王勝鵬,龔自明

(湖北省農(nóng)業(yè)科學(xué)院 果樹茶葉研究所,湖北 武漢 430064)

?

近紅外光譜技術(shù)的恩施玉露原產(chǎn)地鮮葉收購價(jià)格評(píng)估

王勝鵬,龔自明

(湖北省農(nóng)業(yè)科學(xué)院 果樹茶葉研究所,湖北 武漢 430064)

【摘要】為科學(xué)客觀地評(píng)估鮮葉收購價(jià)格，應(yīng)用近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法和聯(lián)合區(qū)間偏最小二乘法，建立了三種鮮葉收購價(jià)格預(yù)測(cè)模型并比較了預(yù)測(cè)效果.應(yīng)用聯(lián)合區(qū)間偏最小二乘法篩選最佳光譜區(qū)間為5 750～6 000 cm-1, 7 750～8 000 cm-1, 8 250～8 500 cm-1, 8 500～8 750 cm-1, 9 500～9 750 cm-1和9 750～10 000 cm-1，并對(duì)上述光譜進(jìn)行主成分分析.前5個(gè)主成分累計(jì)貢獻(xiàn)率為99.87%，并以此為輸入值建立收購價(jià)格人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(R2=0.968 7，RMSEP=4.625).模型預(yù)測(cè)結(jié)果優(yōu)于全波長(zhǎng)人工神經(jīng)網(wǎng)絡(luò)模型(R2=0.855 1，RMSEP=5.218)和聯(lián)合區(qū)間偏最小二乘法模型(R2=0.581 6，RMSEP=25.433)的預(yù)測(cè)結(jié)果.近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)和聯(lián)合區(qū)間偏最小二乘法，能夠快速、準(zhǔn)確、客觀的評(píng)估鮮葉收購價(jià)格，有利于統(tǒng)一鮮葉收購價(jià)格標(biāo)準(zhǔn)，有效地減少糾紛.

【關(guān)鍵詞】恩施玉露茶鮮葉；收購價(jià)格；近紅外光譜；聯(lián)合區(qū)間偏最小二乘法；人工神經(jīng)網(wǎng)絡(luò)

綠茶是我國(guó)傳統(tǒng)優(yōu)勢(shì)茶類，含有很多對(duì)人體有益的成分，具有良好的保健功能[1]，備受大家喜愛.恩施玉露是我國(guó)著名的蒸青綠茶[2]，也是國(guó)家地理標(biāo)志產(chǎn)品，保護(hù)范圍為湖北省恩施市芭蕉侗族鄉(xiāng)、舞陽壩街道辦事處現(xiàn)轄行政區(qū)域.該區(qū)域氣候常年溫暖濕潤(rùn)，朝夕云霧繚繞，晝夜溫差大，非常利于光合產(chǎn)物積累，茶樹芽葉蛋白質(zhì)、氨基酸和生物堿等內(nèi)含成分非常豐富，這為恩施玉露優(yōu)異品質(zhì)形成奠定了充分的物質(zhì)基礎(chǔ).

在收購恩施玉露原產(chǎn)地鮮葉時(shí)，收購人員通常依靠嗅覺、視覺和觸覺等感官器官和個(gè)人經(jīng)驗(yàn)閱歷來制定收購價(jià)格，然而人的感官靈敏性易受自身工作經(jīng)驗(yàn)、當(dāng)時(shí)的生理狀況及外界條件(如周邊環(huán)境、天氣、溫濕度)等因素的影響，具有較大的主觀性和隨意性.因此，急需建立一種客觀、公正、快速的判定鮮葉收購價(jià)格的方法.

近紅外光譜技術(shù)具有快速、準(zhǔn)確和無需對(duì)樣品做任何預(yù)處理等特點(diǎn)，目前已經(jīng)廣泛應(yīng)用于農(nóng)業(yè)[3-4]、石化行業(yè)[5]、紡織業(yè)[6]和醫(yī)藥行業(yè)[7-8]中.在茶行業(yè)領(lǐng)域，近紅外光譜技術(shù)已經(jīng)成功地實(shí)現(xiàn)了對(duì)咖啡堿[9]、茶多酚總量[10]的預(yù)測(cè)以及對(duì)茶葉溯源地的判定[11]等.近紅外光譜技術(shù)結(jié)合聯(lián)合區(qū)間偏最小二乘法和人工神經(jīng)網(wǎng)絡(luò)[12]等方法已經(jīng)被用來建立模型預(yù)測(cè)茶葉成分含量[13].但將二者結(jié)合起來建立鮮葉收購價(jià)格的預(yù)測(cè)模型還未見諸報(bào)端.

