烤煙煙葉細胞壁物質含量預測

張 強，董高峰，黃，楊 威，王理珉，洪波，和智君

1.云南煙草科學研究院，昆明市科醫路41號 650106

2.云南省煙草公司昭通市公司，云南省昭通市昭陽區鳳霞路48號 657000

烤煙煙葉中細胞壁物質含量約占干物質總量的1/3［1-2］，在煙梗中占43%左右［3］。煙葉細胞壁物質主要包括纖維素、半纖維素、果膠質和木質素等，其中纖維素、半纖維素比值約為6.7∶1［4］。閆克玉［5-6］、李興波［1］等分別研究了不同烤煙煙葉等級細胞壁物質含量以及細胞壁物質含量與外觀品質、物理特性、化學成分之間的相關性。陳紅麗等［7］報道了烤煙煙葉細胞壁物質含量與外觀品質、感官品質的關系。任曉紅等［8］提出烤煙煙葉細胞壁物質含量對煙葉外觀、物理特性和感官品質有一定影響。以上研究表明，煙葉細胞壁物質對烤煙煙葉的物理特性有不同程度的影響，進而影響煙葉的加工特性。同時這些物質還影響煙葉的外觀品質、化學成分和感官品質。因此，采用煙葉物理特性指標，基于二次多項式逐步回歸分析、主成分回歸分析和BP 神經網絡分析來預測煙葉細胞壁物質含量，并比較了不同模型的預測效果，旨在為快速檢測煙葉細胞壁物質含量提供參考。

1 材料與方法

1.1 材料

選取云南省昭通市8 個縣（區）（昭陽區、巧家縣、鎮雄縣、威信縣、彝良縣、魯甸縣、大觀縣、永善縣）2010年生產的烤煙，品種為當地主栽品種K326。選取X2F，C3F 和B2F 3 個等級的初烤煙葉3 kg，等級合格率85%以上，共選取210 份樣品。

1.2 測定項目與分析方法

1.2.1 物理指標的測定

［9-11］的方法測定煙葉拉力、延伸率、含梗率、葉質重、平衡含水率、葉長、葉寬和厚度。

1.2.2 煙葉細胞壁物質含量的測定參考陳紅麗等［7］的方法測定煙葉木質素，果膠，全纖維素和細胞壁物質總量。各指標分別用Y1，Y2，Y3和Y4表示。

1.2.3 分析方法

運用Matlab7.0 統計軟件對210 份烤煙樣品的8 個物理指標進行相關分析；編號1～168 號（樣品數量的80%）煙葉樣品作為建模樣品，分別進行二次多項式逐步回歸分析、主成分回歸分析和BP 神經網絡分析，并建立模型；編號為169～210 號（樣品數量的20%）煙葉樣品作為驗證樣品，用于驗證所建立模型的預測效果。

2 結果與分析

2.1 昭通煙區烤煙主要物理指標的描述性分析

拉力、葉質重、葉寬、厚度的變異系數在20%以上，變幅較大；平衡含水率、葉長變異系數小于10%，變幅較小。對煙葉樣品8 項物理指標檢測數據的峰度系數采用u 法檢驗［12］，由表1 可知，8 項物理指標峰度系數u值的顯著水平p＞0.05，說明樣本的這8 個物理指標的檢測數據分布接近于正態分布。

表2 表明，樣本木質素含量的變異系數為17.31%，變幅較大；細胞壁物質含量的變異系數為8.81%，變幅較小。對煙葉樣品的木質素、果膠、全纖維素、細胞壁物質總量檢測數據的峰度系數采用u 法檢驗，結果表明：煙葉樣品果膠、全纖維素和細胞壁物質含量的峰度系數u 值的顯著水平p＜0.05，表明樣本的細胞壁物質、全纖維素和果膠含量的檢測數據分布為偏態分布；木質素含量的峰度系數u 值的顯著水平p>0.05，表明樣本木質素含量的檢測數據分布接近于正態分布。

2.2 簡單相關分析

由表3 可知，含梗率與煙葉果膠、細胞壁物質含量呈極顯著正相關，與全纖維素含量呈顯著正相關；葉質重、葉寬與煙葉果膠、全纖維素、細胞壁物質含量呈極顯著負相關；葉長與煙葉全纖維素、細胞壁物質含量呈極顯著負相關，與煙葉果膠含量呈顯著負相關；厚度與煙葉果膠含量呈極顯著負相關，與細胞壁物質含量呈顯著負相關。煙葉木質素含量與拉力呈正相關，與其余指標呈負相關，但均未達到顯著水平。

表1 昭通烤煙主要物理指標描述性統計分析Tab.1 Descriptive statistics of main physical indexes of flue-cured tobacco in Zhaotong

表2 昭通烤煙煙葉細胞壁物質含量的描述性統計分析Tab.2 Descriptive statistics of cell wall matter content of flue-cured tobacco in Zhaotong

表3 烤煙煙葉細胞壁物質含量與煙葉物理指標的簡單相關分析①Tab.3 Simple coefficient correlation of cell wall matter content between physical characteristics indexes

