現代光譜技術在植物營養品質分析中的應用

杜昌文

（土壤與農業可持續發展國家重點實驗室/中國科學院南京土壤研究所，南京 210008）

現代光譜技術在植物營養品質分析中的應用

杜昌文

（土壤與農業可持續發展國家重點實驗室/中國科學院南京土壤研究所，南京 210008）

目前，我國的糧食安全由總量保障優先邁入到總量保障和營養品質安全并重的發展階段，因此植物營養品質分析是迫切的社會需求。常規的植物營養品質分析主要是基于實驗室的化學分析，成本高、耗時長和人力密集，與海量快速的植物營養品質信息需求不相適應，而現代光譜技術 (spectroscopic technology) 為海量植物營養品質信息的需求提供新的技術支撐。目前廣泛應用的光譜技術主要是分子光譜 (molecular spectroscopy)，包括紫外可見光譜、紅外光譜、熒光光譜和拉曼光譜，這些光譜在糧食作物、蔬菜、水果以及中藥材等經濟作物的營養品質分析中開始發揮越來越大的作用，并能將傳統的主觀性較強的感觀品質常數客觀化。隨著光譜技術的發展，以光聲效應 (photoacoustic effect) 為理論基礎的紅外光聲光譜，以及以激光誘導擊穿 (laser induced breakdown) 為技術基礎的現代原子光譜 (atomic spectroscopy) 開始應用于植物營養品質分析，并展現了廣闊的應用潛力。以上光譜分析應用依賴于現代多元校正的化學計量學方法 (chemometrics) 和計算機技術，結合植物營養專業知識，利用現代的互聯網和云技術平臺以及智能終端，植物營養品質信息的適時快速常規化獲取將成為現代農業的重要發展方向。

營養品質；紅外光譜；原子光譜；化學計量學；模型

植物營養與我國的糧食安全密切相關，是關系到國家糧食安全和環境質量的重大科技問題[1]，我國的糧食安全大致分為三個階段：第一階段為國民經濟發展水平較低時期，大致為1980年以前，這一時期的基本特征是糧食還沒有滿足消費需求，整個社會面臨的是溫飽問題，因此總量保障是這一時期糧食安全的重點；第二階段是國民經濟快速發展時期，大致為1980年到2000年，這一時期的基本特征是糧食總量已能滿足社會需求，社會已經擺脫了糧食短缺的困擾，人們的選擇性明顯加強，小康社會的種種特征日益明顯；第三階段是國民經濟發展到工業化水平時期，大致為2000年以后，這一時期的基本特征是糧食生產的潛力得到了較充分的發揮，人們除了關注總量，更關心營養品質[2]，如硝酸鹽累積、重金屬超標和農藥殘留等，這與人體健康密切相關，因此國家也開始關注和重視農業供給側改革[3]。

廣義的植物營養品質涉及到諸多方面，除了營養成分外，還包括如外觀品質和口感味道等，狹義的植物營養品質主要是指植物的營養成分，實際上植物的營養與成分也決定著外觀品質和口感味道等，本文主要是針對狹義上的植物營養品質。不同的作物、不同的生長環境以及不同的管理措施對植物營養品質的影響巨大，因此植物營養品質的表征成為現代社會中人們十分關注的問題。近60年以來，傳統的植物營養品質分析主要以化學分析為主，即通過各種提取和分離手段，進行顯色和比色，這些化學分析方法為植物營養品質的表征做出了重大貢獻，并還將繼續發揮重要作用。但隨著社會的發展，人們對分析的時效性和成本提出了越來越高的要求，并推動了現代儀器分析技術的發展，而現代光譜技術則是現代儀器分析技術最重要表現之一[4]。

1 現代光譜技術

光譜分析是基于物質與電磁輻射相互作用，這種相互作用取決于該物質的性質，這種方法主要體現輻射能與物質組成和結構之間的關系。電磁輻射按頻率 (波長) 可分為不同的區域 (圖1)，形成了不同光譜分析法，其中紅外光譜是迄今最為重要的分析方法之一[5]；該方法最大的特點在于幾乎所有形態的樣本均可以采用這種方法進行研究，即不論是固態、液態和氣態樣本還是糊狀、塊狀和粉狀樣本，都可以采用不同的檢則附件進行研究。隨著現代科學技術的發展和制造技術的進步，很多新型的檢測附件不斷被開發和應用，使得不同形態的樣本能得到更為有效的檢測[6]。

圖1 電磁波譜Fig. 1 Electromagnetic wave spectrum

紅外光照射物質后，其中某些波長的光被物質吸收，將通過物質吸收后的紅外輻射強度按波長逐一記錄下來即為該物質的紅外光譜，測定這種光譜的儀器稱為紅外光譜儀。從上個世紀50年代以來，紅外光譜儀不斷得到改進，已從色散型紅外光譜儀發展到了干涉型傅里葉轉換紅外光譜儀，這兩種光譜儀在不同的分析領域均得到廣泛的應用，后者分辨率高、掃描速度快且波長范圍寬，但價格較昂貴。分子是保持物質理化性質的基本微粒，在物質的結構中，分子由若干個原子組成。分子在不斷地運動，在外界條件的作用下，不同物質的分子通過擴散、碰撞、能量傳遞而發生理化反應。在一定的條件下分子的運動會達到一種平衡狀態，并可以產生穩定的光譜吸收。分子的光譜吸收除了包含有原子吸收的特征外，還具有自己的吸收特征，更多理論上的闡述參見相關參考文獻[5–7]。

