向日葵的品质

中国油料作物七年级下册古诗 学报ChineJournalofOilCropSciences

利用近红外技术预测向日葵籽仁品质性状

汪磊，谭美莲

*

，傅春玲，汪魏，王力军，尹紫艳，严兴初

*

（中国农业科学院油料作物研究所/农业农村部油料作物生物学与遗传育种重点实验室，湖北武汉，430062）

摘要：为实现向日葵育种材料品质性状的快速预测，选取154份向日葵籽仁样品，结合化学测定值和近红外光

谱，利用化学计量学手段建立向日葵籽仁品质指标的近红外模型，评估其在籽仁粗蛋白、粗脂肪、油酸、亚油酸等重

要品质性状测定中的可行性。结果表明，改进偏最小二乘法建模效果最佳，其粗脂肪、粗蛋白、油酸、亚油酸、饱和

脂肪酸及不饱和脂肪酸的定标相关系数分别为0.975、0.950、0.973、0.951和0.913，交叉验证相关系数分别为0.969、0.939、0.915、0.927和0.711。用检验集对模型进行验证，粗脂肪、蛋白质、油酸、亚油酸、饱和及不饱和脂肪酸的外部

检验决定系数（R

2

）分别为0.959、0.950、0.937、0.906和0.930。本研究建立的模型质量较高，能够满足向日葵籽仁品

质成分的快速测定，可为向日葵品质育种前期大量、快速的筛选提供技术支持。

关键词：向日葵；粗脂肪含量；蛋白质；油酸；亚油酸；近红外光谱

中图分类号：TN219;S565.5文献标识码：A文章编号：1007-9084（2020）01-0147-07

Predictionofqualitativecharacteristicsofsunflowerhuskededbynearinfraredspectroscopy

WANGLei，TANMei-lian*

，FUChun-ling，WANGWei，WANGLi-jun，YINZi-yan，YANXing-chu

*

（OilCropsRearchInstituteofChineAcademyofAgriculturalScience/KeyLaboratoryofBiologyandGeneticIm⁃

provementofOilCrops,MinistryofAgricultureandRuralAffairs,Wuhan430062,China）

Abstract:Forrapidandhighthroughputpredictionofthequalityofsunflowereds,calibrationequations

ationmethodsincludednear-infraredspec⁃

troscopy(NIRS)scanningandchemicaldetectingwithchemometricsmethodtodeterminetheoptimalcalibration

sshoweermination

coefficientofNIRSmodelforcrudefat,crudeprotein,oleicacid,linoleicacid,saturatedfattyacidandunsaturated

fattyacidwere0.975,0.950,0.973,ross-validationcorrelationcoefficients

were0.969,0.939,0.915,tiontestingresultsshowedthattheexternalvali⁃

dationcorrelationcoefficientforcrudefat,crudeprotein,oleicacid,linoleicacid,saturatedfattyacidandunsaturat⁃

edfattyacidwere0.959,0.950,0.937,ultsindicatedthattheestablished

NIRSmodelcouldbeudasatoolforrapidpredictionofqualitativecharacteristicsinsunflowerhuskededfor

large-scalescreeningofsunflowerqualitybreeding.

Keywords:sunflower；crudefatcontent；protein；oleicacid；linoleicacid；nearinfraredspectroscopy

向日葵（HelianthusannuusL.）是世界广泛种植

的经济作物，2018年全世界向日葵总产约4956万

吨，其中乌克兰、俄罗斯、欧盟、阿根廷和中国占据

了世界总产量的85.5%

[1]

。近年来，我国向日葵种

植面积逐年增加，2016年达115.3万公顷，主要分布

在内蒙古、新疆、吉林、黑龙江、河北、甘肃和宁夏等

七个省（自治区），其它地区零星种植

[2]

