王逸之，董文淵

(西南林業(yè)大學云南生物多樣性研究院，云南 昆明 650224)

近紅外光譜分析技術在竹類研究中的應用前景

王逸之，董文淵

(西南林業(yè)大學云南生物多樣性研究院，云南 昆明 650224)

近紅外光譜分析技術作為一種快速、無損、綠色的定性與定量分析方法，目前已廣泛應用于多個領域。該文簡要介紹了近紅外光譜化學計量學分析方法與一般流程，并對近年來該項技術在農林行業(yè)定性與定量分析中的應用現狀與研究進展進行了綜述。最后文章對近紅外光譜分析技術在竹類研究中應用前景進行了展望。

近紅外光譜；定性與定量分析；竹類研究

近紅外光(near infrared，NIR)是介于可見光(visible light)和中紅外光(mid infrared，MIR)之間的電磁波，美國材料試驗協(xié)會(American Society for Testing Materials，ASTM)定義的近紅外光譜區(qū)的波長范圍為780～2 526 nm，對其細分又可分為為近紅外短波(780～1 100 nm)和近紅外長波(1 100～2 526 nm)兩個區(qū)域[1-3]，如圖1所示。

圖1 近紅外光譜波長范圍Fig.1 Wavelength range of the near infrared spectroscopy

近紅外光譜(near infrared reflectance spectroscopy，NIRS)主要是由分子震動的非諧振性使分子震動從基態(tài)向高能級躍遷時產生的，其譜區(qū)幾乎涵蓋了有機物中所有含氫基團如C-H、N-H、O-H 、S-H的有效信息，能反映不同物質的分子結構、組成狀態(tài)，非常適用于含氫有機物質的物理性質及化學成分的測量。近紅外光譜分析技術隨著現代計算機科技的發(fā)展和化學計量學研究的深入，自20世紀80年代開始進入了飛速發(fā)展期。作為一種新興的定量與定性分析手段，近紅外光譜技術在于醫(yī)藥、農業(yè)、石油、化工等多個領域發(fā)揮了重要的作用[4-13]。

相對于傳統(tǒng)手段，近紅外光譜技術具有以下技術優(yōu)勢：(1)既可用于定量分析又可用于定性判別，精度較高；(2)檢測速度快，檢測周期短，光譜的測量過程一般可以在幾分鐘內完成，參照已經建立的定標模型可以快速完成定性與定量分析；(3)檢測成本低，不破壞被測樣品，不需要使用試劑，綠色無污染；(4)樣品無需預處理或僅需簡單的預處理，操作方便；(5)檢測重現性好，光譜測量的穩(wěn)定性較好，測試結果受人為干擾的影響較?。?6)可實現在線分析與遠程控制，通過光纖傳導，可使儀器遠離采樣現場，可實現高溫、高壓、有毒等環(huán)境條件下樣品的遠距離實時監(jiān)測[14-16]。目前近紅外光譜研究范圍逐步擴大，在農業(yè)、林業(yè)相關領域已有廣泛應用，本文就近紅外光譜分析技術及其在農林行業(yè)中的應用情況進行簡要介紹，并結合竹子的特點，對該項技術在竹類研究中的應用前景進行展望，以期為近紅外光譜技術應用于竹類研究提供參考。

1 近紅外光譜化學計量學分析方法與一般流程

1.1 光譜預處理

光譜預處理研究主要包括圖譜預處理與波長選擇兩個方面。

1.1.1 圖譜預處理 近紅外光譜儀采集到的原始光譜信號中除包含與樣品組分相關的信息外，同時也包含其它干擾因素所產生的噪聲，如樣品背景、雜散光、儀器響應、電噪聲等。這些噪聲信號會對譜圖產生干擾，從而影響校正模型的建立和對未知樣品組分或性質的預測。在用化學計量方法建立模型之前，通過預處理方法消除光譜數據中無關信息和噪聲可以提高模型精度。常用的光譜預處理方法有平滑算法(Smoothing)、導數算法(Derivative)、小波變換(Wavelet Transform，WT)、多元散射校正(multiplicative scatter correction，MSC)等[17]。