本文以不同采摘標(biāo)準(zhǔn)的龍井43茶鮮葉為研究對(duì)象，掃描獲得鮮葉近紅外光譜后，應(yīng)用聯(lián)合區(qū)間偏最小二乘法篩選反映鮮葉價(jià)格的特征光譜區(qū)間，然后對(duì)上述特征光譜進(jìn)行主成分分析，以主成分?jǐn)?shù)為輸入值建立鮮葉收購價(jià)格人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，試圖實(shí)現(xiàn)鮮葉收購價(jià)格的快速、準(zhǔn)確預(yù)測(cè).

1材料與方法

1.1茶鮮葉樣品及其分類

所有112個(gè)茶鮮葉樣品均采自湖北省恩施市恩施玉露保護(hù)區(qū)范圍內(nèi)，采摘時(shí)間為：2015-04-01—2015-05-03，采摘標(biāo)準(zhǔn)為：芽，一芽一葉、一芽二葉和一芽三葉.根據(jù)鮮葉樣品收購價(jià)格高低，將樣品分為校正集和驗(yàn)證集2個(gè)集合，其中校正集84個(gè)樣品(價(jià)格為16～124元/kg)，驗(yàn)證集28個(gè)樣品(價(jià)格為17～120元/kg)，用于檢驗(yàn)校正集模型的穩(wěn)健性.

1.2光譜采集

采用美國(guó)尼高力Antaris Ⅱ型傅里葉近紅外光譜儀(FT-NIR)，選用積分球漫反射光學(xué)平臺(tái)；光譜掃描范圍4 000～10 000 cm-1；分辨率8 cm-1，檢測(cè)器為InGaAs；每個(gè)樣品采集10次光譜，每次掃描64次，取10次采集光譜的平均值作為該樣品的最終光譜.光譜采集前，將儀器預(yù)熱1 h，保持室內(nèi)溫度和濕度基本一致后，將樣品裝入與儀器配套的旋轉(zhuǎn)杯中采集光譜(圖1).

圖1　112個(gè)恩施玉露鮮葉樣品近紅外光譜Figure 1　NIR spectra of all 112 fresh tea leaves

1.3光譜預(yù)處理

在光譜采集過程中，經(jīng)常會(huì)產(chǎn)生高頻噪聲和基線漂移等影響模型預(yù)測(cè)效果的噪聲信息，因此，在建立模型前需要對(duì)光譜進(jìn)行預(yù)處理.應(yīng)用TQ Analyst 9.4.45軟件包對(duì)光譜進(jìn)行多元散射校正和平滑等預(yù)處理，經(jīng)比較建模結(jié)果，以平滑預(yù)處理方法最佳，最后將光譜全部轉(zhuǎn)化為成對(duì)的數(shù)據(jù)點(diǎn)，用于后續(xù)建模分析.

1.4聯(lián)合區(qū)間偏最小二乘法

聯(lián)合區(qū)間偏最小二乘法是一種有效的特征光譜篩選方法，它在建立模型[14]過程中，將全部樣品光譜均等劃分為10～24個(gè)光譜子區(qū)間，然后將這些區(qū)間聯(lián)合起來(3個(gè)、4個(gè)或5個(gè)區(qū)間)建立偏最小二乘模型，直到交互驗(yàn)證均方根方差(RMSECV)最小時(shí)，建立的聯(lián)合區(qū)間偏最小二乘法模型為最佳，得到的光譜區(qū)間即為篩選的特征光譜區(qū)間.

