馬鈴薯塊莖鉀含量近紅外模型的建立

劉翠翠，高紅秀，李 贊，金 萍，石 瑛

（東北農業大學農學院，黑龍江 哈爾濱 150030）

鉀是植物生長中不可缺少的營養元素，鉀素營養和氮素、磷素營養一樣，對植物的品質起著重要作用，被稱為品質元素[1]。鉀素不但會對作物的產量、品質產生重要的影響，而且以各種方式直接或間接地影響植物的抗病性[2-5]。馬鈴薯屬喜鉀作物，鉀素能提高馬鈴薯的光合效率，還可影響光合產物的合成和運輸，影響馬鈴薯的品質以及產量的高低[6]。由此可見，鉀素對于馬鈴薯的生長至關重要。過去人們對馬鈴薯含鉀量的研究較少，而現在研究人員逐漸認識到，塊莖中鉀的含量如同還原糖含量、淀粉含量一樣也是馬鈴薯重要的品質指標之一。但是，對于育種過程中大量材料的篩選工作，既耗時又費力。隨之出現并逐漸完善的近紅外光譜分析技術卻有效地解決了這個難題。

近紅外光譜（NIRS）分析技術是20世紀80年代后期迅速發展起來的一項測試技術，在歐美等國，NIRS已成為谷物品質分析的重要手段[7]。我國在水稻、烤煙等作物品質分析中已有應用NIRS的報道，陸艷婷等[8]建立了秈稻的幾種品質性狀的近紅外光譜模型，所建模型具有一定的實用價值。劉岱松等[9]建立了烤煙煙葉鉀含量的近紅外光譜模型，結果表明，近紅外法測定結果與常規化學分析方法的結果相關性較好，能夠應用于烤煙鉀含量的快速診斷。由于近紅外光譜分析技術具有分析速度快、非破壞性測定、多組分同時測定、樣品不需預處理、低分析成本和操作簡單等諸多優點，使得該項技術在作物品質分析以及育種上的應用越來越廣泛。

近紅外光譜分析技術已經應用于許多作物的諸多領域，但國內尚未有在馬鈴薯上應用的報道。本研究以1562份馬鈴薯品種、資源及雜種后代的塊莖為材料，建立馬鈴薯塊莖鉀含量的近紅外光譜分析模型，以期為馬鈴薯塊莖鉀含量的測定探索一種簡便、快速、高效的分析方法，為建立馬鈴薯品質性狀評價的新體系提供基礎數據，進而對馬鈴薯品質育種材料的篩選提供有效的、可用的新方法。

1 材料與方法

1.1 試驗材料

供試材料為2007～2010年東北農業大學馬鈴薯選種圃中入選的無性系材料，參加2007～2008年國家馬鈴薯區域試驗、生產試驗的品種（系），部分來自于訥河、克山和加格達奇等地的馬鈴薯品種（系），樣品數目為1562份。將新鮮馬鈴薯樣品切碎，105℃殺青30 min，70.5℃烘干約14 h至恒重后，磨成粉末。

1.2 試驗方法

1.2.1 近紅外光譜的測定

試驗儀器是FOSS公司生產的InfraXact Lab型近紅外光譜分析儀，將預處理過的樣品放到近紅外光譜分析儀的樣品杯中，以蓋過掃描感應區域為標準，由裝于電腦上的操作軟件ISIscan來控制，光譜結果自動存儲在本機配置的計算機中。

1.2.2 常規化學分析方法

馬鈴薯塊莖全鉀含量的測定采用火焰光度計法[10]。

1.2.3 剔除超常樣品和過剩樣品

試驗所用軟件是FOSS公司的WINISI定標軟件，將上述馬鈴薯塊莖鉀含量的化學分析值及其近紅外光譜值導入該軟件，運用軟件的聚類分析功能，剔除馬氏距離（GlobalH或簡稱GH，含義為得分的三維圖中，每個樣品距離中心樣品點的距離）大于3.0的樣品，即超常樣品，然后利用得分文件，選擇NH（NeighborH）＞0.8（以某一樣品為中心，半徑0.8以內的樣品將被認為和此樣品為相似樣品，其光譜性質不能增加定標集樣品的變異范圍，即為過剩樣品）的樣品構成定標群體。

