiàn)為多元散射校正與卷積平滑結(jié)合算法（MSC+S-G）最好，其次二階導(dǎo)數(shù)與卷積平滑結(jié)合算法（2ndDer+S-G），一階導(dǎo)數(shù)與卷積平滑結(jié)合算法（1stDer+S-G）稍弱，而MOE 模型性能排序?yàn)镸SC+S-G ＞ 1stDer+S-G ＞ 2ndDer+S-G[18]。曾韋珊等[19] 在對(duì)濕加松針葉兒茶素和表兒茶素總量構(gòu)建近紅外光譜模型時(shí)，使用卷積平滑結(jié)合卷積求導(dǎo)的預(yù)處理方法得到的模型最佳，預(yù)測(cè)準(zhǔn)確度較高。本研究在構(gòu)建油茶籽粉的含油率和脂肪酸組成時(shí)使用了多種預(yù)處理方法，根據(jù)建模效果最終選擇了SNV、db1g2、ncl 中的1 種或2 種方法，最終得到的定量模型基本能夠滿足油茶籽含油量和主要脂肪酸組成含量快速檢測(cè)的要求。

目前，在木本油料方面開發(fā)應(yīng)用的多數(shù)近紅外光譜模型定性和定量方法，關(guān)注的是茶油品質(zhì)或茶油摻偽，測(cè)試的油茶籽油或茶油樣品均屬于液態(tài)，均通過將油茶籽破碎、壓榨等工藝提取獲得，品質(zhì)分析的階段多、耗時(shí)長(zhǎng)，而關(guān)于油茶籽粉樣品品質(zhì)快速檢測(cè)的研究還鮮有報(bào)道，在粒徑較小油料作物中的應(yīng)用則較為廣泛。周菲等[9] 以50 份油用向日葵材料，采用PLS 構(gòu)建籽仁脂肪、LOA、OA、SA 和PA 含量的近紅外光譜模型，脂肪、LOA、OA 含量模型校正和驗(yàn)證相關(guān)系數(shù)均大于0.96，預(yù)測(cè)值與化學(xué)值相對(duì)誤差均在10% 以下，能夠達(dá)到樣品成分含量的快速無損測(cè)定。張菊華等[11] 采用PLS 建立油茶籽油的SFA、OA 和LOA相對(duì)含量的預(yù)測(cè)模型，Rp 依次分別為0.996、0.999和0.999，可實(shí)現(xiàn)快速、準(zhǔn)確測(cè)定油茶籽油的脂肪酸組成。何小三等[8] 采用104 份油茶籽油建立脂肪酸組成近紅外光譜預(yù)測(cè)模型，各脂肪酸組分近紅外模型的Q 值均大于0.6；各脂肪酸組分建模集的平均Rc 為0.87，SEC 為0.32，驗(yàn)證集的平均Rv 為0.82，SEP 為0.34。均能較好地預(yù)測(cè)油茶籽油脂肪酸組分的含量，具有應(yīng)用價(jià)值。本研究則是以油茶籽為測(cè)試對(duì)象，即不需要非常復(fù)雜的前期處理、實(shí)驗(yàn)室提取和儀器分析，主要是應(yīng)用于油茶初級(jí)產(chǎn)品或原材料方面，可實(shí)現(xiàn)對(duì)油茶果實(shí)樣品的快速檢測(cè)和評(píng)價(jià)，有利于品質(zhì)篩選和良種選育[20]。以近紅外光譜技術(shù)構(gòu)建油料作物成分預(yù)測(cè)模型，比傳統(tǒng)索氏提取法快速、簡(jiǎn)便、綠色、安全，而低場(chǎng)核磁共振技術(shù)在動(dòng)植物和食品工業(yè)上雖有應(yīng)用，但快速檢測(cè)的參數(shù)一般是水分和含油量[21-22]。不過，近紅外光譜技術(shù)也有不足，如本研究中對(duì)于樣本光譜數(shù)據(jù)的采集環(huán)境要求嚴(yán)格統(tǒng)一，同時(shí)樣本數(shù)量的多少也對(duì)模型的構(gòu)建和預(yù)測(cè)效果存在影響。因此，后期還需要不斷補(bǔ)充新的樣品光譜數(shù)據(jù)，優(yōu)化、完善和升級(jí)模型，從而提高模型預(yù)測(cè)的準(zhǔn)確性，為油茶良種選育和生產(chǎn)實(shí)踐提供科學(xué)準(zhǔn)確的數(shù)據(jù)結(jié)果。

