劉翠翠，高紅秀，李 贊，金 萍，石 瑛

（東北農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，黑龍江 哈爾濱 150030）

鉀是植物生長(zhǎng)中不可缺少的營(yíng)養(yǎng)元素，鉀素營(yíng)養(yǎng)和氮素、磷素營(yíng)養(yǎng)一樣，對(duì)植物的品質(zhì)起著重要作用，被稱為品質(zhì)元素[1]。鉀素不但會(huì)對(duì)作物的產(chǎn)量、品質(zhì)產(chǎn)生重要的影響，而且以各種方式直接或間接地影響植物的抗病性[2-5]。馬鈴薯屬喜鉀作物，鉀素能提高馬鈴薯的光合效率，還可影響光合產(chǎn)物的合成和運(yùn)輸，影響馬鈴薯的品質(zhì)以及產(chǎn)量的高低[6]。由此可見，鉀素對(duì)于馬鈴薯的生長(zhǎng)至關(guān)重要。過去人們對(duì)馬鈴薯含鉀量的研究較少，而現(xiàn)在研究人員逐漸認(rèn)識(shí)到，塊莖中鉀的含量如同還原糖含量、淀粉含量一樣也是馬鈴薯重要的品質(zhì)指標(biāo)之一。但是，對(duì)于育種過程中大量材料的篩選工作，既耗時(shí)又費(fèi)力。隨之出現(xiàn)并逐漸完善的近紅外光譜分析技術(shù)卻有效地解決了這個(gè)難題。

近紅外光譜（NIRS）分析技術(shù)是20世紀(jì)80年代后期迅速發(fā)展起來的一項(xiàng)測(cè)試技術(shù)，在歐美等國(guó)，NIRS已成為谷物品質(zhì)分析的重要手段[7]。我國(guó)在水稻、烤煙等作物品質(zhì)分析中已有應(yīng)用NIRS的報(bào)道，陸艷婷等[8]建立了秈稻的幾種品質(zhì)性狀的近紅外光譜模型，所建模型具有一定的實(shí)用價(jià)值。劉岱松等[9]建立了烤煙煙葉鉀含量的近紅外光譜模型，結(jié)果表明，近紅外法測(cè)定結(jié)果與常規(guī)化學(xué)分析方法的結(jié)果相關(guān)性較好，能夠應(yīng)用于烤煙鉀含量的快速診斷。由于近紅外光譜分析技術(shù)具有分析速度快、非破壞性測(cè)定、多組分同時(shí)測(cè)定、樣品不需預(yù)處理、低分析成本和操作簡(jiǎn)單等諸多優(yōu)點(diǎn)，使得該項(xiàng)技術(shù)在作物品質(zhì)分析以及育種上的應(yīng)用越來越廣泛。

近紅外光譜分析技術(shù)已經(jīng)應(yīng)用于許多作物的諸多領(lǐng)域，但國(guó)內(nèi)尚未有在馬鈴薯上應(yīng)用的報(bào)道。本研究以1562份馬鈴薯品種、資源及雜種后代的塊莖為材料，建立馬鈴薯塊莖鉀含量的近紅外光譜分析模型，以期為馬鈴薯塊莖鉀含量的測(cè)定探索一種簡(jiǎn)便、快速、高效的分析方法，為建立馬鈴薯品質(zhì)性狀評(píng)價(jià)的新體系提供基礎(chǔ)數(shù)據(jù)，進(jìn)而對(duì)馬鈴薯品質(zhì)育種材料的篩選提供有效的、可用的新方法。

1 材料與方法

1.1 試驗(yàn)材料

供試材料為2007～2010年東北農(nóng)業(yè)大學(xué)馬鈴薯選種圃中入選的無性系材料，參加2007～2008年國(guó)家馬鈴薯區(qū)域試驗(yàn)、生產(chǎn)試驗(yàn)的品種（系），部分來自于訥河、克山和加格達(dá)奇等地的馬鈴薯品種（系），樣品數(shù)目為1562份。將新鮮馬鈴薯樣品切碎，105℃殺青30 min，70.5℃烘干約14 h至恒重后，磨成粉末。

