高级检索

    麻疯树种子含油量近红外光谱定标模型的建立

    惠文凯, 王益, 陈晓阳

    惠文凯, 王益, 陈晓阳. 麻疯树种子含油量近红外光谱定标模型的建立[J]. 北京林业大学学报, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    引用本文: 惠文凯, 王益, 陈晓阳. 麻疯树种子含油量近红外光谱定标模型的建立[J]. 北京林业大学学报, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    Hui Wen-kai, Wang Yi, Chen Xiao-yang. Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy[J]. Journal of Beijing Forestry University, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    Citation: Hui Wen-kai, Wang Yi, Chen Xiao-yang. Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy[J]. Journal of Beijing Forestry University, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388

    麻疯树种子含油量近红外光谱定标模型的建立

    基金项目: 

    国家自然科学基金项目 30972388

    广东省自然科学基金团队项目 9351064201000002

    详细信息
      作者简介:

      惠文凯,博士生。主要研究方向:林木遗传育种。Email: xwk168@126.com 地址:510642广东省广州市天河区五山路483号华南农业大学林学与风景园林学院

      责任作者:

      陈晓阳,博士,教授。主要研究方向:林木遗传育种。Email:xychen@scau.edu.cn 地址:同上

    • 中图分类号: S758.015

    Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy

    • 摘要:
      目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。
      方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。
      结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。
      结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。
      Abstract:
      ObjectiveIn present study, a calibration model was established to investigate the Jatropha curcas seed oil content using near infrared spectroscopy.
      MethodThe spectroscopic data of 125 Jatropha curcas seed samples was collected by a near infrared reflectance spectrometer DA7200 (designed by Perten). With the chemical test method, spectral data pre-treatments and different regression methods, a calibration model using near infrared spectroscopy for seed oil content determination was established. And then the accuracy of the model was tested by 10 validation samples.
      ResultThe seed oil content ranged from 25.23% to 39.73% among 125 investigated samples in this study, mean value was 33.91% ± 2.64%, and the median was 34.31%. It indicated that these samples could cover the main cultivars of Jatropha curcas in the wild. Furthermore, second-derivative combined with standard normal variable transformation method was the best pre-treatment way in calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy, and the partial least squares was the best regression method. Moreover, the significant correlation was obtained between the predicted value of near infrared spectroscopy calibration model and the chemical determination value of sample, and the coefficient was 0.955 6, while the standard deviation of prediction was 0.653 6.
      ConclusionOur prediction model has high reliability, which can quickly investigate the seed oil content of Jatropha curcas in large quantities.
    • 沙枣(Elaeagnus angustifolia)生活力强,能抗风沙、耐贫瘠、耐盐碱[1],在中国主要作为半干旱地区和盐土地防护林带的绿化树种,起到防风固沙、造林绿化的作用,是西北地区主要造林树种之一[2]。近年来在北京、河北、河南等地均有引种,开发利用前景广阔[3]

      Zalesny 等[4]通过检测4年间不同盐浓度下沙枣、杨树(Populus spp.)的生长及其对金属离子的吸附情况,发现沙枣具备一定耐盐能力,且对土壤中钠、镉和铁离子吸附能力较强。我国研究人员在20世纪90年代就对沙枣耐盐性进行了初步研究。郑秀玲等[2]通过对同一种源地不同沙枣品种进行NaCl胁迫,发现沙枣的耐盐机理以拒盐为主,且同一种源地不同沙枣间耐盐阈值存在显著差异。陈春晓等[5]在对沙枣幼苗进行不同程度盐旱共胁迫试验后,发现盐分和干旱处理明显抑制沙枣幼苗的生长,轻度干旱和盐分共胁迫条件下,沙枣幼苗表现出一定的交叉适应现象,而重度干旱加重了盐害。Liu等[6]通过试验证明沙枣在盐分和涝渍的共同胁迫下,通过增加孔隙率,积累无机离子和有机溶质以及增加抗氧化酶活性来维持较高光合速率和膜稳定性。

      不同地理位置的同一物种会形成特定的地理种源,杨升等[7-8]通过研究不同种源沙枣幼苗在NaCl胁迫下的生长差异表现发现,随胁迫时间延长,其根冠比会发生显著变化,地上部分生物量比例减少;而随盐浓度升高,幼苗株高生长量呈下降趋势,根冠比呈上升趋势。王利军等[9]对赤峰和包头两种源的沙枣研究发现,盐分胁迫对包头种源沙枣叶绿素含量和荧光参数的影响要大于赤峰种源。

      混合盐(NaCl、Na2SO4)胁迫下不同种源地沙枣幼苗的耐盐性研究目前仍是空白。因此,本研究选择宁夏和甘肃种源沙枣幼苗为试材,通过监测不同浓度混合盐溶液及不同胁迫时间下沙枣的生长及生理特性变化,比较分析沙枣种源间耐盐能力差异,进一步研究沙枣耐盐生理机制,为优良耐盐沙枣种质的种植、推广与开发提供理论依据。

      试验材料为采购于宁夏银川、甘肃张掖两地的生长健壮、长势一致的沙枣二年生幼苗。

      2019年3月将沙枣苗单株栽植于塑料盆(上、下口径分别为30、20 cm,高30 cm)中,盆底放置托盘。选用5 kg V(草炭土)V(珍珠岩)V(沙子) = 2∶1∶1的混合基质进行培养。

