近紅外光譜技術快速定量油茶籽含油率及脂肪酸組成

摘 要：【目的】利用近紅外光譜技術構建定量預測模型，及時獲得油茶重要的經濟性狀指標并進行評價，以簡便快速、綠色安全而又準確地測定大批量油茶樣品的含油率和脂肪酸組成，為油茶良種選育提供數據基礎和依據。【方法】用氣相色譜法測定100 份油茶樣品的含油率（Oil content，OC）及棕櫚油酸（Palmitoleic acid，POA）、棕櫚酸（Palmitic Acid，PA）、硬脂酸（Stearic acid，SA）、油酸（Oleic acid，OA）、亞油酸（Linoleicacid，LOA）、亞麻酸（α-Linolenic acid，ALA）、不飽和脂肪酸（Unsaturated fat acid，USFA）、飽和脂肪酸（Saturatedfat acid，SFA）的含量水平，并作為試驗測定值。對其中90 份樣本用近紅外光譜技術，采用漫反射掃描方式，采集經過粉碎處理的油茶樣品光譜，光譜序列通過光譜殘差和特征殘差結合的方法進行優化預處理，對光譜數據進行標準歸一化，并結合導數法方法處理，結合偏最小二乘法建立油茶樣品含油率和主要脂肪酸組成的定量預測模型。另外10 份樣本作為模型的外部驗證。【結果】構建的油茶籽粉OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 近紅外光譜定量模型，建模集回歸系數（RC）和驗證集回歸系數（RP）均在0.69 以上，其中OC 和LOA 均達到0.90 以上，模型效果較好。9 個定量模型中效果最差的為SA，RC 和RP 分別為0.702 8 和0691 7。各指標定量分析模型中建模均方根誤差（SEC）和驗證均方根誤差（SEP）的比值在0.80 ～ 1.26 之間，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，其定量模型較佳。油茶樣品脂肪酸組成模型SEC/SEP 比值的相對偏差在0.034 ～ 0.220，說明構建的定量模型結果很好。【結論】近紅外光譜技術能實現快速、綠色安全和準確評價油茶樣品的含油率和主要脂肪酸組成，用所構建的定量模型測定油茶籽粉的含油率和脂肪酸組成含量結果誤差小，有較好的預測效果，在加快油茶等木本油料樹種的良種選育方面具有很好的應用前景。

關鍵詞：油茶籽；近紅外光譜；含油率；脂肪酸組成；定量模型

中圖分類號：S609.9 文獻標志碼：A 文章編號：1003—8981（2023）04—0273—08

油茶是我國重要的木本油料樹種，廣泛種植在我國南方亞熱帶地區的山地丘陵地帶，具有悠久的栽培歷史[1]。油茶果實去皮加工后得到油茶籽油，它是一種天然的優質保健食用油，與棕櫚油、橄欖油和椰子油并稱為世界四大木本植物油，其中不飽和脂肪酸的含量在90% 左右，且油酸、亞油酸和棕櫚酸的含量較高，具有很高的營養價值，且含有豐富的活性物質[2]。茶油的用途非常廣泛，據報道，茶油具有預防心血管疾病、減少血液中的膽固醇、增強免疫系統、抑制腫瘤、抗炎等多種作用[3]。目前對于油脂中脂肪酸成分及含量的檢測，除了需要較為復雜的油脂提取過程外，還要進行油脂甲酯化處理后才能上機檢測。針對不同脂肪酸含量的測定通常采用氣相色譜質譜聯用儀（GC-MS）、氣相色譜儀（GC）、近紅外光譜儀（NIRS）等結合化學計量方法進行[4-5]。相較于質譜、色譜等技術，光譜技術的特點是簡單、快速、準確、無試劑污染，安全而且對環境比較友好[6]。NIRS 作為一種簡便、快速的光譜檢測技術，為木本油料品質檢測和評價提供了有效途徑。該技術通過化合物中各種化學基團振動的倍頻和組合頻率的綜合表現，即不同有機化合物、不同化學基團，有不同特征吸收波長，從而反應樣品的組成或組成成分的內在聯系，結合化學計量學和計算機分析技術可以做到對多種成分和理化指標的同時定量分析，通用性強，重復性好，易于推廣應用[7-8]。