現代紅外光譜分析技術是近十年來分析化學領域迅猛發展的高新分析技術，引起了國內外分析專家的注目，在分析化學領域廣泛應用，被譽為分析“巨人”，它的出現帶來了又一次分析技術的革命。本世紀以來，紅外光譜在各領域中的應用全面展開，在植物營養分析中，有關紅外光譜的研究及應用文獻幾乎呈指數增 長(圖2a)，成為發展最快、最引人注目的一門獨立的分析技術。我國的植物營養品質分析中，紅外光譜技術的研究及應用起步較晚，但近10年以來發展迅速，將現代光譜測量技術、計算機技術、化學計量學技術與基礎測試技術有機結合，呈現出多學科的交叉與融合。相關研究論文已躍居世界第一 (圖2b)，取得了顯著的進步，甚至明顯超過美國，但在原始創新、研究質量和技術應用等方面與美國等發達國家還存在相當大距離。

紅外光譜反映樣品分子鍵的振動信息，包括CH、O-H、N-H、S-H、C-C、N-O等化學鍵的信息，因此分析范圍幾乎可覆蓋所有含分子鍵的有機或無機樣本[5–6]。它是采用化學計量學方法建立校正模型，進而預測未知樣品的一種分析方法，在植物營養品質分析中開始發揮越來越大的作用[8–9]。

2 紅外光譜在植物營養品質分析中的應用

圖2 近40年來植物營養品質分析中與紅外光譜技術相關論文發表情況Fig. 2 Published papers using technique of infrared spectroscopy in plant nutritional analysis in last 40 years

表 1 紅外光譜在植物營養品質分析中的應用Table 1 Application of infrared spectroscopy in plant nutritional analysis

紅外光譜已被廣泛應用于各類植物品質營養分析，包括各類糧食作物、水果、蔬菜以及經濟作物(表1)。在這些分析中，絕大部分采用的是近紅外光譜，同時，小部分分析也應用了中紅外光譜，盡管中紅外光譜應用明顯較少，但整體上，其效果等同或優于近紅外。由于紅外光譜分析是多參數分析，往往需要采用多元校正的化學計量學方法，其中偏最小二乘法 (partial least square，PLS) 是應用最廣泛的一種方法，這種方法表達的主要是一種線性關系，而對于非線性關系則可能出現較大預測誤差，因此非線性的方法也經常被應用，如支持向量機(support vector machine，SVM)、人工神經網絡(artificial neural networks，ANN) 等。此外，還有很多其它算法以及不同算法的聯用，在實際應用中可以進行選擇和優化。在植物營養品質參數上，紅外光譜分析幾乎涉及人們所關心的所有參數，如礦質養分、氨基酸、蛋白質、脂肪、有機酸、多糖、淀粉、微量元素、類胡蘿卜素、纖維、三聚氰胺、油酸、硬脂酸、維生素E、多酚、黃酮、花青素、植物甾醇、兒茶素、咖啡因、芥酸、硫甙等。不同的植物、不同的手段以及不同的算法在分析精度和準確性上表現出顯著的差異，因此在實際應用中需要結合需求進行選擇使用。

除了以上常見的植物營養參數，紅外光譜表達的是樣品的整體信息，因此，紅外光譜本身能在植物樣品品質判別鑒定、植物樣品溯源和道地性上發揮獨特的作用，如蟲草真假的鑒定[78]、品種差異的鑒別[79]，中藥材的道地性等[80]。同時，融合光譜參數，可以對一些難以直接測定主觀性比較強的指標進行更客觀的分析，如茶葉、葡萄酒的口感和品味[56, 75, 81]。

3 化學計量學方法

在自然科學研究中經常要獲取各種數據，尤其是實驗科學，需要根據研究目的采用各種方法獲取或測定相關數據，然后在所獲取的數據基礎上進行分析和總結，提出、證明、修正或推翻某一個結論、假說或理論。在一些實驗科學中，如土壤學和生物學，經常會處理海量的數據，因此在數據處理時必須借助計算機通過相關分析軟件進行處理，從數據中挖掘目標信息[82]。

3.1 數據預處理

在紅外光譜分析中，由于系統或環境干擾，原始光譜中含有與樣品組成和結構無關的信息，即噪聲，使得近紅外光譜變得不穩定，并可能發生漂移或重疊，所以首先有必要對光譜進行預處理，以消除噪聲干擾，優化光譜信號，提高光譜分辨率和校正模型的分析精度和穩定性。光譜預處理方法有很多種，比如光譜平滑，其基本思想是在平滑點的前后各取若干點進行平均或擬合，求得平滑點的最佳估計值，消除隨機噪聲，這一方法的前提是隨機噪聲的增均值為零。常用的平滑方法有Savitzky-Golay卷積平滑法、傅里葉變換濾波以及小波變換濾波[83–84]。平滑處理帶有一定的經驗性，如果平滑處理不合適有可能導致有用信息的丟失，紅外光譜多采用小波濾波進行平滑化處理，本文以此為例簡要介紹小波分析的方法和原理。

小波理論是上個世紀80年代后期發展起來的應用數學分支，其思想來源于伸縮與平移，既保持了傅里葉變換的優點又具有多分辨率、方向選擇性和自動調焦的特點，被稱為數學上的顯微鏡[83]。數據的標準化是將數據按一定比例縮放，使之落入一個特定的區間。由于指標體系的各個指標度量單位不同，為了平衡選擇指標權重，通過函數變換將其數值映射到某個數值區間，使得基本度量單位能統一起來，從而有利于進一步的定性與定量分析。常見的標準化方法包括線性標準化法 (linear normalization algorithm) 和非線性標準化法 (nonlinear normalization algorithm) 兩大類。