      采用体积比为1∶1的NaCl和Na2SO4混合盐溶液,设定0.0%、0.3%、0.6%、0.9%、1.2% 5个质量分数梯度,每组3个重复。试验前取样1次作为对照。盆土干燥后,将定量盐溶液浇入对应处理中,1 d 1次(0.5 L),4 d完成施加。之后每10 d取一次样,测一次光合参数。取样时将沙枣功能叶片速冻,存放于−80 ℃超低温冰箱中待测,叶片膜透性则需取鲜样后立即测定。在处理40 d时完成最后一次采样,并测定叶长、叶宽、新梢以及地径等生长指标。

      盐胁迫试验前后,分别测量各植株地径及其被标记的5枝新梢的长度;并选择植株中上部成熟叶片10枚,分别用游标卡尺测量其叶长、叶宽(精度为0.01 cm);胁迫前后数据差值即为各指标生长量。

      叶片膜透性(membrane permeability,MP)测定采用相对电导率法[10],丙二醛(malondialdehyde,MDA)含量测定采用巴比妥酸法,游离脯氨酸(proline,Pro)含量测定采用酸性茚三酮比色法,可溶性糖(soluble sugar,SS)含量测定采用蒽酮比色法,过氧化物酶(peroxidase,POD)活性的测定采用愈创木酚法,可溶性蛋白(soluble protein,SP)含量的测定采用考马斯亮蓝G-250染色法,叶绿素(chlorophyll,Chl)含量的测定采用丙酮乙醇法[11],超氧化物歧化酶(superoxide dismutase,SOD)活性的测定采用氮蓝四唑光化还原法[12],净光合速率(net photosynthesis rate,Pn)、胞间CO2 浓度(intercellular CO2 concentration,Ci)、气孔导度(stomatal conductance,Gs)、蒸腾速率(transpiration rate,Tr)等光和参数由LI-6400便携式光合仪进行测定。

      采用Microsoft Excel 2012、SPSS22.0进行数据统计分析,OriginPro 2018进行绘图。

      不同质量分数的混合盐胁迫对宁夏、甘肃两种源沙枣幼苗叶长、叶宽、新梢及地径生长量等指标均存在影响(表1)。整体来看,混合盐质量分数越高,沙枣生长量越小,生长抑制作用越显著;在1.2%胁迫下,两种源沙枣叶长、叶宽、新梢及地径生长量最小。值得注意的是,在0.3%胁迫下宁夏种源叶长、叶宽生长量均高于对照组。

      表  1  混合盐胁迫对沙枣生长特性的影响
      Table  1.  Effects of mixed salt stress on the growth characteristics of Elaeagnus angustifolia
      质量分数
      Mass fraction/%
      叶长生长量
      Leaf length growth/cm
      叶宽生长量
      Leaf width growth/cm
      新梢生长量
      New shoot growth/cm
      地径生长量
      Ground diameter growth/cm
      宁夏 Ningxia甘肃 Gansu宁夏 Ningxia甘肃 Gansu宁夏 Ningxia甘肃 Gansu宁夏 Ningxia甘肃 Gansu
      0.0 (CK)1.07 ± 0.04a1.12 ± 0.05a0.58 ± 0.04ab0.68 ± 0.05a21.50 ± 0.50a20.67 ± 0.94a1.04 ± 0.05a1.08 ± 0.06a
      0.31.14 ± 0.05a1.10 ± 0.06a0.68 ± 0.06a0.50 ± 0.04c16.38 ± 0.46a18.67 ± 0.38a0.85 ± 0.03bc1.02 ± 0.04ab
      0.60.82 ± 0.02b0.97 ± 0.04b0.46 ± 0.06bc0.61 ± 0.01ab16.08 ± 0.71b14.33 ± 0.87b0.95 ± 0.07ab0.86 ± 0.05bc
      0.90.92 ± 0.03b0.72 ± 0.06c0.52 ± 0.04abc0.52 ± 0.02bc13.17 ± 0.80c16.08 ± 0.72b0.92 ± 0.05ab0.64 ± 0.09d
      1.20.57 ± 0.05c0.64 ± 0.05c0.40 ± 0.09c0.39 ± 0.06d9.22 ± 0.47d7.91 ± 0.80c0.78 ± 0.02c0.75 ± 0.09cd
      注:不同小写字母表示各指标在不同浓度处理组间存在显著差异(P < 0.05)。下同。Notes: different lowercase letters indicate there is a significant difference between the treatment groups with different concentrations of each index (P < 0.05). The same below.
      下载: 导出CSV 
      | 显示表格

      随盐质量分数增加和时间延长,两种源沙枣MP及MDA含量均呈增加趋势(图1)。胁迫持续到30 d时,宁夏、甘肃两种源沙枣MP随质量分数升高均显著增强;胁迫40 d时,两种源沙枣MP仍持续增加,较CK均差异显著(P < 0.05)。这表明两种源的膜脂在长期或高质量分数盐胁迫下均受到不同程度损伤,且宁夏种源沙枣受损更为严重。

      图  1  不同盐胁迫对沙枣MP及MDA含量的影响
      图中N、G分别代表宁夏种源和甘肃种源;不同小写字母表示各指标在不同浓度处理组间存在显著差异(P < 0.05)。下同。The capital letters N and G in the figure represent Ningxia provenance and Gansu provenance, respectively; different lowercase letters indicate there is a significant difference between treatment groups with different concentrations of each index (P < 0.05). The same below.
      Figure  1.  Effects of different salt stress on MP and MDA contents of Elaeagnus angustifolia

