不同形态棉籽中油分含量快速无损近红外检测方法的建立

田博宇 黄义文 周大云 黄龙雨 吴玉珍 付守阳 徐青 郭敬功 彭军 匡猛

摘要：【目的】建立不同棉籽形態的棉籽油分快速无损近红外检测方法，以应用于棉花高油分遗传改良和棉籽综合利用。【方法】通过索氏提取法分别对棉籽仁、光籽和毛籽样品进行棉籽油分含量测定，并分别采集3种棉籽形态的光谱信息。通过不同的数学处理和散射处理对光谱数据进行处理，结合改进偏最小二乘法建立定标模型，并选取验证集对定标模型进行外部验证。【结果】建立的棉籽仁、光籽和毛籽的棉籽油分含量最佳定标模型的外部验证决定系数R2分别为0.95、0.94和0.93，残差预测偏差（residual prediction deviation， RPD）分别为4.09、3.47和3.15，表明3种模型具有优异的精准度和稳定性。【结论】本研究构建的棉籽仁、光籽以及毛籽油分含量近红外光谱检测模型满足了不同棉籽形态检测需求，可以替代传统检测方法，解决了传统棉籽油分检测方法存在的操作烦琐、种子破损等问题，为提升棉花综合利用价值以及棉籽油分品种改良等提供技术支撑。

关键词：棉籽；油分；近红外光谱；改进偏最小二乘法；快速无损检测

Development of a rapid non-destructive method for the detection of cottonseed oil content by near-infrared spectroscopy

Tian Boyu1， 2 #， Huang Yiwen1， 3#， Zhou Dayun1， Huang Longyu1， 3， Wu Yuzhen1， Fu Shouyang1， 3， Xu Qing1， Guo Jinggong2*， Peng Jun1， 3*， Kuang Meng1， 3*

（1.  Institute of Cotton Research of Chinese Academy of Agricultural Sciences/National key Laboratory of Cotton Bio-breeding and Integrated Utilization， Anyang， Henan 455000， China; 2. Henan University/State Key Laboratory of Crop Stress Adaptation and Improvement， Kaifeng， Henan 475004， China; 3. Sanya National Nanfan Research Institute， Chinese Academy of Agricultural Sciences， Sanya， Hainan 572024， China）

Abstract： [Objective] This study aims to establish a rapid and non-destructive near-infrared spectroscopy （NIRS） detection method for measuring the cottonseed oil content， then to facilitate the genetic improvement of high-oil cotton varieties and the utilization of cottonseed. [Method] The Soxhlet extraction method was used to determine the cottonseed oil content of kernel， delinted seed， and linted seed samples. And the spectral information of 3 morphological types of cottonseed were collected separately. By preprocessing the original spectral data with different mathematical parameters and scattering processing methods， we established the calibration model by modified partial least squares （MPLS） method and used verification sample for model validation. [Result] The best calibration model of NIRS for oil content in kernel， delinted seed， and linted seed were established. The validation of 3 NIRS models had the coefficient of determination of 0.95， 0.94， 0.93， and the residual prediction deviation （RPD） were 4.09， 3.47， 3.15. These results indicated that the 3 NIRS models for cottonseed oil content detection had excellent accuracy and stability. [Conclusion] In this study， 3 NIRS rapid non-destructive detection models for cottonseed oil content in kernel， delinted seed， and linted seed were constructed. The 3 models meet the need of cottonseed detection of different morphological types， and can replace traditional detection methods to avoid the complicated operation procedure and the problem of damaging seeds during the detection of cottonseed oil content. This study provides technical support for improving the comprehensive utilization value of cotton and the genetic improvement of cottonseed oil content.

Keywords： cottonseed; oil content; near-infrared spectroscopy; modified partial least squares; rapid non-destructive detection

棉花是我国重要的经济作物，长期以来其利用价值主要集中于棉纤维。棉籽是棉花生产过程中主要的副产物，是与大豆、油菜、向日葵和花生齐名的重要植物油料来源之一[1]。棉籽油中含有丰富的不饱和脂肪酸、维生素E及较低含量的胆固醇，是1种具有较高营养价值的食用油[2]。除了可以作为食用油之外，棉籽油还可以作为加工和生产洗涤用品、脂肪酸产品和生物柴油等化工产品的原材料[3]。我国是油料消费和进口大国，提高棉籽的油分含量能够一定程度上缓解我国油料的缺口。