近紅外光譜分析法已廣泛地應用于植物含油量和脂肪酸組成的快速分析，基本上可以滿足這些植物育種和品質分析的大規模快速檢測要求[9-10]。在茶油中已有應用的研究報道，如張菊華等[11] 應用近紅外光譜結合化學計量學建立的偏最小二乘法模型所預測茶油中棕櫚酸、硬脂酸、油酸和亞油酸的含量與實際化學測定值接近，證明近紅外光譜法是一種快速、無損、準確測定茶油中主要脂肪酸的方法。文韜等[12-13] 研究表明，市售不同茶油間近紅外光譜的曲線變化趨勢基本一致，呈波動性增加，茶油中脂肪酸的含量與近紅外光譜的吸光度呈正相關。選擇全波段光譜預測茶油中脂肪酸含量的總體精度略高于顯著波段。然而，從模型的復雜性分析來看，采用顯著性帶建模的輸入變量數量與全波段建模相比少了3/4，更加節省運算時間。另外通過采集湖南、江西、安徽和浙江4 個不同產地茶油的近紅外光譜數據，構建快速鑒別原產地的定性模型，準確率達到95% 以上。褚璇等[14] 以A 組（0% ～ 5%）和B 組（6% ～10%）共11 個樣品，C 組（15% ～ 40%）6 個和D 組（50% ～ 100%）6 個樣品不同摻假比例的山茶油為研究對象，通過對其1 000 ～ 2 500 nm 下的近紅外光譜數據進行分析，結合主成分、特征波長和支持向量機建立判別模型，均實現了山茶油摻假的鑒別[14]。以上研究均是以茶油展開快速定性、定量和摻偽模型的研究，對于茶油加工前端油茶籽的含油率和主要脂肪酸組成快速定量研究卻鮮有報道，因此，本研究對收集到的100 份油茶樣品構建其含油率和脂肪酸的近紅外定量分析模型，實現油茶籽品質的快速預測，為茶油質量評價和油茶良種選育提供數據基礎。

1 材料與方法

1.1 試驗材料

1.1.1 材 料

從江西油茶主產區（25°37′ ～ 29°44′N，113°49′ ～118°16′E）收集油茶鮮果樣品100 份。樣品經晾干、去皮、烘干、粉碎，過1.0 mm 篩，裝袋，得到100 份油茶籽的粉末樣本，其中90 份作為構建近紅外光譜模型用，其余10 份樣本用作模型外部驗證。

1.1.2 主要儀器設備及試劑

NIRFlex N-500 型近紅外光譜儀（步琦實驗室設備貿易（上海）有限公司），GC2010-Plus 氣相色譜儀（日本島津制作所），BS124S 電子天平（賽多利斯科學儀器有限公司），電熱鼓風干燥箱（上海新苗醫療器械制造有限公司），RE5298A 旋轉蒸發儀（上海亞榮生化儀器廠），HH-S6 電熱恒溫水浴鍋（金壇市恒豐儀器），SXT-06 索氏提取器（四川蜀玻（集團）有限責任公司），高速粉碎機（天津市泰斯特儀器有限公司）。

6 種脂肪酸甲酯（棕櫚酸甲酯、棕櫚油酸甲酯、硬脂酸甲酯、油酸甲酯、亞油酸甲酯、亞麻酸甲酯）混合標準品（濃度均為 10 mg/mL，上海安譜實驗科技有限公司）；石油醚（60-90℃）（上海國藥集團化學試劑有限公司）；實驗超純水（默克化工技術有限公司），其他試劑均為國產分析純。

