基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究

沈维政，胡枫竹，王 艳，于海礁，孔庆明

基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究

沈维政，胡枫竹，王 艳，于海礁，孔庆明

（东北农业大学电气与信息学院，哈尔滨 150030）

文章采用近红外光谱分析方法验证不同条件下氨化和碱化处理玉米秸秆粗蛋白含量测定效果。选择不同超声条件对玉米秸秆样品前处理，获取54种样品，粗蛋白含量为2.535 6%～6.854 7%，依据X-Y残差法剔除29、30、38、51号异常样本，交互验证决定系数R2C由0.679升至0.840，将剩余50个样品划分为校正集（40 samples）及验证集（10 samples），选用OSC方法对光谱去噪处理，对比平滑处理（windowsize 15），R2C由0.827升至0.865，选取波段9 781～1 093 cm-1作为特征波段，对比SVRM、PCR及PLS3种粗蛋白定量分析模型，选取SVRM（C=0.01,Gamma=100）为最佳模型，校正集决定系数R2C为0.833，RMSEC为0.389，验证集决定系数R2P为0.914，RMSEP为0.296。结果表明，近红外光谱分析方法测定玉米秸秆氨化、碱化处理后粗蛋白含量可行。

玉米秸秆；氨化处理；碱化处理；SVMR；PCR

我国是世界秸秆产量大国，每年玉米秸秆产量达2.65亿t，但利用率很低。玉米秸秆是反刍动物重要粗饲料来源[1]。玉米秸秆资源饲料化是现代畜牧业发展方向，但其粗蛋白含量低、中性洗涤剂纤维含量低、适口性差。玉米秸秆氨化、碱化处理技术是将一定浓度酸碱液按比例喷洒于玉米秸秆，打破纤维素、半纤维素与木质素间连接，微生物附和消化方法。玉米秸秆氨化、碱化处理具有提高粗蛋白含量，改善适口性，提高秸秆消化率、操作简单易行、成本低等特点。实际应用中，氨化与碱化处理后，秸秆粗蛋白含量是决定其饲用品质的重要指标。目前常规蛋白测定方法速度慢、成本高，不适合大批量样品测定和筛选。

近红外光谱分析技术作为快速无损检测方法，广泛应用于饲料及畜牧行业。Michacl等利用NIRS技术建立秸秆NDF、ADF、活体外消化率及代谢能测定定标模型，各指标模型决定系数（R2）均＞0.8[2]，为技术可行性奠定基础。白琪林采用PLS回归模型在国内首次建立玉米青贮样NDF、ADF、脂肪、维生素测定校正模型，定量分析模型适配性和稳定性较好，可满足玉米秸秆品质快速分析需要[3]。吴军采用PLS方法建立普通品种、高油品种、高油群体玉米秸秆粉定量分析模型，明确NIRS在青贮玉米育种中应用[4]。采用近红外方法检测玉米秸秆主要成分（纤维素、半纤维素、木质素、粗蛋白含量）研究较少，目前研究多集中在玉米籽粒品质快速测定。

本文基于杠杆值浓度残差法，结合支持向量回归法初步建立玉米秸秆粗蛋白近红外定标模型，实现秸秆粗蛋白快速检测与模型解析，为玉米秸秆粗蛋白快速检测提供参考，为其饲用品质分析评价提供简便、准确的低成本测定方法。

1 原理与方法

1.1 SVMR支持向量回归

支持向量机SVM（Support vector machine）方法是建立在SLT（Statistic learn yheory）VC（Vapnik-Chervonenkis）维理论和结构风险最小原理基础上，根据有限样本信息在模型复杂性与学习能力间寻求最佳折中，使用效果较好。SVM是新模式识别方法，在小样本数、非线性和高维数据空间模式识别问题上优于传统算法。近年来，SVM已成功推广到函数逼近、信息融合等领域。最小二乘估计作为函数回归最基本工具之一，可解决最小二乘问题转化为SVM形式问题，保证函数具有最小预测风险[8-9]。