1.1.2 波長范圍選擇 在全波長范圍內通過特定的方法篩選特征區(qū)間可以簡化模型，剔除不相關或非線性變量，提高校正模型的預測能力與穩(wěn)健性。常用的波長選擇方法主要有間隔偏最小二乘法(Interval PLS，iPLS)、遺傳算法(Genetic Algorithm，GA)、無信息變量消除法(Uninformative Variables Elimination，UVE)、模擬退火算法(Simulated Annealing，SA)、連續(xù)投影算法(Successive ProjectionsAlgorithms，SPA)等[18]。

1.2 樣品集的劃分

在用近紅外光譜分析較多樣品時，通過選取具有代表性的定標集樣品，可以減少建模的工作量，降低建模的復雜度。同時選取的樣本是否具有代表性，直接關系到所建模型的預測能力和適用性。常用的建模集樣品選擇方法有含量梯度法、雙向算法(Duplex)、Kennard-Stone法、GN距離法等[19-20]。

1.3 定性分析

近紅外光譜定性分析主要是運用模式識別與聚類分析的一些算法，對未知樣品進行判別分類。在模式識別運算時，通過計算機對校正集樣品光譜數據進行運算，得出樣品集所在的數學空間范圍，對未知樣品集進行運算后，若也在此數學范圍之內，則該樣品屬于校正集類型，反之則否定。聚類運算不需要校正集，它通過待分析樣品的光譜特征根據光譜近似程度進行分類。目前流行的近紅外光譜定性分析方法主要有偏最小二乘判別分析法(Partial least squares-discriminant analysis，PLS-DA)、簇類的獨立軟模式法(Soft Independent Modeling of Class Analogy，SIMCA)、人工神經網絡(Artificial Neural Network，ANN)、支持向量機算法(Support Vector Machine，SVM)等[21]。

圖2 近紅外光譜分析的一般流程Fig.2 The flow chart of the near infrared spectroscopy analysis

1.4 定量分析

近紅外定量分析是一種間接分析技術，在用傳統(tǒng)化學分析手段或統(tǒng)計方法獲得待測樣本的物化參數之后，通過化學計量學方法在樣品待測屬性值與近紅外光譜數據之間建立定量關聯關系。校正模型精度達到要求之后，可以利用該模型對未知樣品的待測屬性進行定量預測。常用的定量校正方法有多元線性回歸(Multiplicative Linear Regression，MLR)、主成分回歸((Principal Component Regression，PCR)、偏最小二乘回歸(Partial least squares，PLS)、拓撲學法(Topology)等[2]。

1.5 近紅外光譜分析的一般流程(見圖2)

2 近紅外光譜分析技術在農林行業(yè)中的應用

2.1 近紅外光譜定性分析技術在農林行業(yè)中的應用

近紅外光譜定性分析技術廣泛應用于各類食品、農作物、林產品的品種與產地的快速識別。郝勇等[22]應用可見/近紅外光譜分析方法結合軟獨立模式分類(SIMCA)和偏最小二乘判別分析(PLS-DA) 模式識別方法對贛南臍橙的品種進行識別，試驗結果表明基于上述兩種方法建立的校正模型對紐賀爾、奈弗寧娜、華臍以及朋娜4種臍橙品種的識別率均為100%。韓仲志等[23]采集了8個玉米品種的近紅外光譜數據，并基于此數據研究了PCA的光譜數據特征的提取方法，探討了神經網絡(ANN)和支持向量機模型(SVM)在品種識別上的性能。研究發(fā)現基于近紅外的玉米品種識別，在6個主分量的情況下整體上性能達到90%以上；SVM算法較 ANN算法穩(wěn)定可靠，更適合于小樣本情況下的光譜分析，應用光譜進行產地鑒別，鑒別力達到95%以上。楊天鳴[24]等運用傅立葉變換近紅外光譜結合主成分-馬氏距離判別分析方法(PCA-Mahalanobis distance discriminant analysis)對7種不同品種的茶葉進行品種鑒別。結果表明：所得PCA-MD模型對7種茶葉的分類正確率均為100%，說明模型具有較好的預測分類能力。馬明宇[25]等測量了不同產地及品種的89個木材樣品的近紅外光譜，并分別使用反向傳播人工神經網絡(back propagation artificial neural networks，BPANN)與廣義回歸神經網絡(generalized regression neural network，GRNN)建立了NIRS樹種識別模型。結果表明兩種神經網絡模型均有較好的預測結果，其中BPANN模型，對含偏置水平不高于2%、噪聲水平不高于4%的模擬光譜識別正確率在 97 %以上；GRNN模型，對含偏置水平不高于2%、噪聲水平不高于4%的模擬光譜識別正確率在99%以上。楊忠[26]等利用近紅外光譜結合 SIMCA模式識別法來檢測馬尾松木材單板節(jié)子。結果表明，通過培訓集樣本建立的基于主成分分析的SIMCA判別模型對有無節(jié)子兩種類型樣本進行回判和對未知節(jié)子類型的樣本(包括無節(jié)子和有節(jié)子樣本)的判別正確率均達到90%～100%，說明應用近紅外光譜結合SIMCA模式識別法可以快速有效地檢測木材表面的節(jié)子缺陷。