。

葵花籽可榨油或食用，籽实含油率为22%～

2020，42（1）：147-153

doi：10.19802/.1007-9084.2019143

收稿日期：2019勒石 ⁃05⁃23

基金项目：国家特色油料产业技术体系（CARS-14-1-17）；国家油料种质资源平台（NICGR2019-014）；特种油料种质资源保护与利用

（2019NWB033-4）；中国农业科学院油料作物研究所科技成果转化项目（2019CGZH08）

作者简介：汪磊（1984-），男，湖北武汉人，实验师，硕士，主要从事特色油料作物种质资源相关研究，E-mail:*****************通讯作者：谭美莲，副研究员，从事特种油料作物种质资源与遗传育种研究，E-mail：******************；严兴初，研究员，从事特种油料研

究，E-mail:*****************

中国油料作物学报2020，42（1）

55%，粗蛋白含量约15.7%～25.9%。传统葵花油

中不饱和脂肪酸含量高达85%，其中油酸含量14%

～43%，亚油酸含量44%～75%。近二十年来，随着

人们对健康植物油需求增加，富含油酸的类型被广

泛应用，包括中油酸（43.1%～71.8%）和高油酸

（75%～90.7%）类型

[3]

。另外，国人喜嗑食葵籽，粗

蛋白含量是食葵的重要指标之一

[4]

。因此，粗蛋白

含量和油脂成分是向日葵品质育种的重要指标。

然而，利用常规化学分析方法测定粗蛋白、粗

脂肪和脂肪酸组成，成本较高，耗时耗力，极大限制

了材料筛选效率。建立一种高效快速的测定方法，

对于向日葵优异种质鉴定和品质育种十分必要。

近红外光谱（nearinfraredreflectancespectroscopy，NIRS）分析技术是一项无损检测技术，无需复杂预

处理，即可完成多种组分的定量测定

[5]

，结合化学计

量学法构建模型，从而实现快速高效检测。国内外

利用NIRS技术在测定种子含油率、粗蛋白、脂肪酸

组成方面已有报道。Prez-Vich等

[6]

利用NIRS技术

对完整葵花籽、去壳葵花籽仁、葵花籽粉和葵花油

中的含油率和脂肪酸组成进行了测定；周菲等

[7]

初

步构建了食用向日葵粗蛋白含量的近红外光谱模

型；Akkaya

[8]

利用NIRS对向日葵脂肪酸组成进行了

快速有效的测定。但是国内缺乏NIRS测定向日葵

脂肪酸成分和蛋白质含量的相关报道，而且近红外

技术模型在不同作物或同一作物不同类型、不同设

备及同一设备不同环境下，都不具有通用性。因

此，利用我国向日葵种质和品种材料建立其品质性

状的NIRS测定模型，对于实现品质性状的快速检测

和促进向日葵品质育种具有重要意义。

本研究以154份向日葵为材料，将化学分析和

光谱测定方法相结合，利用化学计量学手段，建立

并优化向日葵品质性状的NIRS模型，评估快速测定

籽仁粗蛋白、粗脂肪和脂肪酸组成的可行性，为建

立快速高效的向日葵品质检测平台提供基础，为其

优异种质鉴定和品质育种提供技术支撑。1材料方法

1.1材料

向日葵种质和品种共154份，用于向日葵NIRS

模型的构建和校正。另外随机挑取了18份向日葵

材料用于模型的检验。这些材料均由国家油料作

物种质资源中期库（武汉）和中国农业科学院油料

作物研究所特色油料课题组提供，其中油葵114份，

食葵35份，观赏葵4份，半野生材料1份。

1.2化学值测定

清选干净、干燥（40℃烘干6h）的向日葵籽粒，

采用向日葵专用离心脱壳机（锦州俏牌，家用脱壳

机）脱壳，每样品去壳后重约10g。向日葵籽仁粗蛋

白、粗脂肪和脂肪酸组成化学值分析方法参考GB5009.5-2016（蛋白质）[9]

、NY/T1285-2007（脂肪）

[10]

、GB5009.168-2016（脂肪酸）[11]

