纤维素类芒属草本能源植物品质近红外光谱快速检测技术研究

李晓娜，范希峰，武菊英，张国芳，刘尚义，武美军，程研博，张 楠

北京草业与环境研究发展中心，北京 100097

纤维素类芒属草本能源植物品质近红外光谱快速检测技术研究

李晓娜，范希峰*，武菊英，张国芳，刘尚义，武美军，程研博，张 楠

北京草业与环境研究发展中心，北京 100097

我国生物质能源产业近年来得到快速发展，但对能源草的研究还处于初级阶段，如果能建立全面的能源植物木质素、纤维素、半纤维素的近红外预测模型数据库，将有助于优良品种的筛选、能源植物能用性能的评价及生物质能源产业在线控制。本研究采用傅里叶变换近红外光谱(FT-NIR)技术结合偏最小二乘法(PLSR)建立了荻、南荻、奇岗、芒四种芒属能源植物品质指标(纤维素，半纤维素，木质素和灰分)近红外预测模型，并在此基础上研究了样本粒度对模型的影响。研究结果表明：(1)四种芒属能源植物茎秆中纤维素，半纤维素和木质素含量误差均方根(RMSECV)分别为1.35%(R2=0.88)，0.39%(R2=0.91)和0.35%(R2=0.80)，叶片中纤维素，半纤维素和木质素含量误差均方根(RMSECV)分别为0.72%(R2=0.88)，0.85%(R2=0.85)和0.44 (R2=0.87)，所建的纤维素，半纤维素和木质素的近红外校准模型在预测未知样品含量时效果较好，但灰分含量预测效果不理想；(2)2和0.5 mm粒度样品所建近红外模型均满足样品检测精度要求，但考虑到时间和人工成本，建议在工厂对能源植物原料品质进行分析时，采用2 mm样品建模。

纤维素；近红外；芒；能源植物；粒度

引 言

能源是当今社会发展的物质基础，也是现代工业生产的核心，但随着不可再生资源的日益耗竭，能源危机也将成为世界性难题。因此，可再生能源的开发与利用是我国能源可持续发展战略中的重要组成部分。纤维素类植物因其分布广泛，充足丰富作为可再生能源具有极大的潜力[1-2]。但是不同的纤维素植物种、同一植物种不同的栽培方式、不同的收获日期均可造成其生物组成不同，进而影响到其利用方式及加工工艺。比如，生物乙醇的预处理和发酵过程需要了解原料的生物成分信息，进行合理的设计以达到加速其高温分解的目的。因此在纤维素类植物加工为生物燃料之前，了解原料的生物成分信息是必须的，因此需要快速准确检测每一批料生物成分，但传统的湿化学方法一天只能完成40～50个样品的其中一个指标的检测，显然不能满足大规模生物质能加工的需求。

近红外光谱技术产生于20世纪50年代，发展于80年代，对样品前处理要求低，操作简单，快速，广泛应用于农业、环保领域。然而有关近红外光谱分析技术在能源植物方面应用的研究却很少。Hames等研究了利用近红外光谱法来预测以玉米秸秆为原料加工乙醇所产生的中间产物的含量，并发现是可行的，为了节省时间和成本，在不影响精度的情况下，可以使用近红外光谱技术来预测热值、水分和灰分[3]。X Philip和Lu等建立了玉米秸秆、柳枝稷的三个品种葡聚糖、木聚糖、半乳糖体、树胶醛糖、甘露聚糖、木质素和灰分的近红外模型，在糖和木质素指标方面取得了较好的预测效果[4-5]。Fagan等建立了芒草水分、热值、灰分、碳含量的近红外模型，表明近红外光谱技术对于水分、热值具有很好的预测效果[6]。在国内程旭云，牛智有等构建了生物质秸秆热值的近红外光谱模型，预测结果理想[7]。杨增玲，薛俊杰等分析了不同光谱采集条件下麦秸低位热值的近红外光谱技术检测效果，表明不同的近红外光谱仪所建模型精度一致[8]。采用近红外光谱技术预测4个芒属能源植物纤维素、半纤维素、木质素和灰分的含量，为建立全面的能源植物木质素、纤维素、半纤维素、热值的近红外预测模型提供数据与理论支持。

1 实验部分

1.1 样品

芒、荻与奇岗作为能源植物在欧洲已经被广泛应用。芒作为乡土植物在中国具有广泛的分布，本研究选择了129份芒属植物，分别来自北京、湖北、山东、四川等地，均于2011年4月移栽一年生苗，种植于北京小汤山资源圃，2013年10月份收获，收获时每个小区随机选择4株，每株选择4个分蘖，距地面5 cm收割，自然风干后将叶片与茎秆分开(样品具体信息见表1)。