2.2 近紅外光譜定量分析技術在農林行業(yè)中的應用

近紅外光譜定量分析技術在農林行業(yè)中主要應用于不同物質內含物的定量分析與預測，涉及農作物、林產品、土壤與環(huán)境等多個研究領域。徐璐璐[27]等應用近紅外光譜分析技術結合SPA-RBF神經網絡對小麥蛋白質含量進行快速、無損檢測，模型的預測均方根誤差和預測相關系數可達到0.265 76和0.975，預測效果較好，結果表明近紅外光譜技術可實現對小麥蛋白質含量的檢測，滿足現代農業(yè)發(fā)展對小麥無損、實時、大量檢測的需要。湯旭光[28]等利用 PROSAIL模型模擬了不同葉綠素水平下的大豆冠層光譜反射率，而后針對多期實測高光譜及相應的葉綠素數據，在對響應波段進行小波能量系數提取的基礎上，分別采用多元線性回歸、BP神經網絡和 RBF神經網絡、以及偏最小二乘法進行估算，結果表明：基于小波分析的3種回歸模型都取得了較好的估算效果，驗證模型的R2分別為0.634，0.715，0.873和 0.776，能夠全面穩(wěn)定地估算葉綠素含量。吳靜珠[29]等比較了分析競爭自適應重加權采樣法(CARS)、蒙特卡羅無信息變量消除法(MCUVE)、向后間隔偏最小二乘法(BiPLS)和組合間隔偏最小二乘法(SiPLS)4種特征波長挑選方法在番茄苗氮含量快速測定近紅外光譜建模中的準確度和穩(wěn)定性。結果表明：CARS和 MCUVE挑選的特征變量所建定標模型的性能比BiPLS和 SiPLS挑選的特征變量所建定標模型的性能更優(yōu)，但是預測性能遠低于后者。其中，基于BiPLS建立的番茄苗氮素含量預測模型性能最佳，相關系數(r)、預測均方根誤差(RMSEP)和性能對標準差之比(RDP)分別為 0.9527，0.1183和 3.2910。劉汝寬[30]等，對湖南地區(qū)的52個光皮樹果實樣品進行分析，建立了近紅外法無損測定其主要內含物含量的模型，結果表明：近紅外光譜法同標準的化學分析方法之間，無顯著性差異，可以采用近紅外光譜法進行光皮樹果實中的粗脂肪含量、熱值、水分和粗蛋白質等指標的無損測定。吳茜[31]等從可見/近紅外光譜建模的幾個重要環(huán)節(jié)，即特征波段、預處理方法及回歸模型方法的選擇，研究了土壤有效氮、磷、鉀含量快速估測的光譜建模方法，結果表明應用局部非線性回歸方法(BP神經網絡局部回歸法)建模，所建模型對土壤有效氮、磷、鉀含量估測的相關系數r分別為0.90，0.82和 0.94，可實現對土壤養(yǎng)分狀況的快速診斷。