1.5人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)方法是一種廣為使用的建模方法，它能夠?qū)崿F(xiàn)輸入值與輸出值之間的高度非線性關(guān)系.其中，連接輸入層與輸出層之間的為隱含層，一般為Sigmoid型函數(shù).目前，該方法已經(jīng)成功應(yīng)用于臍橙可溶固形物的快速測(cè)定[15]以及鹽酸二甲雙胍片的過程控制[16].由于鮮葉近紅外光譜具有典型的非線性特性，于是為了增強(qiáng)模型的穩(wěn)健性并減少模型的輸入值，本研究以聯(lián)合區(qū)間偏最小二乘法篩選出的特征光譜區(qū)間的主成分為輸入值建立收購價(jià)格預(yù)測(cè)模型，模型結(jié)果以預(yù)測(cè)均方差(RMSEP)和相關(guān)系數(shù)(R)表示.

2結(jié)果與分析

2.1鮮葉樣品質(zhì)量與價(jià)格關(guān)系

鮮葉樣品質(zhì)量與其收購價(jià)格密切相關(guān).在本研究中，芽，一芽一葉，一芽二葉和一芽三葉與其平均收購價(jià)格的關(guān)系見圖2.

圖2　鮮葉質(zhì)量與其收購價(jià)格關(guān)系　Figure 2　Relationship between the quality and the price of tea fresh leaves

從圖2可以看出，隨著鮮葉質(zhì)量從芽到一芽三葉逐漸降低，其收購價(jià)格也從最高的124元/kg快速下滑至16元/kg.這是由于隨著鮮葉質(zhì)量的降低，其成熟度逐漸增加，纖維素和其它支持組織部位的含量也在相應(yīng)地增加.但是，這些內(nèi)含成分含量的增加與鮮葉質(zhì)量呈負(fù)相關(guān)關(guān)系，鮮葉加工后飲用價(jià)值大大降低，銷售價(jià)格也會(huì)偏低，必然造成其收購價(jià)格也會(huì)大大降低.

2.2特征光譜篩選

從圖1可以看出，不同質(zhì)量鮮葉光譜變化趨勢(shì)趨于一致，其中兩個(gè)最大的吸收峰出現(xiàn)在6900 cm-1和5100 cm-1附近，這是水-OH組合頻和二級(jí)倍頻吸收峰.由于鮮葉中含水量所占比重最大，水-OH吸收峰掩蓋了與收購價(jià)格有關(guān)的光譜信息.因此，在應(yīng)用聯(lián)合區(qū)間偏最小二乘法單獨(dú)建立預(yù)測(cè)模型時(shí)，模型預(yù)測(cè)效果可能會(huì)較差.在本研究中，先應(yīng)用聯(lián)合區(qū)間偏最小二乘法篩選特征光譜區(qū)間，當(dāng)光譜被分為24個(gè)波段時(shí)，此時(shí)得到的RMSECV最小值為24.874，得到的光譜區(qū)間為[8 16 18 19 23 24]，對(duì)應(yīng)的光譜波數(shù)為：5 750～6 000 cm-1, 7 750～8 000 cm-1, 8 250～85 00 cm-1, 8 500～8 750 cm-1, 9 500～9 750 cm-1和9 750～10 000 cm-1.這些特征光譜區(qū)間排除了水吸收峰的影響，有助于提高模型的預(yù)測(cè)精度.

2.3近紅外光譜預(yù)測(cè)模型建立

2.3.1主成分分析結(jié)果

圖3　特征光譜區(qū)間的前5個(gè)主成分累計(jì)貢獻(xiàn)率Figure 3　Accumulating contribution of the top 5 principle components for the selected spectral ranges

應(yīng)用主成分分析法，對(duì)篩選的特征光譜區(qū)間進(jìn)行主成分分析.分析后得出PC1貢獻(xiàn)率為92.87%，前5個(gè)主成分的累計(jì)貢獻(xiàn)率為99.87%(圖3).因此，PC1—PC5可以完全代表上述特征光譜的信息.以前5個(gè)主成分為輸入變量，建立鮮葉收購價(jià)格BP-ANN預(yù)測(cè)模型.同時(shí)，對(duì)鮮葉的全光譜進(jìn)行主成分分析，前6個(gè)主成分的累計(jì)貢獻(xiàn)率為99.11%，同樣用來建立鮮葉收購價(jià)格的近紅外光譜預(yù)測(cè)模型.