3.2 結(jié) 論

本研究構(gòu)建的油茶籽OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 近紅外光譜定量模型，建模集Rc 和驗(yàn)證集Rp 均在0.69 以上，其中OC 和LOA 均達(dá)到0.90 以上，模型效果較好。9 個(gè)定量模型中效果最差的是SA，其對(duì)應(yīng)的Rc和Rp，分別為0.702 8 和0.691 7。各指標(biāo)定量分析模型中SEC 和SEP 比值在0.80 ～ 1.26 之間，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，SEC/SEP 比值的相對(duì)偏差在0.034 ～ 0.220。外部驗(yàn)證預(yù)測(cè)值和化學(xué)值的相對(duì)偏差小于8%（POA、SA 除外），表明構(gòu)建的模型能夠準(zhǔn)確定量油茶籽的含油率和主要脂肪酸組成，實(shí)現(xiàn)油茶籽品質(zhì)的快速預(yù)測(cè)，在加快油茶等木本油料良種選育和糧油質(zhì)量評(píng)價(jià)方面具有很好的應(yīng)用前景。

參考文獻(xiàn)：

[1] 陳永忠. 我國(guó)油茶科技進(jìn)展與未來核心技術(shù)[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2023，43（7）：1-22.

CHEN Y Z. Scientific and technological progress and future coretechnologies of oil tea Camellia in China[J]. Journal of CentralSouth University of Forestry amp; Technology，2023，43（7）：1-22.

[2] 甘秀海， 梁志遠(yuǎn)， 趙超， 等. 油茶籽油和茶籽油的提取及其品質(zhì)特性[J]. 貴州農(nóng)業(yè)科學(xué)，2015，43（9）：181-185.

GAN X H， LIANG Z Y， ZHAO C， et al. Extraction of Camelliaseed oil and Camellia seed oil and their quality characteristics[J].Guizhou Agricultural Sciences，2015，43（9）：181-185.

[3] 李麗， 吳雪輝， 寇巧花. 茶油的研究現(xiàn)狀及應(yīng)用前景[J]. 中國(guó)油脂，2010，35（3）：10-14.

LI L， WU X H， KOU Q H. Research advance and applicationprospect of Camellia seed oil[J]. China Oil and Fats，2010，35（3）：10-14.

[4] 唐旭曉， 張應(yīng)中， 王靜， 等.GC-MS 法結(jié)合酸酯化預(yù)處理測(cè)定不同地區(qū)油茶籽油脂肪酸含量[J]. 現(xiàn)代食品科技，2021，37（12）：286-293.

TANG X X， ZHANG Y Z， WANG J， et al. Determination of fattyacid content of Camellia seeds oil in different regions by GCMScombined with acid methyl esterification pretreatment[J].Modern Food Science amp; Technology，2021，37（12）：286-293.

[5] 王召瀅， 桂麗靜， 曹冰， 等. 茶油中脂肪酸指紋圖譜的分析與評(píng)價(jià)[J]. 南方林業(yè)科學(xué)，2020，48（2）：8-12.

WANG Z Y， GUI L J， CAO B， et al.Analysis and evaluation offatty acid fingerprints in Camellia oil[J]. South China ForestryScience，2020，48（2）：8-12.