快速、无损和低成本的棉籽油分含量检测方法对于棉籽油综合利用以及高油分含量的棉花品种选育具有重要意义。传统的油分检测方法有索氏提取法、酸水解法和加速溶剂萃取法等[4]。传统化学方法在测量棉籽油分含量的过程中存在诸多问题，例如操作烦琐、效率低下、大量使用有毒化学试剂、并且需要对棉籽进行烦琐的前处理甚至破坏种子的完整性，导致种子失去萌发能力等[5]，这对大规模棉花材料，特别是品种选育过程中的棉籽含油量测定极为不便。

近红外光谱技术（near-infrared spectroscopy， NIRS）是1种集光谱分析、计算机及化学计量于一体的现代光谱分析技术，通过有机物中的C-H、N-H、O-H和S-H等含氢基团在近红外光谱区域内的振动吸收特征，结合化学计量学等方法定性或定量地测定样品中1种或多种化学成分[6]。该方法具有快速、便捷、环保及成本较低等优良特点，同时不破坏种子的完整性和活力[7]。近红外光谱技术已应用于农业、医药、石油化工和环境保护等领域[8]。在农业方面，近红外光谱分析技术已在检测谷类作物、油料作物、纤维作物、水果、蔬菜和烟草等多种农作物的品质、营养物质含量和农药残留等方面得到应用[9]。在检测棉籽营养品质方面，近红外光谱分析技术可以检测棉籽水分[10]、油分[10-11]、蛋白质[12]、脂肪酸[13]、氨基酸[14]和棉酚[15]等化学物质的含量。

棉籽油中富含羟基基团，在近红外的一级倍频和二级倍频区都有较强吸光值，适合利用近红外光谱方法对其含量进行快速检测[10]，近年来近红外光谱分析技术在棉籽油分含量检测方面已经取得了部分研究进展。张晓芳等[10]利用近300份毛籽样品，建立了毛籽油分快速检测模型，相关系数为0.953。商连光等[11]通过118份光籽样品结合偏最小二乘法建立棉籽油分檢测模型，模型决定系数R2为0.975。汪旭升等[16]利用248份棉仁粉采用改进偏最小二乘法（modified partial least squares， MPLS）建立的棉籽油分检测模型的决定系数R2为0.978。虽然这些研究为棉籽油分含量快速检测奠定了基础，但大多近红外检测模型都是基于毛籽、棉籽仁、光籽等单一形态棉籽建立的，难以满足不同形态棉籽油分含量快速无损检测的需求。本研究分别采集了274份棉籽仁、287份光籽和257份毛籽3种不同形态棉籽的近红外光谱信息，利用索氏提取法测量样品的棉籽油分含量，通过散射处理和不同参数组合的数学处理对光谱信息进行预处理，结合MPLS多元回归方法构建棉籽仁、光籽和毛籽的近红外检测模型，从而满足不同形态棉籽的油分含量快速、无损和环保检测，为棉籽综合利用和高油分棉花品种选育提供技术支持。

1 材料与方法

1.1 试验材料

供试材料棉籽仁、光籽和毛籽的校正集样品数量分别为221、232和206，验证集样品数量分别为53、55和51。供试样品为课题组长期收集的陆地棉常规品种，适宜种植区域分布在西北内陆棉区、黄河流域棉区以及长江流域棉区。本研究所有供试材料于2021年棉花生长季种植在位于河南安阳的中国农业科学院棉花研究所东场试验站（36.06°N，114.49°E），所有田间管理按当地大田生产管理进行。所用棉籽样品在棉花成熟后，取20个发育正常的棉铃，轧花晾晒后保存在4 ℃种子储存柜中。

1.2 棉籽含油量真值的化学法测定

每份待测棉籽样品取70粒左右的棉籽经去壳和粉碎之后获得棉仁粉，棉仁粉烘干至恒定后称重（m1），将称量好的棉仁粉装入由烘干好的滤纸折叠成的滤纸包中，称重（m2）。将滤纸包放入索氏提取器中，利用石油醚（沸程30～60 ℃）抽提棉仁粉中的粗脂肪（50 ℃水浴连续抽提10 h），抽提后烘干滤纸包并称重（m3）[16-18]。每份样品3次重复，3次重复之间的差值若超过1.5百分点则重新进行一次测定，取差值不超过1.5百分点的3次重复[18]的平均值作为该份样品的油分含量。含油量计算公式如下：