1.2 試驗(yàn)方法

1.2.1 近紅外光譜的測(cè)定

試驗(yàn)儀器是FOSS公司生產(chǎn)的InfraXact Lab型近紅外光譜分析儀，將預(yù)處理過的樣品放到近紅外光譜分析儀的樣品杯中，以蓋過掃描感應(yīng)區(qū)域?yàn)闃?biāo)準(zhǔn)，由裝于電腦上的操作軟件ISIscan來控制，光譜結(jié)果自動(dòng)存儲(chǔ)在本機(jī)配置的計(jì)算機(jī)中。

1.2.2 常規(guī)化學(xué)分析方法

馬鈴薯塊莖全鉀含量的測(cè)定采用火焰光度計(jì)法[10]。

1.2.3 剔除超常樣品和過剩樣品

試驗(yàn)所用軟件是FOSS公司的WINISI定標(biāo)軟件，將上述馬鈴薯塊莖鉀含量的化學(xué)分析值及其近紅外光譜值導(dǎo)入該軟件，運(yùn)用軟件的聚類分析功能，剔除馬氏距離（GlobalH或簡(jiǎn)稱GH，含義為得分的三維圖中，每個(gè)樣品距離中心樣品點(diǎn)的距離）大于3.0的樣品，即超常樣品，然后利用得分文件，選擇NH（NeighborH）＞0.8（以某一樣品為中心，半徑0.8以內(nèi)的樣品將被認(rèn)為和此樣品為相似樣品，其光譜性質(zhì)不能增加定標(biāo)集樣品的變異范圍，即為過剩樣品）的樣品構(gòu)成定標(biāo)群體。

1.2.4 光譜預(yù)處理

本試驗(yàn)根據(jù)模型特點(diǎn)和測(cè)量要求選擇的回歸分析方法是MPLS（改進(jìn)最小二乘法回歸技術(shù)），對(duì)光譜的散射預(yù)處理方式采用了None（對(duì)光譜不進(jìn)行散射校正）和SNV+Detrend（標(biāo)準(zhǔn)正?；幚?去偏異技術(shù)），數(shù)學(xué)處理技術(shù)的參數(shù)分別為（Derivative導(dǎo)數(shù)處理=0，Gap做導(dǎo)數(shù)處理計(jì)算所采用的光譜點(diǎn)間隔=0，Smooth平滑處理間隔=1，Smooth2二次平滑處理間隔點(diǎn)=1）和（Derivative導(dǎo)數(shù)處理=1，Gap做導(dǎo)數(shù)處理計(jì)算所采用的光譜點(diǎn)間隔=4，Smooth平滑處理間隔=4，Smooth2二次平滑處理間隔點(diǎn)=1）。

1.2.5 定標(biāo)與驗(yàn)證

樣品的掃描數(shù)據(jù)和化學(xué)數(shù)據(jù)經(jīng)過處理后就可以建立定標(biāo)方程，上述兩種光譜預(yù)處理方式建立了兩個(gè)定標(biāo)方程，我們挑選交互驗(yàn)證標(biāo)準(zhǔn)偏差SECV偏小，交互驗(yàn)證相關(guān)系數(shù)1－VR偏大的一組為最終定標(biāo)結(jié)果。在建立定標(biāo)方程后，需對(duì)該方程的預(yù)測(cè)性能進(jìn)行驗(yàn)證。采用一組沒有參與定標(biāo)的獨(dú)立樣品組（即驗(yàn)證樣品集）驗(yàn)證該方程的預(yù)測(cè)性能。驗(yàn)證樣品集的成分應(yīng)覆蓋一定的范圍，以便得出合理的驗(yàn)證結(jié)果。驗(yàn)證結(jié)果的好壞主要取決于SEP（C）值和RSQ值，其中SEP（C）值越小越好，RSQ值越接近1越好。

2 結(jié)果與分析

2.1 剔除超常樣品和過剩樣品后的結(jié)果分析

由于原始樣品集的過剩樣品數(shù)量較大，所以剔除超常樣品和過剩樣品后，僅剩余369份樣品用于模型構(gòu)建。與未去除過剩樣品前相比，去除過剩樣品后，樣品分布較平均，有效改善了樣品過于集中的情況，此樣品集較有代表性。

樣品經(jīng)過處理后剩余369份材料，全部掃描光譜如圖1，剔除283位置處的81037和309位置處的20892，與其它掃描光譜相比，這兩處光譜有較大波動(dòng)，不參與定標(biāo)。