，在国家农业部油料

及制品质量监督检验测试中心进行测定；其中蛋白

质测定采用DA701杜马斯定氮仪、粗脂肪采用YG-2型脂肪抽提器、脂肪酸采用安捷伦GC7890测定。

1.3光谱采集

向日葵种子在实验室利用脱壳机脱壳后，采用NIRSTMDS6500F高精度近红外分析仪（FOSSAnalyt⁃

icalA/S，Denmark），850～1099nm和1100～2499nm

分段扫描，间隔2nm，单色器光源，数控分光光栅，

通过检测样品反射光能获得样品化学信息和构成。

样品均匀装满取样杯（约5g），每样品重复测定3～5

次，共获得建模用有效光谱数据469条。

1.4光谱分析和校准曲线

采用WinISIⅢ1.50e（InfrasoftInternational）程

序校准方程。初始光谱469条，合并相同样品光谱

数据获得光谱平均数据154条。为减少噪声干扰并

减少样品散射对光谱影响，分别采用无散射处理

（none），标准正态化+散射处理（SNV/detrend）

[12]

。数

学处理采用一阶和二阶求导，平滑光谱间隔为1、4，

不做二次平滑。处理后的光谱采用改进偏最小二

乘法（MPLS）

[13]

和偏最小二乘法（PLS法）

[14]

构建数学

模型，并根据交互定标决定系数（1-VR）和定标决定

系数（RSQ）来选择出两种方法下不同指标对应的最

佳模型（表1）。

1.5模型外部验证

以随机选取的18份向日葵材料（未参与建模）

分别测定其化学值和预测值，采用预测标准偏差

（SEP），外部验证决定系数（R

2

）和相对分析误差

（RPD）对模型准确性进行评价。R2越大，SEP值越

小，说明模型的精度越高。RPD=SD/SEP，当RPD＞2时，模型具有极好的预测能力；当1.4＜RPD＜2

时，模型可估测样品值；而当RPD＜1.4时，模型对

样品无法进行有效预测

[15]

。2结果与分析

2.1向日葵籽仁定标集与检验集化学值分布情况

154份样品的粗蛋白、粗脂肪和脂肪酸组成含

量基本覆盖了向日葵资源和品种品质性状相关指

148

汪磊等：利用近红外技术预测向日葵籽仁品质性状

表1光谱数据预处理方法

Table1MethodofPre-treatmentfororiginalspectra

回归技术

Regression

PLS

MPLS

散射处理

Scatter

NONE

SNV/detrend

NONE

SNV/detrend

处理参数Parameter

导数处理

Derivative

0

1

2

0

1

2

0

1

2

0

1

2

光谱间隔点

Gap

0

4

4

0

4

4

0

4

4

0

4

4

一次平滑光谱间隔点

Smooth1

1

4

4

1

4

4

1

4

4

1

4

4

二次平滑

Smooth2

1

1

1

1

1

1

1

1

1

1

1

1

模型命名

Modelname

PLS1

PLS2

PLS3

PLS4

PLS5

PLS6

MPLS1

MPLS2

MPLS3

MPLS4

MPLS5

MPLS6

注：PLS：偏最小二乘法；MPLS：改进偏最小二乘法；NONE：无散射处理；SNV/detrend：标准正态变量转化+趋势变换法Note：PLS：partialleastsquares；MPLS：modifiedpartialleastsquares；NONE：withoutscatter；SNV/detrend：standardnormalvariantanddetrend

scattercorrection

注：A～F分别表示粗脂肪、粗蛋白、棕榈酸、硬脂酸、油酸和亚油酸含量分布

Note:A-F:indicatethedistributionofcrudefat,crudeprotein,palmiticacid,stearicacid,oleicacidandlinoleicacidrespectively

