能源高粱茎、叶中能源转化相关化学成分的近红外光谱模型构建与优化

何思洋 李 蒙 唐朝臣 周方圆 谢光辉*

(1.中国农业大学 农学院，北京 100193； 2. 湖南农业大学 生物科学技术学院，长沙 410128； 3. 广东省农业科学院 作物研究所/广东省农作物遗传改良重点实验室，广州 510640； 4.国家能源非粮生物质原料研发中心，北京 100193)

随着化石能源的消费量与日俱增，发展生物质等可再生能源成为确保能源安全和减少碳排放的重要途径之一。高粱作为一种高产、抗旱和耐盐碱的C4作物，具有很大的生产潜力，从能源用途上分为甜高粱和生物质高粱[1-2]。其中甜高粱和生物质高粱是籽粒高粱的变种，因两者分别含有较高的可溶性糖、纤维素、半纤维素和木质素，被认为是发展第一、二代生物乙醇的理想作物之一[3-4]。在生物乙醇生产过程中，可溶性糖、纤维素、半纤维素、木质素和灰分等能源转化相关化学成分的含量都影响着乙醇的产量和转化效率[5]，因此，了解能源高粱茎、叶中能源转化相关化学成分的含量以及成分之间的关联，对能源高粱新品种选育及生产十分必要。此外，传统的化学分析方法存在测定周期长和费用高等问题，无法满足大批量的测定需求，建立一种快速、准确测定目标成分的方法，对于高粱能源品质分析至关重要。

应用近红外光谱(Near-infrared spectroscopy，NIRS)模型技术测定各种材料的化学成分具有快速、高效、无损和可在线分析等优势，目前在农业、制药和石化等多个领域得到广泛应用[6-9]。建立近红外光谱分析模型时，对光谱进行处理筛选和对样品子集的划分能够有效提升模型的稳健性和准确性[10]：多元散射校正(Multiplicative scatter correction, MSC)能够有效降低散射影响，增强光谱的信噪比[11]；Savitzky-Golay卷积平滑和求导能够有效消除光谱噪声[10,12]；竞争性自适应权重(Competitive adaptive reweighted sampling，CARS)算法能够有效筛选波长的最佳组合[13]；光谱-理化值共生距离(Sample set partitioning based on joint X-Y distances, SPXY)算法能够基于光谱特征和样品性质变量的影响合理划分样品校正集和验证集，增加样本代表性[14]。第五鹏瑶[15]和Li等[16]研究发现对光谱进行处理筛选和对样品子集的划分能够直接影响模型的性能。截止目前，在对能源高粱茎、叶建立近红外光谱模型中，利用最新化学计量学方法对模型进行系统优化与评价鲜见报道。本研究选用27个甜高粱和28个生物质高粱材料，采用近红外光谱和化学计量学方法，分析不同类型的高粱茎、叶中能源相关成分含量的差异与相关性，旨在建立并优化评估能源高粱茎、叶中能源转化相关化学成分的近红外吸收光谱的模型，以期为大批量能源高粱茎、叶中能源相关化学成分的快速测定提供参考。

1 材料与方法

1.1 试验地点和供试材料

2017年，在河北省涿州市中国农业大学涿州试验站(39°28′ N, 115°51′ E)和山西省介休市田堡村(37°08′ N, 112°06′ E)种植的高粱材料，每个品种小区种植面积为3.6 m2(双行区)，涿州市和介休市试点共采集27份甜高粱样品(涿州14份和介休13份)和28份生物质高粱样品(涿州14份和介休14份)。

1.2 样品取样和化学分析

在成熟期每个高粱品种选取10株，收获地上部分后剥离茎、叶。利用铡刀将叶每隔12 cm切取1.5～2.0 cm样段，利用茎取样机SLS 4.2(北京慧明雨实验科技有限公司)将茎每隔15 cm切取1 cm样段，共制备55份茎和55份叶样品。标准样品的制备，纤维素、半纤维素、木质素和灰分的测定根据标准 NB/T 34057—2017《木质纤维素类生物质原料化学成分的测定》[17]中的规定进行。可溶性糖通过蒽酮比色法[18]测定。

1.3 样品的近红外光谱采集

通过Antaris II傅里叶近红外光谱仪(Thermo Fisher Scientific，美国)采集样品光谱。样品扫描波数范围为10 000～4 000 cm-1，分辨率为8 cm-1，每个样品利用积分球采集光谱64次，将64次光谱取平均值作为试验光谱。

1.4 数据分析和模型建立

采用SPSS 22.0软件对能源高粱茎和叶的能源转化相关化学成分数据进行方差分析和相关性分析。将茎和叶样品光谱均进行MSC和Savitzky-Golay卷积平滑处理，随后根据建模要求依次采用一阶求导处理和CARS光谱点筛选，近红外光谱分析模型采用偏最小二乘法(Partial least squares, PLS)[19]建立，建立过程中异常样品通过主成分分析(Principal component analysis, PCA)剔除，建模样品利用光谱-理化值共生距离算法[14]按3∶1挑选校正集和验证集，校正集通过留一法进行交叉验证。近红外模型的建立与优化均通过Chem Data Solution 3.1.0软件实现。

建模过程中，模型拟合程度通过主成分数、决定系数(Coefficients of determination,R2)、标准偏差(Root mean square error, RMSE)以及相对分析误差(Ratio of performance to deviation, RPD)进行评价。

