预测模型的关键部件耐倒伏性的油菜茎用近红外反射光谱(NIRS)

文摘

强奸茎的化学成分是其耐倒伏性的生理基础。通过检测技术的优势,我们开发了一个快速的方法来确定六个关键成分的内容而不碎茎。油菜秸秆收集成熟发展阶段从三种种植模式在过去的2年。首先,我们使用了近红外光谱仪扫描七头寸茎样品和他们的平均形成了光谱数据。茎被压碎和渗;碳和氮的比例,比实木质素和木质素、纤维素和可溶性糖的含量测定采用燃烧法、称重法和比色法,分别。偏最小二乘回归(PLSR)方法被用来建立一个预测模型之间的光谱数据和化学测量,和所有的模型是由一个内部评估交互验证和外部独立测试集样本。提高模型的精度和减少计算时间,一些优化方法已经被应用。一些异常值被移除,然后对数据进行预处理,以确定最佳的谱带和最佳主成分数的信息。结果表明,消除异常值有效地提高预测模型的精度和没有光谱预处理方法表现出预测精度最高。 In summary, the NIRS-based prediction model could facilitate the rapid nondestructive detection in the key components of rapeseed stalk.

1。介绍

油菜是世界范围内最广泛种植油料作物之一,是植物油和蛋白质的主要来源。,茎倒伏的主要限制因素是油菜籽产量的进一步提高。类似于其他作物,油菜秸秆中的木质素和纤维素含量密切相关,其耐倒伏性(1]。此外,油菜秸秆是一种重要的可再生资源;其主要组件的快速量化有效地提高秸秆的利用率(2]。确定阻力茎倒伏的主要组件的大规模油菜育种实践可以用耐倒伏性加快油菜的育种。然而,常用的化学测试方法是时间——和labor-consuming低效率。在此基础上,一个快速的方法来评估需要耐倒伏性的关键部件。这样的进步提供技术支持在油菜耐倒伏性研究。

近红外反射光谱(NIRS)技术是快速、高效和已应用于农业和其他作物,如水稻[3),柑橘类(4),和油菜籽(5]。检测技术和多元线性回归方法,丁等人建立了葡萄糖和果糖的定量分析模型来评估其内容在蜂蜜6]。Bagherpour等人研究了基于近红外光谱的光学方法(900 - 1600 nm)来确定可溶性固形物的含量和蔗糖在甜菜7]。Rungpichayapichet等人开发了校准模型坚定、总可溶性固形物(TSS),滴定酸度(TA),并使用PLSR成熟指数(RPI)分析。结果表明,NIRS芒果可以作为一个可靠的非破坏性技术质量评估(8]。Mathison等人采用技术预测的营养价值与195份大麦秸秆草。他们显示技术是一种有用的方法来预测草的化学成分和估计其瘤胃降解性特征(9]。Kaur等人开发了一个使用检测校准方程对石油的内容芸苔属植物juncea和芸苔属植物显著。含油量的参考价值是由核磁共振(NMR)生成的。预测模型验证的情况b . juncea与一个r²值0.85。结果表明,NIRS可以令人满意地用于石油含量的快速测定b . juncea(10]。Teye等人评估测量总脂肪含量的可行性可可豆利用傅里叶变换近红外光谱(FT-NIR)基于光谱变量选择的系统研究通过多元回归。实验结果表明,该模型基于小说Si-SVMR算法优于其他[11]。谢蒂和Gislum技术结合化学计量学的方法被用来量化果聚糖浓度样本七草品种。PLSR方法用于全光谱模型近红外光谱数据(12]。NIRS预测方程被用来提供准确高通量表现型的种子内容,打开新的视角基因QTL定位和识别的全基因组关联研究(13]。

