全 文 ：书第 49 卷 第 4 期
2 0 1 3 年 4 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 49，No. 4
Apr．，2 0 1 3
doi:10．11707 / j．1001-7488．20130401
收稿日期: 2012 － 07 － 02; 修回日期: 2012 － 09 － 05。
基金项目: 国家林业公益性行业专项资金资助项目“优质丰产油茶专用肥研制”(200904058) ; 国家自然科学基金项目“油茶果实氮磷钾
养分讯号、作用与调控机制”(30872052 ) ; 广东省自然科学基金团队项目“广东重要木本油料植物油脂积累、转化与调控的分子机理”
(9351064201000002)。
* 陈晓阳为通讯作者。
基于近红外光谱的油茶种子含油量定标模型构建*
奚如春 钟燕梅 邓小梅 陈晓阳 莫宝盈 易立飒
(华南农业大学林学院 广州 510642)
摘 要: 利用瑞典波通 DA7200 型固定光栅连续光谱近红外分析仪，对来自不同产地的 150 份油茶种子样品进
行含油量测定。依据其吸收光谱与化学特征分析数据，建立 2 个种仁含油率模型，并对模型的准确性进行预测评
价。结果表明:用整颗油茶种仁建立的模型与常规方法测量结果之间的相关系数为 0. 88，预测标准偏差为 0. 91，
该模型可用于测定准度要求相对不高而比较珍贵和量少的样品。而用粉碎油茶种仁建立的模型测定效果最好，与
常规方法测量结果之间的相关系数为 0. 98，预测标准偏差为 0. 33，因此该模型可代替常规测试方法使用。检验
结果表明定标模型预测精度高、稳定性较好。近红外光谱技术可用于快速测定油茶种仁含油量，具有很好的应用
前景。
关键词: 近红外光谱; 油茶; 含油量; 定标模型
中图分类号: S785. 015 文献标识码: A 文章编号: 1001 － 7488(2013)04 － 0001 － 06
Models for Determining Oil Contents in Camellia oleifera
Seeds by Using Near Infrared Spectroscopy
Xi Ruchun Zhong Yanmei Deng Xiaomei Chen Xiaoyang Mao Baoyin Yi Lisha
(College of Forestry，South China Agricultural University Guangzhou 510642)
Abstract: In this paper we aim to provide a rapid，simple and accurate method for determining camellia seed oil
content，by the DA7200 near infrared apparatus (made in Sweden) ． One hundred and fifty seeds that were collected from
different origins in Guangdong province were tested． Based on the analysis data of the absorption spectra and the chemical
characteristics，two models for kernel oil content determination were established，and then the accuracy of the models was
evaluated． The result shows that the model with the whole seed kernel can reached to 0. 88 of the correlation coefficient
between the prediction and the chemically measured values，and the standard deviation of prediction is in the range of
0. 91． Thus this model with the whole seed kernel can be used to measure low quantity and precious samples with the
relative low accuracy． The model with the crushed seed kernel can reached to 0. 98 of the correlation coefficient between