2.3.2人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

以上述篩選的特征光譜區(qū)間的前5個(gè)主成分為輸入變量，通過多次優(yōu)化隱含層數(shù)量，最終得到了5-4-1的三層人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型.得到模型后，應(yīng)用驗(yàn)證集樣品對(duì)建立的模型進(jìn)行穩(wěn)健性檢驗(yàn)，所得結(jié)果見圖4.從圖4可以看出，驗(yàn)證集模型相關(guān)系數(shù)(R2)和交互驗(yàn)證均方根方差(RMSEP)分別為0.968 7和4.625.因此，建立的鮮葉收購價(jià)格BP-ANN預(yù)測(cè)模型具有很高的穩(wěn)健性，沒有出現(xiàn)過擬合現(xiàn)象.同樣，建立了鮮葉全波長(zhǎng)BP-ANN價(jià)格預(yù)測(cè)模型，模型結(jié)構(gòu)為6-5-1，即輸入層為6個(gè)，隱含層為5個(gè)，輸出層為1個(gè)，所得結(jié)果見表1.

從表1可以得出，建立的價(jià)格組合siPLS-BP-ANN模型校正集相關(guān)系數(shù)(R2)為0.989 7，交互驗(yàn)證均方根方差(RMSECV)為4.012；當(dāng)用驗(yàn)證集樣品進(jìn)行檢驗(yàn)時(shí)，得到驗(yàn)證集模型R2為0.968 7，RMSEP為4.625.通過主成分分析，建立的鮮葉全波長(zhǎng)光譜信息BP-ANN校正集預(yù)測(cè)模型R2為0.897 5，RMSECV為4.714；當(dāng)用驗(yàn)證集樣品進(jìn)行檢驗(yàn)時(shí)，得到驗(yàn)證集模型R2為0.855 1，RMSEP為5.218.siPLS方法建立的鮮葉價(jià)格預(yù)測(cè)模型校正集R2為0.631 1，RMSECV為24.874，驗(yàn)證集模型R2為0.581 6，RMSEP為25.433.因此，在建立的三種鮮葉收購價(jià)格近紅外光譜預(yù)測(cè)模型中，以組合模型siPLS-BP-ANN的預(yù)測(cè)效果最佳，效果最差的為單獨(dú)應(yīng)用siPLS方法建立的預(yù)測(cè)模型.

表1　鮮葉價(jià)格不同建模方法結(jié)果比較

圖4　最佳組合siPLS-BP-ANN模型驗(yàn)證集結(jié)果Figure 4　Prediction result of the optimal model combined with siPLS-BP-ANN model

3討論與結(jié)論

在綠茶加工季節(jié)收購茶鮮葉時(shí)，我國(guó)和日本一般按照鮮葉品種、采摘時(shí)間和嫩度為標(biāo)準(zhǔn)，然后由收購人員采用感官方法來制定鮮葉收購價(jià)格，這種方法具有較大的主觀性和不確定性，容易造成茶農(nóng)不滿，滋生茶廠和茶農(nóng)間的矛盾.因此，為了客觀、準(zhǔn)確、快速的預(yù)測(cè)鮮葉收購價(jià)格，達(dá)到公平交易，我們嘗試應(yīng)用多種方法建立鮮葉收購價(jià)格的近紅外光譜預(yù)測(cè)模型.由于鮮葉光譜中存在大量的干擾信息和噪聲，當(dāng)用全部光譜信息建立預(yù)測(cè)模型時(shí)，會(huì)嚴(yán)重影響模型的預(yù)測(cè)精度.因此，有必要先篩選特征光譜信息再建立預(yù)測(cè)模型，以有利提高模型的穩(wěn)健性.先應(yīng)用聯(lián)合區(qū)間偏最小二乘法(siPLS)篩選特征光譜區(qū)間，分別為5 750～6 000 cm-1, 7 750～8 000 cm-1,8 250～8 500 cm-1,8 500～8 750 cm-1,9 500～9 750 cm-1和9 750～10 000 cm-1，篩選出的光譜信息占全部光譜信息的25%，大大降低了建模的光譜數(shù)據(jù)量，剔除了大量噪聲信息，利于模型的穩(wěn)??；然后對(duì)篩選的特征光譜區(qū)間進(jìn)行主成分分析，前5個(gè)主成分的累計(jì)貢獻(xiàn)率為99.87%，可以完全代表這些光譜信息；再以前5個(gè)主成分為輸入變量，建立了一個(gè)5-4-1三層BP-ANN價(jià)格測(cè)模型(R2=0.968 7，RMSEP=4.625)，siPLS-BP-ANN模型預(yù)測(cè)效果最佳，分別優(yōu)于單一方法建立的siPLS模型和全波長(zhǎng)的BP-ANN模型的預(yù)測(cè)效果.

