向日葵的品質

中國油料作物七年級下冊古詩 學報ChineJournalofOilCropSciences

利用近紅外技術預測向日葵籽仁品質性狀

汪磊，譚美蓮

*

，傅春玲，汪魏，王力軍，尹紫艷，嚴興初

*

（中國農業科學院油料作物研究所/農業農村部油料作物生物學與遺傳育種重點實驗室，湖北武漢，430062）

摘要：為實現向日葵育種材料品質性狀的快速預測，選取154份向日葵籽仁樣品，結合化學測定值和近紅外光

譜，利用化學計量學手段建立向日葵籽仁品質指標的近紅外模型，評估其在籽仁粗蛋白、粗脂肪、油酸、亞油酸等重

要品質性狀測定中的可行性。結果表明，改進偏最小二乘法建模效果最佳，其粗脂肪、粗蛋白、油酸、亞油酸、飽和

脂肪酸及不飽和脂肪酸的定標相關系數分別為0.975、0.950、0.973、0.951和0.913，交叉驗證相關系數分別為0.969、0.939、0.915、0.927和0.711。用檢驗集對模型進行驗證，粗脂肪、蛋白質、油酸、亞油酸、飽和及不飽和脂肪酸的外部

檢驗決定系數（R

2

）分別為0.959、0.950、0.937、0.906和0.930。本研究建立的模型質量較高，能夠滿足向日葵籽仁品

質成分的快速測定，可為向日葵品質育種前期大量、快速的篩選提供技術支持。

關鍵詞：向日葵；粗脂肪含量；蛋白質；油酸；亞油酸；近紅外光譜

中圖分類號：TN219;S565.5文獻標識碼：A文章編號：1007-9084（2020）01-0147-07

Predictionofqualitativecharacteristicsofsunflowerhuskededbynearinfraredspectroscopy

WANGLei，TANMei-lian*

，FUChun-ling，WANGWei，WANGLi-jun，YINZi-yan，YANXing-chu

*

（OilCropsRearchInstituteofChineAcademyofAgriculturalScience/KeyLaboratoryofBiologyandGeneticIm?

provementofOilCrops,MinistryofAgricultureandRuralAffairs,Wuhan430062,China）

Abstract:Forrapidandhighthroughputpredictionofthequalityofsunflowereds,calibrationequations

ationmethodsincludednear-infraredspec?

troscopy(NIRS)scanningandchemicaldetectingwithchemometricsmethodtodeterminetheoptimalcalibration

sshoweermination

coefficientofNIRSmodelforcrudefat,crudeprotein,oleicacid,linoleicacid,saturatedfattyacidandunsaturated

fattyacidwere0.975,0.950,0.973,ross-validationcorrelationcoefficients

were0.969,0.939,0.915,tiontestingresultsshowedthattheexternalvali?

dationcorrelationcoefficientforcrudefat,crudeprotein,oleicacid,linoleicacid,saturatedfattyacidandunsaturat?

edfattyacidwere0.959,0.950,0.937,ultsindicatedthattheestablished

NIRSmodelcouldbeudasatoolforrapidpredictionofqualitativecharacteristicsinsunflowerhuskededfor

large-scalescreeningofsunflowerqualitybreeding.

Keywords:sunflower；crudefatcontent；protein；oleicacid；linoleicacid；nearinfraredspectroscopy

向日葵（HelianthusannuusL.）是世界廣泛種植

的經濟作物，2018年全世界向日葵總產約4956萬

噸，其中烏克蘭、俄羅斯、歐盟、阿根廷和中國占據

了世界總產量的85.5%

[1]

。近年來，我國向日葵種

植面積逐年增加，2016年達115.3萬公頃，主要分布

在內蒙古、新疆、吉林、黑龍江、河北、甘肅和寧夏等

七個省（自治區），其它地區零星種植

[2]

