微藻工厂化养殖为天然碳水化合物、 蛋白质等生产提供了重要途径, 但较高的养殖成本始终是限制微藻大规模商业化发展的瓶颈之一。 由于微藻生长速度很快且其胞内代谢信息时刻都在发生变化, 开发快速无损的微藻生长代谢监测手段用以实时获取微藻生产过程中感兴趣指标变化信息, 可以据此及时调整培养条件, 保障微藻高效优质生产。 关于微藻生长代谢信息快速无损检测的研究多集中在微藻油脂及其特性、 色素等方面, 对于同作为微藻重要营养成分的碳水化合物、 蛋白质等却少有报道。 本研究以斜生四链藻（Tetradesmus obliquus）为研究对象, 利用可见/近红外高光谱成像（HSI）技术结合化学计量学方法, 提出基于HSI的微藻碳水化合物和蛋白质反演判别方法。 对比研究标准化（autosacling）、 标准正态化（SNV）等12种预处理方法对原始高光谱数据的处理效果; 采用竞争自适应重加权采样算法（CARS）、 区间随机蛙跳算法（iRF）和模拟退火算法（SA）进行特征波段选择; 结合多元线性回归（MLR）、 偏最小二乘（PLS）、 支持向量机回归（SVR）以及随机森林回归（RFR）对微藻生物量、 碳水化合物和蛋白质含量进行反演判别。 结果表明, 斜生四链藻生物量预测模型采用矢量归一化（VN）预处理方式结合CARS-MLR算法效果最优, 决定系数（R2p）为 0.967, 剩余预测偏差（RPD）为6.212; 碳水化合物的最优预测模型为原始光谱（raw）结合iRF-RFR算法, R2p和RPD分别为0.995和36.156; 蛋白质判别模型采用WT预处理结合SA-RFR算法构建的效果最佳, R2p和RPD分别为0.909和10.116。 基于优化模型和HSI技术对藻液中各组分的空间分布及丰度进行了可视化展示。 研究结果有望为微藻工厂化养殖过程中生长信息的快速无损获取提供理论参考和技术支撑。

货架期是影响果蔬品质和供应安全的重要因素, 快速准确预测果蔬货架期已成为消费者、 生产者和管理者共同关注的问题。 猕猴桃含有多种有机物和氨基酸, 具有丰富的营养价值, 深受广大消费者的喜爱。 但由于猕猴桃表面颜色变化不明显, 人们仅凭感官难以准确判断猕猴桃的货架期和质量等级。 采用高光谱成像结合化学计量学方法对不同储存条件下的保鲜猕猴桃进行了货架期预测。 首先采集了4 ℃和(18±2) ℃下保鲜时间为0, 2, 4天各120个猕猴桃样本在400～1 000 nm的高光谱数据, 测定其硬度值和可溶性固形物含量(SSC), 获取猕猴桃切片高光谱图像。 对猕猴桃平均光谱提取并进行Savitzky-Golay卷积平滑预处理后, 通过光谱数据主成分分析(PCA), 发现不同货架期和储存温度的猕猴桃样本在前2个主成分空间形成一定的聚类, 4 ℃下猕猴桃样本出现少量重叠。 为了减少波长变量, 提高运算速度, 使用载荷系数法(XL)与连续投影算法(SPA)选择特征波长。 其中, 4 ℃猕猴桃样本的XL和SPA特征波长分别7个(481, 501, 547, 665, 723, 839, 912 nm)和10个(406, 428, 520, 617, 665, 682, 723, 818, 878和983 nm); (18±2) ℃猕猴桃样本XL特征波长为508, 545, 665, 672, 720, 839和909 nm, SPA特征波长为575, 622, 731, 756, 779, 800, 828, 865, 920和983 nm。 基于3∶1的光谱数据集划分三个货架期虚拟等级值1, 2和3, 以全光谱数据、 特征波长为输入, 建立非线性最小二乘支持向量机(LS-SVM)预测模型。 结果表明, 对于4 ℃下3种货架期猕猴桃样本, 在全光谱和XL, SPA特征波长上的预测集准确度分别达到92.2%, 92.2%, 91.1%; (18±2) ℃时预测准确度均为100%。 猕猴桃切片图像PCA分析显示, 除PC5中有部分噪声影响外, 其他主成分图像均能完整反映猕猴桃切片信息, PC2图像可以明显呈现出猕猴桃切片在不同货架期的变化程度。 进一步分析猕猴桃硬度和可溶性固形物含量发现, 随着货架期延长, 猕猴桃可溶性固形物含量逐渐增加, (18±2) ℃时二者存在正相关性, 相关系数为0.557 6。 硬度则随货架期延长逐渐减小, 4和(18±2) ℃下硬度值和货架期之间存在负相关性, 相关系数分别为-0.335 6和-0.562 0。 结合猕猴桃光谱信息, 可以发现猕猴桃光谱反射率与其单个理化指标不成线性关系, 而是多个指标的综合反映。 因此, 采用高光谱成像技术可以全面、 准确、 快速的预测猕猴桃货架期, 为猕猴桃的生产、 销售提供技术指导。