图1向日葵籽仁粗蛋白、粗脂肪和脂肪酸组成分布情况

Fig.1Distributionofcrudeprotein,crudefatandfattyacidcompositioninsunflowerkernel

149

中国油料作物学报2020，42（1）

标的含量范围(图1)。其中粗脂肪平均含量为47.70%，分布于35.65%～61.16%范围内；粗蛋白

平均含量为29.09%，其含量范围为10.50%～38.20%。葵花籽脂肪酸主要包括油酸、亚油酸，还

含有少量棕榈酸和硬脂酸等。由图1可以发现，NIRS建模所选样品多为近年来向日葵市场上流行

的主要类型，即中高油酸型，也包含少量标准型材

料，基本覆盖了向日葵不同的脂肪酸类型。检验集

分布均匀（图2），基本涵盖了定标模型覆盖范围。

2.2近红外模型的建立

采用PLS和MPLS法，结合不同光谱预处理（表1）共形成了12组模型，根据定标相关系数（RSQ）和

交叉验证相关系数（1-VR）选取了不同指标对应的

待选模型（表2）。总体看来，PLS和MPLS法建模8

个指标中有6个的RSQ值均高于0.9，其中MPLS法

获得的粗脂肪、油酸、亚油酸、硬脂酸和棕榈酸RSQ

值较PLS法高，而粗蛋白的RSQ值则是PLS法稍高。

综合定标相关系数和交叉检验系数表明该模型对

粗脂肪、粗蛋白、油酸和亚油酸的预测性能较好，对

总的饱和脂肪酸和不饱和脂肪酸的预测可供参考，

而对硬脂酸和棕榈酸的预测相对较差。

2.3近红外模型的校验

利用检验集对构建的模型进行检验，并根据相

对分析误差RPD值进行方程可靠程度的校验。

通过比较不同成分的化学值和预测值可以发

现，PLS和MPLS建模在大多数情况下能与艺术有关的成语 够较好地进

行预测，其中PLS建模下其粗脂肪、粗蛋白、油酸、亚

油酸、饱和脂肪酸、不饱和脂肪酸、硬脂酸、棕榈酸

的绝对平均误差分别为-0.16、-0.37、-1.11、-0.43、-0.41、0.41、0.00和-0.12（表3）；MPLS建模下其对

应的各项指标的绝对平均误差分别为0.08、-0.15、-0.23、1.37、-0.23、0.23、0.02、-0.06（表4）。

注：A～F分别表示粗脂肪、粗蛋白、棕榈酸、硬脂酸、油酸和亚油酸含量分布

Note:A-F:indicatethedistributionofcrudefat,crudeprotein,palmiticacid,stearicacid,oleicacidandlinoleicacidrespectively

图2检验集向日葵籽仁粗蛋白、粗脂肪和脂肪酸组成分布情况

Fig.2Distributionofcrudeprotein,crudefatandfattyacidcompositioninsunflowerkernelforvalidation

150

汪磊等：利用近红外技术预测向日葵籽仁品质性状

从RPD值判断，PLS建模的粗脂肪、粗蛋白和油

酸均大于2，具有极好的预测能力，除棕榈酸外，其

它成分模型验证的RPD值均大于1.4，也可用于样

品值的初步预测。MPLS方法建模下的RPD值优于PLS方法，其方法模型下的粗脂肪、粗蛋白、油酸、亚

油酸、SFA和UFA的RPD值分别达5.0、3.4、4.1、3.2、3.8和3.3，表明模型的预测能力极佳。但各模

型的预测值标准偏差（SD）和预测标准偏差（SEP）相

对较大，对验证的18个样品分别进行预测，发现其

中个别不典型样品（如低油酸型材料）影响了SD和SEP值，表明模型在测定此类样品时还需要进一步

补充优化。

3讨论与结论

NIRSDS2500型近红外检测设备以400～

2500nm的近红外光能量照射样品，通过检测样品反

射光信息反映出化学信息和构成。向日葵种壳较

厚，颜色深浅不一且具条纹。Fassio和Cozzolino

[16]

发

现NIR对葵花籽壳表面颜色和条纹极为敏感，不同

颜色或条纹会影响到样品反射光的程度。Williams

等

[17]

发现照射到亮色种子的部分光会反射回来且无

法反馈给仪器任何信息。相反，深色种子会增大较

低波长下的偏差。Prez-Vich等

[6]