。

葵花籽可榨油或食用，籽實含油率為22%～

2020，42（1）：147-153

doi：10.19802/.1007-9084.2019143

收稿日期：2019勒石 ?05?23

基金項目：國家特色油料產業技術體系（CARS-14-1-17）；國家油料種質資源平臺（NICGR2019-014）；特種油料種質資源保護與利用

（2019NWB033-4）；中國農業科學院油料作物研究所科技成果轉化項目（2019CGZH08）

作者簡介：汪磊（1984-），男，湖北武漢人，實驗師，碩士，主要從事特色油料作物種質資源相關研究，E-mail:*****************通訊作者：譚美蓮，副研究員，從事特種油料作物種質資源與遺傳育種研究，E-mail：******************；嚴興初，研究員，從事特種油料研

究，E-mail:*****************

中國油料作物學報2020，42（1）

55%，粗蛋白含量約15.7%～25.9%。傳統葵花油

中不飽和脂肪酸含量高達85%，其中油酸含量14%

～43%，亞油酸含量44%～75%。近二十年來，隨著

人們對健康植物油需求增加，富含油酸的類型被廣

泛應用，包括中油酸（43.1%～71.8%）和高油酸

（75%～90.7%）類型

[3]

。另外，國人喜嗑食葵籽，粗

蛋白含量是食葵的重要指標之一

[4]

。因此，粗蛋白

含量和油脂成分是向日葵品質育種的重要指標。

然而，利用常規化學分析方法測定粗蛋白、粗

脂肪和脂肪酸組成，成本較高，耗時耗力，極大限制

了材料篩選效率。建立一種高效快速的測定方法，

對于向日葵優異種質鑒定和品質育種十分必要。

近紅外光譜（nearinfraredreflectancespectroscopy，NIRS）分析技術是一項無損檢測技術，無需復雜預

處理，即可完成多種組分的定量測定

[5]

，結合化學計

量學法構建模型，從而實現快速高效檢測。國內外

利用NIRS技術在測定種子含油率、粗蛋白、脂肪酸

組成方面已有報道。Prez-Vich等

[6]

利用NIRS技術

對完整葵花籽、去殼葵花籽仁、葵花籽粉和葵花油

中的含油率和脂肪酸組成進行了測定；周菲等

[7]

初

步構建了食用向日葵粗蛋白含量的近紅外光譜模

型；Akkaya

[8]

利用NIRS對向日葵脂肪酸組成進行了

快速有效的測定。但是國內缺乏NIRS測定向日葵

脂肪酸成分和蛋白質含量的相關報道，而且近紅外

技術模型在不同作物或同一作物不同類型、不同設

備及同一設備不同環境下，都不具有通用性。因

此，利用我國向日葵種質和品種材料建立其品質性

狀的NIRS測定模型，對于實現品質性狀的快速檢測

和促進向日葵品質育種具有重要意義。

本研究以154份向日葵為材料，將化學分析和

光譜測定方法相結合，利用化學計量學手段，建立

并優化向日葵品質性狀的NIRS模型，評估快速測定

籽仁粗蛋白、粗脂肪和脂肪酸組成的可行性，為建

立快速高效的向日葵品質檢測平臺提供基礎，為其

優異種質鑒定和品質育種提供技術支撐。1材料方法

1.1材料

向日葵種質和品種共154份，用于向日葵NIRS

模型的構建和校正。另外隨機挑取了18份向日葵

材料用于模型的檢驗。這些材料均由國家油料作

物種質資源中期庫（武漢）和中國農業科學院油料

作物研究所特色油料課題組提供，其中油葵114份，

食葵35份，觀賞葵4份，半野生材料1份。

1.2化學值測定

清選干凈、干燥（40℃烘干6h）的向日葵籽粒，

采用向日葵專用離心脫殼機（錦州俏牌，家用脫殼

機）脫殼，每樣品去殼后重約10g。向日葵籽仁粗蛋

白、粗脂肪和脂肪酸組成化學值分析方法參考GB5009.5-2016（蛋白質）[9]

、NY/T1285-2007（脂肪）

[10]

、GB5009.168-2016（脂肪酸）[11]