SVM数学模型如下：

用线性回归函数f(x)=wx+b拟合数据{xiyi}，i=1,...,n,xi∈R问题，根据SVM理论，若采用线性ε不敏感损失函数，

其他引入松弛因子ξi≥0和ξ∗i≥0，则约束条件为

最小化目标函数为，

常数C＞0控制对超出误差ε样本惩罚程度，采用优化算法可得到其对偶问题，即约束条件，

对Lagrange因子αi，α∗i最大化目标为，

得到回归模型：

其中αi，α∗i不为0，对应样本为支持向量，如

式（5）～（6）中b∗取在边界上1点。

1.2 PCR主成分回归

在多元线性回归分析中，自变量存在程度相关性。若相关程度较高，则各回归系数估计方差较大，无法准确解释因变量变化[10]。

主成分回归为多变量回归方法，可诊断自变量间共线性，首先对数据矩阵X主要成分分析（PCA），得到变量转换成新变量，再对新变量采用多元回归建模[11]，主成分分析数学模型如下。

X=[X1,X2, X3,…, Xp]T为n×p数据矩阵，对X奇异值分解（SVD），得到等式：果用核函数K(xi,xj)替代（4），（5）中内积运算可确定非线性拟合函数，

式中U为标准化得分矩阵，T为未标准化得分矩阵，P为权重矩阵，P列向量为X特征向量或主成分（PCs）。Λ为对角矩阵，对角线上前p个元素λi为奇异值，是协方差矩阵X′X各特征值平方根。λi与第一个主要成分（PC1）得分相关，由第一个主成分PC1所解释方差，有λ1≥λ2≥…≥λp。

1.3 样品采集制备及标定

1.3.1 样品采集制备

选取东北农业大学阿城实验实习基地玉米秸秆作为试验样品，仪器为微型植物粉碎机、超声仪和50 mL离心管；化学试剂为干物质5%尿素和4%NaOH溶液。收获后秸秆切割成2～3 cm长度后备用。

1.3.2 标准化学标定

① 氨化处理：干物质5%尿素溶水，均匀喷洒在秸秆上，塑料袋密封，处理30 d后，72 h放氨后制样、称重。处理后将秸秆65℃下烘箱中烘干48 h至恒重，烘干秸秆粉碎、称重。

② 碱化处理：取秸秆干物质4%NaOH溶水，均匀喷洒于秸秆上，塑料袋中密封，处理7 d后打开，72 h放碱后制样、称重。处理后将秸秆65℃下烘箱中烘干48 h至恒重，烘干秸秆粉碎、称重。

③ 无处理空白样：晾晒风干秸秆，未经其他处理，称重后将秸秆65℃下烘箱中烘干48 h至恒重，烘干秸秆粉碎、称重。

1.3.3 超声波处理

取过100目筛秸秆粉末在水浴条件下超声波处理。超声功率分别为60、75、90、105和120W，超声时间分别为5、10、15、20、25 min，固液比分别为1：5、1：10、1：15、1：20、1：25，容器内声功率密度分别为1.2、1.5、1.8、2.1、2.4 W·mL-1。处理后烘干，密封，保证良好厌氧环境，置于室温内预处理，试验结束后测定秸秆水分、蛋白质、半纤维素、纤维素和木质素含量。经过范式法测定得到玉米秸秆粗蛋白54个样品，其中粗蛋白含量为2.5356%～6.8547%，平均值为3.715%。

1.4 光谱采集

试验采用Thermo公司Antaris II近红外光谱仪对玉米秸秆样本光谱扫描。秸秆样品为固体粉末，漫反射光谱扫描光谱范围4 000～12 000 cm-1，对应波长范围2 500～1 000 nm，共计519个波长点，最小光谱扫描分辨率为4 cm-1，采用积分球扫面方式，光源为11.9 W/7 VW 卤钨灯，SabIR光纤探测器，工作电压6 V，选用空气作对比对象，样品扫描前背景扫面设定64次，试验中扫描次数设定64次，横坐标为波数范围4 000～12 000 cm-1，纵坐标为样品吸光度，扫描结果如图1所示。

2 结果与分析

2.1 异常样本剔除

图1 玉米秸秆近红外光谱图像Fig.1 Near infrared spectrum image of corn stalk

异常样品称界外样品（Ouiliers），在近红外光谱分析过程中异常样品识别主要用于模型建立过程中界外样品识别和预测分析时待测样品是否为模型界外样品判断。校正过程中会出现两类异常样品：一是含有极端组成样品，成为高杠杆点样品，影响回归结果；二是参考数据与预测值在统计意义上有差异校正样品。预测过程界外样品识别主要是用来检测待测样品是否在所见校正模型覆盖范围内，确保其预测结果准确性。模型界外样品主要包括：浓度界外样品，光谱残差界外样品和最邻近距离界外样品[12]。