巨大的努力已经在使用多光谱技术研究秸秆成分。妞妞等人使用光谱成像技术快速确定五个元素的内容:氮、碳、氢、硫和氧,稻草的玉米、水稻、小麦和油菜。他们的分析是通过应用优化方法结合竞争自适应再加权sampling-partial最小二乘算法(CARS-PLS)。他们的研究结果表明,氮气和氧气含量稻草可以有效地评估通过他们的方法14]。李等人使用NIRS结合PLSR bio-components建立最优量化模型(氮、碳、氢、硫和氧气)草(15]。雪调查在线分析方法直接组件(水分、灰分、挥发分和固定碳)和木质纤维素成分(纤维素、半纤维素和木质素)的粗粉碎玉米秸秆利用技术。优化的预处理后,所有的NIRS模型有效地开发使用PLSR方法(16]。盛等人提供的模型三种类型的农林生物质(水分、灰分、挥发性和固定碳)和热值的松木,杉木,和棉花秸秆通过光谱技术,表明传统的工业分析方法可以完全取代了可见近红外光谱学为了达到快速测定组件和热值的农林生物质17]。福等人收集和准备样品不同位置的不同品种的稻草和创建了一个定量分析模型的基础上,逐步多元线性回归(SMLR)的近红外光谱,PLSR和主成分回归(PCR)。数据显示,他们的模型能够快速检测可溶性糖的含量在稻草18]。Lohr开发部分最小二乘校正模型葡萄糖,果糖,蔗糖,淀粉在菊花的叶子和天竺葵属植物岩屑通过逐步enzymatic-photometric方法(19]。

总的来说,许多研究进行了评估的内容在作物茎和叶组件使用多光谱分析,可以有效地克服传统的化学检测方法的主要缺点(时间消费和单调的过程)。但是,在大多数情况下,样本被打碎前评估在这些研究中。很难控制材料的均匀性,当样品粉碎,这可能增加光谱扫描的错误。此外,整个过程通常是复杂,粉碎材料不能研究完成后使用。目前,一个方法来确定关键部件油菜的耐倒伏性光谱分析没有粉碎和筛分油菜籽样品仍然不可用。在目前的研究中,我们提出一种快速、准确、无损NIRS-based方法预测6个组件包括碳、氮、木质素、酸质量木质素,在noncrushed油菜茎可溶性糖和纤维素。我们的方法提供了重要和基本数据油菜籽的选择具有较强的抗倒伏,并允许茎后分析用于其他用途。

2。材料和方法

2.1。实验材料

植物材料获得华中农业大学试验站的在2017年和2018年。油菜籽种植一些在9月和变薄第三至第五叶阶段。与中等肥力字段是平的,在9月初之前的作物是水稻收获。故事情节是10 m×2 m。芸苔属植物显著混合动力车HYZ62 FY520,常见Swede-type油菜籽HH901 HS5,和DH群体组成的150行(TN)被用作植物材料。在成熟阶段收集的样本。植物代表平均收益率和住宿选择状态。删除样本的根源后,植物被单独干和袋装。样品将在105°C和干两次分别在80°C,直到达到恒重。培养方法在目前的研究如下:(1)三因子裂区试验三个复制:四个油菜品种作为主要情节,肥料类型作为主要分裂阴谋和氮肥水平(0公斤/嗯²180公斤/嗯²,360公斤/嗯²纯氮)、P(0公斤/嗯²120公斤/嗯²,240公斤/嗯²P₂O₅公斤/ hm)和K (0²150公斤/嗯²,300公斤/嗯²K₂O)担任二级分裂阴谋,所以总共有108与不同的氮磷钾比例进行治疗。(2)三因子裂区试验三个复制:四个油菜品种作为主要情节,氮肥的水平作为主要分裂阴谋(120公斤/嗯²240公斤/嗯²,360公斤/嗯²和尿素含氮量为46.7%用作N源),和三个种植密度(15×104株/嗯²,30×104株/嗯²,45×104株/嗯²)担任二级分裂阴谋。磷(过磷酸钙12%内容页),硼酸钾(氯化钾60% K)和肥料应用一次,150公斤/ hm的基础肥料²P和K为7.5公斤/嗯²硼砂。(3)完全随机区组设计三个复制:每个品种种植一行长度为250厘米,30厘米的行间距和植物21厘米的间距。复合肥料(15:15:15)750公斤/嗯²7.5公斤/嗯²硼砂是用作基础肥料,和75公斤/嗯²尿素是另外应用在苗期。定期提交管理进行了实践。