，在國家農業部油料

及制品質量監督檢驗測試中心進行測定；其中蛋白

質測定采用DA701杜馬斯定氮儀、粗脂肪采用YG-2型脂肪抽提器、脂肪酸采用安捷倫GC7890測定。

1.3光譜采集

向日葵種子在實驗室利用脫殼機脫殼后，采用NIRSTMDS6500F高精度近紅外分析儀（FOSSAnalyt?

icalA/S，Denmark），850～1099nm和1100～2499nm

分段掃描，間隔2nm，單色器光源，數控分光光柵，

通過檢測樣品反射光能獲得樣品化學信息和構成。

樣品均勻裝滿取樣杯（約5g），每樣品重復測定3～5

次，共獲得建模用有效光譜數據469條。

1.4光譜分析和校準曲線

采用WinISIⅢ1.50e（InfrasoftInternational）程

序校準方程。初始光譜469條，合并相同樣品光譜

數據獲得光譜平均數據154條。為減少噪聲干擾并

減少樣品散射對光譜影響，分別采用無散射處理

（none），標準正態化+散射處理（SNV/detrend）

[12]

。數

學處理采用一階和二階求導，平滑光譜間隔為1、4，

不做二次平滑。處理后的光譜采用改進偏最小二

乘法（MPLS）

[13]

和偏最小二乘法（PLS法）

[14]

構建數學

模型，并根據交互定標決定系數（1-VR）和定標決定

系數（RSQ）來選擇出兩種方法下不同指標對應的最

佳模型（表1）。

1.5模型外部驗證

以隨機選取的18份向日葵材料（未參與建模）

分別測定其化學值和預測值，采用預測標準偏差

（SEP），外部驗證決定系數（R

2

）和相對分析誤差

（RPD）對模型準確性進行評價。R2越大，SEP值越

小，說明模型的精度越高。RPD=SD/SEP，當RPD＞2時，模型具有極好的預測能力；當1.4＜RPD＜2

時，模型可估測樣品值；而當RPD＜1.4時，模型對

樣品無法進行有效預測

[15]

。2結果與分析

2.1向日葵籽仁定標集與檢驗集化學值分布情況

154份樣品的粗蛋白、粗脂肪和脂肪酸組成含

量基本覆蓋了向日葵資源和品種品質性狀相關指

148

汪磊等：利用近紅外技術預測向日葵籽仁品質性狀

表1光譜數據預處理方法

Table1MethodofPre-treatmentfororiginalspectra

回歸技術

Regression

PLS

MPLS

散射處理

Scatter

NONE

SNV/detrend

NONE

SNV/detrend

處理參數Parameter

導數處理

Derivative

0

1

2

0

1

2

0

1

2

0

1

2

光譜間隔點

Gap

0

4

4

0

4

4

0

4

4

0

4

4

一次平滑光譜間隔點

Smooth1

1

4

4

1

4

4

1

4

4

1

4

4

二次平滑

Smooth2

1

1

1

1

1

1

1

1

1

1

1

1

模型命名

Modelname

PLS1

PLS2

PLS3

PLS4

PLS5

PLS6

MPLS1

MPLS2

MPLS3

MPLS4

MPLS5

MPLS6

注：PLS：偏最小二乘法；MPLS：改進偏最小二乘法；NONE：無散射處理；SNV/detrend：標準正態變量轉化+趨勢變換法Note：PLS：partialleastsquares；MPLS：modifiedpartialleastsquares；NONE：withoutscatter；SNV/detrend：standardnormalvariantanddetrend

scattercorrection

注：A～F分別表示粗脂肪、粗蛋白、棕櫚酸、硬脂酸、油酸和亞油酸含量分布

Note:A-F:indicatethedistributionofcrudefat,crudeprotein,palmiticacid,stearicacid,oleicacidandlinoleicacidrespectively