2.1.1 霍特林（Hotelling）T2统计

采用光谱方法和常规方法对比检测不同样品测量值，也称为成对t检验，实质是判断两种方法间偏差均值（接近零）是否与期望值（零）存在显著性差异，即判断光谱方法与常规方法是否存在系统误差。

霍特林T2统计是重要统计方法，基于主成分分析椭圆二维模型，多用以检验多元变量稳定性，如果一个观测量主成分保持稳定，则该观测量T2统计量应保持在稳定水平。

检测用来判断均值与X或与真值显著性差异，t值按下式计算：

图2 玉米秸秆粗蛋白模型主成分得分Fig.2 PCA scores of corn stalk crudeprotein model

式中，d为两种方法多测样品间对应差值平均值；S为两种方法所测样品间对应差值标准偏差；N为样品数目。通过显著性检测，若发现分析结果存在显著性差异，结果存在系统误差；若无显著性差异，则表明此分析结果差异来自偶然误差。

本文设定缺省P值为5%，由图2可知，选择临界极限5%时，玉米秸秆粗蛋白模型中46、47、28、7号样品超出极限值，予以剔除。

2.1.2 X-Y残差

图3 玉米秸秆粗蛋白模型X-Y残差统计结果Fig.3 X-Y residual statistical resultsof corn straw crudeprotein model

对校正模型样品X-Y方差分析，其中X（Re⁃sidual sample X-variance）表示样品光谱，Y（Re⁃sidual sample Y-variance）表示样品化学数值。计算Y残差，Y方差越大，校正模型对其拟合能力越弱，解释能力越低[13]。

由图3a可知，玉米秸秆粗蛋白模型中30、38号样品具有较高残差，予以剔除，对剩余50个样品再次统计残差，由图3b可知，29、51号样品具有较明显残差，剔除。

2.1.3 3D视图分析

除采用Y方差判断异常样本外，Leverage也是重要异常样本判定方法，可弥补Y方差判定单一性不足，本文采用Residual sample X-variance作为X轴，Leverage作为Y轴，Residual sample Y-vari⁃ance作为Z轴3D视图方法判定。该方法工作原理：

① 计算校正模型杠杆值。其中杠杆值用于检测样品是否远离该模型描述空间中心有效，高杠杆值样品为异常值。

② 计算校正模型X-Y残差residual。

图4 基于Leverage3D视图分析法测定异常样本结果Fig.4 Determination of outlier samples resultsbased on Leverage 3D view analysis

③ 建立Residual sample X-variance作为X轴，Leverage作为Y轴，Residual sample Y-vari⁃ance作为Z轴3D模型。

由图4可知，大部分样品均匀分布在3D视图圆心处，但部分样品距离圆心较远，距离较远样品杠杆值及X-Y方差较大。30、38及29、51号样品明显距离圆心较远，综合3个方向数值判定4个样品可剔除。

针对以上异常样品剔除方法选择交互验证（Cross Validation）。图5显示在无任何样品剔除情况下用54个玉米秸秆粗蛋白样品建立偏最小二乘回归模型，由图5可知，粗蛋白交互验证模型决定系数R2为0.679015，决定系数较低，交互验证均方误差根RMSECV为0.622，由模型可见，29、30、38、51号样品优于校正曲线。经过Y残差及3D视图分析法剔除4个异常样本后，交互验证模型决定系数R2提升为0.84，交互验证均方误差根RMSECV降为0.378。

对剔除异常样品后50个玉米秸秆样品分类，依据定量分析模型需求将样品分为校正集和验证集，其中选择40个样品作为校正集，10个样品作为验证集，统计分析结果见表1。

由表1可知，校正集和验证集样品分布均匀，数值差异显著。

图5 玉米秸秆粗蛋白原始模型及去除异常样本后交互验证模型Fig.5 Original spectra model and removing outlier samples validation model of corn straw crudeprotein

表1 玉米秸秆粗蛋白校正集及验证集统计Table 1 Calibration set and validation set statisticsof corn straw crudeprotein

2.2 光谱去噪处理

光谱预处理是定性和定量分析基础。近红外光谱仪采集光谱除样品信息外，包含其他无关信息和噪音，如电噪音、样品背景和杂散光等。因此，在用化学计量学方法建立模型时，应对光谱预处理。光谱预处理旨在消除光谱数据无关信息和噪音。本文选用正交信号分解方法去除噪声，选取平滑处理（window size 15）对比验证。