對于相對復雜樣本如植物樣本的紅外分析，其紅外光譜是很多種不同組分吸收的疊加，因此不同組分之間的相互干擾很強，而將光譜進行微分能提高光譜分析的分辨率和靈敏度，但隨著導數階數的增加，信噪比變低，預測誤差增加。微分處理不僅成為解析光譜的強有力工具，而且在相當程度上改善了多重共線性，使校正模型的性能有了顯著的改善，但微分處理對微小的噪聲具有強調作用，因此在實際應用中，一般采用一階和二階微分光譜，三階或三階以上的微分光譜則很少采用。此外，反卷積 (deconvolution) 也可以起到分離光譜信號的作用，但反卷積過程中，隨機高頻干擾信號可能會被放大，因此需要適當抑制噪聲[85]。

3.2 模型構建

光譜分析因涉及多元校正，因此要依賴于化學計量學 (chemometrics)。化學計量學是應用數學、統計學與計算機科學的工具和手段，設計或選擇最優化學量測方法，并通過解析化學量測數據以最大限度地獲取化學及其相關信息[86]。化學計量學是化學、分析化學與數學、統計學及計算機科學之間的“接口”，是多學科融合的產物。化學計量學之所以得以迅速發展的主要原因是計算機科學的發展不僅使大量化學測量儀器操作實現了自動化，并使得大量數據的自動采集和傳輸成為事實。計算機科學的迅猛發展，對近代數學也產生了巨大影響，過去難以適用的復雜數學方法可在計算機上實現，為解決復雜的數據處理與目標信息提取提供了可能。正是有了現代化學測量手段的進步和數學解析手段的發展，多元校正的分析方法成了化學計量學中最活躍、最有生氣的一個分支。

植物樣品的紅外光譜包含了組成與結構的信息，在樣品的紅外光譜和其理化性質參數間也必然存在著內在的關系。使用化學計量學這種數學方法對光譜和理化性質進行關聯，可確立這兩者間的定量或定性關系，即校正模型。進而通過測量未知樣品的近紅外光譜，選擇正確模型或者構建自適應模型[87]，就可以預測樣品的理化性質參數。因此，紅外光譜分析方法包括了預處理、校正和預測三個過程。由于校正模型的復雜性和經驗性，紅外光譜分析又稱“黑匣子”分析技術，即間接測量技術。

化學計量學是綜合使用數學、統計學和計算機科學等方法，并結合應用領域專業知識，從測量數據中提取信息的一門新興的應用交叉學科。大量化學計量學方法被寫成軟件，并成為分析儀器 (尤其是紅外光譜儀) 的重要組成部分，這些軟件的出現使得應用化學計量學方法解決實際復雜體系的分析問題成為現實。這些方法的基本原理、算法和功能可參考有關文獻[86, 88]。在常規植物營養品質分析中，從每個樣本中所獲取的數據多是具體的和點式的，如蛋白質含量，僅僅就是單個數據點，而每一個植物樣本的紅外光譜其數據是二維的，即含波長和吸收強度，一條數據往往含有數百乃至數千個帶式數據點，攜帶著十分豐富的樣本信息，但是很多信息是蘊藏在眾多的信息之中，相互干擾和遮蓋，因此需要進行信息提取或數據挖掘 (data mining)。光譜數據挖掘涉及到大量運算，其復雜程度遠高于點式數據運算，現代計算機技術和化學計量學的發展為復雜的數據挖掘提供了可能的手段。

4 展望

4.1 新型光譜技術

目前，可見光、紫外光和紅外光在植物營養品質分析中得到廣泛的應用，相應的儀器設備也在分析能力、分辨率、分析精度以及便攜性上都不斷發展。從單樣品分析到多樣品自動分析，從模擬信號到高精度數字信號，從單通道到多通道，從臺式機到手持式機等。同時，隨著技術和檢測手段的進步，不斷產生新型光譜技術，其中開始應用的包括紅外光聲光譜、拉曼光譜和激光誘導擊穿光譜。

Bell于1880年在研究光纖通訊時發現了光聲效應[89–90]，但直到20世紀80年代，由于傅利葉紅外光譜儀、低噪音高靈敏度微音器以及計算機技術的發展，光聲光譜開始成為非常有價值的分析方法[91]。一束紅外光入射到光聲附件，通過KBr窗口照射到光聲池中的樣品，樣品受到紅外光照射后產生熱效應，并將熱傳導給樣品池中的氣體 (通常為氦氣)，氣體受熱后會膨脹與收縮，從而產生熱波，熱波可被敏感的麥克風 (微音器) 檢測，即為光聲信號，光聲信號轉化成電信號，經過放大后就得到紅外光聲光譜 (圖3)。熱波在樣品光激發處產生并開始傳遞，但衰減很快，這個衰減過程也決定了探測深度，因此不同的調制頻率就可以探測到不同深度的樣品，當調制頻率增加時，樣品探測深度減小，反之增大[92]。紅外光聲光譜分析不需要或者需要很少的樣品前處理，而且能直接獲取樣品不同深度的信息，這種直接快速的分析方法適用于具有很弱和很強吸收的樣品，同時也適用于不同形態植物樣品的分析。

圖3 紅外光聲光譜原理示意圖Fig. 3 Schematic description of the photoacoustic spectroscopy setup

1928年印度物理學家拉曼在實驗中發現，當用波長比試樣粒徑小得多的單色光照射氣體、液體或透明試樣時，發現還有一系列對稱分布的若干條譜線，強度很弱且與入射光頻率發生位移，這種現象稱為拉曼效應，拉曼也因此獲得了1930年的諾貝爾物理學獎。由于拉曼譜線的數目、位移的大小、譜線的長度直接與試樣分子振動或轉動能級有關，與紅外吸收光譜類似，拉曼光譜可以得到有關分子振動或轉動的信息，已廣泛應用于物質的鑒定以及分子結構的解析[93]。目前的拉曼技術包括單道檢測的拉曼光譜分析技術、以CCD為代表的多通道探測器的拉曼光譜分析技術、采用傅立葉變換技術的拉曼光譜分析技術、共振拉曼光譜分析技術和表面增強拉曼效應分析技術。拉曼光譜的分析方法不需要樣品前處理，也沒有樣品的制備過程，并且具有分析過程操作簡便、測定時間短和靈敏度高等優點。