the prediction and the chemically measured values，and the standard deviation of prediction is in the range of 0. 33． This
model is very well and can directly replace conventional method． The test results show that prediction models have high
precision and good stability． The forecast results indicated that near-infrared spectroscopy for rapidly testing the oil content
of dry kernel was useful and would have a very good application prospects．
Key words: near infrared spectrum; Camellia oleifera; oil content; spectral calibration model
近 红 外 光 谱 技 术 ( NIRS， near infrared
spectroscopy)是 20 世纪 80 年代后期迅速发展起来
的一项物理测试技术，它能利用有机化学物质在近
红外光谱区的光学特性，快速估测样品中一种或者
多种化学成分的含量(张子仪等，1992)。因此具有
使用简单方便、成本低、检测速度快(一个样品的检
测只要 10 s)、重复性好、不破坏样品的显著特点。
由于其信息丰富，同时借助于计算机技术和化学计
量学方法，可以直接分析不经任何预处理的生物样
品(王海莲，2005; 陆婉珍，2010)。
林 业 科 学 49 卷
早在 20 世纪 70 年代，Norris 等(1976)率先将
NIRS 应 用 于 农 产 品 测 试。 Hartwig 等 ( 1990 )、
Greenwood 等(1999)、Misra 等 (2000)应用 NIRS 技
术成功地分析了油菜(Brassica campestris)籽和花生
(Arachis hypogaea)仁的含油量。NIRS 在我国许多
领域得到了广泛应用，包括粮食、食品、石油、烟草、
医药和化学工业，目前有油菜、棉花 ( Gossypium
hirsutum)、黄豆(Glvcine max)、玉米(Zea mays)等油
料作物方面的研究。顾伟珠等 (1995)提出了与近
红外光谱分析法相适应的数学模型，并将模型用于
整粒带壳油菜籽含油量的测定; 汪旭升等(2001)选
用不同品种的棉籽进行常规成分的定标和校验，定
标决定系数 0. 934，预测精度为 0. 978; 甘莉等
(2003)建立了油菜籽含油量和蛋白质含量模型，其
NIRS 含油量预测值与实测值相关系数为 0. 95，相
对误差小于 3. 5% ; NIRS 蛋白质含量预测值与凯氏
定氮法的实测值相关系数为 0. 95，相对误差小于
6. 0%。李宁等(2004)用完整籽粒黄豆样品建立蛋
白质和脂肪含量近红外定量分析模型，其中蛋白
质、脂肪含量分析模型的相关系数分别为 0. 99，
0. 98。Wei 等(2005)建立了 NIRS 玉米蛋白质、淀
粉和含油量模型，预测值和实测值的相关系数分别
为 0. 98，0. 93 和 0. 97，相对误差分别为 2. 7%，
2. 5%和 7. 0%。李钧等(2006)建立了 NIRS 油菜种
子含油量模型，预测值与实测值的拟合性非常好，
平均误差仅为 0. 1 %。高建芹等 (2007)测定了油
菜籽的油酸、芥酸和含油量，并建立定标模型。结
果表明: 油酸、芥酸和含油量的近红外测定值与化
学测定值之间相关系数分别为 0. 99，0. 99 和 0. 97，
相对误差分别为 4. 2%，3. 4%，1. 9%。方彦等
(2007)建立了玉米籽粒含油量模型，并对模型预测
结果的准确性进行了评价，预测值与测定值间的相
关系数为 0. 96，定标标准差和预测标准差分别为
0. 757 和 0. 745。
油茶(Camellia oleifera)是我国主要木本油料树
种之一，而有关油茶籽含油率的 NIRS 模型研究甚
少。原姣姣等(2011)利用近红外漫反射光谱，通过
应用多种预处理方法和回归方法，建立了 30 份油
茶籽含油量的分析模型。但至今未建立近红外光谱
油茶籽含油量的定标模型，限制了该项技术的应用