棉籽含油量＝（m2－m3）/m1×100%          （1）

1.3 光谱数据的采集

利用XDS型近红外快速成分分析仪（FOSS，Denmark）采集供试棉籽仁、光籽和毛籽3种不同形态棉籽样品的近红外光谱。将棉籽样品装于圆形样品杯中，在400～2 498 nm波长范围内进行扫描，每隔2 nm扫描32次，采集样品的反射强度并转化为吸光度（R），每份样品重复扫描3次，取平均值并转化为log（1/R）储存于计算机中。

1.4 棉籽油分含量近红外光谱模型的构建

利用FOSS WinISI Ⅲ软件对光谱数据进行分析。通过计算光谱数据的Global H来剔除光谱数据中的异常值（Global H≥2），利用不同组合的数学处理（derivative，导数；gap，缺失；smooth，平滑；smooth2，二阶平滑处理）和散射处理[标准正态变量变换（standard normal variant， SNV）＋去散射处理（detrending， DET）]对光谱数据进行预处理，利用MPLS法进行定标。文中数学处理的4个数字分别代表导数、缺失、平滑和二阶平滑处理这4种处理方法的不同赋值。例如“4， 6， 6， 1”表示进行四阶导数运算，数据中间出现了6个缺失值，使用6个数据点进行平滑处理，以及二阶平滑中使用了1个白噪声过滤器或曲线拟合算法。通过FOSS WinISI Ⅲ软件得出的校正标准误差（standard error of calibration， SEC）、校正决定系数（coefficient of determination in calibration， RSQ）、交叉检验标准误差（standard error of cross validation， SECV）和交叉验证决定系数（coefficient of determination in cross validation， 1-VR）对不同处理下得到的NIRS模型进行初步评估，利用验证样品对NIRS模型进行验证，通过外部验证的决定系数（coefficient of determination， R2）、预测标准误差（standard error prediction， SEP）和残差预测偏差（residual prediction deviation， RPD）等参数对NIRS模型进行评估。

1.5 数据处理

采用Microsoft Excel 2019对数据进行处理，通过GraphPad Prism和Origin Pro 2021软件对3个NIRS模型所用的校正集和验证集的棉籽含油量数据进行分析，绘制校正集和验证集油分含量分布图、近红外光谱模型预测值和化学法实测值差值的分布图，并对预测值和化学法实测值进行线性回归分析。外部验证的R2和SEP、标准差（standard deviation， SD）、RPD的计算公式如下：

式中，Xi为近红外光谱模型预测值，Yi为化学法实测值，X为近红外光谱模型预测值的平均值，Y为化学法实测值的平均值，n为样品数量。

2 结果与分析

2.1 棉籽含油量化学值测定结果

利用索氏提取法对棉籽仁、光籽和毛籽校正集和验证集样品进行油分含量测定，校正集样品棉籽油分含量分布范围为25.35%～41.37%，平均值分别为32.74%、32.92%和32.51%，变异系数分别为7.94、8.20和7.96（图1A）。用于验证棉籽仁、光籽和毛籽定标模型的验证集样品油分含量分布范围略小于校正集，为27.49%～40.18%，变异系数分别为9.37、9.31和9.36（图1B）。3种校正集样品棉籽油分含量分布范围广，为近红外模型构建奠定了良好的基础。

2.2 近红外光谱采集和处理

利用近红外快速成分分析仪采集棉籽仁、光籽和毛籽的近红外光谱信息，从而获得棉籽仁、光籽和毛籽的原始光谱（图2A、2C、2E），采集光谱波长范围为400～2 498 nm。从图2A、2C、2E中可以看出3种不同形态棉籽的近红外光谱曲线平滑，变化趋势一致，在400～1 098 nm范围内的光谱信号较弱，1 098～2 498 nm范围内的光谱信号较强。近红外光谱受到样品状态、光散射、基线偏移和漂移、仪器噪音和环境条件等因素的影响，在采集光谱信息之后需对光谱信息进行预处理以尽可能消除这些影响，从而得到可用于构建定标模型的光谱信息。本研究中对光谱的处理方法为SNV加DET的散射处理结合不同参数组合的数学处理以增强光谱信息的信噪比。图2B、2D、2F为棉籽仁、光籽和毛籽的光谱在散射处理结合数学处理（数学处理的参数组合分别为4， 6， 6， 1；3， 9， 9， 1；4， 7， 7， 1）得到的光谱图。从图2可以看出，经数学处理后400～1 098 nm范围内大部分区域内的吸光度值趋近于0，光谱信息弱；1 100～2 498 nm范围内的光谱信息放大，信噪比有效提升。