      随盐质量分数增加,两个种源沙枣Pro、SS含量呈上升趋势,且宁夏种源Pro、SS含量整体高于甘肃种源;随胁迫时间延长,两种源Pro含量逐渐上升,SS含量先升高后降低,SP含量先升高后降低再升高(图2)。当胁迫至20 d时,两种源SP含量较10 d均有所下降;30 d时宁夏种源沙枣Pro含量随着盐质量分数升高而增加,较CK分别增加了44.45%、74.31%、94.00%、119.94%,甘肃种源分别增加了19.68%、40.09%、67.89%、107.87%。40 d时,宁夏、甘肃两种源沙枣叶片Pro含量均在质量分数为1.2%时达到最高,较CK分别增加了130.20%和108.90%;此时各种源SP含量再次呈上升趋势。

      图  2  不同盐胁迫对沙枣Pro、SP、SS含量的影响
      SP. 可溶性蛋白;Pro. 游离脯氨酸;SS. 可溶性糖。SP, soluble protein; Pro, proline; SS, soluble sugar.
      Figure  2.  Effects of different salt stress on the contents of Pro, SP, SS of E. angustifolia

      随胁迫时间延长,宁夏、甘肃两种源沙枣叶片SOD活性整体呈先上升后下降的趋势,POD活性也呈相似变化趋势(图3)。胁迫至10 d时,两种源沙枣SOD活性显著上升,宁夏种源在质量分数为0.3%时SOD活性最高(333.45 U/g);在质量分数为0.6%时叶片POD活性到达最高,为CK的2.09倍。甘肃种源在质量分数为0.6%时SOD活性最高(309.29 U/g),0.9%时POD活性达到最高值,为CK的1.97倍。20 d时宁夏种源SOD活性在各质量分数处理组均低于甘肃种源。自20 d后,两种源沙枣叶片POD活性均显著下降(P < 0.05)。40 d时宁夏种源SOD活性较30 d有所下降,甘肃种源活性较稳定,且均与CK存在显著差异。

      图  3  不同盐胁迫对沙枣SOD、POD活性的影响
      Figure  3.  Effects of different salt stress on the activities of SOD and POD of E. angustifolia

      随盐质量分数升高和胁迫时间延长,宁夏、甘肃两种源Chl含量整体呈下降趋势(图4)。10 d时,宁夏种源中Chl含量在质量分数为0.6%时高于CK;甘肃种源Chl含量在盐各质量分数下均低于CK。20 d后,两种源Chl含量较CK均有所下降,且甘肃种源下降幅度更大。40 d时两种源各处理组Chl含量较CK均显著下降(P < 0.05)。

      图  4  不同盐胁迫下沙枣Chl含量变化
      Figure  4.  Changes in Chl content of E. angustifolia under different salt stress

      宁夏、甘肃两种源沙枣随胁迫时间延长,叶片GsPn值整体先下降后上升再下降,Ci值整体先下降后上升,Tr值整体呈下降趋势。随盐质量分数增加,GsPnTr值整体呈下降趋势,Ci值呈上升趋势(图5)。胁迫至10 d时,两种源沙枣叶片GsCiPnTr值较对照组均有所降低。20 d时,两种源沙枣叶片CiPn值开始上升。30 d时,两种源GsCi值均上升;PnTr值较20 d时再次降低,且宁夏种源Pn值降幅更大。40 d时,两种源GsPnTr值降至最低。

      图  5  不同盐胁迫对沙枣叶片光合参数的影响
      Tr. 蒸腾速率;Ci. 胞间CO2浓度;Pn. 净光合速率;Gs. 气孔导度。下同。Tr, transpiration rate; Ci, intercellular CO2 concentration; Pn, net photosynthesis rate; Gs, stomatal conductance. The same below.
      Figure  5.  Effects of different salt stress on photosynthetic parameters of E. angustifolia leaves

      植物生长量是衡量其耐盐能力的重要指标。耐盐阈值是指植物生长量或生物量下降50%时的盐浓度[13]。本试验中,以胁迫处理的新梢生长量为因变量(y)、以盐浓度为自变量(x)建立回归方程(表2)。以新梢生长量下降50%时的盐浓度作为耐盐阈值,得出宁夏、甘肃种源沙枣的耐盐阈值分别为1.088%和1.153%。由此可见,不同种源沙枣的耐盐性存在差异,甘肃种源沙枣强于宁夏种源沙枣。

      表  2  盐碱胁迫下沙枣苗的回归方程及其耐盐阈值
      Table  2.  Regression equation of E. angustifolia seedlings under salt-alkali stress and its salt tolerance threshold
      种源 Provenance回归方程 Regression equationR2阈值 Threshold/%
      宁夏 Ningxiay = 20.824 − 9.257x0.9441.088
      甘肃 Gansuy = 21.154 − 9.370x0.8221.153
      下载: 导出CSV 
      | 显示表格

      利用综合生长量(叶长、叶宽、新梢、地径生长量),以及MP、Chl、MDA、SS、Pro、SP、SOD、POD、PnGsCiTr等16项指标,通过主成分分析,以沙枣耐盐指标主成分系数为权重构建评分模型,再以归一化处理后的主成分方差贡献率为权重(表3表4),构建综合评分模型,对宁夏、甘肃两种源地沙枣的耐盐性进行评价。