植物材料(约2～3 kg)自然风干后先切割为20 mm，充分混匀后一部分粉碎为2 mm，一部分粉碎为0.5 mm，105 ℃烘干至恒重并贮存于干燥器中。2 mm样品仅用来进行光谱扫描，0.5 mm样品一部分进行光谱扫描，一部分进行湿化学分析。

Table 1 Description of the experiment samples

注：-为来源不明。

1.2 湿化学分析

植物品质所选择的指标为纤维素、半纤维素、木质素与灰分。所有样品的纤维素、半纤维素含量分别采用国标(GB/T 20806—2006[9]，GB/T 20805—2006[10])进行测定，每个样品重复测定三次。具体测定流程如图1。

Fig.1 Schematic representation of experimental procedures

1.3 光谱分析

使用的近红外光谱仪TENSOR37产自德国BLUKER公司，配备高通量的空气冷却红外光源，低噪声DLATGS 探测器, 波段范围在12 000～4 000 cm-1，分辨率16 cm-1，样品扫描次数64，可以对样品旋转扫描，保证样品的均匀性。扫描时环境温度保持25 ℃恒温，湿度低于25%，石英杯装至1/3杯，用200g砝码轻压5s，扫描3次求光谱平均值。

1.4 数据处理方法

光谱数据处理采用布鲁克公司的OPUS软件。采用消除常数偏移量、矢量归一化、最小-最大归一化、多元散射校正、一阶导数、二阶导数、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+MSC九种方法对光谱进行预处理，并对所建模型性能进行评价，评价指标采用误差均方根(RMSECV)和决定系数(R2)，误差均方根数值越小、决定系数值越大，模型性能越好。采用偏最小二乘法建立校正模型，并用交叉检验的方式对所建模型进行验证。

2 结果与讨论

2.1 湿化学值

如表2所示，纤维素、半纤维素、木质素和灰分的含量因植物部位不同而不同。其中茎秆中的纤维素和木质素含量高于叶片。与此相反，茎秆中的半纤维素和灰分含量明显低于叶片。同时，四种组分含量在不同芒属植物中存在差异，说明样品具有较好的代表性，满足建立近红外模型的基本条件。

从表2可以看出除了芒之外，其他三种能源植物的纤维素与半纤维素总含量茎秆中均高于叶片，且灰分低于叶片。因此对于奇岗、荻、南荻三种芒属能源植物如果作为乙醇转化原料，在秋季收获时可适当延迟至叶片全部脱落，而对于芒则可将叶片与茎秆混合收获。

2.2 傅里叶近红外光谱模型

2.2.1 光谱

图2为四种芒属植物光谱图，可以看出，样品光谱具有很大的代表性，全波数范围内(4 000～7 500 cm-1)，光谱存在多个吸收峰，从而为能源植物中各生物质成分的测定提供了丰富的信息。茎秆和叶片光谱图吸收峰峰形及出现的波长区间一致，但是吸光度值有所差异，在波数5 200～7 500 cm-1范围内茎秆吸光度值大于叶片，而在4 000～5 200 cm-1波数范围内，叶片吸光度值大于茎秆。在5 618～7 353 cm-1波段范围内主要反映样品中含氢组分(纤维素、半纤维素、淀粉、木质素)的信息[11]，从湿化学值结果看，茎秆中纤维素、半纤维素与木质素综合含量高于叶片，由此可以解释在此波段范围内其吸光度值高于叶片。

Fig.2 Typical near-infrared spectra of the four Miscanthus samples’s stalk (a) and leaf (b) (a)：Spectrum of stem；(b)：Spectrum of leaf；

2.2.2 模型

因为样品中纤维素、木质素与半纤维素的含量变化规律不同，因此根据样品中各个指标化学分析值的梯度范围分别选择建模样品，并分别建立近红外模型，具体样品数量如表3所示。

Williams在其研究中利用决定系数(R2)评价模型的精度[12]，并将其分为4个层次：R2介于0.50～0.65之间时，该模型可以区别样品中该物质浓度含量的高低；介于0.66～0.81时，可以近似预测样品中该物质的浓度；介于0.82～0.90时，该模型对于样品中该物质的浓度可以进行很好的预测；大于0.91时，该模型的预测效果非常好。由表3可以看出，茎秆与叶片中纤维素、木质素与半纤维素含量的近红外模型R2均介于0.82～0.90之间，表明利用近红外光谱分析技术可以对能源植物中纤维素、木质素与半纤维素含量进行很好的预测。