[6] 邱靜， 肖志紅， 黎繼烈， 等. 近紅外光譜分析技術(shù)在木本油料檢測(cè)中的應(yīng)用[J]. 湖南林業(yè)科技，2021，48（1）：83-88.

QIU J， XIAO Z H， LI J L， et al. Applications of near-infraredspectroscopy technology in the woody oil detection[J]. HunanForestry Science amp; Technology，2021，48（1）：83-88.

[7] 蘇東林， 張菊華， 李高陽， 等. 近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)在茶籽調(diào)和油品質(zhì)檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 中國(guó)食品學(xué)報(bào)，2018，18（7）：332-338.

SU D L， ZHANG J H， LI G Y， et al. Research progress inapplication of near-infrared spectroscopy and chemometricsfor the quality inspection of Camellia blended oil[J]. Journal ofChinese Institute of Food Science and Technology，2018，18（7）：332-338.

[8] 何小三， 李博， 符樹根， 等. 茶油脂肪酸組分近紅外模型構(gòu)建研究[J]. 南方林業(yè)科學(xué)，2018，46（5）：13-19.

HE X S， LI B， FU S G， et al. Near infrared model construction offatty acid composition of Camellia oleifera oil[J]. South ChinaForestry Science，2018，46（5）：13-19.

[9] 周菲， 王文軍， 劉巖， 等. 向日葵籽仁脂肪和脂肪酸含量近紅外光譜模型的建立[J]. 作物雜志，2021，37（2）：200-206.

ZHOU F， WANG W J， LIU Y， et al. Establishment of nearinfraredspectroscopy model for the contents of fat and fatty acidsin sunflower husked seeds[J]. Crops，2021，37（2）：200-206.

[10] 李雪， 王督， 白藝珍， 等. 我國(guó)油料產(chǎn)品品質(zhì)的近紅外光譜快速檢測(cè)技術(shù)研究進(jìn)展[J]. 分析測(cè)試學(xué)報(bào)，2020，39（10）：1189-1195.

LI X， WANG D， BAI Y Z， et al. Research progress of near infrared spectroscopy in rapid determination on quality of oil seed products in China[J]. Journal of Instrumental Analysis，2020，39（10）：1189-1195.

[11] 張菊華， 朱向榮， 尚雪波， 等. 近紅外光譜法結(jié)合化學(xué)計(jì)量學(xué)測(cè)定油茶籽油中脂肪酸組成[J]. 食品科學(xué)，2011，32（18）：205-208.

ZHANG J H， ZHU X R， SHANG X B， et al. Analysis of fattyacid profile of Camellia oil by near-infrared spectroscopy andchemometrics[J]. Food Science，2011，32（18）：205-208.

[12] 文韜， 鄭立章， 龔中良， 等. 基于近紅外光譜技術(shù)的茶油脂肪酸含量的快速檢測(cè)[J]. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（ 自然科學(xué)版），2016，42（6）：676-681.

WEN T， ZHENG L Z， GONG Z L， et al. Rapid determination offatty acid content in Camellia oil based on near infrared spectroscopytechnology[J]. Journal of Hunan Agricultural University （NaturalSciences），2016，42（6）：676-681.

[13] 文韜， 鄭立章， 龔中良， 等. 基于近紅外光譜技術(shù)的茶油原產(chǎn)地快速鑒別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（16）：293-299.

WEN T， ZHENG L Z， GONG Z L， et al. Rapid identificationof geographical origin of Camellia oil based on near infraredspectroscopy technology[J]. Transactions of the Chinese Societyof Agricultural Engineering，2016，32（16）：293-299.

[14] 褚璇， 王偉， 趙昕， 等. 近紅外光譜和特征光譜的山茶油摻假鑒別方法研究[J]. 光譜學(xué)與光譜分析，2017，37（1）：75-79.

