为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和...为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R^(2))、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R^(2)为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R^(2)为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R^(2)>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。展开更多
文摘为实现南极磷虾(Euphausia superba)品质的快速评定,本研究将近红外光谱技术(Near infrared spectroscopy,NIRS)与偏最小二乘法(Partial least squares,PLS)相结合,构建用于快速预测磷虾体内非蛋白氮(Non-protein nitrogen,NPN)含量和挥发性盐基氮(Total volatile base nitrogen,TVB-N)含量的近红外定量分析模型。采集近红外光谱后,通过比较决定系数(Coefficient of determination,R^(2))、校正标准偏差(Root mean square error of calibration,RMSEC)、预测标准偏差(Root mean square error of prediction,RMSEP)等模型的评价参数,选取近红外光谱定量分析模型的最佳预处理方式、特征光谱范围以及主因子数。结果显示,NPN含量模型的最佳预处理方法为多元散射校正(Multiplicative signal correction,MSC),其特征光谱范围为8887.1~7774.2 cm-1;TVB-N含量模型则采用MSC与卷积平滑(Savitzky-Golay smoothing,SG)相结合的方式进行预处理,建模范围为全波段。两个定量模型的主因子数均为5。经模型的优化与外部验证,最终构建的PLS最优模型如下:NPN含量近红外定量分析模型的R^(2)为0.9384,RMSEC为0.279,RMSEP为0.443;TVB-N含量近红外定量分析模型的R^(2)为0.8685,RMSEC为3.800,RMSEP为4.070。研究结果表明,两个模型均具有良好的预测精度(R^(2)>0.85)和稳定性,其中NPN定量分析模型的预测能力优于TVB-N定量分析模型。综上,本研究基于NIRS与PLS构建的定量分析模型能够有效预测南极磷虾体内的NPN和TVB-N含量,为南极磷虾的品质评价提供了可靠的技术支持,满足快速评定的实际应用需求。