2.2.1 平滑去噪

平滑处理可剔除信号毛刺，令光谱更平滑，检测图像特征强弱及其方向，其平滑结果较好兼顾噪声消除和特征保持，平滑处理15点去噪后光谱如图6a。

2.2.2 正交信号分解

正交信号分解（OSC）是近年提出模型校正前滤波技术，该算法在滤波同时充分考虑光谱与样品化学组成间关系。主要目的是去除光谱数据集中于分析量无关变化部分，多元校正模型预测能力加强。应用此方法可降低PLS模型复杂度，减少潜变量，在潜变量中移出与分析无关变量后，模型意义更明确。OSC去燥后光谱如图6b。

图6 玉米秸秆粗蛋白光谱去噪结果Fig.6 Spectral denoising resultsof corn stalk crude protein

表2 玉米秸秆光谱去除噪声后模型交互验证结果Table 2 Corn stalk model validation results after spectral denoising

对以上处理后样本建立粗蛋白定量分析模型并验证，结果如表2所示。

由表2可知，两种方法中选择正交信号分解验证结果较好，交互验证决定系数为0.864，均方误差根为0.346，由于所测玉米秸秆样品为固体粉末，正交信号分解对消除固体颗粒分布不均及固体颗粒产生散射效果较好。

2.3 定量分析模型

本文选择9 781～1 093 cm-1作为玉米秸秆粗蛋白特征波段建立粗蛋白定量分析模型。

2.3.1 支持向量回归

图7 惩罚因子C与核函数Gamma选择Fig.7 Selection of penalty factor and kernel function

表3 玉米秸秆粗蛋白最优参数C和Gamma选择Table3 Optimal choiceof C and Gamma in model of corn straw crudeprotein

支持向量机可有效克服神经网络方法收敛速度慢、解不稳定及泛化能力差缺点，对小样本、非线性和高维数据空间模式识别问题具有优势。本文将SVM回归法应用于近红外光谱定量分析，建立定标模型效果良好，结果见图7，表3。

由图7，表3可知，SVMR模型核函数选择为Radial basis function，选择核参数Gamma为0.01、0.1、1、10、100，惩罚因子C为0.01、0.1、1.0作最优参数选取，最终Gamma为100，C为0.01具有最低RMSEP。

2.3.2 主成分回归

图8 PCR模型中主成份数选择及模型验证结果Fig.8 Choosing thenumber of principal componentsin PCR model and model validation results

表4 最优玉米秸秆粗蛋白定量分析模型对比结果Table 4 Comparativeanalysis of resultsmodel of optimal corn stalk crude protein

图9 PLS及SVRM定量分析模型验证结果Fig.9 Validation results of PLSand SVRM quantitativeanalysis models

主成分回归是将主成分分析（Principal Compo⁃nent Analysis PCA）与多元线性回归分析结合方法。主成分回归有效降低数据维度，确定各变量对各主成分贡献。本文选取PCR最大主因子数为20模型验证，由图8可知，在校正集中选择主成份数4，浓度残差升高，因此最佳主成份数选择4。

分别对比PLS，SVRM及PCR 3种模型结果，由表4和图9可知，SVRM具有最优模型精度，R2C为0.933，RMSEC为0.389，R2P为0.914，RMSEP为0.312，相对于PLS及PCR验证模型均有较高提升。

3 讨论与结论

3.1 异常样本剔除方法对比

异常样本存在影响模型校正回归结果，使模型在统计上出现较大误差[14]。褚小立等研究表明，异常样本应依据样本化学值Y或光谱值X是否严重偏离样本总体分布判别，偏离总体分布超过设定范围值视为异常值[15]。尹宝全等对玉米籽粒含水率、蛋白质含量及淀粉含量分析表明，马氏距离（Mahalanobis distance，MD）、半数重采样（Resam⁃pling by half-mean，RHM）法等单一判定指标对异常样本判定效果不如基于X与Y联合判定方法，采用联合法判定玉米籽粒蛋白质模型决定系数为R2C为0.86，相对标准偏差为0.06[16]。刘翠玲等基于主成分及预测误差方差结果蒙特卡洛交叉验证法（MCCV）对比马氏距离剔除异常样本，RMSECV由0.845 5提升到0.880 8，RMSEP由0.040 5降低到0.035 5[17]。本试验研究表明，基于杠杆值及X-Y残差3D视图分析方法与上述方法试验结果具有一致性，构建霍特林T2统计法、结合样品残差及光谱残差X-Y残差法、选择交互验证（Cross Valida⁃tion）交互验证模型决定系数R2从0.679升至0.840，交互验证均方误差根RMSECV从0.622降为0.378，结果与尹宝全等精度一致，比刘翠玲等验证法精度略低[17]。蒙特卡洛交叉法2 000次PLS内部建模交叉验证得到每个样本均值-方差分布，有效提取优样品解，该方法模型拟合时间较长，不适用于实验室检测，不适用现场实时快速检测。