傅里叶近红外光谱仪BRUKERFT-NIR (VECTOR33N、力量Inc .)、德国)配备PbS探测器,石英旋转样品杯,镀金积分球和作品分析软件的波数12000厘米⁻¹-4000厘米⁻¹和解决8厘米⁻¹。近红外光谱仪是预热前20分钟扫描在室温下。样品放入样品室在每次相同的位置,然后由镀金积分球避免光泄漏。确保扫描过程的准确性和完整性,七位置的每个样本将七光谱扫描,然后7光谱数据的平均值被送往构建模型。使用刀片,样本平均切成三部分,然后中间的每一部分被切断了,如图1(一)样本划分为1和2是最后的茎。3和4是鲜切表面避免变异错误由于长时间暴露在空气中,和5 - 7杆的横截面。图1 (b)显示了样本的光谱。作品中的所有光谱进行预处理软件(OPUS 7.0,力量光学,德国)。快乐软件(IBM SPSS 24.0统计,美国),采用数据分析和映射。

茎干后扫描,然后使用一个通用的高速地面压平机(FW100、天津TAISITE仪器有限公司,中国)对其化学成分进行研究。碳和氮测定使用一个元素分析仪(Elementar碧瑶风马克斯cn,德国)。氧气被添加到样本250毫克90年代,和各种形式的氮和碳的样本被转换为稳定的氮气和二氧化碳燃烧方法(900°C的燃烧管,减少管830°C),然后一个红外探测模块的内容进行测试。实比木质素和木质素决心使用硫酸的方法(20.]。纤维素的比例是由比色法评估(21]。可溶性糖的比例是蒽酮比色法检测到的方法(22]。化学分析的结果如表所示1。

2.2。建设性的模型的过程

模型建立的准确性是一个重要的步骤,以确保预测结果接近真实的植物中的化学值(23]。均值光谱得到的平均七个光谱扫描使用作品软件,并使用PLSR模型进一步建立方法和化学数据获得的。我们进行了以下程序。

2.2.1。校正集和验证集的分区

实验数据被随机安排。本文的分割比例大约是3:1,这是非常接近的传统部门比7:3。图2显示了分区校正集和验证集的油菜茎组件。其中,CA和VA代表校正集和验证集,分别。表中的数据2表明样品组表现出期望的一致性。

2.2.2。消除异常值

变化的环境因素也很重要,比如温度、湿度、空气流量,影响光谱的准确性(24]。因此,消除异常值的样本集是至关重要的。在目前的研究中,异常值被移除基于残差预测浓度的原则(25]。每次执行分析交叉验证样本删除和增加的样本之间的相关性的真正价值和建立价值(R),同时降低交叉验证的均方根误差(RMSECV)被认为是离群值。1/6到1/5的样品在预测集被归类为异常值和消除样本集。

2.2.3。优化光谱预处理

总共有11个方法用来消除异常值后的光谱进行预处理,包括消除常数抵消,直线减法,向量归一化,min-max正常化,乘法散射修正,修正一阶导数,二阶导数修正,一阶导数和直线减法,一阶导数向量归一化,一阶导数和乘法散射校正(MSC),而且没有预处理[26]。使用示例删除离群值后,通过比较选择最优处理方法R和RMSECV。

2.2.4。光谱带优化

选择正确的乐队可以提高模型的准确性,减少运行时间。确定最优光谱预处理后,频谱分为45乐队,相关系数和标准差的内部验证在不同的乐队被观察到。最优波数与最小RMSECV被选为一个。

2.2.5。最佳主成分数的确定

确定最优主成分可以减少维度。它不仅降低了输入数据的数量需要创建一个模型,也加速的操作模型,预测精度有所改善。在创建模型的过程中,1 - 10分别测试,主成分数,显示的最大价值R和最小RMSECV PLSR模型确定的最佳主成分数。