圖1向日葵籽仁粗蛋白、粗脂肪和脂肪酸組成分布情況

Fig.1Distributionofcrudeprotein,crudefatandfattyacidcompositioninsunflowerkernel

149

中國油料作物學報2020，42（1）

標的含量范圍(圖1)。其中粗脂肪平均含量為47.70%，分布于35.65%～61.16%范圍內；粗蛋白

平均含量為29.09%，其含量范圍為10.50%～38.20%。葵花籽脂肪酸主要包括油酸、亞油酸，還

含有少量棕櫚酸和硬脂酸等。由圖1可以發現，NIRS建模所選樣品多為近年來向日葵市場上流行

的主要類型，即中高油酸型，也包含少量標準型材

料，基本覆蓋了向日葵不同的脂肪酸類型。檢驗集

分布均勻（圖2），基本涵蓋了定標模型覆蓋范圍。

2.2近紅外模型的建立

采用PLS和MPLS法，結合不同光譜預處理（表1）共形成了12組模型，根據定標相關系數（RSQ）和

交叉驗證相關系數（1-VR）選取了不同指標對應的

待選模型（表2）。總體看來，PLS和MPLS法建模8

個指標中有6個的RSQ值均高于0.9，其中MPLS法

獲得的粗脂肪、油酸、亞油酸、硬脂酸和棕櫚酸RSQ

值較PLS法高，而粗蛋白的RSQ值則是PLS法稍高。

綜合定標相關系數和交叉檢驗系數表明該模型對

粗脂肪、粗蛋白、油酸和亞油酸的預測性能較好，對

總的飽和脂肪酸和不飽和脂肪酸的預測可供參考，

而對硬脂酸和棕櫚酸的預測相對較差。

2.3近紅外模型的校驗

利用檢驗集對構建的模型進行檢驗，并根據相

對分析誤差RPD值進行方程可靠程度的校驗。

通過比較不同成分的化學值和預測值可以發

現，PLS和MPLS建模在大多數情況下能與藝術有關的成語 夠較好地進

行預測，其中PLS建模下其粗脂肪、粗蛋白、油酸、亞

油酸、飽和脂肪酸、不飽和脂肪酸、硬脂酸、棕櫚酸

的絕對平均誤差分別為-0.16、-0.37、-1.11、-0.43、-0.41、0.41、0.00和-0.12（表3）；MPLS建模下其對

應的各項指標的絕對平均誤差分別為0.08、-0.15、-0.23、1.37、-0.23、0.23、0.02、-0.06（表4）。

注：A～F分別表示粗脂肪、粗蛋白、棕櫚酸、硬脂酸、油酸和亞油酸含量分布

Note:A-F:indicatethedistributionofcrudefat,crudeprotein,palmiticacid,stearicacid,oleicacidandlinoleicacidrespectively

圖2檢驗集向日葵籽仁粗蛋白、粗脂肪和脂肪酸組成分布情況

Fig.2Distributionofcrudeprotein,crudefatandfattyacidcompositioninsunflowerkernelforvalidation

150

汪磊等：利用近紅外技術預測向日葵籽仁品質性狀

從RPD值判斷，PLS建模的粗脂肪、粗蛋白和油

酸均大于2，具有極好的預測能力，除棕櫚酸外，其

它成分模型驗證的RPD值均大于1.4，也可用于樣

品值的初步預測。MPLS方法建模下的RPD值優于PLS方法，其方法模型下的粗脂肪、粗蛋白、油酸、亞

油酸、SFA和UFA的RPD值分別達5.0、3.4、4.1、3.2、3.8和3.3，表明模型的預測能力極佳。但各模

型的預測值標準偏差（SD）和預測標準偏差（SEP）相

對較大，對驗證的18個樣品分別進行預測，發現其

中個別不典型樣品（如低油酸型材料）影響了SD和SEP值，表明模型在測定此類樣品時還需要進一步

補充優化。

3討論與結論

NIRSDS2500型近紅外檢測設備以400～

2500nm的近紅外光能量照射樣品，通過檢測樣品反

射光信息反映出化學信息和構成。向日葵種殼較

厚，顏色深淺不一且具條紋。Fassio和Cozzolino

[16]

發

現NIR對葵花籽殼表面顏色和條紋極為敏感，不同

顏色或條紋會影響到樣品反射光的程度。Williams

等

[17]

發現照射到亮色種子的部分光會反射回來且無

法反饋給儀器任何信息。相反，深色種子會增大較

低波長下的偏差。Prez-Vich等

[6]