通過比較三種模型的預(yù)測(cè)結(jié)果，siPLS-BP-ANN模型更加簡(jiǎn)潔和穩(wěn)健.我們可以推斷出，非線性BP-ANN建模方法要優(yōu)于線性建模方法效果，這可能是由于鮮葉近紅外光譜信息中存有大量的噪聲信息，非線性特征明顯，影響著鮮葉收購價(jià)格模型的預(yù)測(cè)效果，致使線性化學(xué)計(jì)量學(xué)方法的建模效果要劣于非線性化學(xué)計(jì)量學(xué)方法的預(yù)測(cè)效果.在建模過程中，通過運(yùn)用siPLS方法剔除大量無用信息，減少了噪聲信息，在此基礎(chǔ)上建立的BP-ANN預(yù)測(cè)模型效果就有可能優(yōu)于全波長(zhǎng)光譜信息的BP-ANN預(yù)測(cè)模型，而且建立的模型更加簡(jiǎn)潔，穩(wěn)健.

在建立模型過程中，本文還存在一些不足之處，比如為了擴(kuò)大預(yù)測(cè)模型在恩施市的使用范圍，可以更為準(zhǔn)確的預(yù)測(cè)鮮葉的收購價(jià)格，還需進(jìn)一步擴(kuò)充樣品范圍，如采集更多茶樹品種的鮮葉和不同采摘時(shí)間的鮮葉樣品等，這都是下一步還需解決的問題.

【參考文獻(xiàn)】

[1]BAHORUN T, LUXIMON-RAMMA A, GUNNESS T K, et al. Black tea reduces uric acid and C-reactive protein levels in humans susceptible to cardiovascular diseases[J]. Toxicology,2010,278(1):68-74.

[2]恩施市質(zhì)量技術(shù)監(jiān)督局.DB42/351-2009,地理標(biāo)志產(chǎn)品恩施玉露[S].北京:中國(guó)人民大學(xué)出版社,2006.

Enshi Environment Monitoring Center. DB 42/ 351-2009, Product of geographical indication-Enshi yulu[S]. Beijing: Renmin University of China Press,2006.

[3]ZHOU Xingfan, YANG Zengling, HAUGHEY S A, et al. Classification the geographical origin of corn distillers dried grains with solubles by near infrared reflectance spectroscopy combined with chemometrics:a feasibility study[J]. Food Chemistry,2015,189:13-18.

[4]LIU Xuemei, LIU Jianshe. Using short wave visible-near infrared reflectance spectroscopy to predict soil properties and content[J]. Spectroscopy Letters,2014,47(10):729-739.

[5]WU Changfu, WU Tzonggang, HASHMONAY R A, et al. Measurement of fugitive volatile organic compound emissions from a petrochemical tank farm using open path Fourier transforminfrared spectrometry[J]. Atmospheric Environment,2014,82:335-342.

[6]TAVANAIE M, ESMAEILIAN N, MOJTAHEDI M. Olive hue visible near infrared camouflage properties of high speed melt spun poly(ethylene terephthalate) multifilament yarn[J]. Dyes and Pigments,2015,114:267-272.

[7]BLANCO M, PEGUERO A. Analysis of pharmaceuticals by NIR spectroscopy without a reference method[J]. TrAC Trends in Analytical Chemistry,2010,29(10):1127-1136.

[8]LEE M, SEO D, LEE H, et al. In line NIR quantification of film thickness on pharmaceutical pellets during a fluid bed coating process[J]. International Journal of Pharmaceutics,2011,403(1,2):66-72.

[9]LEE M, HWANG Youngsun, LEE J, et al. The characterization of caffeine and nine individual catechins in the leaves of green tea (Camellia sinensis L.) by near-infraredreflectance spectroscopy[J]. Food Chemistry,2014,158:351-357.

[10]HUANG Yue, DU Guorong, MA Yanjun, et al. Near-infrared determination of polyphenols using linear and nonlinear regression algorithms[J]. Optik International Journal for Light and Electron Optics,2015,126:2030-2034.