2.2 鉀含量定標(biāo)集和驗(yàn)證集的分選

從最終用于馬鈴薯鉀含量的近紅外模型建立的樣品集367份中，隨機(jī)選取90份樣品組成驗(yàn)證集，剩余的277份樣品自動(dòng)生成定標(biāo)集。從表1可以看出，定標(biāo)集的變化范圍是0.825%～2.250%，驗(yàn)證集的變化范圍是0.850%～1.975%，驗(yàn)證集全部包含在定標(biāo)集內(nèi)，符合定標(biāo)要求。但是，供試材料的鉀含量過于集中，變化幅度太小，這將對(duì)定標(biāo)結(jié)果產(chǎn)生一定的影響。

圖1 剔除過剩樣品后的光譜圖Figure 1 Spectra after removing excess samples

2.3 定標(biāo)模型的建立

通過軟件推薦的散射處理技術(shù)SNV+Detrend和None，建立了兩個(gè)馬鈴薯鉀含量的定標(biāo)方程，表2即為兩種不同光譜處理技術(shù)下的鉀含量定標(biāo)參數(shù)，從表2中可以看出，兩種光譜處理技術(shù)在定標(biāo)的過程中，都自動(dòng)剔除了少量超常樣品，SNV+Detrend散射處理技術(shù)建立的定標(biāo)方程中的SEC值和SECV值都低于無散射處理技術(shù)建立的定標(biāo)方程，RSQ值和1－VR值都高于無散射處理技術(shù)建立的定標(biāo)方程，按照軟件推薦的選擇方式，選出一個(gè)SECV值低而1－VR值較高的一組作為定標(biāo)方程，即選擇SNV+ Detrend處理技術(shù)下的定標(biāo)方程，該方程中SECV值為0.072，而1－VR值為0.881，接近于0.900這一數(shù)學(xué)上常用的可接受標(biāo)準(zhǔn)，定標(biāo)結(jié)果較好。

2.4 模型的驗(yàn)證

對(duì)于所建模型的優(yōu)劣，除了取決于定標(biāo)參數(shù)外，還要對(duì)該模型進(jìn)行驗(yàn)證，觀察其驗(yàn)證參數(shù)的好壞，全面評(píng)價(jià)定標(biāo)結(jié)果。用未參與定標(biāo)的90份驗(yàn)證集樣品檢驗(yàn)該模型的預(yù)測(cè)能力，結(jié)果顯示，有8份樣品出現(xiàn)了報(bào)警（報(bào)警閥值由軟件定義），剔除這8份報(bào)警樣品，用剩余的82份樣品對(duì)該模型進(jìn)行重新驗(yàn)證，結(jié)果見表3，SEP（C）值為0.080，RSQ值為0.866，而鉀含量近紅外模型預(yù)測(cè)值與實(shí)測(cè)值的交叉驗(yàn)證結(jié)果見圖2，由圖2可知，驗(yàn)證集樣品較均勻的分布在回歸線兩側(cè)，并且全部分布在兩條報(bào)警線范圍內(nèi)，以上結(jié)果說明該模型預(yù)測(cè)效果較好，可以用其進(jìn)行馬鈴薯育種材料塊莖鉀含量的粗略測(cè)定，但是定標(biāo)結(jié)果并沒有達(dá)到預(yù)期效果，還有待于進(jìn)一步提高。

表1 鉀含量定標(biāo)和驗(yàn)證集的化學(xué)分析數(shù)據(jù)Table 1 Chemical analysis of potassium content calibration and validation sets

表2 兩種不同散射處理技術(shù)下的鉀含量定標(biāo)參數(shù)Table 2 Calibration parameters of potassium content under two different scattering process technologies

表3 修正后鉀含量驗(yàn)證參數(shù)Table 3 Validation parameters of potassium content after revising

圖2 修正后的鉀含量近紅外模型預(yù)測(cè)值與實(shí)測(cè)值的交叉驗(yàn)證結(jié)果Figure 2 Results of cross-validation between potassium content NIR predicted and measured after revising

3 討論

實(shí)踐證明，應(yīng)用所建模型能夠快速、高效的測(cè)定馬鈴薯塊莖的鉀含量，從而縮短育種年限，縮小育種規(guī)模，大大提高了育種的效率。由此可見，近紅外光譜技術(shù)是現(xiàn)代育種過程中非常重要的育種手段。但是，本試驗(yàn)中所建模型并不十分理想，究其原因，可能受以下幾方面因素的影響：