为了给冬枣采收后成熟度分级提供理论指导, 运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。 采集三类成熟度冬枣(未成熟果、 白熟-初红果、 半红-全红果)样本共336个并获取其高光谱信息, 通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。 选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs); 同时从水果生理成分变化角度引入7个光谱指数(SIs)。 基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型, 并比较了3个模型的分级效果。 结果表明: 基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为: 97.27%, 95.45%和98.18%。 为了直观展现判别结果, 选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程, 依据Y中最大值元素所在类别为该样本预测类别的规则, 将结果用不同颜色直观显示。 该研究为冬枣成熟度可视化分级提供了思路, 引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。

工业的发展及城市化进程的深入, 造成大量耕地土壤遭受重金属污染, 土壤重金属元素的准确检测对制定土壤重金属防治决策提供有效参考。 本研究应用激光诱导击穿光谱(LIBS)结合化学计量学方法对土壤中的铅(Pb)和镉(Cd)元素进行定量分析。 根据土壤重金属污染的不同程度, 人为制作了含有Pb和Cd元素的15个浓度梯度的土壤样本, 并采集各个样本的LIBS谱线。 采用剔除异常光谱和数据归一化来减少试验误差和噪声。 综合土壤LIBS发射谱线中Pb和Cd元素谱峰信息以及美国国家标准与技术研究院(NIST)的标准原子光谱数据库, 选取了Pb, Cd元素的分析谱线与分析谱线区间, 对比分析基于多元线性回归(MLR)、 偏最小二乘回归(PLSR)、 最小二乘支持向量机(LS-SVM)和反向传播人工神经网络(BP-ANN)算法, 建立分析谱线区间与对应Pb和Cd元素浓度之间的定量回归模型。 结果表明, 非线性的LS-SVM和BP-ANN的模型的预测性能优于线性MLR和PLSR模型, 这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。 研究表明, LIBS技术结合多元化学计量学方法能够为土壤重金属准确检测提供新的分析手段, 为制定农业土壤重金属防治决策提供有效的理论基础。

竹叶含有丰富的功能性成分, 具有良好的抗氧化、 调节血脂、 抗癌、 保护心脑血管等功效, 在食品和药品等领域具有较高的应用价值, 但不同品种的竹叶其功能性成分差异较大。 传统对于竹类品种的鉴别主要是通过观察竹叶大小、 纹理、 竹枝分枝和竹竿高度等, 效率低且错误率较高, 因此, 快速准确的区分不同品种的竹叶, 是竹类资源开发和加工过程中的重要任务之一。 采用近红外高光谱（900～1 700 nm）技术对我国不同产地的12种竹叶进行鉴别分析。 用主成分分析（PCA）对竹叶进行聚类分析, 应用主成分因子中X-loading（XL）和random frog（RF）算法进行特征波段的提取, 分别得到6条（931, 945, 1 217, 1 318, 1 473和1 653 nm）和12条（1 052, 1 140, 1 163, 1 177, 1 180, 1 193, 1 230, 1 241, 1 477, 1 483, 1 629和1 649 nm）特征波段, 并基于全波段（238条波长）及采用以上算法所得的特征波段建立最小二乘-支持向量机（LS-SVM）判别分析模型, 其识别率分别为9917%（全波段）, 9583%（XL算法）, 9583%（RF算法）。 最后, 采用受试者工作特征曲线（receiver operating characteristic curve, ROC curve）对LS-SVM模型的判别效果进行验证, 结果表明, 曲线下面积（AUC）均在098以上, 说明近红外高光谱结合LS-SVM可以很好地实现竹类的鉴别分析, 这为竹叶的食用和药用价值的开发利用提供理论参考。

油菜菌核病是一种真菌性病害, 可造成油菜产量严重减少, 而快速准确地进行病原物的早期侵染对于植物病害防治意义重大。 采用共聚焦拉曼光谱（500～2 000 cm-1波数范围内)技术结合化学计量学方法对油菜菌核病早期侵染进行判别分析。 采用共聚焦拉曼光谱仪采集健康和接种12 h核盘菌的油菜叶片表面拉曼光谱, 应用小波变换（wavelet transform, WT)进行拉曼光谱预处理以去除荧光背景。 并利用基于全谱范围的偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA)的回归系数（regression coefficient, RC)进行特征峰的识别, 选出983, 1 001, 1 205, 1 521, 1 527, 1 658, 1 670和1 758 cm-1共八个特征峰用于建立PLS-DA模型进行油菜菌核病的早期侵染判别, 其识别准确率为100%。 结果表明: 拉曼光谱技术结合化学计量学方法能够实现油菜叶片中菌核病早期侵染的检测, 这为后续探究核盘菌与油菜叶片互作过程以及为进一步的病害早期监测和预防提供理论参考。

保鲜膜能提高果蔬保水性, 隔绝外界细菌侵染, 延长货架期。 为了准确估测覆盖保鲜膜果蔬品质的优劣, 对其货架期进行预测具有重要意义。 应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。 先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外（Vis-NIR, 380～1 030 nm)与近红外（NIR, 874～1 734 nm)波段的高光谱数据, 然后测定不同贮藏时间下菠菜叶片叶绿素含量。 提取300片覆膜菠菜叶片的平均光谱（200个为建模集, 100个为预测集)后, 对建模集光谱进行主成分分析（principal component analysis, PCA), 发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。 根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA)模型, 得到预测集样本的贮藏期总的判别准确率分别为83%（Vis-NIR)和81%（NIR)。 表明, 高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测, 为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导, 也为后期果蔬货架期检测仪器的开发提供了技术支持。