原子光譜是利用基于不同原子的特征光譜進行元素分析，傳統的原子光譜分析需要進行樣品前處理，通常包括濕消解和干消解，因而無法獲得樣品本身的原子光譜，而要獲得樣品本身的原子光譜就要求不能進行復雜的樣品前處理，包括消解或提取。激光誘導擊穿光譜 (laser-induced breakdown spectroscopy，LIBS) 是一種利用高能量脈沖激光燒蝕樣品材料，使材料表面的微量樣品瞬間氣化形成高溫、高密度的等離子體，測量等離子體中原子發射光譜的譜線波長和強度，進而完成樣品材料所含化學元素的定性和定量分析的光譜檢測技術 (圖4)。近10年來LIBS的研究得到了快速發展，相關研究論文逐年增多，應用領域也逐漸擴大[94]。LIBS具備許多獨特的優點，如樣品預處理簡單或無需預處理，適合于各種形態 (氣態、液態、固態、顆粒) 物質的分析，激光激發樣品無二次污染，近似于無損檢測，類似于激光探針，可進行快速實時現場分析，能夠完成表面和逐層原位檢測，可以實現非接觸式遠距離探測，能夠應對惡劣環境下的在線分析，儀器操作簡單方便。但LIBS在植物營養品質分析中的應用還非常有限[95]，因此具有廣闊的發展前景。

除了以上光譜外，還有同步輻射、各類核磁共振 (nuclear magnetic resonance，NMR)、質譜 (mass spectroscopy，MS)、CT等，但這些光譜學方法設備昂貴，難以在常規植物營養品質分析中應用，本文就不作介紹，進一步了解可參閱有關文獻[96–98]。

4.2 光譜融合與現代信息技術

光譜根據波長可分為X光、可見近紅外光譜、中紅外光譜等；根據光的種類可分為紅外、拉曼、熒光等；根據振動的類型可為原子光譜、分子光譜等；根據信號獲取方法可分為吸收光譜、光聲光譜等。以上各種光譜具有各自的特點和優勢，如紅外光譜主要是響應極性分子振動，而拉曼光譜則響應非極性分子振動，無疑兩種光譜數據的融合能獲得更多樣品的信息，從而為樣品的表征提供更好的技術支撐[4]。又如，分子光譜反映的是分子鍵的振動，主要表現為結構組成特征，而原子光譜反映的是原子的特征吸收，主要表現元素組成特征，兩者的結合也是信息的互補，因此光譜融合具有重要應用前景[93]。但光譜數據的融合涉及數據的權重、數據的連接、信息的冗余以及干擾或噪音的引入，因此需要選擇或優化不同的光譜數據處理方法和模型[81]，否則，光譜的融合不但不能發揮作用，反而可能使分析的精度和準確度降低。

圖4 激光誘導擊穿光譜工作原理圖Fig. 4 Principle of laser induced breakdown spectroscopy (LIBS)

當前信息技術發展迅猛，智能手機廣泛使用，互聯網和云技術開始應用于諸多行業，如工業、商業和服務業等，在農業中已開始運用，但還相當薄弱[99]。現代光譜技術以互聯網和云技術 (云貯存和云計算) 為平臺，通過智能終端 (如手機)，結合植物營養專業知識，將植物營養品質分析與鑒定常規化(圖5)，在滿足人們對植物營養品質信息需求的同時，也能進一步規范市場，促進植物營養品質的提升。

圖5 植物營養品質信息的適時快速獲取示意圖Fig. 5 In situ rapid obtaining of plant nutrition quality parameters combining information technology

[1]朱兆良, 金繼運. 保障我國糧食安全的肥料問題[J]. 植物營養與肥料學報, 2013, 19(2): 259–273.Zhu Z L, Jin J Y. Fertilizer use and food security in China[J]. Journal of Plant Nutrition and Fertilizer , 2013, 19(2): 259–273.

[2]張士康, 山麗杰, 吳林海. 中國農產品消費的形態特征、關注度與農產品品質的安全供給分析[J]. 世界農業, 2010, 376: 49–52.Zhang S K, Shan L J, Wu H L. Food quality and security in China regarding a new consumption perspective[J]. World Agriculture,2010, 376: 49–52.

[3]Luo B L. The key points, difficulties and direction of agricultural supply side reforms[J]. Agricultural Economics, 2017, 1: 1–10.

[4]Santosh L, Sangdae L, Hoonsoo L, et al. A review of vibrational spectroscopic techniques for the detection of food authenticity and adulteration[J]. Trends in Food Science and Technology, 2015, 46:85–98.

[5]Stuart B. Infrared spectroscopy: Fundamentals and applications [M].New Jersey: John Wiley & Sons, 2004.

[6]Gunzler H, Gremlich H U. IR spectroscopy: an introduction [M].Weinheim: Wiley-VCH, 2002.

[7]杜昌文. 土壤紅外光聲光譜原理與應用[M]. 北京: 科學出版社,2012.Du C W. Soil infrared photoacoustic spectroscopy: principal and application[M]. Beijing: Science Press, 2012.

[8]Dixon R, Coates D. Near infrared spectroscopy of faeces to evaluate the nutrition and physiology of herbivores[J]. Journal of Near Infrared Spectroscopy, 2009, 17(1): 1–31.