3.2 光谱噪声去除方法对比

光谱中噪声存在导致光谱信息畸变、信息数据偏离，刘贤等建立秸秆青贮饲料粗蛋白近红外分析模型，选择9 090～4 000 cm-1波段正交信号分解法模型验证传递方法，对比斜率/截距、局部中心化、平滑去噪等处理方法，结果表明，采用OSC方法处理噪声其模型决定系数相比原始光谱从0.85升至0.90，校正标准差从0.574降至0.429[18]。本研究表明，采用正交信号分解方法可有效提升模型校正精度，交互验证决定系数从0.84升至0.864，均方误差根从0.378降为0.346，与上述方法试验结果一致，同时均方误差相对较低，两者所测玉米秸秆样品均为固体粉末，本试验采用54个样品，多于上述研究的40个样品，样品覆盖度更高。任芊等采用OSC-PLS方法建立固体材料挥发值测定模型，校正后模型测定系数R2从0.735 9升至0.946 3，模型可解释性增强[19]，与本试验结果一致，可知OSC法可有效去除原光谱矩阵中与因变量不相关变异信息，对消除固体颗粒分布不均及固体颗粒产生散射效果较好[20-21]。

3.3 定量分析模型构建对比

定量分析模型是在物质浓度与分析仪器响应值之间建立定量关联关系，定量分析模型分为线性及非线性模型[22]。薛俊杰等对玉米秸秆饲料样品粗蛋白建立基于线性模型PLS回归模型，其模型R2C为0.81，RMSEC为0.65，R2P为0.82，RMSEC为0.59。结果与本试验结果一致，PLS线性建模方法可有效提升模型精度[23]。本试验加入基于非线性SVMR模型对比，结果相比于原始光谱R2C由0.822升至0.933，RMSEC由0.640 1降至0.389，R2P由0.890升至0.914，比采用PLS模型结果更显著。薛俊杰等采自河北、山西、山东的217个秸秆样本，样品（品种、气候、土壤）存在较大地域性差异，本试验样本均选自黑龙江省，样品差异性小，PLS回归模型构建过程中只有最佳主因子数参数可供选择，模型精度更依赖样品代表性。SVMR可核函数、核参数及惩罚因子参数选择中，本试验选取最优参数Gamma为100，C为0.01构建定量分析模型精度相对最优。

近红外光谱技术可有效、快速测定玉米秸秆粗蛋白含量，模型验证集决定系数R2P为0.914，RMSEP为0.296，相对标准偏差RSD为3.8%，误差范围满足模型构建要求。

[1] 秦建有.反刍动物饲料营养价值评定方法探析[J].南方农业,2017,11(8):86,88.

[2] Michael M,Blanke.Non-invasive assessment of firmness and nir sugar(TSS)measurement in apple,pear and kiwi fruit[J].Erwerbs-Obstbau,2013,55(1):19-24.

[3] 白琪林,陈绍江,董晓玲,等.近红外漫反射光谱法测定玉米秸秆NDF与ADF含量[J].光谱学与光谱分析,2004,24(11):1345-1347.

[4] 吴军,白琪林,苏胜宝,等.近红外反射光谱法分析玉米秸秆纤维素含量的研究[J].分析化学,2005,33(10):1421-1423.

[5] 张新玉,王颖杰,刘若西.近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究[J].中国农业大学学报,2017,22(5):25-31.

[6] Lomborg C J,Thomsen M H,Jensen E S,et al.Power plant intake quantification of wheat straw composition for 2nd generation bioethanol optimization- A Near Infrared Spectroscopy(NIRS)feasibility study[J].Bioresource Technolo⁃gy,2010,101(4):1199-1205.

[7] Bertone E,Venturello A,Leardi R,et al.Prediction of the optimum harvest time of scarlet apples using DR-UV-Vis and NIR spectroscopy[J].Postharvest Biology and Technolo⁃gy,2012,69:15-23.