      表  3  两种源沙枣耐盐指标主成分载荷表
      Table  3.  Principal component loading table of salt tolerance index of E. angustifolia from two sources
      主成分
      Main
      ingredient
      指标 Index
      ChlCiMDATrMPProPnGsSPSSSODPOD新梢
      New
      shoot
      叶长
      Leaf
      length
      叶宽
      Leaf
      width
      地径
      Ground
      diameter
      1−0.9170.8780.945−0.9450.9370.918−0.937−0.9510.9340.8760.876−0.6120.7160.7770.8070.824
      20.321−0.374−0.2490.247−0.255−0.2590.2150.184−0.0920.0840.1580.0810.6780.6240.5660.533
      下载: 导出CSV 
      | 显示表格
      表  4  两种源沙枣耐盐指标主成分系数及贡献率
      Table  4.  Principal component coefficients and contribution rates of salt tolerance indexes of two sources
      主成分
      Main
      ingredient
      指标 Index
      ChlCiMDATrMPProPnGsSPSSSODPOD新梢
      New
      shoot
      叶长
      Leaf
      length
      叶宽
      Leaf
      width
      地径
      Ground
      diameter
      特征值
      Eigenvalue
      贡献率
      Contribution
      rate/%
      累计贡献率
      Cumulative
      contribution
      rate/%
      1−0.9380.9370.921−0.9200.9180.904−0.895−0.8900.8230.6760.635−0.5510.2100.2910.3490.38112.13175.81875.818
      2−0.2520.1850.326−0.3280.3170.303−0.350−0.3840.4500.5630.624−0.2780.9630.9530.9220.9042.00712.97988.796
      下载: 导出CSV 
      | 显示表格

      主成分分析共提取出2个主成分。第一主成分中的Chl、Ci、MDA、Tr、MP、Pro 6项指标和第二主成分中的生长量(叶长、叶宽、新梢、地径生长量)等指标,相关系数均在0.9以上。两主成分特征值分别为12.131和2.007,贡献率分别为75.818%和12.979%。两主成分累积贡献率达到88.796%,可代表变量的绝大多数信息。根据主成分分析结果,Chl、Ci、MDA、Tr、MP、Pro等6个指标可作为评价沙枣耐盐性的重要指标,生长量(叶长、叶宽、新梢、地径生长量)等指标可作为辅助评价参考指标。经计算,宁夏、甘肃种源沙枣的综合数值分别为−0.135和0.120,进一步证明甘肃种源沙枣耐盐能力强于宁夏种源。

      植物受高浓度盐胁迫后,直接的表现就是各部分生物量受到不同程度的抑制[14]。当浓度过高时,沙枣会通过降低叶面积来减少叶面水分损失,从而维持植物的水分收支平衡,这是植物自我保护机制的体现[15]。试验表明,混合盐质量分数越高,沙枣生长量越小,生长抑制作用越显著,整体表现出“低促高抑”的现象,这与赵海燕[16]、魏秀君[17]的研究结论一致。本试验中,在质量分数为0.3%的盐胁迫下宁夏种源叶长、叶宽生长量均高于对照组。

      植物的膜系统是在盐胁迫下最先感应到伤害的部位。细胞膜系统受到损伤,引起膜脂氧化反应,导致MP增大;而MDA是植物膜脂过氧化的产物之一,因此MP和MDA含量常用来反映细胞膜的受损程度[18-20]。本研究中宁夏、甘肃两种源沙枣叶片MP、MDA含量随盐质量分数增加和胁迫时间延长总体呈上升趋势。40 d时两种源沙枣叶片MP在盐质量分数为1.2%时达到最大值;宁夏种源较CK上升42.55%,甘肃种源较CK上升40.58%;这表明宁夏种源的细胞膜透性受损程度高于甘肃种源。

      随盐质量分数增加,两个种源沙枣Pro、SS含量呈上升趋势,且宁夏种源Pro、SS含量整体高于甘肃种源。随胁迫时间延长,两种源Pro含量逐渐上升,SS含量先升高后降低,SP含量先升高后降低再升高。沙枣体内Pro积累主要有两个原因:催化Pro合成的关键酶受到胁迫诱导因子激活以及氧化降解Pro的关键酶受到抑制[21]。由于试验中宁夏种源Pro含量整体高于甘肃种源,说明不同种源沙枣Pro合成酶或者降解酶活性存在差异。SS具有降低水势、稳定细胞膜和原生质胶体的功能,同时,还可为有机物合成提供碳架和能量[22-23]。在胁迫前期,SS作为渗透调节物质大量积累以维持细胞渗透压,此时表现为SS含量上升,且在高浓度胁迫下SS含量越高;随胁迫时间延长,细胞体受到严重损伤,SS作为细胞修复原料被大量消耗,导致植物体内SS含量降低。10 d时,由于沙枣的应激性反应,两种源沙枣SP含量均显著上升;随胁迫持续,部分SP分解形成包括Pro在内的多种氨基酸,导致其含量有所下降;但随着植物体渗透调节系统持续发挥作用,更多SP不断被产生,即表现为在胁迫后期SP含量出现不同程度的上升。Pro、SS及SP的积累和转化是沙枣渗透调节系统在不同程度、不同时期盐胁迫下发挥作用的途径和表现。