利用NIRS技术对

完整葵花籽、去壳葵花籽仁、葵花籽粉和葵花油中

含油率和脂肪酸组成进行了测定，发现除完整向日

表3向日葵籽仁品质成分PLS预测模型验证统计

Table3ValidationstatisticsofPLScalibrationequationdevelopedforestimationqualityconstituentinsunflowerhusked

edssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白Crudeprotein

油酸Oleicacid

亚油酸Linoleicacid

饱和脂肪酸SFA

Saturatedfattyacid

不饱和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕榈酸Palmiticacid

化学值

Chemicalvalue

46.758

29.089

69.695

18.678

11.104

88.896

3.581

5.597

预测值

Predictivevalue

46.598

28.722

68.589

18.247

10.691

89.309

3.581

5.473

SD

6.251

4.089

12.967

9.135

1.625

1.625

0.785

0.547

R2

0.955

0.933

0.908

0.833

0.786

0.786

0.650

0.535

SEP

1.416

1.399

3.989

6.069

0.84

0.84

0.493

0.413

RPD

4.4

2.9

3.3

1.5

1.9

1.9

1.6

1.3

模型

Model

PLS4

PLS5

PLS6

PLS6

PLS3

PLS3

PLS6

PLS1

注：SD：标准偏差；R2：外部验证决定系数；SEP：预测标准偏差；RPD：相对分析误差。下同

Note:SD:standarddeviation;R2:coefficientofdeterminationinprediction;SEP:standarderrorofprediction;RPD:

asbelow

表2向日葵籽仁品质成分定标建模校验与交叉校验统计

Table2Calibrationandcross-validationstatisticsindevelopmentofcalibrationequationsforqualityconstituentinsun⁃

flowerhuskededssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白Crudeprotein

油酸Oleicacid

亚油酸Linoleicacid

饱和脂肪酸SFA

Saturatedfattyacid

不饱和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕榈酸Palmiticacid

PLS

n

151

147

151

144

145

145

149

149

平均Mean

47.763

28.254

69.224

18.874

10.461

89.539

3.463

5.149

RSQ

0.968

0.951

0.950

0.942

0.913

0.913

0.733

0.524

1-VR

0.964

0.935

0.919

0.930

0.754

0.754

0.562

0.457

模型Model

PLS4

PLS5

PLS6

PLS6

PLS3

PLS3

PLS6

PLS1

MPLS

n

145

148

149

147

150

150

149

149

平均Mean

47.761

28.296

69.460

19.376

10.4913

89.509

3.490

5.149

RSQ

0.975

0.950

0.973

0.951

0.913

0.913

0.833

0.558

1-VR

0.969

0.939

0.915

0.927

0.711

0.711

0.441

0.506

模型Model

MPLS3

MPLS4

MPLS6

MPLS5

MPLS3

MPLS3

MPLS3

MPLS5

注：n：样本数；RSQ：定标相关系数；1-VR：交叉验证相关系数

Note:n:numberofsamples;RSQ:Rsquared;1-VR:1minusthevarianceratio

151

中国油料作物学报2020，42（1）

葵的相关系数较低外（r=0.76～0.85），籽仁、粉末和

葵花油测定结果相似，其相关系数均大于0.90，认

为籽仁测定可以最大限度地获得相对高的准确度。

根据前人研究结果，带壳向日葵预测的相关系数较

低，籽仁测定与粉末和油测定具有相似的稳定性，

更适合用于向日葵NIRS测定。本研究综合考虑操

作的简便性、结果的准确性与稳定性，采用了脱壳

的籽仁进行模型构建。

化学计量法是解决NIR光谱吸收强度弱、灵敏

度低、吸收带较宽且重叠严重问题的重要手段，包

括光谱预处理和定标模型校正。采用SNV/detrend、

一阶和二阶导感悟生死的经典句子 数预处理，结合MPLS和PLS法在向

日葵籽粒含油率和脂肪酸组成的模型建立中已有

应用

[6,8,18～20]

，周菲等

[7]