2.2.6款。校准模型的验证

来验证模型的精度是否符合要求的组件的预测,验证集样本的光谱被引入到建立模型获得值预测(预测的模型)和真实值(从化学测试)。这些值被用来计算R与RMSECV预报值和标准值。

3所示。结果和分析

3.1。消除异常值的影响

在建模的基础上,有两种类型的异常值的校准设置。一种是显著性差异的样本化学测定值和预测值之间的,这可能是由于化学测量误差大,光谱测量误差,或者在数据录入错误。这些异常样品之前必须消除建模。另一种类型是高效率的样本。比较与其他样品,这种极端示例包含组件和远离总体样本的平均值。这些异常样本显然不是全球建模有用因为破坏样本分布的均匀性。但这些有用的校正集浓缩和改善后续的样本的准确性。本文采用的方法消除离群值方法见文献[24]。在文献中,消除异常值的比例达到了36.7%。考虑全局建模和局部建模之间的平衡性能,消除率大约是20%。消除率的碳、氮、可溶性糖和纤维素是20%。木质素和酸质量木质素的消除率为16.7%。剩余的样品被用来创建模型使用PLSR方法。相比,获得的结果没有消除异常值,使用主成分的九号碳校准,R标准的值和预测值之间从0.960增加到0.973,和RMSECV从0.286%下降到0.240%减少预测剩余0.600%。氮的主成分数校准设置保持在9个,R从0.929增加到0.96,RMSECV从0.030%减少到0.024%,预测剩余降低到0.6%。木质素的主要组件数量校准仍然设置为3,R从0.860上升到0.923,RMSECV从1.610%下降到1.250%,预测剩余降低到0.6%。主成分数的实木质素校准设置仍然作为一个,R从0.893提高到0.928,RMSECV从1.850%减少到1.480%,在这个satuation预测剩余4.000%。可溶性糖的主要组件数量校准设置从一到九的改变,表现出增加R从0.910到0.939,减少RMSECV从0.900%提高到0.310%,并预测剩余的减少到3.000%。主成分数在校准设置不变的纤维素酶与增加到6R从0.917到0.945,RMSECV的减少从2.310%提高到1.880%,并预测残留降低到5.000%。总之,提高了预测模型的准确性略后消除异常值校准设置。增加的速度R在1.3%和6.3%之间,减少RMSECV率在0.026%至0.59%之间。预测模型也有能力建模精度没有消除离群值。

3.2。光谱预处理的优化

当使用完整的带谱来构建模型,光谱信息内容很大,导致巨大的计算和处理时间。偶尔,还有其他因素,如共线性光谱信息,从而导致无能从模型中提取相关信息的完整的光谱。这些担忧可以避免优化后光谱带。11的比较光谱预处理的碳含量预测模型如表所示3。的R和RMSECV表示,最好的方法是没有光谱预处理,分别和它们的值分别为0.973和0.240%。次优的选择是一个一阶导数R分别和RMSECV 0.942和0.356%。R和RMSECV一阶导数分别下降了0.031和0.116%,分别。最理想的处理向量归一化,R是最小和RMSECV是最大的。总体而言,碳含量的最佳方法构建模型是没有光谱预处理和/或一阶导数处理。同样的方法应用于另一个五行,和没有预处理最佳在每种情况下。

一般来说,样品必须地面和放置在一个样品室在稻草组件的决心。例如,当评价玉米秸秆的营养,可溶性糖的最佳光谱预处理和酸性洗涤纤维是一阶导数和MSC (2]。然而,在目前的研究中,没有最优光谱预处理对所有光谱预处理,只有最佳主成分数数量和光谱范围不同,表明通过扫描获得的原始光谱图是最好的方式来构建一个模型。这可能是由于(1)在本研究中,扫描对象是一个完整的油菜茎没有治疗,如破碎和筛分,减少操作过程和可能的错误,和(2)镀金积分球样品室的顶部填充油菜茎和细胞之间的差距,使秸秆各种直径保持良好的定位机,提高了样本的同质性和防止自然光线的干扰。

