不同硬实率紫花苜蓿种子的近红外光谱分析

王昕洵， 陈玲玲,2， 张蕴薇， 毛培胜*

1. 中国农业大学草业科学系， 草业科学北京市重点实验室， 北京 100193

2. 赤峰市农牧科学研究院草原研究所， 内蒙古 赤峰 024031

不同硬实率紫花苜蓿种子的近红外光谱分析

王昕洵1， 陈玲玲1,2， 张蕴薇1， 毛培胜1*

1. 中国农业大学草业科学系， 草业科学北京市重点实验室， 北京 100193

2. 赤峰市农牧科学研究院草原研究所， 内蒙古 赤峰 024031

紫花苜蓿； 种子； 硬实率； 近红外光谱

引 言

紫花苜蓿(MedicagosativaL.)是一种重要的优质豆科牧草， 在世界范围内种植面积大、 用途广。 但是， 由于紫花苜蓿的种子具有硬实特性， 对苜蓿的研究工作和产业化生产造成一定的影响。 硬实普遍存在于豆科植物种子中， 研究证明， 硬实种子的活力、 抗逆表现及耐贮藏性能等都高于非硬实种子[1-2]。 但是， 由于硬实种子和非硬实种子在外部形态上没有差距， 很难鉴别和分离[3]。 目前常使用浸泡法来判断硬实种子， 该方法虽然简单、 方便， 但浸泡后的非硬实种子种皮结构和成分都发生变化， 无法在原始状态下进行相关机理研究[4]。

近红外光谱分析技术具有快速、 方便、 高效、 成本低、 应用广泛等特点。 目前， 越来越多地被应用到多个研究领域中[5-6]， 其高效、 准确的特性正是种子硬实性判别所需的。 本研究尝试采用近红外光谱技术， 以不同硬实比率的紫花苜蓿种子作为材料， 通过模型分析的方法， 建立紫花苜蓿硬实种子比率的测定模型， 为种子硬实率的无损检测提供技术支持和理论参考。

1 实验部分

1.1 仪器设备

实验主要仪器为Thermo Electron (美国)的傅里叶变换近红外光谱仪(Antaris)。 测定波长范围在4 000～10 000 cm-1(2 500～1 000 nm)之间， 扫描次数为64 次， 分辨率为8 cm-1。

1.2 样品

自然硬实率梯度样品： 选择不同地区、 不同年份、 不同品种的紫花苜蓿种子共121份， 收获年份分布在2004年—2012年之间， 其种源地分别为内蒙古(28份)、 甘肃(26份)、 新疆(23份)、 宁夏(11份)、 黑龙江(5份)、 河北(5份)、 澳大利亚(7份)、 加拿大(14份)、 法国(2份)， 硬实率分布在0.2%～33.6%之间。

人工调整不同硬实率梯度样品： 选择2012年从内蒙古收获的敖汉苜蓿种子， 种子原始硬实率为20%。 人为地调整不同硬实率的样品， 硬实率从20%～80%， 间隔为2%， 共31份样品。 调整方法为： 选取干净完整的苜蓿种子样品， 分成两份。 一份作为原始样品备用。 另一份经蒸馏水浸泡24 h后， 取出未吸涨种子， 摊晾两天， 作为硬实样品备用。 经计算比率， 取一定量的原始样品和硬实样品， 按照不同硬实率梯度混合， 成为所需硬实比率的样品。

1.3 硬实率测定

用浸种法测定种子硬实率， 随机选取每份样品中完整饱满的种子100粒， 用蒸馏水浸泡24 h， 测定未吸胀种子数， 重复5次， 取平均值[7]。

硬实率=平均未吸胀种子数/被测种子总数100×100%

1.4 光谱采集

从每份样品中随机选取干净、 完整的种子15 g， 放入样品杯中， 轻摇使表面平整， 装样量控制在样品杯容量的2/3。 为了能尽量消除由装样紧实度不同和粒度差异带来的误差， 每份样品重复扫描3次， 取平均。 每次扫描时均进行重新装样和背景扫描。 整个实验过程中将室温控制在25 ℃左右[8]。

1.5 数据处理

采用TQ Analyst v6.0分析软件(美国)， 利用偏最小二乘回归算法(PLS)建立紫花苜蓿种子自然硬实率的近红外光谱预测模型和人工配比不同硬实率的近红外光谱预测模型[9-10]。