也利用SNV预处理结合PLS法

构建了食用向日葵蛋白质的近红外光谱模型。本

研究以向日葵籽仁为检测对象，比较了MPLS和PLS

法在6种光谱预处理下的模型差异，两种建模方法

下的粗脂肪、粗蛋白、油酸和亚油酸含量的相关系

数（RSQ）在0.940~0.975之间，高于Velasco等

[19]

（RSQ=0.89~0.91）、Fassio和Cozzolino

[16]

构建的油

酸和亚油酸模型（RSQ=0.85~0.86）；也高于周菲

等

[7]

构建的蛋白质模型（RSQ=0.93）；与Prez-Vich

等

[6]

构建的脂肪酸模型相近（RSQ=0.95）。说明本

研究建立的模型，特别是MPLS法建立的模型具有

较好的预测能力。

然而我们注意到油酸和亚油酸预测标准偏差

仍偏大。通过逐一对检验集样品分析发现，偏差较

大的样品主要为高亚油酸或极低亚油酸的特异类

型和食葵类型，前者在模型构建的定标集中样本数

偏少，后者则粗脂肪含量相对较低，粗蛋白含量相

表4向日葵籽仁品质成分MPLS预测模型验证统计

Table4ValidationstatisticsofMPLScalibrationequationdevelopedforevaluationestimationqualityconstituentinsun⁃

flowerhuskededssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白质Crudeprotein

油酸Oleicacid

亚油酸Linoleicacid

饱和脂肪酸SFA

Saturatedfattyacid

不饱和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕榈酸Palmiticacid

化学值

Chemicalvalue

46.758

29.089

69.695

18.678

11.104

88.896

3.581

5.597

预测值

Predictivevalue

46.835

28.936

69.466

20.046

10.87

89.13

3.603

5.541

SD

6.615

4.142

12.932

13.572

1.442

1.442

0.90柳画儿 0

0.571

R2

0.959

0.950

0.937

0.906

0.930

0.930

0.457

0.444

SEP

1.321

1.202

3.161

4.298

0.439

0.439

0.682

0.452

RPD

5.0

3.4

4.1

3.2

3.3

3.3

1.3

1.3

模型

Model

MPLS3

MPLS4

MPLS6

MPLS5

MPLS3

MPLS3

MPLS3

MPLS5

注：红圈内为偏离度较大的预测值，红色虚线表示预测值趋势线，黑色实线表示测定值趋势线

Note:Bluesquareinredcircleispredictedvaluewithlargedeviation;reddottedlineandblacksolidlinereprenttrendsofpredictedandmeasured

valuesrespectively

图3油酸和亚油酸的检验分布

Fig.3ValidationplotsoflinoleicacidandoleicacidcontentforMPLScalibrationequations

152

汪磊等：利用近红外技术预测向日葵籽仁品质性状

对较高（图3）。Fassio和Cozzolino

[16]

研究也发现高

或低粗脂肪含量的材料在模型预测的准确性上较

差。因此，后期可以逐渐添加偏离的样本材料和增

加不同类型的向日葵材料，进一步补充完善模型，

或按照不同类型材料分类建模。NIRS技术已被证明能够为育种提供良好重现

性的数据，即便在模型相关系数不高（RSQ＜0.70）

的情况下，也能够满足大量样本的快速筛选工

作

[20,21]

，特别是对低、中、高材料的定性初筛效果显

著

[16]

。而本研究在选择品质指标范围能够基本覆盖

建立模型后测定样品的基础上，利用MPLS法建立

的模型在粗脂肪、粗蛋白、油酸、亚油酸、饱和脂肪

酸和不饱和脂肪酸等成分预测上表现良好，且外部

验证决定系数（R2＞0.906）和相对分析误差（RPD＞3.2）均符合预测模型标准，适合于大批量向日葵籽

仁样品的品质速测，可用于向日葵种质的品质鉴定

筛选、品质育种中大批量育种材料的检测和筛选。

参考文献：

［1］：//⁃/stats/world-supply/［OL］.