2.3 棉籽仁、光籽和毛籽油分含量NIRS模型的构建

利用MPLS法，用不同数学处理得到光谱数据构建定标模型，结果如表1所示。根据校正标准误差SEC和交叉检验标准误差SECV值较低，校正决定系数RSQ和交叉验证决定系数1-VR值较高的条件，在棉籽仁、光籽和毛籽3种模型中分别选取5个定标模型（表2）。

2.4 棉籽仁、光籽和毛籽油分含量NIRS模型的构建及外部验证

利用验证集样品对选取的定标模型进行外部验证（表2，图3）。通过对验证集样品的预测值与化学法实测值进行分析发现，棉籽仁、光籽和毛籽定标模型的最优外部验证的R2分别为0.95、0.94和0.93，最小的SEP分别为0.79、0.93和0.99，最大的RPD分别为4.09、3.47和3.15（表2）。同时通過对验证集的化学法实测值和定标模型预测值进行差值分析，进一步验证3种模型的精准性和稳定性。棉籽仁、光籽和毛籽验证集的化学法实测值和预测值差值范围分别为

－1.95%～2.17%、－1.79%～1.87%和－2.05%～1.37%，且3种验证集样品化学法实测值和预测值差值在－1%～1%之间的样品分别占总数的79.25%，76.36%和62.75%（图4），表明3种近红外定标模型均有较好的准确性和稳定性。综合考虑外部验证的R2和SEP最终选取4， 6， 6， 1；3， 9， 9， 1；4， 7， 7， 1数学处理结合SNV和DEF散射处理的数据所得的模型为棉籽仁、光籽和毛籽的最优油分含量的模型。

3 讨论

我国是世界上主要的产棉国家之一，具有丰富的棉籽资源，棉籽年产量约800万t[19]，具有广阔的利用前景和巨大的经济收益潜力。近年来，棉花综合利用以及棉籽营养品质遗传改良受到越来越多的关注[1， 20-21]，其中棉籽油分和棉籽蛋白含量是评价棉籽营养品质的重要指标。虽然这些指标均可利用化学方法进行测定，但化学方法普遍存在费时费力、需破损种子、消耗高以及检测步骤复杂等问题，尤其是在棉籽营养品质遗传改良过程中，难以满足大量样品的快速无损检测需求[11， 22]。近红外快速检测技术具有高效检测、操作简单、无需破损种子等优点，近些年该技术在棉籽营养品质检测中得到了快速的发展，并针对不同营养品质性状建立了相应的近红外检测模型。其中建立模型的关键是建模所用的校正集实测值分布范围广泛，一个覆盖范围广的校正集能够提高检测模型的精度和稳定性[11]。王美霞等[17]建模所用校正集的140份棉籽样品的油分含量分布范围为22.7%～34.08%。商连光等[11]所使用106份样品的油分含量分布范围为24.65%～40.34%，Zhuang等[23]所使用的179份建模样品的棉籽油分含量分布范围为22.91%～36.80%。本研究建立的3种形态棉籽NIRS模型所用建模样品数量分别为221、232和206，其油分含量分布范围为25.35%～41.37%，变异系数均在7.9以上。建模样品数量丰富且能够覆盖高、中、低棉籽油分含量的材料，有较好的代表性，为本研究所建立的3种模型奠定了良好的材料基础。

近红外模型检测的精准性主要依赖于光照射样品时的反射光谱信息和数学建模方法[24-26]。反射光谱信息与样品的表面颜色、光滑度及组分化学值的变化范围等特性相关[27]，前期研究建立的棉籽油分近红外检测模型多是以棉籽仁或光籽为建模材料[10-12， 23]，建模材料形态类型单一，待测样品需烦琐的前处理步骤。本研究构建了棉籽仁、光籽和毛籽3种棉籽油分含量NIRS模型，R2从高到低的顺序依次为棉籽仁、光籽和毛籽。造成3种NIRS模型R2差异的原因可能在于光籽和毛籽外部的棉籽壳及短绒导致的反射光谱信息误差，从而影响了光籽和毛籽油分含量NIRS模型检测的精确性。但是本研究建立的光籽和毛籽油分含量预测模型R2分别为0.94和0.93，具有较精准的预测效果。