1.2 試驗方法

1.2.1 含油率的測定

采用索氏提取法提取測定[15]。

1.2.2 脂肪酸含量的測定

采用氣相色譜法測定[16]。

1.2.3 近紅外光譜采集方法

稱取樣品20 g，平鋪于玻璃皿中，采用漫反射方式旋轉掃描采集光譜，光譜掃描范圍4 000 ～ 10 000 cm-1，分辨率8 cm-1，掃描次數32。在光譜采集過程中，保持實驗室內溫濕度基本恒定，儀器開機預熱3 h 后進行樣品光譜掃描，每個樣品重復掃描3 次。圖1 為油茶籽粉樣品的原始近紅外光譜圖。

1.2.4 樣品集劃分

為避免軟件隨機選擇驗證集樣品可能存在的選樣不均勻，以及最大值和最小值不包含在建模集的情況，本實驗建模均采用手動選取驗證集。驗證集選取方法為：對樣品不同成分含量進行升序排序后，自上而下每隔2 ～ 3 個樣品選擇一個驗證集樣品，其余為建模集樣品。參與建模集和驗證集的樣品數見表1。

1.2.5 樣品光譜預處理

利用定標軟件NIRCal5.4 對采集的光譜數據進行處理，一般選擇杠桿值、光譜殘差、特征殘差和載荷值中的一種或幾種參數來剔除異常樣品。本研究根據各個參數表征重要性，采用光譜殘差和特征殘差結合的方法，剔除異常樣品的光譜[8]。

采用標準歸一化（SNV），并結合二階導數處理（db1g2）、平滑處理、趨近歸一化（ncl）等方法對光譜進行處理。油茶籽粉各組分在最佳波數條件下選擇的最佳預處理方法詳情見表2。校正統計采用偏最小二乘法（Partial least squaresregression，PLS）。

1.2.6 模型驗證與評價

模型驗證的目的是確認所建立模型能否準確地預測未知的樣品。將標準樣品集分為建模集和驗證集，通過相關系數和標準偏差兩個指標對模型效果進行評價。

2 結果與分析

2.1 含油率及脂肪酸組成含量

用氣相色譜法測定90 份油茶樣品主要脂肪酸的含量，統計分析結果見表3。由表3 可知，OC、PA、POA、SA、OA、LOA、ALA、USFA、SFA 質量分數標準偏差在0.02 ～ 5.16 之間，各指標的數據結果分布偏度均小于1.4，范圍在0.31 ～ 1.39，峰度在0.39 ～ 4.20 之間，除了SFA的峰度達到4.0 以上，呈現尖峰狀態，其他指標均小于3.0。從偏度和峰度值綜合評價，POA、SA和SFA 數據呈現分布左偏，說明大部分數據結果小于各自對應的平均值。OC、OA、USFA 數據呈現分布右偏，其他數據分布偏度較小，接近正態分布。各指標峰度值表明數據結果屬于尖峰分布，可知數據集中，除ALA 接近正態分布外，其他均出現中等或高度偏態，即數據結果分布相對集中。

2.2 模型構建和評價

用近紅外光譜儀自帶軟件對采集到的樣品光譜進行預處理和模型參數優化，在油茶籽粉光譜預處理過程中，OC、POA、SA、OA 和USFA均采用了db1g2，而PA、ALA 和SFA 均采用了SNV，SA、OA 和USFA 采用了db1g2 和ncl 結合。應用PLS 構建的油茶籽粉OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 共9 個近紅外光譜定量模型，各模型參數結果如表4 所示。