［2］农业农村部种植业管理司中国种植业信息网.http：///［OL］.2018.

［3］FlagellaZ，RotunnoT，TarantinoE，sinedyieldandoilfattyacidcompositionofhigholeic

sunflower（HelianthusannuusL.）hybridsinrelationto

thesowingdateandthewaterregime［J］.EurJAgron，

2002，17（3）：221-230.

［4］胡超，杨陈，黄凤洪.葵花籽活性成分及生理功能研

究进展［J］.中国食物与营养，2017，23（10）：58-62.

［5］陈雪萍，刘世尧，尹能文，等.甘蓝型油菜茎秆纤维

组分含量和木质素单体G/S近红外模型构建［J］.中国

农业科学，2018，51（4）：688-696.

［6］Prez-VichB，VelascoL，Fernndez-Mart⁃terminationofedoilcontentandfattyacidcomposition

insunflowerthroughtheanalysisofintacteds，husked

eds，mealandoilbynear-infraredreflectancespectros⁃

copy［J］.JAmerOilChemSoc，1998，75（5）：547-555.

［7］周菲，王文军，黄绪堂，等.食用向日葵子仁蛋白质

含量近红外光谱模型的建立［J］.作物杂志，2013

（6）：73-75.

［8］tionoffattyacidcompositionofsun⁃floweredsbynear-infraredreflectancespectroscopy

［J］.JFoodSciTechnol，2018，55（6）：2318-2325.

［9］GB/T5009.5-1985食品中蛋白质的测定方法［S］.中

国国家标准，1985.

［10］NY/T1285-2007油料种籽含油量的测定［S］.中国国

家标准，2007.

［11］GB5009.168-2016食品中脂肪酸的测［S］.中国国家

标准，2016.

［12］BarnesRJ，DhanoaMS，rdnormalvariatetransformationandde-trendingofnear-infrared

diffureflectancespectra［J］.ApplSpectrosc，1989，43

（5）：772-777.

［13］ShenkJS，isofagricultureandfoodproductsbynearinfraredeflectancespectroscopy［M］.

Matilda，PA，USA：InfrasoftInternationalPort，1993.

［14］BlancoM，ctroscopy：arapid-re⁃sponanalyticaltool［J］.TrendsAnalChem，2002，21

（4）：240-250.

［15］张娟娟，田永超，姚霞，等.同时估测土壤全氮、有机

质和速效氮含量的光谱指数研究［J］.土壤学报，2012，49（1）：50-59.

［16］FassioA，-destructivepredictionofchemicalcompositioninsunfloweredsbynearinfrared

spectroscopy［J］.IndCropProd，2004，20（3）：

321-329.

［17］WilliamsPC，anassociationofcere⁃alchemist［M］.，MA，USA，2001：164.

［18］RobertsonJA，wateranalysisofsun⁃floweredbynear-infraredreflectancespectroscopy

［J］.JAmOilChemSoc，1984，61（3）：543-547.

［19］SatoT，TakahataY，NodaT，tructivede⁃terminationoffattyacidcompositionofhuskedsunflower

（HelianthusannuaL.）edsbynear-infraredspectros⁃copy［J］.JAmOilChemSoc，1995，72（10）：1177-

1183.

［20］VelascoL，BegoaPV，Fernndez-Mart⁃dest中国集邮门户网 ructivescreeningforoleicandlinoleicacidinsingle

sunflowerachenesbynear-infraredreflectancespectros⁃

copy［J］.CropSci，1999，39（1）：219.

［21］Fernndez-MartnezJ，MuozJ，G⁃formanceofnear-isogenichighandlowoleicacidhy⁃

bridsofsunflower［J］.CropSci，1993，33（6）：1158.

［22］Gonzalez-MartinI，Villaescusa-GarciaV，Lopez-GonzlezF，lofqualityandsilostorageof

sunfloweredsusingnearinfraredtechnology［J］.Gra⁃

sasAceites，2013，64（1）：30-35.

（责任编辑：郭学兰）

153