[9]Lu X N, Rasco B A. Determination of antioxidant content and antioxidant activity in foods using infrared spectroscopy and chemometrics: A review[J]. Critical Reviews in Food Science and Nutrition, 2012, 52(10): 853–875.

[10]張玉森, 姚霞, 田永超, 等. 應用近紅外光譜預測水稻葉片氮含量[J]. 植物生態學報, 2010, 34(6): 704–712.Zhang Y S, Yao X, Tian Y C, et al. Estimating leaf nitrogen content with near infrared reflectance spectroscopy in rice[J]. Chinese Journal of Plant Ecology, 2010, 34(6): 704–712.

[11]Shen F, Niu X Y, Yang D T, et al. Determination of amino acids in Chinese rice wine by Fourier transform near-infrared spectroscopy[J].Journal of Agricultural and Food Chemistry, 2010, 58: 9809–9816.

[12]Escuredo O, Martín M I G, Moncada G W, et al. Amino acid profile of the quinoa (Chenopodium quinoa Willd.) using near infrared spectroscopy and chemometric techniques[J]. Journal of Cereal Science, 2014, 60: 67–74.

[13]Torit B B, Srigopal S, Krishnendu C. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chemistry, 2016, 191: 21–27.

[14]Zhang B, Rong Z. Prediction of the amino acid composition in brown rice using different sample status by near-infrared reflectance spectroscopy[J]. Food Chemistry, 2011, 127: 275–281.

[15]Chuang Y K, Hua Y P, Yang I C. Integration of independent component analysis with near infrared spectroscopy for evaluation of rice freshness[J]. Journal of Cereal Science, 2014, 60: 238–242.

[16]Chen K J, Huang M. Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks[J]. Journal of Cereal Science, 2010, 52: 221–226.

[17]Pornarree S, Kazuhiro N, Sirichai K, et al. Eating quality evaluation of Khao Dawk Mali 105 rice using near infrared spectroscopy[J].LWT - Food Science and Technology, 2017, 79: 70–77.

[18]Xie L H, Tang S Q, Chen N, et al. Optimization of near-infrared reflectance model in measuring protein and amylose content of rice flour[J]. Food Chemistry, 2014, 142: 92–100.

[19]Xu S X, Shi X Z, Wang M Y, et al. Determination of rice root density at the field level using visible and near-infrared reflectance spectroscopy[J]. Geoderma, 2016, 267: 174–184.

[20]Fan D M, Ma W R, Wang L Y, et al. Determination of structural changes in microwaved rice starch using Fourier transform infrared and Raman spectroscopy[J]. Starch, 2012, 64: 598–606.

[21]Shao Y N, Cen Y L, He Y, et al. Infrared spectroscopy and chemometrics for the starch and protein prediction in irradiated rice[J]. Food Chemistry, 2011, 126: 1856–1861.

[22]Shen F, Ying Y B, Li B B, et al. Prediction of sugars and acids in Chinese rice wine by mid-infrared spectroscopy[J]. Food Research International, 2011, 44: 1521–1527.

[23]Shao, Y N, He Y. Visible/near infrared spectroscopy and chemometrics for the prediction of trace element (Fe and Zn) levels in rice leaf[J]. Sensors, 2013, 13: 1872–1883.

[24]Cozzolino D. An overview of the use of infrared spectroscopy and chemometrics in authenticity and traceability of cereals[J]. Food Research International, 2014, 60: 262–265.

[25]Ingrid V, Martin E, Nicolas V, et al. Monitoring nitrogen leaf resorption kinetics by near-infrared spectroscopy during grain filling in durum wheat in different nitrogen availability conditions[J]. Crop Science, 2013, 53: 284–296.

[26]Ayse C M, Ismail H B, Huseyin E G, et al. Prediction of wheat quality parameters using near-infrared spectroscopy and artificial neural networks[J]. Europe Food Research and Technology, 2011,233: 267–274.

[27]Johannes H, Michael P, Lukas D, et al. A comparison between nearinfrared (NIR) and mid-infrared (ATR-FTIR) spectroscopy for the multivariate determination of compositional properties in wheat bran samples[J]. Food Control, 2016, 60: 365–369.

[28]Fontaine J, Schirmer B, Horr J. Near-infrared reflectance spectroscopy (NIRS) enables the fast and accurate prediction of essential amino acid contents. 2. Results for wheat, barley, corn,triticale, wheat bran/middlings, rice bran, and sorghum[J]. Journal of Agricultural and Food Chemistry, 2002, 50(14): 3902–3911.

[29]姚霞, 王雪, 黃宇, 等. 應用近紅外光譜法估測小麥葉片糖氮比[J].應用生態學報, 2015, 26(8): 2371–2378.Yao X, Wang X, Huang Y, et al. Estimation of sugar to nitrogen ratio in wheat leaves with near infrared spectrometry[J]. Chinese Journal of Applied Ecology, 2015, 26(8): 2371–2378.

[30]姚霞, 湯守鵬, 曹衛星, 等. 應用近紅外光譜預測小麥葉片氮含量[J]. 植物生態學報, 2011, 35(8): 844–852.Yao X, Tang S P, Cao W X, et al. Estimating the nitrogen content in wheat leaves by near-infrared reflectance spectroscopy[J]. Chinese Journal of Plant Ecology, 2011, 35(8): 844–852.

[31]Lidia E A, David D E, Susan D, et al. Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels[J]. Journal of Cereal Science, 2012, 55:160–165.

[32]Jiang H Y, Zhu Y J, Wei L M, et al. Analysis of protein, starch and oil content of single intact kernels by near infrared reflectance spectroscopy (NIRS) in maize (Zea mays L.)[J]. Plant Breeding,2007, 126: 492–497.

