建立单粒糙米水份含量的近红外漫反射光谱(NIRS)模型,并结合不同的预处理及变量选择方法对其进行优化。 结果表明在5292～5616 cm－1 、7236～7600 cm－1、7884～8208 cm－1波数范围,用标准正态变化光谱预处 理建立的单粒糙米水份含量偏最小二乘(PLS)模型的预测能力最佳,其决定系数为0.98,预测误差均方根为1.01%；选择5492.56、7158.84、8285.12 cm－1 这三个波数变量建立的单粒糙米含水量多元线性回归(MLR)模型变量最少且预测能力较优,其决定系数为0.9661,预测误差均方根为1.137%。 结果表明应用近红外光谱技术能快速、准确地测定单粒糙米水份含量。

针对种子发芽率检测常用方法操作复杂、周期长、受种子休眠期影响等问题，提出了一种基于特征光谱和广义回归神经网络(GRNN)的糙米发芽率快速检测方法。在温度为45 ℃、湿度为90%的条件下，对稻种进行高温高湿人工老化，老化时间为0、24、48、72、96、120、144、168 h；人工去壳处理后，采集近红外光谱数据，将160 份糙米样品的光谱分为校正集(120 份)和预测集(40 份)；采用标准正态变换(SNV)、一阶导数(FD)对光谱数据进行预处理，提取特征波长，分析不同建模方法和不同贡献率的特征波长对模型的影响。结果表明，以688、1146、1346、1366、1396、1686 nm对应的光谱作为输入，通过GRNN 建立的模型最优，其校正集相关系数(R_C)与标准偏差(SEC)分别为0.9743、1.9161，预测集相关系数(R_P)与标准偏差(SEP)分别为0.9505、2.3423。研究表明，采用近红外光谱分析技术对糙米发芽率进行检测是可行的，能够从稻种生理学特性的角度揭示不同发芽率稻种的光谱差异，且所建模型在水稻发芽率预测方面有较好的预测能力，为便携式水稻发芽率光谱仪的研制提供了理论依据。

水稻是人类的主要粮食作物，其发芽率是评定水稻质量的重要指标之一。以南粳46 为研究对象，利用高光谱成像技术预测剥壳后的稻种(以下简称糙米)发芽率。在400~1000 nm 波长范围内，采集960 粒饱满、无霉变糙米的高光谱图像，提取感兴趣区域的平均光谱曲线，利用主成分分析(PCA)提取特征波长，再结合偏最小二乘法(PLS)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和广义回归网络(GRNN)4 种建模方法分别对糙米5 个区域特征波长的光谱数据建立预测模型并加以比较。4 种建模方法对糙米A 区域(含胚芽)的平均预测效果最好( R_p=0.970)，其中，GRNN 模型对该区域预测精度最高( R_p =0.982, f_RMSEP =0.978)。研究结果表明利用高光谱成像技术并结合PCA和GRNN 检测糙米发芽率是可行的。

Germinated brown rice (GBR) is rich in gamma oryzanol which increase its consumption popularity, particularly in the health food market. The objective of this research was to apply the near infrared spectroscopy (NIRS) for evaluation of gamma oryzanol of the germinated brown rice. The germinated brown rice samples were prepared fromgerminated rough rice (soaked for 24 and 48 h, incubated for 0, 6, 12, 18, 24, 30 and 36 h) and purchased fromlocal supermarkets. The germinated brown rice samples were subjected to NIR scanning before the evaluation of gamma oryzanol by using partial extraction methodology. The prediction model was established by partial least square regression (PLSR) and validated by full cross validation method. The NIRS model established from various varieties of germinated brown rice bought from different markets by first derivativestvector normalization pretreated spectra showed the optimal prediction with the correlation of determination (R²), root mean squared error of cross validation (RMSECV) and bias of 0.934, 8.84 × 10^-5 mg/100 g dry matter and 1.06 × 10^-5 mg/100 g dry matter, respectively.This is the first report on the application of NIRS in the evaluation of gamma oryzanol of the germinated brown rice. This information is very useful to the germinated brown rice production factory and consumers.

采用电感耦合等离子体原子发射光谱法(ICP-AES)测定了云南省５个稻作区16个州市的789份地方水稻糙米中的八种矿质元素, 该方法简单快速、 灵敏度高、 准确性好和多元素同时测定, 加标回收率为97.1%～110.2%, RSD为0.7%～4.4%。 结果表明: 糙米元素含量(mg·kg－1)依次为P(3834.83±486.49)>K(2567.72±336.74)>Mg(2567.72±336.74)>Ca(153.67±55.90)>Zn(33.35±13.65)>Fe(32.08±25.51)>Cu(14.22±11.85)>Mn(13.58±3.22); 世界生物多样性最丰富及有色金属富集的滇西北糙米P含量高, 早寒武纪动物群及磷矿富集的滇中糙米Ca, Mg, Fe和Zn含量高, 作物多样性突出的滇西南糙米Cu和Mn含量高; 糙米高磷钾、 中钙镁锰和低铁锌分布区是世界生物多样性最丰富及矿产资源富集区。 首次提出云南糙米矿质元素含量的地带性特征与生物多样性中心、 矿产资源富集区、 生命起源及其山脉、 河流有关； 进一步推断地球矿质元素分布不均匀性及其山脉、 河流的相互作用是生命起源的关键。 文章研究为解决人类Fe, Zn和Ca等矿质营养不良和生命起源问题以及功能稻米育种生产提供参考。

用电感耦合等离子体原子发射光谱法(ICP-AES)对55个云南省水稻改良品种精米、 糙米及其相应的土壤18种矿质元素进行测定与分析, 加标回收率在93.1%～110.2%之间, RSD为0.8%～5.1%。 18种矿质元素(S, Mo, Ba, Ni, Fe, Cr, Na, Al, Cu, P, Sn, Zn, B, Mn, Mg, Ca, Sr和K)是功能稻米活性成分的重要部分, 精米的平均含量依次为P>K>S>Mg>Ca>Zn>Na>Al>Mn>Fe>Cu>B>Mo>Ni>Sn>Cr>Ba>Sr, 糙米P>K>Mg>S>Ca>Zn>Mn>Al>Na>Fe>Cu>B>Mo>Sn>Ni>Cr>Ba>Sr, 而土壤则为Fe>Al> Ca>K>Mg>P>S>Mn>B>Na>Ba>Zn>Cr>Cu>Ni>Sn>Mo>Sr； 精米和糙米除S和P外, 16种矿质元素含量均明显低于土壤； 精米和糙米间八种微量元素(Mo, Ni, Cr, Sr, Mn, Zn, Cu, Na)间相关性明显比六种宏量元素(P, K, Mg, Ca, S和Al)间关系密切。 云南土壤以富铁铝高钙为主而精米和糙米则以磷钾镁硫为主； 以精米为主食比糙米更易诱发慢性病。 文章结果可能为功能稻米遗传育种、 生产以及人类慢性病和矿质营养不良(Fe, Zn和Ca)问题研究的参考。