3 近紅外光譜分析技術在竹類研究中的應用前景

3.1 竹類植物系統(tǒng)分類

傳統(tǒng)的植物分類學法方從植物形態(tài)學及解剖學入手，基于桿、葉、地下莖、根、花和果實等組織器官的外部形態(tài)及組織構造來分類。竹類植物因其很少開花結實和開花周期長且不固定的特性，以花和果形態(tài)特征為主要依據的分類方法實施難度較大，近紅外光譜定性分析技術的出現為竹類植物系統(tǒng)分類提供了新的思路。李倫[32]等開展了基于傅里葉變換紅外光譜結合主成分分析和系統(tǒng)聚類分析法的竹類植物鑒別研究，成功的對6種竹子的葉片進行了聚類分析與鑒別。王逸之[21]等使用便攜式近紅外光譜儀野外實測了4個竹種葉片正面近紅外光譜，并結合PLS-DA方法對不同竹種葉片近紅外光譜進行判別分析，利用最優(yōu)校正模型對驗證集中4個竹種葉片正面近紅外光譜進行判別，識別率均為100%，說明近紅外光譜結合PLS-DA方法可以用于野外不同竹種的快速識別。相對與傳統(tǒng)分類學方法，近紅外光譜具有技術操作簡單、快速、無損、無需樣品分離提取等優(yōu)勢，在收集多個地點，不同生長發(fā)育階段的相應竹種光譜數據，建立完善完整的竹種光譜數據庫的基礎上，可以為竹類系統(tǒng)分類研究提供參考。

3.2 竹類植物內含物成分分析與預測

近年來，隨著儀器設備與加工工藝的發(fā)展，在傳統(tǒng)的竹材利用領域之外，竹類營養(yǎng)成分與提取物的開發(fā)利用逐漸受到人們的關注，竹筍營養(yǎng)成分、竹葉黃酮、多糖、特種氨基酸、揮發(fā)性成分、微量元素等均有研究報道[33-36]。上述竹類植物內含物的成分分析都基于傳統(tǒng)化學分析手段，耗時長、操作復雜、檢測成本高，若將傳統(tǒng)化學分析法方與近紅外光譜定量分析技術相結合，則可以顯著提高工作效率，降低成本，并能在實際生產中實現在線分析與遠程控制。該技術在農業(yè)領域已有許多應用：臍橙糖度、茶葉含水率、梨可溶性固形物含量、武夷巖茶品質成分、南疆紅棗品質等均已經實現了近紅外在線快速測定[37-41]。目前近紅外光譜定性分析技術在竹類研究報道很少，應用前景廣闊。

3.3 竹林資源評估與監(jiān)測

近紅外光譜不同竹種的定性識別模型與竹子內含物定量分析模型的建立，為竹林資源評估與監(jiān)測提供了一個新的途徑。基于傳統(tǒng)遙感的森林資源評估，受光譜數據空間分辨率、衛(wèi)星重訪周期、數據價格昂貴等因素的制約，不適用于中、小尺度上的森林資源評估與實時監(jiān)測，而近紅外光譜技術可以彌補傳統(tǒng)遙感技術的不足。在建立和完善一定區(qū)域內各竹種紅外光譜定性識別模型與內含物定量分析模型的基礎上，通過機載與手持近紅外光譜儀進行數據采集，可以實現竹林養(yǎng)分、健康狀況、開花預警等方面的實時評估與監(jiān)測。

4 結 語

隨著軟硬件開發(fā)與化學計量學方法的不斷進步，近紅外光譜技術從最初的概念炒作期進入了穩(wěn)步發(fā)展的平臺期，在諸多領域逐漸發(fā)揮著越來越重要的作用，應用前景非常廣闊，任何一個應用點都存在著巨大的推廣市場與發(fā)展空間。近紅外光譜分析技術在農林行業(yè)中多項成功應用案例作為很好的借鑒和學習材料，為其在竹類研究中的推廣應用奠定了堅實的基礎。相信在未來的5～10 a內，近紅外光譜分析技術一定能在我國竹類研究領域發(fā)揮應有的作用。

[1] 張小超,吳靜珠,徐云.近紅外光譜分析技術及其在現代農業(yè)中的應用[M].電子工業(yè)出版社, 2012.

[2] 宋海燕.土壤近紅外光譜檢測[M].化學工業(yè)出版社, 2013.

[3] 褚小麗.化學計量學方法與分子光譜分析技術[M].化學工業(yè)出版社, 2011.

[4] Glencross B, Bourne N, Hawkins W, et al. Using Near Infrared Reflectance Spectroscopy (NIRS) to predict the protein and energy digestibility of lupin kernel meals when fed to rainbow trout, Oncorhynchusmykiss[J]. Aquaculture Nutrition, 2015, 21(1):54-62.

[5] Eisenstecken D, Panarese A, Robatscher P, et al. A Near Infrared Spectroscopy (NIRS) and Chemometric Approach to Improve Apple Fruit Quality Management: A Case Study on the Cultivars "Cripps Pink" and "Braeburn"[J]. Molecules, 2015, 20(8):13 603-13 619.