根據建模集和驗證集相關系數的大小和標準偏差進行比較。結果顯示，所建模型中OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 的定量模型建模集回歸系數（Rc）和驗證集回歸系數（Rp）均在0.70 以上，其中OC 和LOA 的Rc 和Rp 分別為0.913 1 和0.902 6、0.961 5 和0.937 5，均達到0.90 以上，模型的光譜預測值與化學值的相關性較好，模型效果較好。9 個定量模型中效果最差的為SA，Rc 和Rp 分別為0.702 8 和0.691 7，這可能是因為SA 化學值數據結果分布高度偏態，數據較為集中，光譜信息無法明顯有效地分辨數據間的微小差異。另外，衡量模型預測效果還可以從建模均方根誤差（SEC）和驗證均方根誤差（SEP）反映， 從表4 可以看出， 各模型SEC 均處于0.012 1 ～ 1.605 0 范圍內，SEP 均處于0.011 0 ～1.806 6 范圍，各指標模型的均方根誤差較小。構建的9 個定量分析模型中SEC 和SEP 比值在0.80-1.26 之間，均接近1，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，其定量模型較佳。模型SEC/SEP 比值的相對偏差在0.034-0.220，說明構建的定量模型結果較好，因此使用近紅外光譜技術構建的定量模型預測油茶籽粉的含油率和脂肪酸組成（除SA 外）切實可行。

2.3 模型驗證

隨機選取10 份樣品對構建的近紅外模型進行外部驗證， 結果見表5。OC、PA、POA、OA、LOA、ALA、USFA 和SFA 模型的預測值與化學值絕對偏差在0.00 ～ 1.03 之間，相對偏差在0.02% ～7.75% 之間， 而POA 和SA 模型的預測值與化學值絕對偏差在0.00 ～ 0.21 之間，相對偏差在0.45% ～ 21.40% 之間，相對偏差的最大極值主要是SA 模型驗證結果導致。從外部驗證的偏差結果可以看出，除了SA 外，各指標模型可用于樣品含油率和主要脂肪酸含量的預測。

3 結論與討論

3.1 討 論

近紅外光譜技術以其快速、簡便、綠色、高效等特點已經在各領域得到廣泛應用，發展迅速。通過該技術構建的定性和定量預測模型，能夠較好地滿足實際生產需要。近紅外光譜儀采集到的樣品光譜能全覆蓋有機組分信息，通過對樣品譜圖進行預處理、特征信息提取、關鍵波長確定、主成分數量確定、回歸擬合算法選擇、調整優化和參數評估，最終完成模型構建。陳洪亮等[17]采用SNV 進行光譜預處理，無信息變量消除法（UVE）篩選波長變量，再結合聯合間隔偏最小二乘法（SiPLS） 和帶極值擾動的簡化粒子群優化算法（tsPSO）建立芝麻油中大豆油摻偽含量的預測模型。在構建楸樹木材抗彎強度（MOR）和抗彎彈性模量（MOE）的近紅外模型時，采用不同的預處理方法，得到的模型預測效果不同，MOR 模型性能表現為多元散射校正與卷積平滑結合算法（MSC+S-G）最好，其次二階導數與卷積平滑結合算法（2ndDer+S-G），一階導數與卷積平滑結合算法（1stDer+S-G）稍弱，而MOE 模型性能排序為MSC+S-G ＞ 1stDer+S-G ＞ 2ndDer+S-G[18]。曾韋珊等[19] 在對濕加松針葉兒茶素和表兒茶素總量構建近紅外光譜模型時，使用卷積平滑結合卷積求導的預處理方法得到的模型最佳，預測準確度較高。本研究在構建油茶籽粉的含油率和脂肪酸組成時使用了多種預處理方法，根據建模效果最終選擇了SNV、db1g2、ncl 中的1 種或2 種方法，最終得到的定量模型基本能夠滿足油茶籽含油量和主要脂肪酸組成含量快速檢測的要求。