3.3。优化光谱带

使用的方法没有光谱预处理和PLSR模型,完整的频谱分为45乐队。波数之间的关系和RMSECV N从我们测量的预测模型如表所示4。这些模型的氮,7501.7厘米的波数⁻¹-5449.8厘米⁻¹和4601.3厘米⁻¹-4246.5厘米⁻¹0.024%的最小RMSECV展出。最糟糕的/ RMSECV最高价值获得了0.081%至11998.9厘米⁻¹-7497.9厘米⁻¹。我们的数据表明,选择合适的波段可以有效地提高模型的准确性。应用相同的方法对于其他5元素,和最优波数是7501.7厘米⁻¹-4246.5厘米⁻¹,7501.7厘米⁻¹-6097.8厘米⁻¹,4601.3厘米⁻¹-4423.9厘米⁻¹;11998.9厘米⁻¹-7497.9厘米⁻¹和5453.7厘米⁻¹-4246.5厘米⁻¹;11998.9厘米⁻¹-5449.8厘米⁻¹;7501.7厘米⁻¹-5449.8厘米⁻¹;和4601.3厘米⁻¹-4246.5厘米⁻¹碳、木质素、实木质素、可溶性糖、分别和纤维素。

3.4。确定主成分的个数

没有光谱预处理,最好的波数,将确定的本金compoment号码最大值R和最低RMSECV。碳含量的预测模型在7501.7厘米的波段⁻¹-4246.5厘米⁻¹没有预处理如图2(一个),那里的x设在pci代表主成分数。在1 - 8的主要组件的数量,R是高数增加,RMSECV逐渐减少,表明提取的光谱信息逐渐期间完成模型的建立。当主成分数的数量达到10个,R低,RMSECV高于9的数量,建议在装配时存在的过度信息提取。的最佳主成分数最高的数字是9R真值和预测值之间的RMSECV 0.973和0.240%。因此,确定最佳主成分数为9。同样的方法应用于其他五个内容如图2 (b)∼2 (f),最佳主成分数的数量是9日,9日,3,1,1,分别和6。在一般情况下,R / RMSECV逐渐减少或增加,不断。之间的关系的数量和R / RMSECV经常变化,除了酸质量木质素的模型。然而,图2 (d)表明,当主成分数是5或7 R / RMSECV大幅波动和偏离常规的法律。因此,7被认为是一个异类,然后1被认为是最佳主成分数。

3.5。修正后的模型的验证

所有六个组件的预测结果如表所示5。模型评估基于前面的方法(27)的相关系数校准设置R作为标准。如果0.900 <R< 0.950,修正模型被认为是成功的,如果R> 0.950,修正模型被认为是非常成功的。在目前的研究中,碳和氮含量的校正模型非常成功,而木质素的模型,实木质素,可溶性糖和纤维素是成功的。RMSECV和均方根误差预测(RMSEP)也用于评估因素模型,这两个通常小于1时创建一个模型。结合这三个值,模型的碳,氮,可溶性糖是非常成功的,而其他人是成功的,和所有的模型预测的要求。

4所示。结论

在目前的研究中,我们使用340个样本建立模型,碳和氮,240个样本木质素和实木质素和纤维素和可溶性糖的200个样本。相比之前的类似的研究,本研究的样本容量大,治疗更不同,适用性广泛。内容的碳、氮、实木质素,可溶木质素和纤维素获得使用化学方法与那些从[28,29日),表明这些化学方法是可靠的,所以数据可以作为很好的基线值。

总的来说,在这个实验中测试材料高度代表,和上面的模型组件的需要决心。样品破碎相比,这种方法保证了油菜籽样品的完整性,避免损坏油菜秸秆在磨削过程中,因此,测试样本可以进一步用于其他目的。如果样本不同的地方或不同年的内容,可以添加其他组件修改模型,以满足更广泛的适用性的要求。此外,在创建模型所遇到的问题和解决方案可以为其他类似研究提供参考。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