CHU X， WANG W， ZHAO X， et al. Detection of Camelliaoleifera oil adulterated with sunflower oil with near infrared （NIR）spectroscopy and characteristic spectra[J]. Spectroscopy andSpectral Analysis，2017，37（1）：75-79.

[15] 中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局; 中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)：GB/T 14488.1-2008 植物油料 含油量測(cè)定[S].北京： 中國(guó)標(biāo)準(zhǔn)出版社，2009.

National Grain Quality Monitoring Center of Hubei Province.GB/T 14488.1-2008 Oil seeds-determination of oil content[S].Beijing： Standards Press of China，2009.

[16] 遲韻陽， 付宇新， 曹冰， 等. 氣象因子對(duì)油茶果實(shí)表型和經(jīng)濟(jì)性狀及茶油品質(zhì)的影響[J]. 經(jīng)濟(jì)林研究，2022，40（2）：267-275.

CHI Y Y， FU Y X， CAO B， et al. Influence of meteorological factorson the phenotypic and economic characters of fruit and oil qualityof Camellia oleifera[J]. Non-wood Forest Research，2022，40（2）：267-275.

[17] 陳洪亮， 曾山， 王斌. 優(yōu)化基于近紅外光譜的聯(lián)合間隔偏最小二乘法建模檢測(cè)芝麻油摻偽含量[J]. 中國(guó)油脂，2020，45（2）：86-90.

CHEN H L， CENG S， WANG B. Detection of adulterationcontent in sesame oil by optimizing the model established bysynergy interval partial least squares based on near infraredspectroscopy[J]. China Oil and Fats，2020，45（2）：86-90.

[18] 汪睿， 石蘭蘭， 王玉榮. 利用近紅外光譜技術(shù)快速預(yù)測(cè)楸樹木材抗彎性質(zhì)[J]. 光譜學(xué)與光譜分析，2023，43（2）：557-562.

WANG R， SHI L L， WANG Y R. Rapid prediction ofbending properties of Catalpa bungei wood by near-infraredspectroscopy[J]. Spectroscopy and Spectral Analysis，2023，43（2）：557-562.

[19] 曾韋珊， 黃林旺， 呂欣欣， 等. 濕加松針葉兒茶素和表兒茶素總量近紅外光譜預(yù)測(cè)模型的建立[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2022，42（4）：22-29.

ZENG W S， HUANG L W， LYU X X， et al. Establishment ofnear infrared spectroscopy prediction model for total catechin andL-epicatechin in Pinus elliottii × P. caribaea needles[J]. Journalof Central South University of Forestry amp; Technology，2022，42（4）：22-29.

[20] 陳永忠， 許彥明， 張震， 等. 油茶果實(shí)主要數(shù)量性狀分析及育種指標(biāo)體系篩選[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2021，41（3）：1-9.

CHEN Y Z， XU Y M， ZHANG Z， et al. Analysis of fruit mainquantitative traits and selection of breeding index in Camelliaoleifera[J]. Journal of Central South University of Forestry amp;Technology，2021，41（3）：1-9.

[21] 馬彥寧， 錢建強(qiáng)， 回朝陽， 等. 油料種子含油含水率的Cpmg序列核磁共振測(cè)量[J]. 大學(xué)物理，2018，37（7）：78-81.

MA Y N， QIAN J Q， HUI C Y， et al.The NMR measuring of oiland moisture content of oil seeds based on the CPMG sequence[J].College Physics，2018，37（7）：78-81.

[22] 孔凡利， 付宇新， 王召瀅， 等. 基于低場(chǎng)核磁共振技術(shù)快速測(cè)定油茶籽含油率[J]. 南方林業(yè)科學(xué)，2022，50（4）：70-74.

KONG F L， FU Y X， WANG Z Y， et al. Rapid detection of oilcontent in Camellia oleifera seeds based on low field nuclearmagnetic resonance[J]. South China Forestry Science，2022，50（4）：70-74.

[ 本文編校：趙 坤]