目前，在木本油料方面開發應用的多數近紅外光譜模型定性和定量方法，關注的是茶油品質或茶油摻偽，測試的油茶籽油或茶油樣品均屬于液態，均通過將油茶籽破碎、壓榨等工藝提取獲得，品質分析的階段多、耗時長，而關于油茶籽粉樣品品質快速檢測的研究還鮮有報道，在粒徑較小油料作物中的應用則較為廣泛。周菲等[9] 以50 份油用向日葵材料，采用PLS 構建籽仁脂肪、LOA、OA、SA 和PA 含量的近紅外光譜模型，脂肪、LOA、OA 含量模型校正和驗證相關系數均大于0.96，預測值與化學值相對誤差均在10% 以下，能夠達到樣品成分含量的快速無損測定。張菊華等[11] 采用PLS 建立油茶籽油的SFA、OA 和LOA相對含量的預測模型，Rp 依次分別為0.996、0.999和0.999，可實現快速、準確測定油茶籽油的脂肪酸組成。何小三等[8] 采用104 份油茶籽油建立脂肪酸組成近紅外光譜預測模型，各脂肪酸組分近紅外模型的Q 值均大于0.6；各脂肪酸組分建模集的平均Rc 為0.87，SEC 為0.32，驗證集的平均Rv 為0.82，SEP 為0.34。均能較好地預測油茶籽油脂肪酸組分的含量，具有應用價值。本研究則是以油茶籽為測試對象，即不需要非常復雜的前期處理、實驗室提取和儀器分析，主要是應用于油茶初級產品或原材料方面，可實現對油茶果實樣品的快速檢測和評價，有利于品質篩選和良種選育[20]。以近紅外光譜技術構建油料作物成分預測模型，比傳統索氏提取法快速、簡便、綠色、安全，而低場核磁共振技術在動植物和食品工業上雖有應用，但快速檢測的參數一般是水分和含油量[21-22]。不過，近紅外光譜技術也有不足，如本研究中對于樣本光譜數據的采集環境要求嚴格統一，同時樣本數量的多少也對模型的構建和預測效果存在影響。因此，后期還需要不斷補充新的樣品光譜數據，優化、完善和升級模型，從而提高模型預測的準確性，為油茶良種選育和生產實踐提供科學準確的數據結果。

3.2 結 論

本研究構建的油茶籽OC、PA、POA、SA、OA、LOA、ALA、USFA 和SFA 近紅外光譜定量模型，建模集Rc 和驗證集Rp 均在0.69 以上，其中OC 和LOA 均達到0.90 以上，模型效果較好。9 個定量模型中效果最差的是SA，其對應的Rc和Rp，分別為0.702 8 和0.691 7。各指標定量分析模型中SEC 和SEP 比值在0.80 ～ 1.26 之間，其中ALA 和USFA 的SEC/SEP 比值最接近1，分別為0.99 和1.00，SEC/SEP 比值的相對偏差在0.034 ～ 0.220。外部驗證預測值和化學值的相對偏差小于8%（POA、SA 除外），表明構建的模型能夠準確定量油茶籽的含油率和主要脂肪酸組成，實現油茶籽品質的快速預測，在加快油茶等木本油料良種選育和糧油質量評價方面具有很好的應用前景。

參考文獻：

[1] 陳永忠. 我國油茶科技進展與未來核心技術[J]. 中南林業科技大學學報，2023，43（7）：1-22.

CHEN Y Z. Scientific and technological progress and future coretechnologies of oil tea Camellia in China[J]. Journal of CentralSouth University of Forestry amp; Technology，2023，43（7）：1-22.

[2] 甘秀海， 梁志遠， 趙超， 等. 油茶籽油和茶籽油的提取及其品質特性[J]. 貴州農業科學，2015，43（9）：181-185.

GAN X H， LIANG Z Y， ZHAO C， et al. Extraction of Camelliaseed oil and Camellia seed oil and their quality characteristics[J].Guizhou Agricultural Sciences，2015，43（9）：181-185.

[3] 李麗， 吳雪輝， 寇巧花. 茶油的研究現狀及應用前景[J]. 中國油脂，2010，35（3）：10-14.

LI L， WU X H， KOU Q H. Research advance and applicationprospect of Camellia seed oil[J]. China Oil and Fats，2010，35（3）：10-14.

[4] 唐旭曉， 張應中， 王靜， 等.GC-MS 法結合酸酯化預處理測定不同地區油茶籽油脂肪酸含量[J]. 現代食品科技，2021，37（12）：286-293.