信息披露

蒯杰和徐Shengyong co-first作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研发项目(2018 yfd1000904)。

引用

1. y, b, g .史l·黄和l .杨”效应的关键酶抑制耐倒伏性的活动BrassicanapusL。”中国农业科学通报,27卷,不。18日,第138 - 135页,2011年。视图:谷歌学术搜索
2. j .雪l .汉z, g .沈和y . Liu”在线测量玉米秸秆的营养成分使用,“中国农业机械学会的事务卷,47号7,216 - 223年,2016页。视图:谷歌学术搜索
3. 美国哦,m . c . Lee m . c, s . Lee和m·拉乌夫”蛋白质含量大米长白猪种质收集使用近红外反射光谱(NIRS)”朝鲜日报的植物资源,30卷,不。4、450 - 465年,2017页。视图:谷歌学术搜索
4. 托雷斯,d . Perez-Marin蔡明俊。De la傻瓜,M.-T。桑切斯,”发展身体素质的普遍模型预测在柑橘类水果分析树上使用便携式检测传感器,”生物系统工程卷,153年,第148 - 140页,2017年。视图:出版商的网站|谷歌学术搜索
5. r .字体,m d。Rio-Celestino, e . Cartea和a . de Haro-Bailon”量化的树叶的叶强奸(硫代葡萄糖甙芸苔属植物显著ssp。pabularia)近红外光谱,”植物化学,卷66,不。2、175 - 185年,2005页。视图:出版商的网站|谷歌学术搜索
6. j .丁问:张、李s和h . Liu“葡萄糖和果糖含量的快速检测蜂蜜使用近红外光谱,”光谱和光谱分析,36卷,不。10日,197 - 198年,2016页。视图:谷歌学术搜索
7. h . Bagherpour s Minaei n·m·Abdollahian和f . m . e . Khorasani“非破坏性测定根甜菜糖含量的近红外光谱(NIRS)”伊朗的食品科学与技术杂志》上,12卷,不。46岁,219 - 228年,2015页。视图:谷歌学术搜索
8. p . Rungpichayapichet b . Mahayothee m·纳格尔·Khuwijitjaru和j·穆勒,“健壮的无损检测模型预测在芒果采后果实成熟度和质量,”采后生物科技卷。111年,31-40,2016页。视图:出版商的网站|谷歌学术搜索
9. g . w . Mathison h .许r . Soofi-Siawash et al .,“预测成分和大麦秸秆瘤胃降解性特征的近红外反射光谱,”加拿大的动物科学》杂志上,卷79,不。4、519 - 523年,1999页。视图:出版商的网站|谷歌学术搜索
10. Kaur b、m . k .僧伽和g·考尔,“发展的近红外反射光谱(NIRS)校准模型估计的含油量芸苔属植物juncea和芸苔属植物显著”,食品分析方法,10卷,不。1、1 - 7,2016页。视图:出版商的网站|谷歌学术搜索
11. 大肠Teye和x黄”,小说总脂肪含量的预测可可豆FT-NIR光谱学的基础上有效的光谱选择多元回归,”食品分析方法,8卷,不。4、945 - 953年,2015页。视图:出版商的网站|谷歌学术搜索
12. n谢蒂和r . Gislum量化的果聚糖浓度使用近红外光谱和PLSR草,”作物研究领域,卷120,不。1,31-37,2011页。视图:出版商的网站|谷歌学术搜索
13. s . Jasinski a . Lecureuil m . Durandet p . Bernardmoulin和p . Guerche”ArabidopsisSeed内容QTL定位使用高通量表现型:近红外光谱学的资产,“植物科学前沿,7卷,不。3、1682 - 1693年,2016页。视图:出版商的网站|谷歌学术搜索
14. 李x, z妞妞,和h高,“快速检测元素内容的秸秆生物质使用光谱成像技术,”中国农业工程学会的事务,30卷,不。22日,第187 - 181页,2014年。视图:谷歌学术搜索