樣品的均一性與否對(duì)模型的精確度有著重要的影響，馬鈴薯塊莖不是均質(zhì)的材料，各部位含鉀量并不相同，掃描光譜樣品與化學(xué)分析樣品的取樣差異會(huì)影響光譜與化學(xué)分析值間的關(guān)聯(lián)程度。另外，常規(guī)化學(xué)分析的準(zhǔn)確性也直接影響著建模的準(zhǔn)確性，本試驗(yàn)的常規(guī)分析采用火焰光度計(jì)法，由于分析方法的局限性使得操作過程中可能出現(xiàn)一定的隨機(jī)誤差，導(dǎo)致化學(xué)分析值的結(jié)果存在著誤差，一定程度上影響了模型的精確度。

近紅外光譜信息量大、信號(hào)微弱、譜區(qū)重疊嚴(yán)重，尤其是在測(cè)量低濃度的樣品時(shí)，需要提高儀器的信噪比來抵消這一方面的影響，進(jìn)而提高分析結(jié)果的可靠性，所以在進(jìn)行分析之前一般要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。

受收集材料的影響，本試驗(yàn)所用材料數(shù)量充足，但是鉀的含量（干基）大多分布在1%～2%之間，范圍較狹窄，樣品代表性有所局限，對(duì)于建模有一定的影響，今后應(yīng)陸續(xù)補(bǔ)充材料，增加樣品的代表性，擴(kuò)大供試樣品鉀含量的范圍，從而完善該模型。

本試驗(yàn)建立了馬鈴薯塊莖鉀含量的近紅外模型，并對(duì)該模型的準(zhǔn)確性進(jìn)行了檢驗(yàn)。結(jié)果表明：鉀含量定標(biāo)方程的SECV值為0.072，而1－VR值為0.881，較接近1，鉀含量的驗(yàn)證參數(shù)SEP（C）值為0.080，RSQ值為0.866，說明所建模型較好，具有一定的實(shí)用價(jià)值，可以將其用于馬鈴薯育種過程中大量材料的篩選工作，加速馬鈴薯育種進(jìn)程。但所建模型還有很大完善的空間，今后需逐步對(duì)該模型進(jìn)行優(yōu)化，進(jìn)一步提高它的預(yù)測(cè)能力。

[1] 曹慧,王孝威,付循成.高等植物的鉀營(yíng)養(yǎng)[J].北方園藝,2008 (2):48－51.

[2]Gething P A.主要作物的推薦施鉀技術(shù)[M].北京:北京農(nóng)業(yè)大學(xué)出版社,1993:9－10.

[3]張福鎖.植物營(yíng)養(yǎng)生態(tài)生理學(xué)和遺傳學(xué)[M].北京:中國(guó)科學(xué)技術(shù)出版社,1993:150－151.

[4]胡篤敬,董任瑞,葛旦之.植物鉀營(yíng)養(yǎng)的理論與實(shí)踐[M].長(zhǎng)沙:湖南科學(xué)技術(shù)出版社,1993:202－203.

[5] Munson R D.農(nóng)業(yè)中的鉀[M].范欽禎等譯.北京:科學(xué)出版社, 1995:389－390.

[6] 哈里斯P M.馬鈴薯改良的科學(xué)基礎(chǔ)[M].蔣先明等譯.北京:農(nóng)業(yè)出版社,1984:155－185.

[7] Ciurczak EW.Useofnearinfrared spectroscopy in cerealproducts[J]. Food Testing and Analysis,1995,5:35－39.

[8]陸艷婷,俞法明,嚴(yán)文潮,等.秈稻品質(zhì)分析的近紅外光譜模型建立及其應(yīng)用研究[J].生物數(shù)學(xué)學(xué)報(bào),2010,25(1):159－165.

[9] 劉岱松,金蘭淑,楊朝輝,等.烤煙煙葉鉀含量的近紅外光譜法快速測(cè)定[J].土壤通報(bào),2010,41(2):417－419.

[10] 張永成,田豐.馬鈴薯試驗(yàn)研究方法[M].北京:中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社,2007:186－187.