TANG X X， ZHANG Y Z， WANG J， et al. Determination of fattyacid content of Camellia seeds oil in different regions by GCMScombined with acid methyl esterification pretreatment[J].Modern Food Science amp; Technology，2021，37（12）：286-293.

[5] 王召瀅， 桂麗靜， 曹冰， 等. 茶油中脂肪酸指紋圖譜的分析與評價[J]. 南方林業科學，2020，48（2）：8-12.

WANG Z Y， GUI L J， CAO B， et al.Analysis and evaluation offatty acid fingerprints in Camellia oil[J]. South China ForestryScience，2020，48（2）：8-12.

[6] 邱靜， 肖志紅， 黎繼烈， 等. 近紅外光譜分析技術在木本油料檢測中的應用[J]. 湖南林業科技，2021，48（1）：83-88.

QIU J， XIAO Z H， LI J L， et al. Applications of near-infraredspectroscopy technology in the woody oil detection[J]. HunanForestry Science amp; Technology，2021，48（1）：83-88.

[7] 蘇東林， 張菊華， 李高陽， 等. 近紅外光譜結合化學計量學在茶籽調和油品質檢測中的應用研究進展[J]. 中國食品學報，2018，18（7）：332-338.

SU D L， ZHANG J H， LI G Y， et al. Research progress inapplication of near-infrared spectroscopy and chemometricsfor the quality inspection of Camellia blended oil[J]. Journal ofChinese Institute of Food Science and Technology，2018，18（7）：332-338.

[8] 何小三， 李博， 符樹根， 等. 茶油脂肪酸組分近紅外模型構建研究[J]. 南方林業科學，2018，46（5）：13-19.

HE X S， LI B， FU S G， et al. Near infrared model construction offatty acid composition of Camellia oleifera oil[J]. South ChinaForestry Science，2018，46（5）：13-19.

[9] 周菲， 王文軍， 劉巖， 等. 向日葵籽仁脂肪和脂肪酸含量近紅外光譜模型的建立[J]. 作物雜志，2021，37（2）：200-206.

ZHOU F， WANG W J， LIU Y， et al. Establishment of nearinfraredspectroscopy model for the contents of fat and fatty acidsin sunflower husked seeds[J]. Crops，2021，37（2）：200-206.

[10] 李雪， 王督， 白藝珍， 等. 我國油料產品品質的近紅外光譜快速檢測技術研究進展[J]. 分析測試學報，2020，39（10）：1189-1195.

LI X， WANG D， BAI Y Z， et al. Research progress of near infrared spectroscopy in rapid determination on quality of oil seed products in China[J]. Journal of Instrumental Analysis，2020，39（10）：1189-1195.

[11] 張菊華， 朱向榮， 尚雪波， 等. 近紅外光譜法結合化學計量學測定油茶籽油中脂肪酸組成[J]. 食品科學，2011，32（18）：205-208.

ZHANG J H， ZHU X R， SHANG X B， et al. Analysis of fattyacid profile of Camellia oil by near-infrared spectroscopy andchemometrics[J]. Food Science，2011，32（18）：205-208.

[12] 文韜， 鄭立章， 龔中良， 等. 基于近紅外光譜技術的茶油脂肪酸含量的快速檢測[J]. 湖南農業大學學報（ 自然科學版），2016，42（6）：676-681.

WEN T， ZHENG L Z， GONG Z L， et al. Rapid determination offatty acid content in Camellia oil based on near infrared spectroscopytechnology[J]. Journal of Hunan Agricultural University （NaturalSciences），2016，42（6）：676-681.

[13] 文韜， 鄭立章， 龔中良， 等. 基于近紅外光譜技術的茶油原產地快速鑒別[J]. 農業工程學報，2016，32（16）：293-299.

WEN T， ZHENG L Z， GONG Z L， et al. Rapid identificationof geographical origin of Camellia oil based on near infraredspectroscopy technology[J]. Transactions of the Chinese Societyof Agricultural Engineering，2016，32（16）：293-299.