2 结果与讨论

2.1 自然硬实率紫花苜蓿种子近红外光谱模型的建立

2.1.1 样品集的划分

121份样品的硬实率主要分布在0.2%～33.6%， 平均值为13.7%。 其中硬实率在0～11%之间的样品有53份， 11.1%～20%之间的样品有33份， 20.1%～34%之间的样品有35份。 将样品按照硬实率从大到小的顺序排列后， 按2∶1的比例划分定标集和验证集， 定标集样品82份， 验证集样品39份。 划分时使两个集合中样品的硬实率分布较相似， 其平均值、 最大值、 最小值和标准差都比较接近。 各个区段定标集和验证集的样品数量分布见图1。

Fig.1 Distribution of calibration and validation samples in different hard seed rate segments

2.1.2 光谱范围的选择

Fig.2 The spectras of alfalfa seed samples

2.1.3 模型不同回归方法和光程类型的比较

2.1.4 不同数据格式和滤波方法的比较

2.2 人工配比不同硬实率的紫花苜蓿种子近红外光谱模型的建立

Table 1 The results of different spectral regions for the model in hard seeds of alfalfa

Table 2 The results of different regression methods and pathlengths for the model in hard seeds of alfalfa

Table 3 The results of different data formats and smoothing filters for the model in hard seeds of alfalfa

2.3 不同建模样品对建模效果的影响

Table 4 The comparative analysis of prediction parameters of models in hard seeds of alfalfa

模型R2calRMSECRMSEPR2CVRMSECVRPD自然梯度模型0 91603 914 890 86124 981 91人工梯度模型一0 98842 775 660 91387 932 46人工梯度模型二0 98163 634 510 96025 323 58

3 结 论

[1] Zhang Lifeng, Wu Xingwen, She Yuehui. Agricultural Science and Technology, 2012, 13(9): 1885.

[2] SUN Xing-miao, WANG Zheng, LI Shu-guang, et al(孙星邈， 王 政， 李曙光， 等). Soybean Science(大豆科技), 2014， (3): 23.

[3] KANG Yue-qiong, HAO Feng(康月琼, 郝 风). Seed(种子), 2004, 23(7): 10.

[4] WANG Jin, LUO Guang-hong, YAN Xia, et al(王 进， 罗光宏， 颜 霞， 等). Journal of Desert Research(中国沙漠), 2011, 31(4): 974.

[5] FENG Lei, CHEN Shuang-shuang, FENG Bin, et al(冯 雷， 陈双双， 冯 斌， 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2012, 43(8): 175.

[6] ZHENG Tian-tian, SUN Teng-fei, CAO Zeng-hui, et al(郑田甜， 孙腾飞， 曹增辉， 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(3): 622.

[7] ZHAO Tang-jun, LIU Qing-chao, WANG Kui-ling, et al(赵堂君， 刘庆超， 王奎玲， 等). Seed(种子), 2013, 32(12): 24.

[8] HAN Liang-liang, MAO Pei-sheng, WANG Xin-guo, et al(韩亮亮, 毛培胜, 王新国, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2008, 27(2): 86.

[9] Plans M, Simo J, Casanas F, et al. Journal of Agricultural and Food Chemistry, 2012, 60(3): 706.

[10] LI Yong, WEI Yi-min, WANG Feng(李 勇, 魏益民, 王 锋). Acta Agriculturae Nucleatae Sinica(核农学报), 2005, 19(3): 236.

Determination of Hard Rate of Alfalfa (MedicagosativaL. ) Seeds with Near Infrared Spectroscopy

WANG Xin-xun1, CHEN Ling-ling1, 2, ZHANG Yun-wei1, MAO Pei-sheng1*

1. Beijing Municipal Key Laboratory of Grassland Science, Department of Grassland Science, China Agricultural University, Beijing 100193, China

2. Chifeng Academy of Agricultural and Animal Sciences, Institute of Grassland Research, Chifeng 024031, China

Alfalfa (MedicagosativaL. ); Seeds; Hard seed rate; Near infrared spectroscopy

Jan. 14, 2015; accepted May 18, 2015)

2015-01-14，

2015-05-18

现代牧草产业技术体系项目(CARS-35)， 中央高校基本科研业务费专项资金项目(2014JD025)资助

王昕洵， 女， 1987年生， 中国农业大学动物科技学院草业科学系硕士生 e-mail： fiveyuan@yeah.net *通讯联系人 e-mail： maops@cau.edu.cn

S330.2； S541.9

A

10.3964/j.issn.1000-0593(2016)03-0702-04

*Corresponding author