本研究建立的快速无损棉籽油分含量检测模型都具有较好的预测精度和稳定性，可以满足不同形态棉籽的快速无损检测需求。能在不破损种子的情况下对棉籽油分含量进行快速检测，在品种改良和基础研究过程中，检测过的种子还可以进行种植，特别是基于毛籽棉籽油分的近红外光谱构建的模型，能够用于轧花后毛籽的含油量检测。如需要更高精度的检测，可以对毛籽进行处理，采用光籽或者棉籽仁快速检测模型进行油分含量检测。

4 结论

本研究分别对274份棉籽仁、287份光籽和257份毛籽样品的棉籽油分含量进行了化学法测定和近红外光谱数据测定，利用SNV加DET散射处理结合不同数学处理对原始光谱进行预处理，利用改进偏最小二乘法，建立3种棉籽油分含量的近红外光谱检测模型。3种模型的SEP验证集分别为0.79、0.93和0.99，决定系数R2分别为0.95、0.94和0.93，均大于0.9，可用于棉籽油分含量的快速无损检测。

参考文献：

[1] Wu M， Pei W F， Wedegaertner T， et al. Genetics， breeding and genetic engineering to improve cottonseed oil and protein： a review [J/OL]. Frontiers in Plant Science， 2022， 13： 864850[2022-12-16]. https：//doi.org/10.3389/fpls.2022.864850.

[2] Tahreem R， Waheed I M， Shahid M， et al. Cottonseed oil： a review of extraction techniques， physicochemical， functional， and nutritional properties[J/OL]. Critical Reviews in Food Science and Nutrition， 2021： 1-19[2022-12-16]. https：//doi.org/10.1080/10408398.2021.1963206.

[3] 兰宏兵， 张玲， 云志. 棉籽的综合利用及深加工技术[J]. 中国油脂， 2010， 35（7）： 61-65.

Lan Hongbing， Zhang Ling， Yun Zhi. Comprehensive utilization and deep processing of cottonseed[J]. China Oils and Fats， 2010， 35（7）： 61-65.

[4] 王美霞. 棉籽蛋白、油分及棉酚含量近红外快速无损检测模型的构建[D]. 杨凌： 西北农林科技大学， 2017.

Wang Meixia. Construction of fast and nondestructive determination model of protein， oil and gossypol contents in cottonseeds using near infrared spectroscopy[D]. Yangling： Northwest A&F University， 2017.

[5] 劉慧春， 周江华， 张加强， 等. 油用牡丹单粒种子含油量NIRS模型的建立[J/OL]. 核农学报， 2022， 36（6）： 1137-1144[2022-12-16]. https：//doi.org/1000-8551（2022）06-1137-08.

Liu Huichun， Zhou Jianghua， Zhang Jiaqiang， et al. Establishment of NIRS model for oil content in single seed of oil peony[J/OL]. Journal of Nuclear Agricultural Sciences， 2022， 36（6）： 1137-1144[2022-12-16]. https：//doi.org/1000-8551（2022）06-1137-08.

[6] 严丽霞， 张青青， 缪文彬， 等. 近红外光谱分析技术在食用植物油分析检测中的应用[J/OL]. 食品安全质量检测学报， 2017， 8（5）： 1521-1526[2022-12-16]. https：//doi.org/0.19812/j.cnki.jfsq11-5956/ts.2017.05.001.

Yan Lixia， Zhang Qingqing， Liao Wenbin， et al. Research progress on analysis of edible vegetable oils using near-infrared spectroscopy[J/OL]. Journal of Food Safety & Quality， 2017， 8（5）： 1521-1526[2022-12-16]. https：//doi.org/0.19812/j.cnki.jfsq11-5956/ts.2017.05.001.

[7] 韩智彪， 郭小平. 棉子油分近红外光谱测定技术研究[J]. 中国农学通报， 2014， 30（3）： 173-177.

Han Zhibiao， Guo Xiaoping. Measurement technique of oil content in cottonseed by near infrared reflectance spectroscopy[J]. Chinese Agricultural Science Bulletin， 2014， 30（3）： 173-177.

[8] Blanco M， Villarroya I. NIR spectroscopy： a rapid-response analytical tool[J/OL]. Trends in Analytical Chemistry， 2002， 21（4）： 240-250[2022-12-16]. https：//doi.org/10.1016/S0165-9936（2）00404-1.