2.3 二次多項式逐步回歸分析

將168 個烤煙樣品的8 個物理指標作為自變量，與之對應的木質素、果膠、全纖維素、細胞壁物質總量分別作為因變量進行二次多項式逐步回歸分析，并建立回歸方程：

式中：X1為拉力、X2為延伸率、X3為含梗率、X4為葉質重、X5為平衡含水率、X6為葉長、X7為葉寬、X8為厚度；Y1為木質素、Y2為果膠、Y3為全纖維素、Y4為細胞壁物質總量。

所建立的4 個二次多項式回歸方程的顯著性檢驗結果p 值均小于0.01，表明這4 個回歸方程都達到了極顯著水平，所建立的回歸方程是有意義的；方程（1）、方程（2）的Durbin-Watson 統計量大于方程（3）和方程（4）接近于2，表明其殘差之間獨立性較好。

2.4 主成分回歸分析

對168 個烤煙樣品的8 個物理指標進行主成分分析，所得相關矩陣的特征值見表4。提取5 個主成分，其特征值分別為2.94，1.47，1.01，0.87 和0.77 累計方差貢獻率達88.28%，保留了原來8 個物理指標88.28%的信息，信息量丟失很少，基本反映了原始變量的信息。

通過主成分分析（表5）得到了5 個無相關性的綜合指標模型：

表4 公因子、特征值及貢獻率Tab.4 Principal components，eigenvalue and contribution rate

表5 煙葉物理指標的主成分得分系數矩陣Tab.5 Principal components score coefficient matrix of physical indexes

式中：x1，x2，x3，x4，x5，x6，x7，x8分別對應拉力、延伸率、含梗率、葉質重、平衡含水率、葉長、葉寬、厚度的標準化量；Z1，Z2，Z3，Z4分別對應煙葉中木質素、果膠、全纖維素和細胞壁物質總量的標準化值。

將上述建立的模型還原為關于原始變量的回歸方程：

式中：變量同回歸方程（1）～（4）。

2.5 BP 神經網絡預測

2.5.1 數據處理

BP 神經網絡的隱層采用Sigmoid 轉換函數。為提高訓練速度和靈敏性以及有效避開Sigmoid 函數的飽和區，一般要求輸入數據的值在0～1 之間［13］。因此，對輸入數據進行了預處理。將煙葉各個物理指標和預測值進行0.2～0.8 標準化后形成建模數據。預處理的數據訓練完成后，網絡輸出的結果進行反變換得到實際值。

2.5.2 網絡設計與樣本劃分

2.5.2.1 網絡設計

以8 個物理特性指標的檢測數據作為神經網絡輸入的輸入值，分別建立木質素、果膠、全纖維素和細胞壁物質總量的網絡預測模型。經不斷測試，最終構建的網絡為8-27-13-41 結構的4 層BP 神經網絡。網絡的輸入層單元數為8，輸出層單元數為4，隱層數為2。第一隱含層節點數為27，第二隱含層節點數為13。

2.5.2.2 樣本劃分

隨機選取168 個煙葉樣本（編號1～168 號）中的42個作為測試數據，其余的126 個樣本作為訓練樣本；剩余的42 個樣本（編號169 號～210 號）則作為驗證樣本。BP 神經網絡建模與仿真在Matlab 7.0 環境中進行。

2.5.3 模型的建立

采用的BP 神經網絡迭代次數為1000 次，輸入層和輸出層的傳輸函數為tansig，隱層采用tan-sigmoid 飽和正切轉換函數，訓練方法為traingdx 動量梯度下降算法。以8 個物理指標為自變量，以木質素、果膠、全纖維素和細胞壁物質總量為因變量建立BP 神經網絡模型。

神經網絡的誤差臨界值Emin 為0.00001，即在迭代計算時誤差值E

2.6 結果驗證

將編號為169～210 號煙葉樣品的拉力、延伸率、含梗率、葉質重、平衡含水率、葉長、葉寬和厚度8 項物理特性指標代入所建立的模型，分別預測煙葉木質素、果膠、全纖維素和細胞壁物質總量。將木質素、果膠、全纖維素、細胞壁物質總量的實測值與預測值進行擬合。

由圖1～圖4 和表6 可知：二次多項式逐步回歸分析方法預測煙葉細胞壁木質素、果膠、全纖維素和細胞壁物質總量效果不理想，其預測值與實測值基于1∶1 線的R2在0.004～0.093，RMSE 在0.21～1.60。表明其擬合度較差，預測精度較低。

圖1 煙葉木質素含量的預測值與實測值比較Fig.1 Comparison between predicted and observed of the content of lignin in tobacco leaves

圖2 煙葉果膠含量的預測值與實測值比較Fig.2 Comparison between predicted and observed of the content of pectin in tobacco leaves

圖3 煙葉全纖維素含量的預測值與實測值比較Fig.3 Comparison between predicted and observed of the content of total cellulose in tobacco leaves