[33]Oreste B, Nicola B. Application of near-infrared reflectance spectroscopy (NIRS) to the evaluation of carotenoids content in maize[J]. Journal of Agricultural and Food Chemistry, 2004, 52:5577–5582.

[34]Tesfaye M B, Tom C P, Settles A M. Development of a calibration to predict maize seed composition using single kernel near infrared spectroscopy[J]. Journal of Cereal Science, 2006, 43: 236–243.

[35]Nicola B, Vincenza P, Paola B, et al. Rapid detection of kernel rots and mycotoxins in maize by near-infrared reflectance spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2005,53: 8128–8134.

[36]Jasper G T, Natalia P, Paul R A. Prediction of maize seed attributes using a rapid single kernel near infrared instrument[J]. Journal of Cereal Science, 2009, 50: 381–387.

[37]魏良明, 嚴衍祿, 戴景瑞. 近紅外反射光譜測定玉米完整籽粒蛋白質和淀粉含量的研究[J]. 中國農業科學, 2004, 37(5): 630–633.Wei L M, Yan Y L, Dai J R. Determining protein and starch contents of whole maize kernel by near infrared reflectance spectroscopy(NIRS)[J]. Scientia Agricultura Sinica, 2004, 37(5): 630–633.

[38]Sylwester M, Roman S, Agnieszka K. Application of infrared reflection and Raman spectroscopy for quantitative determination of fat in potato chips[J]. Journal of Molecular Structure, 2016, 1126:213–218.

[39]Oluwatosin E A, Suzanne D J, Van-Den T, et al. Development and validation of a near-infrared spectroscopy method for the prediction of acrylamide content in french-fried potato[J]. Journal of Agricultural and Food Chemistry, 2016, 64: 1850–1860.

[40]Timm B, Bernd T, Wolfgang F, et al. Development of near-infrared reflection spectroscopy calibrations for crude protein and dry matter content in fresh and dried potato tuber samples[J]. Potato Research,2016, 59: 149–165.

[41]Ainara L, Silvia A, Ignacio G, et al. Review of the application of near-infrared spectroscopy for the analysis of potatoes[J]. Journal of Agricultural and Food Chemistry, 2013, 61: 5413–5424.

[42]Xu S X, Zhao C, Shi X Z, et al. Rapid determination of carbon,nitrogen, and phosphorus contents of field crops in China using visible and near-infrared reflectance spectroscopy[J]. Crop Science,2017, 57: 475–489.

[43]Daniela S F, Juliana A L P, Ronei J P. Fourier transform nearinfrared spectroscopy (FT-NIRS) application to estimate Brazilian soybean (Glycine max (L.) Merril) composition[J]. Food Research International, 2013, 51: 53–58.

[44]Simon A H, Stewart F G, Emmanuelle C, et al. The application of near-infrared reflectance spectroscopy (NIRS) to detect melamine adulteration of soya bean meal[J]. Food Chemistry, 2013, 136:1557–1561.

[45]Wang L, Wang Q, Liu H Z, et al. Determining the contents of protein and amino acids in peanuts using near-infrared reflectance spectroscopy[J]. Journal of the Science of Food Agriculture, 2013,93: 118–124.

[46]Zhang G Y, Li P H, Zhang W F, et al. Analysis of multiple soybean phytonutrients by near-infrared reflectance spectroscopy[J].Analytical and Bioanalytical Chemistry, 2017, 409: 3515–3525.

[47]Ferreira D S, Gal?o O F, Pallone J A L, et al. Comparison and application of near-infrared (NIR) and mid-infrared (MIR)spectroscopy for determination of quality parameters in soybean samples[J]. Food Control, 2014, 35: 227–232.

[48]Audrey P, Juan A F P, Vincent B, et al. Non-destructive measurement of vitamin C, total polyphenol and sugar content in apples using near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2013, 93: 238–244.

[49]Qi S Y, Seiichi O, Yoshio M, et al. Influence of sampling component on determination of soluble solids content of Fuji apple using nearinfrared spectroscopy[J]. Applied Spectroscopy, 2017, 71(5):856–865.

[50]Mark W D, Wouter S, Ellen H, et al. Application of visible and nearinfrared reflectance spectroscopy (Vis/NIRS) to determine carotenoid contents in banana (Musa spp.) fruit pulp[J]. Journal of Agricultural and Food Chemistry, 2009, 57: 1742–1751.

[51]Nicoletta S, Anna S, Valentina D E, et al. Evaluation of quality and nutraceutical content of blueberries (Vaccinium corymbosum L.) by near and mid-infrared spectroscopy[J]. Postharvest Biology and Technology, 2008, 50: 31–36.

[52]Bei D R, Fuentes S, Sullivan W, et al. Rapid measurement of total non-structural carbohydrate concentration in grapevine trunk and leaf tissues using near infrared spectroscopy[J]. Computers and Electronics in Agriculture, 2017, 136: 176–183.

[53]Cortés V, Ortiz C, Aleixos N, et al. A new internal quality index for mango and its prediction by external visible and near-infrared reflection spectroscopy[J]. Postharvest Biology and Technology,2016, 118: 148–158.

[54]Wang J, Zhao H B, Shen C W, et al. Determination of nitrogen concentration in fresh pear leaves by visible/near-infrared reflectance spectroscopy[J]. Agronomy Journal, 2014, 106(5): 1867–1872.

[55]Jiang H, Zhu W X. Determination of pear internal quality attributes by Fourier transform near infrared (FT-NIR) spectroscopy and multivariate analysis[J]. Food Analytical Methods, 2013, 6: 569–577.

[56]Cozzolino D. The role of visible and infrared spectroscopy combined with chemometrics to measure phenolic compounds in grape and wine samples[J]. Molecules, 2015, 20: 726–737.