茎秆与叶片中灰分的近红外模型R2均小于0.50，表示该模型不能用来进行未知样品灰分含量的预测，与前人近红外光谱分析技术不能很好的预测植物灰分的研究结果相符。植物灰分的主要组成为矿质元素及其盐类，其在植物体内除了小部分以无机盐形态存在外，大部分与有机物结合或是有机化合物的一部分，因此灰分的近红外光谱信息可以通过有机化合物间接获取，进而建立近红外光谱分析模型。但不同植物体矿质元素类型不同、与有机物的结合方式不同，Hitunen等根据灰分的组成将能源植物分为三类：(1)富钙、钾，硅缺乏；(2)富硅、钙，钾缺乏；(3)富钙、钾、磷。而硅在能源植物中组成为[(Si≡)N(OH)4-n]，OH的振动频率是在波数7 042～7 092和6 494～6 894 cm-1，因此在构建灰分的近红外模型之前了解植物灰分的组成，然后选择光谱范围有利于改善模型。

同时由表3可以看出相同指标茎秆和叶片建模时所采用的谱区范围、预处理方法、维数并不完全相同，纤维素含量近红外模型叶片所选谱区包含在茎秆所选谱区范围之内，采用的预处理方法分别为一阶导数+MSC与矢量归一化；茎秆与叶片木质素模型预处理方法均为一阶导数，但所选谱区范围仅有部分重叠。

Table 3 Summary of PLS prediction results for cellulose, lignin, hemicellulose and ash of stalk and leaf using near infrared spectroscopy

2.2.3 对未知样品的预测效果分析

利用所建模型对未知样品纤维素、半纤维素、木质素含量进行定量预测，并与室内湿化学值进行相关分析，以此来考证模型的稳定性。由图3可以看出，除了茎秆木质素含量外，茎秆与叶片的其他指标预测值与真值的相关系数均达到0.8以上，说明利用近红外光谱技术建立的模型能很好的预测能源植物纤维素、半纤维素、木质素的含量。由于茎秆木质素含量较为集中造成真值与预测值相关系数较小，分析真值与预测值的绝对差值均小于1.00%，平均偏差小于10%，按照国标规定，这个误差在测量允许范围之内，即表明利用近红外光谱分析技术预测茎秆木质素含量也是可行的。

Fig.3 Linear regression plots of predicted versus actual values

2.2.4 样品粒度对模型稳定性的影响

在建立近红外模型时，样品的粉碎程度对于样品的均匀性及模型的预测效果有很大的影响，如果粉碎过粗，则样品不均匀，影响模型预测效果；如果样品粉碎过细则增加加工的时间和人力成本，因此研究样品粉碎程度对近红外光谱模型的影响很有必要。该部分将纤维素湿化学分析结果与2和0.5 mm扫描光谱图分别建立模型，比较两个模型的优劣。

图4为0.5和2 mm四种芒属能源植物光谱图，可以看出，不同粒度植物样品光谱图吸收峰峰形及出现的波长区间一致，但是在9 000～11 000 cm-1波数范围内，芒和南荻的吸光度值存在差异，可能是不同粒度导致的样品不均一性引起，这一差异可以在进行光谱预处理及光谱范围选择时消除。

表4中，当样品的粉碎粒度为0.5与2 mm时，均采用一阶导数+矢量归一化的光谱预处理方法，但所采用的谱区范围只有部分与0.5 mm重叠；比较0.5 mm粒度与2 mm粒度样品建模的均方根误差与决定系数，0.5 mm粒度样品的均方根误差较小而决定系数较大，但二者差异并不显著，由此表明在工厂对能源植物原料品质进行分析时，可以采用2 mm样品进行建模从而降低样品粉碎过程中所产生的人力成本。

Fig.4 2 and 0.5 mm near-infrared spectral for stem of the four Miscanthus samples

Table 4 Summary of PLS prediction results for cellulose using near infrared spectroscopy for different particle size

3 结 论

(1)湿化学分析结果显示：四种芒属植物茎秆和叶片纤维素、半纤维素、木质素、灰分含量均存在差异；如果将能源植物作为生产乙醇的原料，奇岗、南荻和荻可适当延迟收获时间至叶片完全脱落。

(2)模型预测结果显示利用傅里叶近红外光谱分析技术可以快速预测芒属能源植物纤维素、半纤维素与木质素的含量。在研究中，因样品数量限制，所建立的近红外模型均只能预测单一指标，在以后研究中可以通过增加样品数量，建立综合模型同时预测多组分含量。

(3)近红外光谱模型对灰分的预测效果不理想。

(4)粒度越小，样品均一性越好，所建模型的预测效果亦会越好。Haffner and FB在研究奇岗近红外预测模型时发现样品粒度越小模型的预测效果越好[13]。魏姜等研究表明小的样品粒度有利于改善近红外模型[14]。但在近红外光谱扫描过程中，长波更容易受样品粒度的影响，这种影响可以通过预处理来消除，因此适度增加样品的粒度在近红外光谱分析中是可行的。通过比较0.5和2 mm粒度样品的近红外模型，利用2 mm粒度样品所建近红外光谱模型与0.5 mm粒度样品所建模型无显著差异，可以满足芒属植物纤维素含量快速预测的要求。

[1] Anon. Department of the Taoiseach, Dublin, 2008.