利用NIRS技術對

完整葵花籽、去殼葵花籽仁、葵花籽粉和葵花油中

含油率和脂肪酸組成進行了測定，發現除完整向日

表3向日葵籽仁品質成分PLS預測模型驗證統計

Table3ValidationstatisticsofPLScalibrationequationdevelopedforestimationqualityconstituentinsunflowerhusked

edssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白Crudeprotein

油酸Oleicacid

亞油酸Linoleicacid

飽和脂肪酸SFA

Saturatedfattyacid

不飽和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕櫚酸Palmiticacid

化學值

Chemicalvalue

46.758

29.089

69.695

18.678

11.104

88.896

3.581

5.597

預測值

Predictivevalue

46.598

28.722

68.589

18.247

10.691

89.309

3.581

5.473

SD

6.251

4.089

12.967

9.135

1.625

1.625

0.785

0.547

R2

0.955

0.933

0.908

0.833

0.786

0.786

0.650

0.535

SEP

1.416

1.399

3.989

6.069

0.84

0.84

0.493

0.413

RPD

4.4

2.9

3.3

1.5

1.9

1.9

1.6

1.3

模型

Model

PLS4

PLS5

PLS6

PLS6

PLS3

PLS3

PLS6

PLS1

注：SD：標準偏差；R2：外部驗證決定系數；SEP：預測標準偏差；RPD：相對分析誤差。下同

Note:SD:standarddeviation;R2:coefficientofdeterminationinprediction;SEP:standarderrorofprediction;RPD:

asbelow

表2向日葵籽仁品質成分定標建模校驗與交叉校驗統計

Table2Calibrationandcross-validationstatisticsindevelopmentofcalibrationequationsforqualityconstituentinsun?

flowerhuskededssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白Crudeprotein

油酸Oleicacid

亞油酸Linoleicacid

飽和脂肪酸SFA

Saturatedfattyacid

不飽和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕櫚酸Palmiticacid

PLS

n

151

147

151

144

145

145

149

149

平均Mean

47.763

28.254

69.224

18.874

10.461

89.539

3.463

5.149

RSQ

0.968

0.951

0.950

0.942

0.913

0.913

0.733

0.524

1-VR

0.964

0.935

0.919

0.930

0.754

0.754

0.562

0.457

模型Model

PLS4

PLS5

PLS6

PLS6

PLS3

PLS3

PLS6

PLS1

MPLS

n

145

148

149

147

150

150

149

149

平均Mean

47.761

28.296

69.460

19.376

10.4913

89.509

3.490

5.149

RSQ

0.975

0.950

0.973

0.951

0.913

0.913

0.833

0.558

1-VR

0.969

0.939

0.915

0.927

0.711

0.711

0.441

0.506

模型Model

MPLS3

MPLS4

MPLS6

MPLS5

MPLS3

MPLS3

MPLS3

MPLS5

注：n：樣本數；RSQ：定標相關系數；1-VR：交叉驗證相關系數

Note:n:numberofsamples;RSQ:Rsquared;1-VR:1minusthevarianceratio

151

中國油料作物學報2020，42（1）

葵的相關系數較低外（r=0.76～0.85），籽仁、粉末和

葵花油測定結果相似，其相關系數均大于0.90，認

為籽仁測定可以最大限度地獲得相對高的準確度。

根據前人研究結果，帶殼向日葵預測的相關系數較

低，籽仁測定與粉末和油測定具有相似的穩定性，

更適合用于向日葵NIRS測定。本研究綜合考慮操

作的簡便性、結果的準確性與穩定性，采用了脫殼

的籽仁進行模型構建。

化學計量法是解決NIR光譜吸收強度弱、靈敏

度低、吸收帶較寬且重疊嚴重問題的重要手段，包

括光譜預處理和定標模型校正。采用SNV/detrend、

一階和二階導感悟生死的經典句子 數預處理，結合MPLS和PLS法在向

日葵籽粒含油率和脂肪酸組成的模型建立中已有

應用

[6,8,18～20]

，周菲等

[7]