[6] Lin P, Chen YM, He Y, et al. Study on Nonlinear Multivariate Methods Combined with the Visible Near-Infrared Spectroscopy (Vis/NIRS) Technique for Detecting the Protein Content of Cheese[J]. Food Bioprocess Technol, 2014, 7:3 359-3 369.

[7] Williams CL, Willard S, Kouba A, et al. Dietary shifts affect the gastrointestinal microflora of the giant panda (Ailuropodamelanoleuca)[J]. Journal of Animal Physiology and Animal Nutrition, 2013, 97:577-585.

[8] Taml L S, Ann C K, Ann-Marie F. Using NIRS to predict fiber and nutrient content of dryland cereal cultivars[J]. J. Agric. Food Chem., 2010, 58(1):398-403.

[9] Guy F, Prache S, Thomas A, et al. Prediction of lamb meat fatty acid composition using near-infrared reflectance spectroscopy (NIRS)[J].Food Chemistry, 2011, 127:1 280-1 286.

[10] Manuela Z, Michael P, Craig K, et al. NIRS as a tool for precision horticulture in the citrus industry[J]. B iosystems Engineering, 2008, 99:455-459.

[11] 芮玉奎,辛術貞,李軍會.應用近紅外光譜技術測試溫室黃瓜葉片全氮含量[J].光譜學與光譜分析, 2011, 31(8):2114-2116.

[12] 徐安傳,胡巍耀,王超,等.應用近紅外技術直接檢測煙絲常規(guī)化學成分的研究[J].激光與紅外,2012, 42(4):393-398.

[13] 唐忠厚,李洪民,陸國權.基于近紅外光譜的甘薯抗性淀粉含量的快速測定方法[J].江蘇農業(yè)學報,2011, 27(6):1426-1429.

[14] 李水方.蜂蜜質量的近紅外光譜分析技術研究[D].中南林業(yè)科技大學,博士學位論文,2012.

[15] 劉雪梅.基于可見近紅外光譜檢測土壤養(yǎng)分及儀器開發(fā)[D].東華大學,博士學位論文,2014.

[16] 楊瓊.近紅外光譜法定量分析及其應用研究[D].西南大學,碩士學位論文, 2009.

[17] 李民贊.光譜分析技術及其應用[M].北京:科學出版社,2006.

[18] Vigneau E, Sahmer K, Oannari E M,et al. Clustering of variable to analyze spectraldata[J].Journal of Chemometrics, 2005,19(3):122-128.

[19] 王艷斌.人工神經網絡在近紅外分析方法中的應用和深色油品的分析[D].北京:石油化工研究院, 博士學位論文,2002.

[20] Kennard R W, Stone L A. Computer Aided Design of Experiments[J]. Technometrics, 1969, 11:137-148.

[21] 王逸之,董文淵,李永和,等.基于近紅外光譜結合PLS-DA法的野外竹種識別技術研究[J].竹子研究匯刊,2014,33(4):16-20.

[22] 郝勇, 孫旭東, 高榮杰, 等. 基于可見/近紅外光譜與SIMCA和PLS-DA的臍橙品種識別[J].農業(yè)工程學報, 2010, 26(12):373-377.

[23] 韓仲志,萬劍華,張洪生，等.基于玉米籽粒近紅外光譜的品種與產地識別研究[J].中國糧油學報,2014,29(1):21-25.

[24] 楊天鳴,蘇蕊,付海燕.茶葉品種鑒別的近紅外光譜指紋圖譜模式識別方法[J].甘肅科技,2015,31(25):40-43.

[25] 馬明宇,王桂蕓,黃安民，等.人工神經網絡結合近紅外光譜用于木材樹種識別[J].光譜學與光譜分析,2012,32(9):2 377-2 381.

[26] 楊忠,陳玲,付躍進,等.近紅外光譜結合SIMCA模式識別法檢測木材表面節(jié)子[J].東北林業(yè)大學學報,2012,40(8):70-72.

[27] 徐璐璐,孫來軍,劉明亮，等.基于SPA-RBF神經網絡的小麥蛋白質含量無損檢測[J].中國農學通報,2013,29(9):208-212.

[28] 湯旭光,宋開山,劉殿偉，等.基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較[J].光譜學與光譜分析,2011,31(2):371-374.

