论文部分内容阅读
高产、优质水稻品种对于解决全球人口的温饱问题以及对优质食品日益增长的需求非常重要。水稻种子的真实性和纯度,影响着水稻的育种、生产和流通。既有的种子真实性鉴别和纯度分析是基于单粒种子的人工田间种植或分子仪器分析,方法复杂、耗时、效率低,不能满足大规模农业生产的需求。作为一种快速无损的分析技术,近红外光谱已经被用于单粒种子的判别分析。但尚未有多粒种子纯度分析的工作报道,多粒种子的鉴别分析方面的工作也不多见。本文采用近红外漫反射光谱结合化学计量学方法,研究多粒水稻种子真实性鉴别和纯度分析的新方法。以水稻优良品种Y两优900(简记为R1,以下类似)为目标品种(阴性);以湘两优900(R2),内5优8015(R3),晶两优华占(R4),黄华占(R5)4个水稻品种作为污染品种(阳性)。采用人工混杂方式,设计了两组阴性、阳性水稻种子样品,分别开展多粒水稻种子真实性鉴别(定性)和纯度分析(定量)的近红外光谱实验。主要成果如下:1.方法研究:标准正态变量校正(SNV)被用于多粒水稻种子漫反射光谱的预处理;等间隔组合(EC)方法被用于大范围的特征波长筛选;波长逐步淘汰法(WSP)被进一步提出,用于消除等间隔组合模型的干扰波长,提升光谱预测能力。并分别基于偏最小二乘(PLS)、偏最小二乘判别分析(PLS-DA)方法,构建EC-PLS、WSP-PLS、EC-PLS-DA、WSP-PLS-DA等集成优化方法,用于多粒水稻种子的纯度分析(定量)和真实性鉴别(定性)。2.多粒水稻种子的真实性鉴别(定性):(1)判别分析的样品设计:以R1作为目标品种,制备阴性样品320份;以R2,R3,R4,R5为污染品种,按照不同的浓度添加到R1中,制备阳性样品220份(纯阳性、混杂各4类)。分别划分为定标(阴性116,阳性76,总计192),预测(阴性102,阳性72,总计174),检验(阴性102,阳性72,总计174)样品集。(2)采用EC-PLS-DA方法获得的全局最优模型为(位于短波近红外区)I=808nm,N=84,G=1,LV=10;另外,在长波近红外区得到的最优模型为I=1188 nm,N=78,G=3,LV=7。在EC-PLS-DA模型的基础上,采用WSP方法进一步优化模型,获得的最优WSP-PLS-DA模型为N=54,LV=8(短波区)和N=49,LV=7(长波区)。它们的建模效果和波长模型复杂性两方面均有明显改进。采用不参与建模的样品进行检验,两个模型的阳性识别、阴性识别、总识别的准确率分别达到93.1%,95.1%,94.3%(短波模型);90.3%,94.1%,92.5%(长波模型)。3.多粒水稻种子的纯度分析(定量):(1)定量分析的样品设计:以R1为纯度分析的目标品种,以R2,R3,R4,R5为污染品种,按照不同的浓度添加到R1中,共制备样品164份。划分为定标(60),预测(52),检验(52)样品集。(2)采用EC-PLS方法获得的全局最优模型为(位于长波近红外区)I=1164,N=74,LV=9;另外,在可见-短波近红外区得到的最优EC-PLS模型为I=418nm,N=69,G=4,LV=8。在EC-PLS模型的基础上,采用WSP方法进一步优化模型,获得的最优WSP-PLS模型为N=24,LV=8(长波近红外区)和N=19,LV=6(可见-短波近红外)。它们的建模效果和波长模型复杂性两方面均有明显改进。采用不参与建模的样品进行检验,两个模型的预测值和测量值之间的SEP和RP分别为0.129,0.894(长波近红外模型);0.152,0.845(可见-短波近红外模型)。研究表明:采用近红外漫反射光谱结合化学计量学,进行多粒水稻种子真实性鉴别和纯度分析具有可行性。所提出的波长逐步淘汰法,能有效剔除干扰波长,提升光谱预测效果,降低波长模型复杂度。获得的波长模型可为种子专用近红外光谱仪的设计提供参考。多粒水稻种子真实性鉴别和纯度的无损快速分析可以提高工作效率,对于大规模农业生产具有重要意义。