1.2.4 光譜預處理

本試驗根據模型特點和測量要求選擇的回歸分析方法是MPLS（改進最小二乘法回歸技術），對光譜的散射預處理方式采用了None（對光譜不進行散射校正）和SNV+Detrend（標準正常化處理+去偏異技術），數學處理技術的參數分別為（Derivative導數處理=0，Gap做導數處理計算所采用的光譜點間隔=0，Smooth平滑處理間隔=1，Smooth2二次平滑處理間隔點=1）和（Derivative導數處理=1，Gap做導數處理計算所采用的光譜點間隔=4，Smooth平滑處理間隔=4，Smooth2二次平滑處理間隔點=1）。

1.2.5 定標與驗證

樣品的掃描數據和化學數據經過處理后就可以建立定標方程，上述兩種光譜預處理方式建立了兩個定標方程，我們挑選交互驗證標準偏差SECV偏小，交互驗證相關系數1－VR偏大的一組為最終定標結果。在建立定標方程后，需對該方程的預測性能進行驗證。采用一組沒有參與定標的獨立樣品組（即驗證樣品集）驗證該方程的預測性能。驗證樣品集的成分應覆蓋一定的范圍，以便得出合理的驗證結果。驗證結果的好壞主要取決于SEP（C）值和RSQ值，其中SEP（C）值越小越好，RSQ值越接近1越好。

2 結果與分析

2.1 剔除超常樣品和過剩樣品后的結果分析

由于原始樣品集的過剩樣品數量較大，所以剔除超常樣品和過剩樣品后，僅剩余369份樣品用于模型構建。與未去除過剩樣品前相比，去除過剩樣品后，樣品分布較平均，有效改善了樣品過于集中的情況，此樣品集較有代表性。

樣品經過處理后剩余369份材料，全部掃描光譜如圖1，剔除283位置處的81037和309位置處的20892，與其它掃描光譜相比，這兩處光譜有較大波動，不參與定標。

2.2 鉀含量定標集和驗證集的分選

從最終用于馬鈴薯鉀含量的近紅外模型建立的樣品集367份中，隨機選取90份樣品組成驗證集，剩余的277份樣品自動生成定標集。從表1可以看出，定標集的變化范圍是0.825%～2.250%，驗證集的變化范圍是0.850%～1.975%，驗證集全部包含在定標集內，符合定標要求。但是，供試材料的鉀含量過于集中，變化幅度太小，這將對定標結果產生一定的影響。

圖1 剔除過剩樣品后的光譜圖Figure 1 Spectra after removing excess samples

2.3 定標模型的建立

通過軟件推薦的散射處理技術SNV+Detrend和None，建立了兩個馬鈴薯鉀含量的定標方程，表2即為兩種不同光譜處理技術下的鉀含量定標參數，從表2中可以看出，兩種光譜處理技術在定標的過程中，都自動剔除了少量超常樣品，SNV+Detrend散射處理技術建立的定標方程中的SEC值和SECV值都低于無散射處理技術建立的定標方程，RSQ值和1－VR值都高于無散射處理技術建立的定標方程，按照軟件推薦的選擇方式，選出一個SECV值低而1－VR值較高的一組作為定標方程，即選擇SNV+ Detrend處理技術下的定標方程，該方程中SECV值為0.072，而1－VR值為0.881，接近于0.900這一數學上常用的可接受標準，定標結果較好。

2.4 模型的驗證

對于所建模型的優劣，除了取決于定標參數外，還要對該模型進行驗證，觀察其驗證參數的好壞，全面評價定標結果。用未參與定標的90份驗證集樣品檢驗該模型的預測能力，結果顯示，有8份樣品出現了報警（報警閥值由軟件定義），剔除這8份報警樣品，用剩余的82份樣品對該模型進行重新驗證，結果見表3，SEP（C）值為0.080，RSQ值為0.866，而鉀含量近紅外模型預測值與實測值的交叉驗證結果見圖2，由圖2可知，驗證集樣品較均勻的分布在回歸線兩側，并且全部分布在兩條報警線范圍內，以上結果說明該模型預測效果較好，可以用其進行馬鈴薯育種材料塊莖鉀含量的粗略測定，但是定標結果并沒有達到預期效果，還有待于進一步提高。