[11]HE Wei, ZHOU Jian, CHENG Hao, et al. Validation of origins of tea samples using partial least squares analysis and Euclidean distance method with near infrared spectroscopy data[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy,2012,86:399-404.

[12]吳瑞梅,趙杰文,陳全勝,等.近紅外光譜技術(shù)結(jié)合特征變量篩選快速檢測(cè)綠茶滋味品質(zhì)[J].光譜學(xué)與光譜分析,2011,31(7):1782-1785.

WU Ruimei, ZHAO Jiewen, CHEN Quansheng, et al. Determination of taste quality of green tea using FT-NIR spectroscopy and variable selection methods[J]. Spectroscopy and Spectral Analysis,2011,31(7):1782-1785.

[13]CHEN Quansheng, ZHANG Dongliang, PAN Wenxiu, et al.Recent developments of green analytical techniques in analysis of tea’s quality and Nutrition[J]. Trends in Food Science & Technology,2015,43:63-82.

[14]REN Dong, QU Fangfang, LYU Ke, et al. A gradient descent boosting spectrum modeling method based on back interval partial least squares[J]. Neurocomputing,2015,162:101-111.

[15] LIU Yande, SUN Xudong, OUYANG A. Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN[J]. LWT-Food Science and Technology,2010,43:602-607.

[16]WU Jia, LUO Wei, WANG Xuekai, et al. A new application of WT-ANN method to control the preparation process of metformin hydrochloride tablets by near infrared spectroscopy compared to PLS[J]. Journal of Pharmaceutical and Biomedical Analysis,2013,80:186-191.

【文章編號(hào)】1004-1540(2016)02-0167-05

DOI:10.3969/j.issn.1004-1540.2016.02.008

【收稿日期】2016-01-22《中國(guó)計(jì)量學(xué)院學(xué)報(bào)》網(wǎng)址：zgjl.cbpt.cnki.net

【基金項(xiàng)目】國(guó)家青年科學(xué)基金資助項(xiàng)目(No.31400586),國(guó)家茶葉產(chǎn)業(yè)技術(shù)體系項(xiàng)目(No.CARS-23),湖北省農(nóng)業(yè)科學(xué)院青年科學(xué)基金資助項(xiàng)目(No.2015NKYJJ08).

【作者簡(jiǎn)介】王勝鵬(1982-)，男，河北省唐山人，博士，主要研究方向?yàn)椴枞~加工和茶葉品質(zhì)無損檢測(cè).E-mail:wwsspp0426@163.com 通信聯(lián)系人：龔自明，男，研究員.E-mail:ziminggong@163.com

【中圖分類號(hào)】O657.3

【文獻(xiàn)標(biāo)志碼】A

Evaluation of the purchasing price of Enshi Yulu fresh tea leaves using near infrared spectroscopy

WANG Shengpeng, GONG Ziming

(Institute of Fruit and Tea, Hubei Academy of Agricultural Sciences, Wuhan 430064, China)

Abstract:Near infrared spectroscopy combined with the back propagation artificial neural network algorithm and the synergy interval partial least square algorithm was used to evaluate the purchasing price of fresh tea leaves. The nearinfrared spectra regions of 5 750 cm-1to 6 000 cm-1, 7 750 cm-1to 8 000 cm-1, 8 250 cm-1to 8 500 cm-1, 8 500 cm-1to 8 750 cm-1, 9 500 cm-1to 9 750 cm-1and 9 750 cm-1to 10 000 cm-1were selected to establish a model by using the synergy interval partial least square algorithm. The first five principal components that explained 99.87% of the variability of the selected spectral data were used to build tea leaves’ purchasing price model with the back propagation artificial neural algorithm. The performance of this model (R2, 0.968 7; RMSEP, 4.625) was superior to those of the back propagation artificial neural model (R2, 0.8551;RMSEP, 5.218) and the synergy interval partial least square model (R2, 0.581 6; RMSEP, 25.433). The near infrared spectroscopy combined with the synergy interval partial least square algorithm and the back propagation artificial neural network algorithm could be used to evaluate the price of Enshi Yulu tea leaves accurately, quickly and objectively.

Key words:Enshi Yulu fresh tea leaves; purchasing price; near infrared spectroscopy; synergy interval partial least square; back propagation-artificial neural network