[57]Li C Y, Du C W, Zeng Y, et al. Two-dimensional visualization of nitrogen distribution in leaves of Chinese cabbage (Brassica rapa subsp. chinensis) by the Fourier transform infrared photoacoustic spectroscopy technique[J]. Journal of Agricultural and Food Chemistry, 2016, 64: 7696–7701.

[58]Katherine F, María-Teresa S, Dolores P, et al. Feasibility in NIRS instruments for predicting internal quality in intact tomato[J]. Journal of Food Engineering, 2009, 91: 311–318.

[59]Steven V, Katrien B, Peter M, et al. Sequential injection ATR-FTIR spectroscopy for taste analysis in tomato[J]. Sensors and Actuators B,2009, 137: 715–721.

[60]Huseyin A, Andrea S, Didem P. Monitoring multicomponent quality traits in tomato juice using portable mid-infrared (MIR) spectroscopy and multivariate analysis[J]. Food Control, 2016, 66: 79–86.

[61]Iwona S C, Maryse R, Sylvie B, et al. Mid-infrared spectroscopy as a tool for rapid determination of internal quality parameters in tomato[J]. Food Chemistry, 2015, 125: 1390–1397.

[62]Pérez-Vicha B, Velascob L, Fernández-Martíneza J M. Composition in sunflower through the analysis of intact seeds, husked seeds, meal and oil by near-infrared reflectance spectroscopy[J]. JAOCS, 1998,75: 547–555.

[63]Sato T, Takahata Y, Noda T, et al. Nondestructive determination of fatty acid composition of husked sunflower (Helianthus annuus L.)seeds by near-infrared spectroscopy[J]. Journal of American Oil Chemistry Society, 1995, 72: 1177–1183.

[64]Chen G L, Zhang B, Wu J G, et al. Nondestructive assessment of amino acid composition in rapeseed meal based on intact seeds by near-infrared reflectance spectroscopy[J]. Animal Feed Science and Technology, 2011, 165: 111–119.

[65]Rafael F, Mercedes D R, Elena C, et al. Quantification of glucosinolates in leaves of leaf rape (Brassica napus ssp. pabularia)by near-infrared spectroscopy[J]. Phytochemistry, 2005, 66: 175–185.

[66]Tkachuk R. Oil and protein analysis of whole rapeseed kernels by near infrared reflectance spectroscopy[J]. JAOCS, 1981, 8: 819–822.

[67]陸宇振, 杜昌文, 余常兵, 等. 紅外光譜在油菜籽快速無損檢測中的應用[J]. 植物營養與肥料學報, 2013, 19(5): 1257–1263.Lu Y Z, Du C W, Yu C B, et al. Advances in the application of infrared spectroscopy in the rapid and non-destructive characterization of rapeseeds[J]. Journal of Plant Nutrition and Fertilizer, 2013, 19(5): 1257–1263.

[68]Lu Y Z, Du C W , Yu C B, et al. Use of FTIR-PAS combined with chemometrics to quantify nutritional information in rapeseeds(Brassica napus)[J]. Journal of Plant Nutrition and Soil Science,2014, 177(6): 927–933.

[69]Lu Y Z, Du C W, Yu C B, et al. Fourier transform mid-infrared photoacoustic spectroscopy (FTIR-PAS) coupled with chemometrics for non-destructive determination of oil content in rapeseed[J].Transactions of the ASABE, 2015, 58(5): 1403–1407.

[70]Gotor A A, Farkas E, Berger M, et al. Determination of tocopherols and phytosterols in sunflower seeds by NIR spectrometry[J].European Journal of Lipid Science and Technology, 2007, 109(5):525–530.

[71]Ruoff K, Luginbuhl W, Bogdanov S, et al. Quantitative determination of physical and chemical measurands in honey by near-infrared spectrometry[J]. European Food Research and Technology,2007, 225: 415–423.

[72]Escuredo O, Seijo M C, Salvador J, et al. Near infrared spectroscopy for prediction of antioxidant compounds in the honey[J]. Food Chemistry, 2013, 141: 3409–3414.

[73]Ren G X, Wang S P, Ning J M, et al. Quantitative analysis and geographical traceability of black tea using Fourier transform nearinfrared spectroscopy (FT-NIRS)[J]. Food Research International,2013, 53: 822–826.

[74]Chen Q S, Zhao J W, Sumpun C, et al. Simultaneous analysis of main catechins contents in green tea (Camellia sinensis L.) by Fourier transform near infrared reflectance (FT-NIR) spectroscopy[J]. Food Chemistry, 2009, 113: 1272–1277.

[75]Jiang H, Chen Q S. Chemometric models for the quantitative descriptive sensory properties of green tea (Camellia sinensis L.)using Fourier transform near infrared (FT-NIR) spectroscopy[J].Food Analytical Methods, 2015, 8: 954–962.

[76]Liu Y L. Recent progress in Fourier transform infrared (FTIR)spectroscopy study of compositional, structural and physical attributes of developmental cotton fibers[J]. Materials, 2013, 6:299–313.

[77]Huang Z R, Sha S, Rong Z Q, et al. Feasibility study of near infrared spectroscopy with variable selection for non-destructive determination of quality parameters in shell-intact cottonseed[J].Industrial Crops and Products, 2013, 43: 654–660.

[78]Du C W, Zhou J M, Liu J F. Identification of Chinese medicinal fungus Cordyceps sinensis by depth-profiling mid-infrared photoacoustic spectroscopy[J]. Spectrochimica Acta Part A,Molecular and Biomolecular Spectroscopy, 2017, 173: 489–494.

[79]Andreia M S, Mawsheng C, Jeemeng L, et al. Combining multivariate analysis and monosaccharide composition modeling to identify plant cell wall variations by Fourier Transform Near Infrared spectroscopy[J]. Plant Methods, 2011, 7: 26.