表1 鉀含量定標和驗證集的化學分析數據Table 1 Chemical analysis of potassium content calibration and validation sets

表2 兩種不同散射處理技術下的鉀含量定標參數Table 2 Calibration parameters of potassium content under two different scattering process technologies

表3 修正后鉀含量驗證參數Table 3 Validation parameters of potassium content after revising

圖2 修正后的鉀含量近紅外模型預測值與實測值的交叉驗證結果Figure 2 Results of cross-validation between potassium content NIR predicted and measured after revising

3 討論

實踐證明，應用所建模型能夠快速、高效的測定馬鈴薯塊莖的鉀含量，從而縮短育種年限，縮小育種規模，大大提高了育種的效率。由此可見，近紅外光譜技術是現代育種過程中非常重要的育種手段。但是，本試驗中所建模型并不十分理想，究其原因，可能受以下幾方面因素的影響：

樣品的均一性與否對模型的精確度有著重要的影響，馬鈴薯塊莖不是均質的材料，各部位含鉀量并不相同，掃描光譜樣品與化學分析樣品的取樣差異會影響光譜與化學分析值間的關聯程度。另外，常規化學分析的準確性也直接影響著建模的準確性，本試驗的常規分析采用火焰光度計法，由于分析方法的局限性使得操作過程中可能出現一定的隨機誤差，導致化學分析值的結果存在著誤差，一定程度上影響了模型的精確度。

近紅外光譜信息量大、信號微弱、譜區重疊嚴重，尤其是在測量低濃度的樣品時，需要提高儀器的信噪比來抵消這一方面的影響，進而提高分析結果的可靠性，所以在進行分析之前一般要對光譜數據進行預處理。

受收集材料的影響，本試驗所用材料數量充足，但是鉀的含量（干基）大多分布在1%～2%之間，范圍較狹窄，樣品代表性有所局限，對于建模有一定的影響，今后應陸續補充材料，增加樣品的代表性，擴大供試樣品鉀含量的范圍，從而完善該模型。

本試驗建立了馬鈴薯塊莖鉀含量的近紅外模型，并對該模型的準確性進行了檢驗。結果表明：鉀含量定標方程的SECV值為0.072，而1－VR值為0.881，較接近1，鉀含量的驗證參數SEP（C）值為0.080，RSQ值為0.866，說明所建模型較好，具有一定的實用價值，可以將其用于馬鈴薯育種過程中大量材料的篩選工作，加速馬鈴薯育種進程。但所建模型還有很大完善的空間，今后需逐步對該模型進行優化，進一步提高它的預測能力。

[1] 曹慧,王孝威,付循成.高等植物的鉀營養[J].北方園藝,2008 (2):48－51.

[2]Gething P A.主要作物的推薦施鉀技術[M].北京:北京農業大學出版社,1993:9－10.

[3]張福鎖.植物營養生態生理學和遺傳學[M].北京:中國科學技術出版社,1993:150－151.

[4]胡篤敬,董任瑞,葛旦之.植物鉀營養的理論與實踐[M].長沙:湖南科學技術出版社,1993:202－203.

[5] Munson R D.農業中的鉀[M].范欽禎等譯.北京:科學出版社, 1995:389－390.

[6] 哈里斯P M.馬鈴薯改良的科學基礎[M].蔣先明等譯.北京:農業出版社,1984:155－185.

[7] Ciurczak EW.Useofnearinfrared spectroscopy in cerealproducts[J]. Food Testing and Analysis,1995,5:35－39.

[8]陸艷婷,俞法明,嚴文潮,等.秈稻品質分析的近紅外光譜模型建立及其應用研究[J].生物數學學報,2010,25(1):159－165.

[9] 劉岱松,金蘭淑,楊朝輝,等.烤煙煙葉鉀含量的近紅外光譜法快速測定[J].土壤通報,2010,41(2):417－419.

[10] 張永成,田豐.馬鈴薯試驗研究方法[M].北京:中國農業科學技術出版社,2007:186－187.