也利用SNV預處理結合PLS法

構建了食用向日葵蛋白質的近紅外光譜模型。本

研究以向日葵籽仁為檢測對象，比較了MPLS和PLS

法在6種光譜預處理下的模型差異，兩種建模方法

下的粗脂肪、粗蛋白、油酸和亞油酸含量的相關系

數（RSQ）在0.940~0.975之間，高于Velasco等

[19]

（RSQ=0.89~0.91）、Fassio和Cozzolino

[16]

構建的油

酸和亞油酸模型（RSQ=0.85~0.86）；也高于周菲

等

[7]

構建的蛋白質模型（RSQ=0.93）；與Prez-Vich

等

[6]

構建的脂肪酸模型相近（RSQ=0.95）。說明本

研究建立的模型，特別是MPLS法建立的模型具有

較好的預測能力。

然而我們注意到油酸和亞油酸預測標準偏差

仍偏大。通過逐一對檢驗集樣品分析發現，偏差較

大的樣品主要為高亞油酸或極低亞油酸的特異類

型和食葵類型，前者在模型構建的定標集中樣本數

偏少，后者則粗脂肪含量相對較低，粗蛋白含量相

表4向日葵籽仁品質成分MPLS預測模型驗證統計

Table4ValidationstatisticsofMPLScalibrationequationdevelopedforevaluationestimationqualityconstituentinsun?

flowerhuskededssamples

成分

Constituent

粗脂肪Crudefat

粗蛋白質Crudeprotein

油酸Oleicacid

亞油酸Linoleicacid

飽和脂肪酸SFA

Saturatedfattyacid

不飽和脂肪酸UFA

Unsaturatedfattyacid

硬脂酸Stearicacid

棕櫚酸Palmiticacid

化學值

Chemicalvalue

46.758

29.089

69.695

18.678

11.104

88.896

3.581

5.597

預測值

Predictivevalue

46.835

28.936

69.466

20.046

10.87

89.13

3.603

5.541

SD

6.615

4.142

12.932

13.572

1.442

1.442

0.90柳畫兒 0

0.571

R2

0.959

0.950

0.937

0.906

0.930

0.930

0.457

0.444

SEP

1.321

1.202

3.161

4.298

0.439

0.439

0.682

0.452

RPD

5.0

3.4

4.1

3.2

3.3

3.3

1.3

1.3

模型

Model

MPLS3

MPLS4

MPLS6

MPLS5

MPLS3

MPLS3

MPLS3

MPLS5

注：紅圈內為偏離度較大的預測值，紅色虛線表示預測值趨勢線，黑色實線表示測定值趨勢線

Note:Bluesquareinredcircleispredictedvaluewithlargedeviation;reddottedlineandblacksolidlinereprenttrendsofpredictedandmeasured

valuesrespectively

圖3油酸和亞油酸的檢驗分布

Fig.3ValidationplotsoflinoleicacidandoleicacidcontentforMPLScalibrationequations

152

汪磊等：利用近紅外技術預測向日葵籽仁品質性狀

對較高（圖3）。Fassio和Cozzolino

[16]

研究也發現高

或低粗脂肪含量的材料在模型預測的準確性上較

差。因此，后期可以逐漸添加偏離的樣本材料和增

加不同類型的向日葵材料，進一步補充完善模型，

或按照不同類型材料分類建模。NIRS技術已被證明能夠為育種提供良好重現

性的數據，即便在模型相關系數不高（RSQ＜0.70）

的情況下，也能夠滿足大量樣本的快速篩選工

作

[20,21]

，特別是對低、中、高材料的定性初篩效果顯

著

[16]

。而本研究在選擇品質指標范圍能夠基本覆蓋

建立模型后測定樣品的基礎上，利用MPLS法建立

的模型在粗脂肪、粗蛋白、油酸、亞油酸、飽和脂肪

酸和不飽和脂肪酸等成分預測上表現良好，且外部

驗證決定系數（R2＞0.906）和相對分析誤差（RPD＞3.2）均符合預測模型標準，適合于大批量向日葵籽

仁樣品的品質速測，可用于向日葵種質的品質鑒定

篩選、品質育種中大批量育種材料的檢測和篩選。

參考文獻：

［1］：//?/stats/world-supply/［OL］.