[80]Sun S Q, Chen J B, Zhou Q, et al. Application of mid-Infrared spectroscopy in the quality control of traditional Chinese medicines[J]. Planta Medica, 2010, 76: 1987–1996.

[81]Eva B, Joan F, Ricard B, et al. Data fusion methodologies for food and beverage authentication and quality assessment-A review[J].Analytica Chimica Acta, 2015, 891: 1–14.

[82]Du C W, Zhou J M. Application of infrared photoacoustic spectroscopy in soil analysis[J]. Applied Spectroscopy Reviews,2011, 46: 405–422.

[83]Michel M, Yves M, Georges O, et al. Wavelet toolbox for use with Matlab?[M]. The MathWorks, Inc., 2002.

[84]Pascal C, Serge W, Michel U. Combined wavelet transform-artificial neural network use in tablet active content determination by nearinfrared spectroscopy[J]. Analytica Chimica Acta, 2007, 591:219–224.

[85]鄒謀炎. 反卷積和信號復原[M]. 北京: 國防工業出版社, 2001.Zhou M Y. Deconvolution and signal recovery [M]. Beijing: National Defense Industry Press, 2001.

[86]Richard G B. Applied chemometrics for scientist[M]. Chichester,UK: John Wiley & Sons, Ltd, 2007.

[87]Ma F, Du C W, Zhou J M, et al. A self-adaptive model for the prediction of soil organic matter using mid-infrared photoacoustic spectroscopy[J]. Soil Science Society of America Journal, 2016,80(1): 238–246.

[88]Howard M, Jerry W. Chemometrics in spectroscopy [M]. London,UK: Academic Press, Elsevier Ltd., 2007.

[89]Bell A G. On the production and re-production of sound by light[J].American Journal of Science, 1880, 20: 305–324.

[90]Brunn J, Grosse P, Wynands R. Quantitative analysis of photoacoustic IR spectra[J]. Applied Physics B, 1988, 47: 343–348.

[91]Rosencwaig A, Gersho A. Theory of photoacosutic effect with solids[J]. Journal of Applied Physics, 1976, 47: 64–69.

[92]Du C W, Zhou J M, Wang H Y, et al. Determination of soil properties using Fourier transform mid-infrared photoacoustic spectroscopy[J]. Vibrational Spectroscopy, 2009, 49: 32–37.

[93]Xing Z, Du C W, Zeng Y, et al. Characterizing typical farmland soils in China using Raman spectroscopy[J]. Geoderma, 2016, 268:147–155.

[94]Motea M, James R, Simon F, et al. Evaluation of elemental profiling methods, including laser-induced breakdown spectroscopy (LIBS),for the differentiation of Cannabis plant material grown in different nutrient solutions[J]. Forensic Science International, 2015, 251:95–106.

[95]Banu S, Gonca B, Ismail H B. Laser-induced breakdown spectroscopy based protein assay for cereal samples[J]. Journal of Agricultural and Food Chemistry, 2016, 64: 9459–9463.

[96]Kovrlija R, Rondeau-Mouro C. Multi-scale NMR and MRI approaches to characterize starchy products[J]. Food Chemistry,2017, 236: 2–14.

[97]Lim S, Lee J G, Lee E J. Comparison of fruit quality and GC-MS-based metabolite profiling of kiwifruit 'Jecy green': Natural and exogenous ethylene-induced ripening[J]. Food Chemistry, 2017, 234:81–92.

[98]Mohoric A, Vergeldt F, Gerkema E, et al. The effect of rice kernel microstructure on cooking behaviour: A combined mu-CT and MRI study[J]. Food Chemistry, 2009, 115: 1491–1499.

[99]Ojha T, Misra S, Raghuwanshi N S. Sensing-cloud: Leveraging the benefits for agricultural applications[J]. Computers and Electronics in Agriculture, 2017, 135: 96–107.

Application of modern spectroscopic technologies in the analysis of plant nutritional quality

DU Chang-wen
( State Key Laboratory of Soil and Agricultural Sustainability/Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China )

In current stage food security has been considering both the total food amount and the food quality instead of formally mainly considering the total food amount, therefore, the society pay more attention to the analysis of food quality. The conventional plant nutritional analysis was laboratory-based chemical analysis,which was time- and cost-consuming as well as high labor intensity. Thus, the routine methods are difficult to meet the requirement of mass plant nutritional information deprived from food quality. Correspondingly,spectroscopic methods, including ultraviolet, visible, infrared, fluorescence and Raman etc., have been widely used for in situ rapid obtaining of food quality parameters in a large variety of plants including crops, vegetable and fruit as well as some Chinese medicine plants. Furthermore, some subjective sensory properties can be characterized by spectroscopic methods in a more objective way. Infrared photoacoustic spectroscopy and laser induced breakdown spectroscopy have been applied in various fields, and demonstrated great potential in plant nutritional analysis. Multivariate calibration and validation were needed since spectral analysis involved numerous data points, which were well supported by chemometrical methods and computer technology, and highlights will focused on the in situ rapid obtaining of food quality parameters based on plant nutrition knowledge combining the platforms of internet and cloud technology as well as intelligent terminals.

nutritional quality; infrared spectroscopy; atomic spectroscopy; chemometrics; model

2017–07–24 接受日期：2017–08–25

國家自然科學基金項目（41671238）；江蘇省現代農業研發專項（BE2017388）；江蘇省農業科技自主創新資金[CX（17）3010]資助。

杜昌文（1974—），男，湖北鄂州人，博士，研究員，主要從事土壤肥料與植物營養研究工作。Tel：025-86881565 E-mail：chwdu@issas.ac.cn