      植物自身的抗氧化系统[24],能清除盐胁迫产生的过量自由基,而清除O2−和H2O2的关键酶分别是SOD和POD[25]。两种源沙枣SOD、POD活性随胁迫时间延长均表现出先上升后下降的趋势。胁迫前期,宁夏种源沙枣的保护酶活性高于甘肃种源,说明宁夏种源沙枣抗氧化胁迫机制对盐胁迫环境的响应更为强烈。随时间延长,高浓度处理下SOD、POD活性显著降低,抗氧化系统受到破坏,自由基反应持续发生,最终导致细胞膜系统受损。

      本研究发现随盐质量分数升高和胁迫时间延长,两种源沙枣内Chl含量整体均呈下降趋势。Chl作为植物叶绿体中重要的光合色素,随盐浓度升高发生降解,使其含量减少[26-28],这可能是由于盐胁迫降低了卟啉的形成速率,或减少了Chl结合蛋白的形成[29]

      叶片光合参数方面,随胁迫时间延长,两种源沙枣叶片PnGs总体呈先下降后上升再下降的趋势,Ci呈先下降后上升的趋势。随胁迫浓度的加深,PnGs呈下降趋势,Ci呈上升趋势。Pn的降低是气孔因素和非气孔因素共同作用的结果[30]:气孔关闭阻碍了CO2进入细胞,导致Pn下降,此为气孔因素作用。由于气孔导度Gs降低,胞间CO2浓度Ci升高而引起的Pn下降则为非气孔因素作用[31-32]。盐浓度增加和胁迫时间延长均会造成植物Tr降低,进而减少根系吸水从而限制有毒离子的吸收。蒸腾速率随盐胁迫增加而降低,是植物适应盐胁迫的一种响应机制[15]。胁迫初期,沙枣叶片的PnGsTrCi均随盐质量分数增加而降低,说明对沙枣光合作用的抑制主要是由气孔限制引起。胁迫后期,沙枣叶片的PnGsTr值随盐浓度增加而降低,Ci值随盐浓度增加而升高,说明两种源沙枣光合作用受到显著抑制主要是由非气孔限制所引起的。沙枣受到盐碱胁迫后,其光合作用下降是气孔因素和非气孔因素共同作用的结果,且气孔和非气孔因素之间随胁迫浓度和时间的变化而发生动态变化。

      植物的耐盐性是一个综合体现,单一指标评价体系中评价的时期、方法和指标等存在差异,结果会出现偏差。因此,选用多个指标能更全面、准确地评价植物间耐盐性差异[33-34]。试验过程中,两种源沙枣幼苗在有机渗透调节及抗氧化系统等方面表现差异,说明不同种源对沙枣幼苗耐盐能力影响不同。本研究选择了涵盖植物生长、生理的16项指标构建沙枣耐盐性综合评分模型,最终证明甘肃种源沙枣耐盐能力强于宁夏种源。因此,在中、重度盐渍土中进行沙枣引种栽培时,选种甘肃种源的沙枣能更有效地发挥其生态和经济效益。

    • 图  1   125份建模样品的近红外吸收光谱图

      Figure  1.   NIRS of 125 modeling samples

      图  2   经二阶导数+SNV处理后的光谱图

      Figure  2.   Line plot of NIRS after 2nd-derivative + SNV pre-treatment

      图  3   NIRS定标模型线性回归图

      Y1是近红外模型内部验证集合的拟合结果;Y2是校正集合的拟合结果。

      Figure  3.   Linear regression plot of the NIRS calibration model

      Y1 was the fitting results of inner revised set of the calibration model using near infrared spectroscopy, Y2 was the fitting results of validation set.

      表  1   125份建模样品种子含油量化学值描述性统计表

      Table  1   Descriptive statistics of investigated value of seed oil content among 125 samples

      分析项目
      Analysis item
      平均值±标准差
      Mean±SD/%
      最大值
      Max./%
      最小值
      Min./%
      中位数
      Median/%
      变异系数
      Variable coefficient/%
      方差
      Variance
      化学测定值Chemical determination value 33.91±2.64 39.73 25.23 34.31 7.79 6.97
      下载: 导出CSV

      表  2   不同光谱预处理方法的模型参数

      Table  2   Model parameters of each pre-treatment method

      模型
      Model
      预处理方法
      Pre-treatment method
      删除点数
      Outlier number
      RC RMSEC RCV RMSECV
      1 SNV 7 0.718 1.392 0.632 1.612
      2 MSC 7 0.733 1.353 0.679 1.501
      3 标准化Normalization 9 0.749 1.325 0.688 1.505
      4 一阶导数1st-derivative 8 0.851 1.013 0.771 1.254
      5 二阶导数2nd-derivative 3 0.857 0.980 0.750 1.310
      6 1st-derivative +SNV 4 0.813 1.139 0.760 1.303
      7 1st-derivative +MSC 7 0.824 1.108 0.769 1.280
      8 1st-derivative +normalization 11 0.783 1.195 0.709 1.404
      9 2nd-derivative +SNV 9 0.910 0.784 0.833 1.076
      10 2nd-derivative +MSC 10 0.904 0.799 0.824 1.086
      11 2nd-derivative +normalization 7 0.818 1.075 0.729 1.328
      12 SNV+1st-derivative 9 0.782 1.237 0.726 1.404
      13 MSC+1st-derivative 9 0.784 1.184 0.730 1.341
      14 Normalization+1st-derivative 9 0.808 1.150 0.729 1.376
      15 SNV+2nd-derivative 9 0.859 0.919 0.767 1.201
      16 MSC+2nd-derivative 10 0.837 0.968 0.740 1.249
      17 Normalization+2nd-derivative 10 0.885 0.860 0.774 1.211
      注:RC为校正模型相关系数;RMSEC为校正模型标准偏差;RCV为交互验证相关系数;RMSECV为交互验证标准偏差;SNV为标准正态变量转换法;MSC为乘积分散校正法。下同。
      Notes: RC, calibration model correlation coefficient; RMSEC, calibration model standard deviation; RCV, cross-validation correlation coefficient; RMSECV, cross-validation standard deviation; SNV, standard normal variable; MSC, multiplicative scatter correction. The same below.
      下载: 导出CSV