[2] Orts W J, Holtmant, K M, Seiber J N. Journal of Agricultural and Food Chemistry, 2008, 56: 3892.

[3] Hames B R, Thomas S R, Sluiter A D. Applied Biochemistry and Biotechnology, 2003，105: 5.

[4] Lu Liu, X Philip Ye, Alvin R. Carbohydrate Polymers, 2010, 81: 820.

[5] X Philip Ye, Lu Liu, Douglas Hayes. Bioresource Technology, 2008, 99: 7323.

[6] Colette C Fagan, Colm D Everard, Kevin McDonnell. Bioresource Technology, 2011，102: 5200.

[7] CHENG Xu-yun, NIU Zhi-you, YAN Hong-mei(程旭云，牛智有，晏红梅). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报)，2013, 29(11)：196.

[8] YANG Zeng-ling, XUE Jun-jie, HE Cheng(杨增玲，薛俊杰，贺 城). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报)，2013, 44(8)：139.

[9] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China(中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会). Determination of Acid Detergent Lignin in Feedstuffs(酸性洗涤木质素测定), 2006，(GB/T 20805—2006).

[10] General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China(中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会). Determination of Neutral Detergent Fiber in Feedstuffs(中性洗涤纤维测定)，2006，(GB/T 20806—2006).

[11] Burns D A，Ciurczak E W. Handbook of Near-Infrared Analysis, 2nd ed CRC. New York: Marcel Dekker，2001. 431.

[12] Williams P. Near-Infrared Technology-Getting the Best Cut of Light. A Short Course in the Practical Inplementation of Near Infrared Spectroscopy. 1.1 ed. Nanaimo, Canada，2003.

[13] Haffner F B, Mitchell V D, Arundale R A, et al. Cellulose, 2013, 20(4): 1629.

[14] Jiang W, Han G T, Via B K. Wood Science and Technology, 2014, 48(1): 109.

*Corresponding author

Prediction of Cellulose, Hemicellulose, Lignin and Ash Content of Four Miscanthus Bio-Energy Crops Using Near-Infrared Spectroscopy

LI Xiao-na, FAN Xi-feng*, WU Ju-ying, ZHANG Guo-fang, LIU Shang-yi, WU Mei-jun, CHENG Yan-bo, ZHANG Nan

Beijing Research & Development Center for Grass and Environment, Beijing 100097, China

Biomass energy is being industrialized rapidly in China in recent years, whereas, research on energy grass is still in primary stage. Only if near-infrared spectroscopy mode was constructed which was used to predict the lignin, cellulose and hemicellulose contents in energy crop, the varieties screening, performance evaluation and on-line control of industrialization would be facilitated. In this study, the prediction model for quality indices (cellulose, hemicellulose, lignin and ash) of four energy grass (Miscanthus) was built using Fourier transform near-infrared (FT-NIR) spectroscopy combined with partial least squares regression (PLSR) , and the impacts exerted by particle size on the model were also revealed. The results showed that (1) the root mean error of cross validation (RMSECV) of cellulose, hemicelluloses and lignin contents were 1.35% (R2=0.88), 0.39% (R2=0.91) and 0.35 (R2=0.80), respectively in stalk and 0.72% (R2=0.88), 0.85% (R2=0.85) and 0.44 (R2=0.87), respectively in leaf. The model showed good performance in prediction of corresponding contents in unknown samples, however, no satisfying performance in ash content. (2) Both 2 mm and 0.5 mm grades of particle size can meet accuracy requirements of the model. But considering the time and labor cost, 2 mm grade was suggested for model building.

Cellulose; Near-infrared spectroscopy; Miscanthus; Bioenergy crops；Particle size

Oct. 14, 2014; accepted Feb. 5, 2015)

2014-10-14，

2015-02-05

国家自然科学基金项目(41001156)和北京市科技新星项目(Z131105000413020)资助

李晓娜, 女, 1977年生，北京草业与环境研究发展中心副研究员 e-mail: lxn1977@126.com *通讯联系人 e-mail: fanxifengcau@163.com

O561.3

A

10.3964/j.issn.1000-0593(2016)01-0064-06