[8] Chen L,Xing L,Han L.Renewable energy from agro-resi⁃dues in China:Solid hiofuels and biomass briquetting tech⁃nology[J].Renewable and Sustainable Energy Reviews,2009,13(9):2689-2695.

[9] 孙通,徐惠荣,应义斌.近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J].光谱学与光谱分析,2009,29(1):122-126.

[10] 鲁雄,张力培.近红外光谱分析技术在饲料行业中的应用[J].安徽农业科学,2016,44(2):83-85.

[11] 杨琼,项瑜,杨季.近红外光谱分析技术的研究与应用[J].重庆三峡学院学报,2013,29(3):89-91.

[12] 石磊,王旭峰,邓丹雯,等.近红外光谱分析技术(NIR)的研究现状及其在饲料检测中的应用[J].安徽农业科学,2012,40(21):11100-11102.

[13] 齐龙,朱克卫,马旭,等.近红外光谱分析技术在大米检测中的应用[J].农机化研究,2011,33(7):18-22.

[14] 皇才进,刘贤,杨增玲,等.秸秆热值近红外光谱模型的外部验证结果间的统计比较分析[J].光谱学与光谱分析,2009,29(5):1264-1267.

[15]褚小立,陆婉珍.近五年我国近红外光谱分析技术研究与应用进展[J].光谱学与光谱分析,2014,34(10):2595-2605.

[16] 尹宝全,史银雪,孙瑞志,等.近红外多组分分析中异常样本识别方法[J].农业机械学报,2015(增1):122-127.

[17] 刘翠玲,孙晓荣,吴静珠,等.基于NIR的小麦粉异常样本剔除方法研究[J].农机化研究,2014(4):46-48.

[18] 刘贤,韩鲁佳,杨增玲,等.基于正交信号校正的秸秆青贮饲料粗蛋白近红外分析模型传递方法[J].分析化学,2012,40(4):596-601.

[19] 任芊,解国玲,董守龙,等.OSC-PLS算法在近红外光谱定量分析中应用的研究[J].北京理工大学学报,2005,25(3):

Study on corn straw crude protein quantitative analysis model with different ammonia and alkalization trea

SHEN Weizheng,HU Fengzhu,WANG Yan,YU Haijiao,KONG Qingming
(School of Electrical Engineering and Information,Northeast Agricultural University,Harbin 150030,China)

A rapid detection method based on near infrared spectroscopy(NIR)was used to quickly verify the crude protein of corn straw in ammoniation and alkalization under different conditions in this paper.Different ultrasonic conditions were selected to pretreat the corn straw.A total of 54 samples were obtained.The crude protein content was 2.5356%-6.8547%.Four abnormal samples,29,30,38 and 51,were excluded.The cross validation coefficient of determination(R2C)of the remaining 50 samples rose from 0.679 to 0.84.All the remaining 50 samples were divided into calibration set(40 samples)and test set(10 samples).After denoising the spectrum by way of OSC and contrastingsmoothing(windowsize 15),R2C increased from 0.827 to 0.865.The 9 781-1 093 cm-1band was selected as the characteristic band to compare three crude protein quantitative analysis models,SVRM,PCR and PLS.Finally,SVRM(C=0.01,Gamma=100)was chosen as the best model.It's correction decision coefficient R2C was 0.833,RMSEC was 0.389,validation set decision coefficient R2P was 0.914,and RMSEP is 0.296.The results showed that it is feasible to use near infrared spectroscopy analysis method to determine the crude protein contents of corn straw under ammoniation and alkalization conditions.

corn stalk;ammoniation treatment;alkalization treatment;SVMR;PCR

O657.3

A

1005-9369（2017）12-0068-12

时间2017-12-18 13:44:50 [URL]http://kns.cnki.net/kcms/detail/23.1391.S.20171218.1344.016.html

沈维政,胡枫竹,王艳,等.基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究[J].东北农业大学学报,2017,48(12):68-79.

Shen Weizheng,Hu Fengzhu,Wang Yan,et al.Study on corn straw crude protein quantitative analysis model with different ammonia and alkalization treatments[J].Journal of Northeast Agricultural University,2017,48(12):68-79.(in Chinese with English abstract)

2017-11-13

国家重点研发计划项目（2016YFD0700204-02）

沈维政（1977-），男，教授，博士，博士生导师，研究方向为农业信息化。E-mail:wzshen@neau.edu.cn