[9] 李炎， 张月学， 徐香玲， 等. 近红外反射光谱（NIRS）分析技术及其在农业上的应用[J]. 黑龙江农业科学， 2008， 175（1）： 105-108.

Li Yan， Zhang Yuexue， Xu Xiangling， et al. Applications of near infrared reflectance spectroscopy[J]. Heilongjiang Agricultural Sciences， 2008， 175（1）：105-108.

[10] 张晓芳， 俞信， 閻吉祥， 等. 近红外反射技术开放式检测棉籽中水分和油含量的研究[J]. 光谱学与光谱分析， 2007（3）： 473-476.

Zhang Xiaofang， Yu Xin， Yan Jixiang， et al. Measurement of moisture and oil content in gross cottonseed based on nearinfrared reflectance technique by open detecting mode[J]. Spectroscopy and Spectral Analysis， 2007（3）： 473-476.

[11] 商连光， 李军会， 王玉美， 等. 棉籽油分含量近红外无损检测分析模型与应用[J/OL]. 光谱学与光谱分析， 2015， 35（3）： 609-612[2022-12-16]. https：//doi.org/10.3964/j.issn.1000-0593（2015）03-0609-04.

Shang Lianguang， Li Junhui， Wang Yumei， et al. Establishment and application of model for determining oil content of cottonseed using near infrared spectroscopy[J/OL]. Spectroscopy and Spectral Analysis， 2015， 35（3）： 609-612[2022-12-16]. https：//doi.org/10.3964/j.issn.1000-0593（2015）03-0609-04.

[12] Huang Z， Sha S， Rong Z， et al. Feasibility study of near infrared spectroscopy with variable selection for non-destructive determination of quality parameters in shell-intact cottonseed[J/OL]. Industrial Crops & Products， 2013， 43： 654-660[2022-12-16]. https：//doi.org/10.1016/j.indcrop.2012.08.015.

[13] 黄庄荣， 沙莎， 荣正勤， 等. 基于近红外技术快速无损分析整粒棉籽中的脂肪酸含量[J/OL]. 分析化学， 2013， 41（6）： 922-926[2022-12-16]. https：//doi.org/10.3724/SP.J.1096.2013.20876.

Huang Zhuangrong， Sha Sha， Rong Zhengqin， et al. Rapid and nondestructive determination of fatty acid contents in shellintact cottonseed by near infrared spectroscopy[J/OL]. Chinese Journal of Analytical Chemistry， 2013， 41（6）： 922-926[2022-12-16]. https：//doi.org/10.3724/SP.J.1096.2013.20876.

[14] 黄庄荣， 陈进红， 刘海英， 等. 棉籽17种氨基酸含量的NIRS定标模型构建与测定方法研究[J/OL]. 光谱学与光谱分析， 2011， 31（10）： 2692-2696[2022-12-16]. https：//doi.org/10.3964/j.issn.1000-0593（2011）10-2692-05.

Huang Zhuangrong， Chen Jinhong， Liu Haiying， et al. Determination of amino acid contents in cottonseeds using near infrared reflectance spectroscopy[J/OL]. Spectroscopy and Spectral Analysis， 2011， 31（10）： 2692-2696[2022-12-16]. https：//doi.org/10.3964/j.issn.1000-0593（2011）10-2692-05.

[15] Li C， Zhao T L， Li C， et al. Determination of gossypol content in cottonseeds by near infrared spectroscopy based on Monte Carlo uninformative variable elimination and nonlinear calibration methods[J/OL]. Food Chemistry， 2017， 221： 990-996[2022-12-16]. https：//doi.org/10.1016/j.foodchem.2016.11.064.

[16] 汪旭升， 陸燕， 吴建国. 近红外光谱分析法（NIRS）测定棉籽粉中油分含量的研究[J]. 浙江农业学报， 2001（4）： 42-46.

Wang Xusheng， Lu Yan， Wu Jianguo. Determination of oil component in cottonseeds with near infrared reflectance spectroscopy[J]. Acta Agriculturae Zhejiangensis， 2001（4）： 42-46.

[17] 王美霞， 马磊， 徐双娇， 等. 我国主栽棉花品种的棉籽油资源评价与分析[J/OL]. 棉花学报， 2017， 29（2）： 204-212[2022-12-16]. https：//doi.org/10.11963/issn.1002-7807.201702010.