      表  3   不同回归方法处理后的模型参数

      Table  3   Model parameters with varied regression methods

      预处理方法
      Pre-treatment method
      回归方法
      Regression method
      删除点数
      Outlier number
      RC RMSEC RCV RMSECV
      2nd-derivative +SNV PLS 9 0.910 0.784 0.833 1.076
      2nd-derivative +SNV PCR 9 0.677 1.358 0.612 1.495
      2nd-derivative +MSC PLS 10 0.904 0.799 0.824 1.086
      2nd-derivative +MSC PCR 10 0.624 1.410 0.542 1.553
      下载: 导出CSV

      表  4   检验样品的化学测定值、模型预测值及相关参数

      Table  4   Chemical determination values, model predictive values and their relative parameters of test samples

      检测值类型
      Detection value item
      平均值
      Mean/%
      最大值
      Max./%
      最小值
      Min./%
      相关系数
      Correlation coefficient
      预测标准偏差
      Predictive standard deviation
      化学测定值Chemical determination value 35.22 38.25 30.57 0.9556** 0.6536
      预测值Predicted value 35.51 37.56 31.04
      注:**表示相关性极显著,P<0.01。Notes: ** means the very significant level, P<0.01.
      下载: 导出CSV
    • [1] 惠文凯, 杨舒贻, 陈涵斌, 等.赤霉素诱导麻疯树雌雄花分化的研究[J].南京林业大学学报(自然科学版), 2016, 40(6): 174-180. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201606027

      Hui W K, Yang S Y, Chen H B, et al. Female and male flower bud differentiation of Jatropha curcas L. induced by gibberellins[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2016, 40(6): 174-180. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201606027

      [2]

      Koh M Y, Ghazi T I M. A review of biodiesel production from Jatropha curcas L. oil[J]. Renewable and Sustainable Energy Reviews, 2011, 15(5): 2240-2251. doi: 10.1016/j.rser.2011.02.013

      [3]

      Baldini M, Bulfoni E, Ferfuia C. Seed processing and oil quality of Jatropha curcas L. on farm scale: a comparison with other energy crops[J]. Energy for Sustainable Development, 2014, 19: 7-14. doi: 10.1016/j.esd.2013.12.005

      [4] 惠文凯, 陈晓阳, 刘明骞, 等.麻风树种源间种实性状变异研究[J].北京林业大学学报, 2014, 36(3): 110-114. doi: 10.13332/j.cnki.jbfu.2014.03.012

      Hui W K, Chen X Y, Liu M Q, et al. Variations of fruit and seed traits of Jatropha curcas L. among provenances[J]. Journal of Beijing Forestry University, 2014, 36(3): 110-114. doi: 10.13332/j.cnki.jbfu.2014.03.012

      [5] 李维莉, 杨辉, 林南英, 等.可再生能源麻疯树种子油化学成分研究[J].云南大学学报(自然科学版), 2000, 22(5): 324. doi: 10.3321/j.issn:0258-7971.2000.05.022

      Li W L, Yang H, Lin N Y, et al. Study on the chemical composition of seed oil of Jatropha as renewable energy[J]. Journal of Yunnan University (Natural Sciences Edition), 2000, 22(5): 324. doi: 10.3321/j.issn:0258-7971.2000.05.022

      [6] 佘珠花, 刘大川, 刘金波, 等.麻疯树籽油理化特性和脂肪酸组成分析[J].中国油脂, 2005, 30(5): 30-31. doi: 10.3321/j.issn:1003-7969.2005.05.008

      She Z H, Liu D C, Liu J B, et al. Physicochemical properties and fatty acid composition of Jatropha curcas L. seed oil[J]. China Oils and Fats, 2005, 30(5): 30-31. doi: 10.3321/j.issn:1003-7969.2005.05.008

      [7]

      Kaushik N, Kumar K, Kumar S, et al. Genetic variability and divergence studies in seed traits and oil content of Jatropha (Jatropha curcas L.) accessions[J]. Biomass and Bioenergy, 2007, 31(7): 497-502. doi: 10.1016/j.biombioe.2007.01.021

      [8]

      Roggo Y, Chalus P, Maurer L, et al. A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies[J]. Journal of Pharmaceutical and Biomedical Analysis, 2007, 44(3): 683-700. doi: 10.1016/j.jpba.2007.03.023

      [9] 方彦, 王汉宁.利用近红外光谱法测定玉米籽粒含油量的研究[J].西北农业学报, 2007, 16(1): 111-113. doi: 10.3969/j.issn.1004-1389.2007.01.026

      Fang Y, Wang H N. Studies on the determining of oil contents for maize kernels using near infrared spectroscopy[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2007, 16(1): 111-113. doi: 10.3969/j.issn.1004-1389.2007.01.026