圖4 煙葉細胞壁物質總量的預測值與實測值比較Fig.4 Comparison between predicted and observed of the content of total cell wall matter in tobacco leaves

主成分回歸分析方法預測值與實測值基于1∶1 線的確定系數R2為0.15～0.37，RMSE 為0.025～0.990。其預測精度稍高于二次多項式逐步回歸分析方法。

BP 神經網絡預測煙葉木質素、果膠、全纖維素和細胞壁物質總量取得了較好的效果，其預測值與實測值基于1∶1 線的R2為0.9900～0.9975，RMSE 為0.03～0.14，明顯高于二次多項式逐步回歸分析方法的預測效果。BP 神經網絡預測煙葉果膠、全纖維素和細胞壁物質總量驗證模型的RMSE 小于主成分分析法，但BP 神經網絡預測煙葉木質素含量驗證模型的RMSE 稍高于主成分分析法。

表6 不同預測模型的驗證結果比較Tab.6 comparison of validation models by different prediction models

3 結論與討論

建立的預測煙葉木質素的逐步回歸模型精度高于果膠、全纖維素含量以及細胞壁物質總量的預測模型，可能是由于煙葉樣品中果膠、全纖維素、細胞壁物質總量檢測數據呈偏態分布，影響了其逐步回歸模型的預測精度。

主成分分析法預測煙葉木質素、果膠、全纖維素含量以及細胞壁物質總量的精度高于二次多項式逐步回歸分析方法，可能是由于主成分分析是研究如何通過原始變量的少數幾個線性組合來解釋原始變量絕大多數信息的一種方法，通過降維減少了變量中大量重疊信息對事物真實特征與內在規律的影響，從而提高了其預測精度。

BP 神經網絡預測煙葉木質素、果膠、全纖維素含量以及細胞壁物質總量的預測精度高于二次多項式逐步回歸分析方法和主成分回歸分析法。這可能是由于煙葉細胞壁物質類含量與煙葉物理特性之間是一個復雜的線性和非線性的關系，二次多項式逐步回歸模型、主成分回歸模型是建立在因變量和自變量有線性關系的基礎上，因此，造成其預測效果不理想；而BP 神經網絡具有很強的線性和非線性擬合能力［14-15］，其預測效果明顯優于二次多項式逐步回歸分析法和主成分回歸分析法。

本試驗基于易于檢測的8 項煙葉物理指標，采用BP神經網絡來預測煙葉中木質素、果膠、全纖維素含量以及細胞壁物質總量，具有檢測方便、快捷、預測精度高的特點，可用于快速預測煙葉細胞壁物質的含量。

參考文獻

［1］李興波，閆克玉，丁海燕，等.河南烤煙（40 級）細胞壁物質含量及其規律性研究［J］.鄭州輕工業學院學報：自然科學版，1999，14（3）：27-30.

［2］左天覺.煙草的生產、生理和生物化學［M］.朱尊權，等譯.上海：上海遠東出版社，1993：371-373.

［3］周正紅，高孔榮，張水華.煙草中化學成分對卷煙色香味品質的影響及其研究進展［J］.煙草科技，1997（2）：22-25.

［4］王瑞新.煙草化學［M］.北京：中國農業出版社，2003：29-34.

［5］閆克玉，王建民，屈劍波，等.河南烤煙評吸質量與主要理化指標的相關分析［J］.煙草科技，2001（10）：5-9.

［6］閆克玉，李興波，趙學亮，等.河南烤煙理化指標間的相關性研究［J］.鄭州輕工業學院學報：自然科學版，2000，15（3）：20-24.

［7］陳紅麗，任曉紅，楊永鋒，等.四川烤煙煙葉細胞壁物質含量與外觀質量、感官質量的關系［J］.煙草科技，2011（1）：9-12.

［8］任曉紅，陳剛，馬海燕，等.烤煙細胞壁物質對煙葉質量影響研究［J］.中國農學通報，2010，26（4）：113-116.

［9］楊虹琦，周冀衡，李永平，等.云南不同產區主栽烤煙品種煙葉物理特性的分析［J］.中國煙草學報，2008，14（6）：30-36.

［10］于建軍.卷煙工藝學［M］.北京：中國農業出版社，2003：37-49.

［11］王浩雅，王理珉，張強，等.煙葉顏色指標與其他物理指標的相關研究［J］.廣東農業科學，2011，38（11）：41-44.

［12］唐啟義，馮光明.實用統計分析及其DPS 數據處理系統［M］.北京：科學出版社，2002：23-25.

［13］張強，師建全，董高峰，等.配方模塊制絲關鍵工藝參數的優化設計［J］.中國煙草學報，2013，19（3）：28-34.

［14］王大成，王紀華，靳寧.用神經網絡和高光譜植被指數估算小麥生物量［J］.農業工程學報，2008，24（S2）：196-201.

［15］張正楊，馬新明，賈方方，等.煙草葉面積指數的高光譜估算模型［J］.生態學報，2012，32（1）：168-175.