15. 刘x k .朱z,妞妞,x Cheng”技术快速检测o f元素分析秸秆生物质基于PLS算法,”华中农业大学学报,34卷,不。2、131 - 135年,2015页。视图:谷歌学术搜索
16. j .雪z, l .汉y, y . Liu和c .周”在线直接测量和玉米秸秆木质纤维素组成部分使用,“应用能源卷。137年,15岁至25岁2015页。视图:出版商的网站|谷歌学术搜索
17. k .盛y沈,h·杨,w . Wang和w·罗,“快速测定成分的含量和热值选择农业生物质原料利用光谱技术,”光谱和光谱分析,32卷,不。10日,2805 - 2809年,2012页。视图:谷歌学术搜索
18. z . m .傅m . Liu妞妞,y, y香,“快速检测可溶性糖的含量与近红外反射光谱稻草,”华中农业大学学报,35卷,不。2、115 - 121年,2016页。视图:谷歌学术搜索
19. d . Lohr, p . Tillmann Druege, s . Zerche t . Rath大肠Meinken,“非破坏性测定碳水化合物储备叶子装饰岩屑的近红外光谱(NIRS)作为质量评估、关键指标”生物系统工程卷。158年,51 - 63,2017页。视图:出版商的网站|谷歌学术搜索
20. g .风扇l .周问:陆et al .,”四种常见农作物稻草木质素含量的测定硫酸法,“江苏农业科学,5卷,不。5,395 - 398年,2010页。视图:谷歌学术搜索
21. 李y, y裴,y . Zhang et al .,“G-lignin和hemicellulosic单糖独特影响油菜的生物量消化率,”生物资源技术卷,203年,第333 - 325页,2016年。视图:出版商的网站|谷歌学术搜索
22. 谢,z . Rao, j .香”评价的不确定性由蒽酮比色法测定可溶性糖在烟草,“中国测量及测试第41卷。。1,10号至13号,2015页。视图:谷歌学术搜索
23. 朱c, s, g .赵”快速测定总蛋白质和湿面筋在商业使用siSVR-NIR小麦面粉,“食品化学卷,221年,第1946 - 1939页,2017年。视图:出版商的网站|谷歌学术搜索
24. j .摩洛人Llorca, m·l·赛尔维拉牧师,s . Garrigues和m . de la Guardia”最优化测定砷和铅在未经处理的红辣椒粉漫反射近红外光谱,”分析Chimica学报,卷613,不。2、196 - 206年,2008页。视图:出版商的网站|谷歌学术搜索
25. 和j·s . de la Guardia y . Wang,“离群样本消除准则和方法建立校正模型的近红外光谱分析,“中国农业机械学会的事务,35卷,不。4、115 - 119年,2004页。视图:谷歌学术搜索
26. Å。f . van den Berg Rinnan, s . b . Engelsen”审查最常见的近红外光谱的预处理技术,”TrAC分析化学的趋势,28卷,不。10日,1201 - 1222年,2009页。视图:出版商的网站|谷歌学术搜索
27. d·f·马利·c·麦克卢尔p·d·马丁,k .巴克利和w·p·McCaughey”成分分析牛的粪便堆肥期间使用field-portable近红外光谱仪,”通信在土壤科学与植物分析,36卷,不。4 - 6,455 - 475年,2005页。视图:出版商的网站|谷歌学术搜索
28. t .刘和c .关”住宿iidex之间的灰色关联分析和生物化学成分的干细胞在油菜农艺性状(芸苔属植物显著L)。”中国油料作物科学杂志》上,30卷,不。2、152 - 156年,2008页。视图:谷歌学术搜索
29. j .蒯X.-Z。杜,m .胡锦涛et al。”共生期和种植密度对增长的影响和菜籽产量间作棉花,“Agronomica学报,42卷,不。4、591 - 599年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019杰蒯et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。