Wang Meixia， Ma Lei， Xu Shuangjiao， et al. Evaluation and analysis of cottonseed oil resources from major cotton varieties in China[J/OL]. Cotton Science， 2017， 29（2）： 204-212[2022-12-16]. https：//doi.org/10.11963/issn.1002-7807.201702010.

[18] 中华人民共和国农业部. 油料种籽含油量的测定 残余法： NY/T 1285-2007[S]. 北京： 中国农业出版社， 2007.

Ministry of Agriculture of the People's Republic of China. Determination of oil content in oilseeds residue method： NY/T 1285-2007[S]. Beijing： China Agriculture Press， 2007.

[19] 薛敏. 棉籽浓缩蛋白加工工艺及其在水产饲料中营养价值[J/OL]. 饲料工业， 2021， 42（12）： 1-5[2022-12-16]. https：//doi.org/10.13302/j.cnki.fi.2021.12.001.

Xue Min. Processing of cottonseed protein concentrated and its nutrient values in aquatic feed[J/OL]. Feed Industry， 2021， 42（12）： 1-5[2022-12-16]. https：//doi.org/10.13302/j.cnki.fi.2021.12.001.

[20] Wang W W， Sun Y， Yang P， et al. A high density SLAF-seq SNP genetic map and QTL for seed size， oil and protein content in upland cotton[J/OL]. BMC Genomics， 2019， 20： 599[2022-12-16]. https：//doi.org/10.1186/s12864-019-5819-6.

[21] Gong J W， Peng Y， Yu J W， et al. Linkage and association analyses reveal that hub genes in energy-flow and lipid biosynthesis pathways form a cluster in upland cotton[J/OL]. Computational and Structural Biotechnology Journal， 2022， 20： 1841-1859[2022-12-16]. https：//doi.org/10.1016/j.csbj.2022.04.012.

[22] 雷永， 王志慧， 淮东欣， 等. 花生籽仁蔗糖含量近红外模型构建及在高糖品种培育中的应用[J/OL]. 作物学报， 2021， 47（2）： 332-341[2022-12-16]. https：//doi.org/10.3724/SP.J.1006.2021.04106.

Lei Yong， Wang Zhihui， Huai Dongxin， et al. Development and application of a near infrared spectroscopy model for predicting high sucrose content of peanut seed[J/OL]. Acta Agronomica Sinica， 2021， 47（2）： 332-341[2022-12-16]. https：//doi.org/10.3724/SP.J.1006.2021.04106.

[23] Zhuang T， Xin M， Wang Q K， et al. Determination of protein and fatty acid composition of shell-intact upland cottonseed using near-infrared reflectance spectroscopy[J/OL]. Industrial Crops and Products， 2022， 191： 115909[2022-12-16]. https：//doi.org/10.1016/j.indcrop.2022.115909.

[24] Zhang K， Tan Z L， Chen C C， et al. Rapid prediction of camelina seed oil content using near-infrared spectroscopy[J/OL]. Energy & Fuels， 2017， 31（5）： 5629-5634[2022-12-16]. https：//doi.org/10.1021/acs.energyfuels.6b02762.

[25] Tsuchikawa S， Ma T， Inagaki T. Application of near-infrared spectroscopy to agriculture and forestry[J/OL] Analytical Sciences， 2022， 38（4）： 635-642[2022-12-16]. https：//doi.org/10.1007/s44211-022-00106-6.

[26] Li C， Su B S， Zhao T L， et al. Feasibility study on use of near infrared spectroscopy for rapid and non-destructive determination of gossypol content in intact cottonseeds[J/OL]. Journal of Cotton Reseach， 2021， 4（2）： 138-146[2022-12-16]. https：//doi.org/10.1186/S42397-021-00088-2.

[27] 曹慧芳， 蔣丽娟， 刘强， 等. 白檀果实含油率及脂肪酸含量近红外模型构建[J/OL]. 中国油脂， 2022： 1-7[2022-12-16]. http：//kns.cnki.net/kcms/detail/61.1099.TS.20220905.1724.004.html.

Cao Huifang， Jiang Lijuan， Liu Qiang， et al. Construction of near infrared ray model for oil content and fatty acids prediction in Symplocos paniculate fruits[J/OL]. China Oils and Fats， 2022： 1-7[2022-12-16]. http：//kns.cnki.net/kcms/detail/61.1099.