本研究由A.S. Fassio（乌拉圭国家农业研究所INIA La Estanzuela实验站）、E.A. Restaino（同前）和D. Cozzolino（澳大利亚阿德莱德大学）合作完成，成果发表于2015年的《Computers and Electronics in Agriculture》期刊第110卷，标题为《Determination of oil content in whole corn (Zea mays L.) seeds by means of near infrared reflectance spectroscopy》。

学术背景

研究聚焦农业光谱分析领域，针对玉米育种程序中油分含量快速检测的需求。传统油分测定方法（如索氏提取法）存在耗时长（需溶剂提取）、破坏样本（无法用于后续育种）及单粒种子测量精度低等问题。近红外光谱（Near Infrared Reflectance Spectroscopy, NIR）技术因其非破坏性、高通量和低成本特性，被证明可用于其他作物（如油菜、向日葵）的油分分析，但在全玉米籽粒中的应用仍需验证。本研究旨在开发基于NIR的玉米籽粒油分定量模型，为育种程序提供高效筛选工具。

研究流程

1. 样本制备与化学分析

• 样本来源：从乌拉圭INIA La Estanzuela实验站两年田间试验中获取256份玉米籽粒样本，涵盖商业品种、杂交种和实验品系。
  
• 化学基准值测定：采用AOAC标准索氏提取法测定油分含量（以干重百分比计），平行双样误差控制在5%-10%。
  

2. 光谱采集与预处理

• 仪器参数：使用NIRSystems 6500单色仪扫描样本（400-2500 nm，2 nm间隔），每个样本32次扫描取平均。
  
• 数据形式：以反射率倒数对数（log1/R）存储光谱数据，仅使用1100-2500 nm近红外区域。
  
• 预处理方法：采用Savitzky-Golay二阶导数（20点平滑）和标准正态变量变换（Standard Normal Variate, SNV）消除散射效应。
  

3. 建模与验证

• 样本划分：通过马氏距离（Mahalanobis distance）筛选128份样本用于校准集，128份用于验证集（H距离阈值3.0）。
  
• 建模算法：偏最小二乘回归（Partial Least Squares, PLS）结合全交叉验证，以PRESS值确定最佳主成分数（5个）。
  
• 模型评估指标：校准集决定系数（R²）、交叉验证标准误差（SECV）、预测残差偏差（RPD=SD/SECV）。
  

主要结果

1. 化学变异性：校准集油分范围为3.1%-5.3%（均值4.31%，标准差0.41），验证集为2.9%-5.6%（均值4.27%，标准差0.48），满足建模需求。
   
2. 模型性能：
   
   • 校准集R²=0.92，SECV=0.17%；验证集R²=0.90，SEP=0.21%，RPD=2.3。
     
   • RPD值表明模型适用于定性分级（低/中/高油分）或初步筛选，但未达到定量分析标准（RPD>3）。
     
3. 特征波段解析：PLS载荷分析显示，油分预测关键波段为1700-1740 nm（CH₂/CH₃脂质特征）和2100-2300 nm（碳水化合物与蛋白质组合频），而1500 nm和1900 nm（O-H水分子吸收）呈负相关。
   

结论与价值

本研究证实NIR技术可有效预测全玉米籽粒油分，其模型精度（SECV 0.17%）优于同类研究（如Tallada et al., 2009）。科学价值在于：
1. 方法学创新：首次建立适用于玉米育种群体的NIR油分预测模型，填补了单粒籽粒无损检测的技术空白。
2. 应用潜力：为高通量表型分析（high-throughput phenotyping）提供工具，加速高油玉米品系选育。
3. 局限性：需扩展样本多样性以提升模型鲁棒性，未来可结合遗传数据实现基因型-表型关联分析。

研究亮点

1. 技术适配性：通过非旋转样品杯设计简化操作，验证了静态扫描在玉米籽粒中的可行性。
   
2. 模型解释性：通过PLS载荷明确油分特征波段，为后续传感器开发提供理论依据。
   
3. 农业实践意义：将实验室级NIR技术转化为育种现场可用的筛选方案，降低检测成本70%以上（相比传统方法）。
   

其他发现

PCA分析显示前两个主成分解释96%变异（PC1=89%，PC2=7%），但未发现基因型或收获期相关聚类，表明光谱变异主要源于化学成分差异而非遗传背景。这一结果为跨品种通用模型的构建提供了可能性。