      [10] 原姣姣, 王成章, 陈虹霞.近红外光谱技术及其在植物油品质分析中的应用[J].生物质化学工程, 2010, 44(6): 59-65. doi: 10.3969/j.issn.1673-5854.2010.06.013

      Yuan J J, Wang C Z, Chen H X. Near infrared spectroscopy technology and analysis in quality traits of vegetable oil[J]. Biomass Chemical Engineering, 2010, 44(6): 59-65. doi: 10.3969/j.issn.1673-5854.2010.06.013

      [11] 杨翠玲, 陈文杰, 赵兴忠, 等.近红外光谱法同时分析油菜9种品质参数的研究[J].西北农林科技大学学报(自然科学版), 2006, 34(3): 61-67. doi: 10.3321/j.issn:1671-9387.2006.03.013

      Yang C L, Chen W J, Zhao X Z, et al. Determination of quality factors in intact rapeseed by near infrared reflectance spectroscopy(NIRS)[J]. Journal of Northwest Sci-Tech University of Agricultural and Forestry(Natural Science Edition), 2006, 34(3): 61-67. doi: 10.3321/j.issn:1671-9387.2006.03.013

      [12]

      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(5): 492-497. doi: 10.1111/pbr.2007.126.issue-5

      [13] 杨小红, 郭玉秋, 傅旸, 等.利用近红外光谱法分析玉米籽粒脂肪酸含量的研究[J].光谱学与光谱分析, 2009, 29(1): 106-109. doi: 10.3964/j.issn.1000-0593(2009)01-0106-04

      Yang X H, Guo Y Q, Fu Y, et al. Measuring fatty acid concentration in maize grain by near-infrared reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2009, 29(1): 106-109. doi: 10.3964/j.issn.1000-0593(2009)01-0106-04

      [14] 刘波, 张丽娟, 苗保河, 等.近红外光谱法与国标法测定大豆蛋白质和脂肪的比较[J].山东农业科学, 2007 (1): 109-111. doi: 10.3969/j.issn.1001-4942.2007.01.037

      Liu B, Zhang L J, Miao B H, et al. Comparison between near infrared spectroscopy and GB method used to determine protein and fat in soybean[J]. Shandong Agricultural Sciences, 2007 (1): 109-111. doi: 10.3969/j.issn.1001-4942.2007.01.037

      [15] 朱文秀, 赵继献, 张品, 等.近红外光谱分析与化学方法检测油菜种子品质参数的比较[J].安徽农学通报, 2010, 16(17): 182-183, 185. doi: 10.3969/j.issn.1007-7731.2010.17.091

      Zhu W X, Zhao J X, Zhang P, et al. The comparison study of NIR and chemical method for determining quality parameters in Rapeseed[J]. Anhui Agricultural Science Bulletin, 2010, 16(17): 182-183, 185. doi: 10.3969/j.issn.1007-7731.2010.17.091

      [16]

      Posom J, Sirisomboon P. Evaluation of the moisture content of Jatropha curcas kernels and the heating value of the oil-extracted residue using near-infrared spectroscopy[J]. Biosystems Engineering, 2015, 130: 52-59. doi: 10.1016/j.biosystemseng.2014.12.003

      [17]

      Vaknin Y, Ghanim M, Samra S, et al. Predicting Jatropha curcas seed-oil content, oil composition and protein content using near-infrared spectroscopy: a quick and non-destructive method[J]. Industrial Crops and Products, 2011, 34(1): 1029-1034. doi: 10.1016/j.indcrop.2011.03.011

      [18]

      Luque De Castro M D, Priego-capote F. Soxhlet extraction: past and present panacea[J]. Journal of chromatography A, 2010, 1217(16): 2383-2389. doi: 10.1016/j.chroma.2009.11.027

      [19] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会.粮油检验粮食中粗脂肪含量测定: GB/T5512—2008[S].北京: 中国标准出版社, 2008.

      General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Inspect of grain and oilseeds: determination of crude fat content in grain: GB/T5512—2008[S]. Beijing: Standards Press of China, 2008.

      [20] 吴建国.作物种子品质研究中近红外光谱分析模型的创建和应用[D].杭州: 浙江大学, 2004.

      Wu J G. NIR spectroscopy model construction and application in the research of crop seed qualities[D]. Hangzhou: Zhejiang University, 2004.

      [21] 奚如春, 钟燕梅, 邓小梅, 等.基于近红外光谱的油茶种子含油量定标模型构建[J].林业科学, 2013, 49(4): 1-6. doi: 10.3969/j.issn.1672-8246.2013.04.001

      Xi R C, Zhong Y M, Deng X M, et al. Models for determining oil contents in Camellia oleifera seeds by using near infrared spectroscopy[J]. Scientia Silvae Sinicae, 2013, 49(4): 1-6. doi: 10.3969/j.issn.1672-8246.2013.04.001

      [22] 李勇, 魏益民, 王锋.影响近红外光谱分析结果准确性的因素[J].核农学报, 2005, 19(3): 236-240. doi: 10.3969/j.issn.1000-8551.2005.03.017

      Li Y, Wei Y M, Wang F. Affecting factors on the accuracy of near-infrared spectroscopy analysis[J]. Acta Agriculturae Nucleatae Sinica, 2005, 19(3): 236-240. doi: 10.3969/j.issn.1000-8551.2005.03.017

      [23]

      Shabanimofrad M, Rafii M Y, Wahab P E M, et al. Phenotypic, genotypic and genetic divergence found in 48 newly collected Malaysian accessions of Jatropha curcas L.[J]. Industrial Crops and Products, 2013, 42: 543-551. doi: 10.1016/j.indcrop.2012.06.023

      [24] 祝诗平, 王一鸣, 张小超.农产品近红外光谱品质检测软件系统的设计与实现[J].农业工程学报, 2003, 19(4): 175-179. doi: 10.3321/j.issn:1002-6819.2003.04.043

      Zhu S P, Wang Y M, Zhang X C. Design and implementation of near infrared spectroscopy analysis software system for agricultural product quality detection[J]. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(4): 175-179. doi: 10.3321/j.issn:1002-6819.2003.04.043

      [25] 王毅.近红外光谱分析技术在食用植物油品质检测中的应用[D].镇江: 江苏大学, 2010.