2 结果与分析

2.1 能源高粱茎、叶中能源转化相关化学成分含量

由表1可知，甜高粱茎的可溶性糖含量在126.3～539.6 g/kg，显著高于(P<0.01)生物质高粱的93.8～356.0 g/kg；而甜高粱茎的纤维素、半纤维素和木质素含量分别为175.1～331.5、109.7～205.1和82.5～178.2 g/kg,均显著低于(P<0.01)生物质高粱茎中的含量(208.2～353.8、143.3～220.3和97.5～200.2 g/kg)。二者在灰分含量上无显著差异。在叶中，甜高粱可溶性糖平均含量(60.0 g/kg)显著高于(P<0.01)生物质高粱(46.4 g/kg)，纤维素含量(270.5 g/kg)显著低于(P<0.05)生物质高粱(276.7 g/kg)，但半纤维素、木质素和灰分含量在两类高粱间无显著差异，见表1。两类高粱的能源转化相关化学成分的含量差异较大，因此在乙醇等能源转化中应当采取不同的转化工艺。

此外，茎的所有成分含量和叶的可溶性糖含量的变异系数均在11.9%～30.1%，说明品种间差异较大，而叶的纤维素、半纤维素、木质素和灰分的变异系数均在4.1%～8.8%，说明在品种培育中具有较高的稳定性，见表1。

2.2 茎、叶中能源转化相关化学成分的相关性分析

由表2可知，甜高粱和生物质高粱茎的可溶性糖含量均与茎的纤维素、半纤维素和木质素含量呈极显著负相关(P<0.01)；纤维素、半纤维素和木质素三者间具有极显著正相关(P<0.01)关系。2种类型高粱茎的灰分含量均与叶的灰分含量呈显著正相关(P<0.05)，且叶木质素与茎纤维素、半纤维素和木质素均呈极显著正相关(P<0.01)关系。2种类型的高粱茎、叶中能源转化相关化学成分间的相关性均不完全一致。

表1 能源高粱茎、叶中能源转化相关化学成分含量的方差分析(df=1)Table 1 Variance analysis for content of chemical components of energy conversion in stems and leaves between types of energy sorghum (df=1) g/kg

表1(续)

表2 能源高粱茎、叶中能源转化相关化学成分含量的相关性分析Table 2 Person correlation analysis for content of chemical components of energy conversion in stems and leaves of energy sorghum

2.3 茎、叶样品近红外光谱模型建立和优化

2.3.1近红外光谱扫描

由图1可知，茎和叶的样品近红外吸收光谱在4 000～7 000 cm-1具有较强吸收峰，且吸收峰表现出相似趋势。同时，茎和叶的吸收光谱在吸收强度上表现不同，其中茎的吸光度普遍比叶吸光度高。因此在近红外模型建立中，茎、叶可以分开建模。

图1 能源高粱茎(a)和叶(b)近红外光谱图Fig.1 Near-infrared spectrums of energy sorghum stems (a) and leaves (b) of energy sorghum

由图2可知，55份能源高粱的茎、叶样品的3个PC累计贡献率分别达到99.55%和99.70%。生物质高粱和甜高粱的茎样品PC点分布出现了一定程度的空间分离，而2种类型能源高粱叶样品的PC点分布表现出均匀混合状态，没有出现空间分离情况，说明2种类型高粱的茎具备可被直接定性分析的潜力，而叶则不能进行直接定性分析。

2.3.2近红外光谱模型建立及稳定性评价

不同的优化模式对能源高粱茎、叶中能源转化相关化学成分模型参数具有不同的影响。

图2 能源高粱茎(a)和叶(b)近红外光谱PCA分析Fig.2 Principal component analysis for near-infrared spectrum of stems (a) and leaves (b) of energy sorghum

Factor，主成分数；校正集决定系数；交叉验证决定系数；RMSEC，校正集标准偏差；RMSECV，交叉验证标准偏差； RPDCV，交叉验证相对分析误差。下同。 coefficient of determination of cross validation; RMSEC，root mean standard error of calibration; RMSECV， root mean standard error of cross validation; RPDCV， the ratio of performance to deviation of cross validation. The same below.图3 能源高粱茎中能源转化相关化学成分含量的建模参数Fig.3 The performance of NIRS models for content of chemical components of energy conversion in stem of energy sorghum

图4 能源高粱叶中能源转化相关化学成分含量的建模参数Fig.4 The performance of NIRS models for content of chemical components of energy conversion in leaf of energy soghum

图5 能源高粱茎中能源转化相关化学成分含量的“一阶导-CARS”模型交叉验证散点图Fig.5 Plots of cross validation from “first derivative-CARS” models for content of chemical components of energy conversion in stems of energy sorghum

图6 能源高粱叶中能源转化相关化学成分含量的“一阶导-CARS”模型交叉验证散点图Fig.6 Plots of cross validation from “first derivative-CARS” models for content of chemical components of energy conversion in leaves of energy sorghum

2.3.3近红外光谱模型预测性能评价

3 讨 论

能源高粱茎的5种能源转化相关化学成分的含量在甜高粱和生物质高粱之间差异较大，且茎比叶的能源转化相关化学成分含量在品种间具有更大的变异系数。Li等[21]对6种甜高粱和6种生物质高粱茎进行化学成分含量分析发现，甜高粱茎干重的可溶性糖含量(107.6～475.6 g/kg)显著高于生物质高粱(53.6～354.5 g/kg)，同时Diallo等[22]研究发现与甜高粱相比，生物质高粱茎中含有相对丰富的纤维素、半纤维素和木质素，这与本研究结果一致。此外，甜高粱与生物质高粱的叶片干重灰分含量达到72.3～105.3 g/kg，高于茎的20.1～54.6 g/kg，因此在生产应用中，应当考虑叶中的灰分对生物乙醇和颗粒燃料生产效率带来的制约。

表3 能源高粱茎、叶中能源相关化学成分含量的近红外光谱“一阶导-CARS”模型验证集评价Table 3 The evaluation of validation of “first derivative-CARS” NIRS models for content of chemical components of energy coversion in stems and leaves of energy sorghum

4 结 论