[14] 褚璇， 王偉， 趙昕， 等. 近紅外光譜和特征光譜的山茶油摻假鑒別方法研究[J]. 光譜學與光譜分析，2017，37（1）：75-79.

CHU X， WANG W， ZHAO X， et al. Detection of Camelliaoleifera oil adulterated with sunflower oil with near infrared （NIR）spectroscopy and characteristic spectra[J]. Spectroscopy andSpectral Analysis，2017，37（1）：75-79.

[15] 中華人民共和國國家質量監督檢驗檢疫總局; 中國國家標準化管理委員會：GB/T 14488.1-2008 植物油料 含油量測定[S].北京： 中國標準出版社，2009.

National Grain Quality Monitoring Center of Hubei Province.GB/T 14488.1-2008 Oil seeds-determination of oil content[S].Beijing： Standards Press of China，2009.

[16] 遲韻陽， 付宇新， 曹冰， 等. 氣象因子對油茶果實表型和經濟性狀及茶油品質的影響[J]. 經濟林研究，2022，40（2）：267-275.

CHI Y Y， FU Y X， CAO B， et al. Influence of meteorological factorson the phenotypic and economic characters of fruit and oil qualityof Camellia oleifera[J]. Non-wood Forest Research，2022，40（2）：267-275.

[17] 陳洪亮， 曾山， 王斌. 優化基于近紅外光譜的聯合間隔偏最小二乘法建模檢測芝麻油摻偽含量[J]. 中國油脂，2020，45（2）：86-90.

CHEN H L， CENG S， WANG B. Detection of adulterationcontent in sesame oil by optimizing the model established bysynergy interval partial least squares based on near infraredspectroscopy[J]. China Oil and Fats，2020，45（2）：86-90.

[18] 汪睿， 石蘭蘭， 王玉榮. 利用近紅外光譜技術快速預測楸樹木材抗彎性質[J]. 光譜學與光譜分析，2023，43（2）：557-562.

WANG R， SHI L L， WANG Y R. Rapid prediction ofbending properties of Catalpa bungei wood by near-infraredspectroscopy[J]. Spectroscopy and Spectral Analysis，2023，43（2）：557-562.

[19] 曾韋珊， 黃林旺， 呂欣欣， 等. 濕加松針葉兒茶素和表兒茶素總量近紅外光譜預測模型的建立[J]. 中南林業科技大學學報，2022，42（4）：22-29.

ZENG W S， HUANG L W， LYU X X， et al. Establishment ofnear infrared spectroscopy prediction model for total catechin andL-epicatechin in Pinus elliottii × P. caribaea needles[J]. Journalof Central South University of Forestry amp; Technology，2022，42（4）：22-29.

[20] 陳永忠， 許彥明， 張震， 等. 油茶果實主要數量性狀分析及育種指標體系篩選[J]. 中南林業科技大學學報，2021，41（3）：1-9.

CHEN Y Z， XU Y M， ZHANG Z， et al. Analysis of fruit mainquantitative traits and selection of breeding index in Camelliaoleifera[J]. Journal of Central South University of Forestry amp;Technology，2021，41（3）：1-9.

[21] 馬彥寧， 錢建強， 回朝陽， 等. 油料種子含油含水率的Cpmg序列核磁共振測量[J]. 大學物理，2018，37（7）：78-81.

MA Y N， QIAN J Q， HUI C Y， et al.The NMR measuring of oiland moisture content of oil seeds based on the CPMG sequence[J].College Physics，2018，37（7）：78-81.

[22] 孔凡利， 付宇新， 王召瀅， 等. 基于低場核磁共振技術快速測定油茶籽含油率[J]. 南方林業科學，2022，50（4）：70-74.

KONG F L， FU Y X， WANG Z Y， et al. Rapid detection of oilcontent in Camellia oleifera seeds based on low field nuclearmagnetic resonance[J]. South China Forestry Science，2022，50（4）：70-74.

[ 本文編校：趙 坤]