      Wang Y. Application of near-infrared spectroscopy analysis in quality detection of edible vegetable oil[D]. Zhenjiang: Jiangsu University, 2010.

      [26] 陈锋, 何中虎, 崔党群.利用近红外透射光谱技术测定小麦籽粒硬度的研究[J].作物学报, 2004, 30(5): 455-459. doi: 10.3321/j.issn:0496-3490.2004.05.009

      Chen F, He Z H, Cui D Q. Measurement of wheat hardness by near infrared transmittance spectroscopy[J]. Acta Agronomica Sinica, 2004, 30(5): 455-459. doi: 10.3321/j.issn:0496-3490.2004.05.009

      [27] 王刚.花椒挥发油含量近红外光谱无损检测研究[D].重庆: 西南大学, 2008.

      Wang G. Nondestructive detection of volatile oil content in Zanthoxylum bungeagum Maxim. by near infrared spectroscopy[D]. Chongqing: Southwest University, 2008.

      [28] 韩智彪.棉籽油份含量近红外测定技术研究[D].武汉: 华中农业大学, 2012.

      Han Z B. Studies on the determination of cotton seed oil by near infrared reflectance spectroscopy[D]. Wuhan: Huazhong Agricultural University, 2012.

      [29] 高建芹, 张洁夫, 浦惠明, 等.近红外光谱法在测定油菜籽含油量及脂肪酸组成中的应用[J].江苏农业学报, 2007, 23(3): 189-195. doi: 10.3969/j.issn.1000-4440.2007.03.006

      Gao J Q, Zhang J F, Pu H M, et al. Analysis of oil, oleic acid and erucic acid contents in rapeseed by near infrared reflectance spectroscopy(NIRS)[J]. Jiangsu Journal of Agricultural Sciences, 2007, 23(3): 189-195. doi: 10.3969/j.issn.1000-4440.2007.03.006

      [30] 李君霞, 张洪亮, 严衍禄, 等.水稻蛋白质近红外定量模型的创建及在育种中的应用[J].中国农业科学, 2006, 39(4): 836-841. doi: 10.3321/j.issn:0578-1752.2006.04.029

      Li J X, Zhang H L, Yan Y L, et al. Establishment of math models of NIRS analysis for protein contents in seed and its application in rice breeding[J]. Scientia Agricultura Sinica, 2006, 39(4): 836-841. doi: 10.3321/j.issn:0578-1752.2006.04.029

      [31] 张学锋, 周新奇, 陈智锋, 等.新型国产近红外分析仪的菜籽菜粕快速检测技术研究[J].计算机与应用化学, 2010, 27(12): 1625-1628. doi: 10.3969/j.issn.1001-4160.2010.12.008

      Zhang X F, Zhou X Q, Chen Z F, et al. The research of rapid analysis for rapeseed and rapeseed meal based on a new type domestic near infrared analyzer[J]. Computers and Applied Chemistry, 2010, 27(12): 1625-1628. doi: 10.3969/j.issn.1001-4160.2010.12.008

    • 期刊类型引用(6)

      1. 姜有军. 探究沙木蓼的引种与栽培技术. 农业灾害研究. 2023(03): 40-42 . 百度学术
      2. 亓守贺,李昊远,张恒,孔凡克,曲威. 复合酶解耦合微生物发酵制备海藻生物有机液肥的研究. 湖北农业科学. 2022(07): 20-24+30 . 百度学术
      3. 王冠都,王俊,王慧荣,李胜利,张世柏,孙清华,汪强. 有机种植下液肥施用量对番茄生长及品质的影响. 河南科学. 2022(07): 1062-1070 . 百度学术
      4. 李思,弓瑶,詹保成,李友丽,王利春,郭文忠. 中国有机液肥的应用现状及发展趋势. 中国农学通报. 2021(21): 75-79 . 百度学术
      5. 刘晓佩,李鸣晓,戴昕,李雪琪,窦润琪,王勇,贾璇,冯作山,安立超. 不同菌剂制备餐厨垃圾液态有机肥过程物质转化规律研究. 环境工程技术学报. 2021(04): 750-755 . 百度学术
      6. 张世婷. 浅谈沙木蓼的引种与栽培. 中国林业产业. 2021(08): 49-50 . 百度学术

      其他类型引用(4)

    图(3)  /  表(4)
    计量
    • 文章访问数:  2127
    • HTML全文浏览量:  372
    • PDF下载量:  94
    • 被引次数: 10
    出版历程
    • 收稿日期:  2017-10-26
    • 修回日期:  2017-11-12
    • 发布日期:  2017-12-31

    目录

    /

    返回文章
    返回