[29] 吳靜珠,汪鳳珠,王麗麗，等.基于近紅外特征光譜的番茄苗氮含量快速測定方法研究[J].光譜學與光譜分析,2015(35)1:99-103.

[30] 劉汝寬,肖志紅,姜莎，等.近紅外光譜法無損測定光皮樹果實內含物含量[J].中國糧油學報,2014,29(9):120-123.

[31] 吳茜,楊宇虹,徐照麗，等.應用局部神經網絡和可見/近紅外光譜法估測土壤有效氮磷鉀[J].光譜學與光譜分析,2014(34)8:2 102-2 105.

[32] 李倫,劉剛,張川云.FTIR結合統(tǒng)計分析對竹類植物的鑒別分類研究[J].光譜學與光譜分分析,2013,33(12):3 221-3 225.

[33] 趙景威,王雨珺,唐國建，等.云龍箭竹和空心箭竹竹筍營養(yǎng)成分[J].西部林業(yè)科學,2015,44(3):159-163.

[34] 劉康蓮,馮定坤,賀銀菊，等.三都麻竹葉總黃酮的提取及其含量測定[J].食品研究與開發(fā),2015,36(4):62-65.

[35] 王逸之,董文淵,Andrew Kouba，等.巴山木筍和葉營養(yǎng)成分分析[J].林業(yè)科技開發(fā),2012,26(6):47-50.

[36] 王進,崔宇,王志勇，等.兩種前處理方法分析竹醋液揮發(fā)性成分的比較[J].食品科學,2011,32(18):198-201.

[37] 孫旭東,郝勇,高榮杰，等.臍橙糖度近紅外光譜在線檢測數學模型優(yōu)化研究[J]. 光譜學與光譜分分析,2011,31(5):1 230-1 235.

[38] 陳壽松,鄭功宇,金心怡.茶葉含水率近紅外在線快速測定及其應用研究[J].茶葉科學,2014,34(4):337-343.

[39] 孫通,應義斌,劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測[J].光譜學與光譜分分析,2008,28(1):2 536-2 539.

[40] 趙峰,林河通,楊江帆，等.基于近紅外光譜的武夷巖茶品質成分在線檢測[J].農業(yè)工程學報,2014,30(2):269-276.

[41] 羅華平,盧啟鵬,丁海泉，等.南疆紅棗品質近紅外光譜在線模型參數的實驗研究[J]. 光譜學與光譜分分析,2012,32(5):1 225-1 229.

《竹子研究匯刊》更名為《竹子學報》

經國家新聞出版廣電總局文件(新廣出審[2016]189號)批準，自2016年2月起原《竹子研究匯刊》正式更名為《竹子學報》，國內統(tǒng)一連續(xù)出版物號變更為CN 33-1399/S。

《竹子學報》定于2016年第35卷第2期正式啟用新刊名出版發(fā)行。更名后，《竹子學報》將繼承《竹子研究匯刊》的榮譽、辦刊宗旨和辦刊傳統(tǒng)，以新的視覺展現在廣大讀者面前。作者已投《竹子研究匯刊》的論文，將自動改投《竹子學報》，不再另行通知。

歡迎新老作者及相關領域的廣大科技工作者踴躍投稿，希望廣大讀者一如既往的關心和支持《竹子學報》。E-mail:zzxbbjb@126.com; zhukan2004@163.com

《竹子學報》編輯部

Application Prospects of the Near Infrared Spectroscopy Analysis Technology in Bamboo Research

WANG Yi-zhi， DONG Wen-yuan

(Yunnan Academy of Biodiversity, Southwest Forestry University, Kunming 650224, Yunnan, China)

The near infrared spectroscopy (NIRS) analysis technology has been used widely in many fields as a rapid, nondestructive and green qualitative and quantitative analysis method. In this paper, the chemometrics analysis method and general process of the near infrared spectroscopy were briefly introduced. The application and research progress of the near infrared spectroscopy analysis technology for qualitative and quantitative analysis in agriculture and forestry fields were also summarized. At last, the application prospects of the near infrared spectroscopy analysis technology in bamboo research were proposed.

Near infrared spectroscopy; Qualitative and quantitative analysis; Bamboo research

2015-12-13

西南林業(yè)大學科研啟動基金項目(111440)

王逸之(1984-)，男，助理研究員，主要從事竹林生態(tài)與培育研究。通訊作者：董文淵，男，教授。E-mail：wydong6839@sina.com