［2］農業農村部種植業管理司中國種植業信息網.http：///［OL］.2018.

［3］FlagellaZ，RotunnoT，TarantinoE，sinedyieldandoilfattyacidcompositionofhigholeic

sunflower（HelianthusannuusL.）hybridsinrelationto

thesowingdateandthewaterregime［J］.EurJAgron，

2002，17（3）：221-230.

［4］胡超，楊陳，黃鳳洪.葵花籽活性成分及生理功能研

究進展［J］.中國食物與營養，2017，23（10）：58-62.

［5］陳雪萍，劉世堯，尹能文，等.甘藍型油菜莖稈纖維

組分含量和木質素單體G/S近紅外模型構建［J］.中國

農業科學，2018，51（4）：688-696.

［6］Prez-VichB，VelascoL，Fernndez-Mart?terminationofedoilcontentandfattyacidcomposition

insunflowerthroughtheanalysisofintacteds，husked

eds，mealandoilbynear-infraredreflectancespectros?

copy［J］.JAmerOilChemSoc，1998，75（5）：547-555.

［7］周菲，王文軍，黃緒堂，等.食用向日葵子仁蛋白質

含量近紅外光譜模型的建立［J］.作物雜志，2013

（6）：73-75.

［8］tionoffattyacidcompositionofsun?floweredsbynear-infraredreflectancespectroscopy

［J］.JFoodSciTechnol，2018，55（6）：2318-2325.

［9］GB/T5009.5-1985食品中蛋白質的測定方法［S］.中

國國家標準，1985.

［10］NY/T1285-2007油料種籽含油量的測定［S］.中國國

家標準，2007.

［11］GB5009.168-2016食品中脂肪酸的測［S］.中國國家

標準，2016.

［12］BarnesRJ，DhanoaMS，rdnormalvariatetransformationandde-trendingofnear-infrared

diffureflectancespectra［J］.ApplSpectrosc，1989，43

（5）：772-777.

［13］ShenkJS，isofagricultureandfoodproductsbynearinfraredeflectancespectroscopy［M］.

Matilda，PA，USA：InfrasoftInternationalPort，1993.

［14］BlancoM，ctroscopy：arapid-re?sponanalyticaltool［J］.TrendsAnalChem，2002，21

（4）：240-250.

［15］張娟娟，田永超，姚霞，等.同時估測土壤全氮、有機

質和速效氮含量的光譜指數研究［J］.土壤學報，2012，49（1）：50-59.

［16］FassioA，-destructivepredictionofchemicalcompositioninsunfloweredsbynearinfrared

spectroscopy［J］.IndCropProd，2004，20（3）：

321-329.

［17］WilliamsPC，anassociationofcere?alchemist［M］.，MA，USA，2001：164.

［18］RobertsonJA，wateranalysisofsun?floweredbynear-infraredreflectancespectroscopy

［J］.JAmOilChemSoc，1984，61（3）：543-547.

［19］SatoT，TakahataY，NodaT，tructivede?terminationoffattyacidcompositionofhuskedsunflower

（HelianthusannuaL.）edsbynear-infraredspectros?copy［J］.JAmOilChemSoc，1995，72（10）：1177-

1183.

［20］VelascoL，BegoaPV，Fernndez-Mart?dest中國集郵門戶網 ructivescreeningforoleicandlinoleicacidinsingle

sunflowerachenesbynear-infraredreflectancespectros?

copy［J］.CropSci，1999，39（1）：219.

［21］Fernndez-MartnezJ，MuozJ，G?formanceofnear-isogenichighandlowoleicacidhy?

bridsofsunflower［J］.CropSci，1993，33（6）：1158.

［22］Gonzalez-MartinI，Villaescusa-GarciaV，Lopez-GonzlezF，lofqualityandsilostorageof

sun?oweredsusingnearinfraredtechnology［J］.Gra?

sasAceites，2013，64（1）：30-35.

（責任編輯：郭學蘭）

153