推广。本文利用瑞典波通 DA7200 型固定光栅连续
光谱近红外分析仪对广东省不同产地的油茶籽样品
进行油脂分析，旨在构建油茶籽含油量的近红外光
谱定标模型，以期为我国油茶油脂测定提供一种快
速、简单、准确的测试方法。
1 材料与方法
1. 1 供试材料
DA7200 对基础建模最小的样品量要求为 30
份，但一个较好本地化模型应以 100 ～ 200 个样品
为宜。因此，本研究于 2011 年 10 月下旬，收集广
东省云浮、肇庆、梅州和广州等不同产地油茶种子共
150 份，经自然风干后将样品处理分成 3 个测试组:
第Ⅰ组为风干种子(带种壳); 第Ⅱ组为风干种仁
(去种壳); 第Ⅲ组为粉碎种仁。
1. 2 测试仪器及软件
采用瑞典波通 DA7200 连续光谱固定光栅近红
外分析仪 (DA7200 Diode Array Analyzer)。数据光
谱收集速率: 100 次·sec － 1; 波长范围: 950 ～ 1 650
nm。分析软件采用随机附带扫描和建模软件。
1. 3 测定方法
1) 样品化学特征值常规测定: 种仁含油率分
别采用索氏法提取，每个样品测定 3 次，取其平均
值，平行样品间的相对误差不得高于 5. 0%。将该
测定的化学特征值与光谱特征值进行联合分析。
2) 光谱特征数据采集: 开机预热至少 30 min，
使用仪器内置参比，将上述 3 组处理好的样品依次
分别放置在光谱仪样品盘上，对样品进行扫描。为
降低装样不均匀产生的误差，每个样品扫描 9 次
(每扫描 3 次后重新装样 1 次)。收集记录 3 组样品
的光谱特征数据。
3) 光谱数据预处理: 分别采用标准化处理法
(Normalization)、标准正态变量转换法( SNV)、乘积
分散校正法 (MSC)等与一阶导数和二阶导数相结
合的方法对所采集的光谱数据进行预处理。最后根
据定标模型的预测效果选出最佳数据预处理方法。
4) 含油量定标模型构建: 分别采用偏最小二
乘法(PLS)、主成分分析法 ( PCR)对经过不同预处
理的光谱数据进行回归分析，并利用 Unscrambler
classifier 软件建模。以 RC (模型校正相关系数 )、
RMSEC(模型校正相关系数标准偏差)、RCV (交互验证
相关系数)、RMSECV (交互验证预测标准偏差)为衡量
模型预测效果的主要参数。其中 RC起主导作用，要
求 RC，RCV越高越好，RMSEC，RMSECV越低越好。当 2
个处理间 RC数值相近时，RCV与 RC越接近越好。根
据马氏距离、主因素分析图及光谱残差图等分析结果
剔除特异样品，当两定标模型预测效果接近时，则需
根据其对验证集样品的分析结果进行最终取舍。
5) 建模效果验证与评价: 随机选取 10 份未知油
茶含油量的待测样品，分别用常规方法(索氏法)测
2
第 4 期 奚如春等: 基于近红外光谱的油茶种子含油量定标模型构建
定和已建立模型进行验证比较，以 R(相关系数)和
SEP(预测标准偏差)比较 2 者之间的差异，对模型进
行外部验证和预测精度估算。
2 结果与分析
2. 1 油茶籽测试样品的近红外光谱图
茶油中有常见的 C—H，O—H 等含氢基团，在
近红外光谱区域会有很强烈的吸收。由图 1 可见，
茶籽的近红外光谱图有明显的吸收峰，且不同样品
的吸收峰强度不同，即含油量不同。不同的样品测
试组，其光谱的吸收峰强度不同，这说明茶籽的近
红外光谱图可以作为定量分析和选择适合样品类型
的依据。
2. 2 不同光谱数据预处理方法的结果比较
表 1 是 3 组油茶供试样品经不同的光谱预处理
方法后得到的种仁含油率模型参数。由表 1 可知，
在第Ⅰ组样品模型参数结果中，RC值都不高，经
Normalization +一阶导数和 Normalization +二阶导数
处理方法，就种仁含油率来说，RC大部分在 0. 6 ～
0. 8 之间，但因其 RCV值太低，模型稳定性差。因此
采用整个风干油茶种子建立的模型稳定性较差，效
果也不好。这可能是油茶籽体积较大，相邻种子间
存在较大空隙，影响到光谱有效吸收。建议在实际
应用上不采用该样品类型进行测定。
图 1 测试样品近红外光谱
Fig． 1 Near infrared spectrogram of samples
在第Ⅱ组样品模型参数结果中，RC值和 RCV值
的比较高，均在 0. 85 以上。其中 MSC +二阶导数、
SNV +一阶导数这 2 种处理方法 RC值最高，分别为
0. 94 和 0. 93，且 RCV值也较高，分别为 0. 90 和
0. 91，考虑 RC值和 RCV值越接近，模型越好。因此，
可选择 SNV + 一阶导数为第Ⅱ组光谱数据最佳处
理方法。
在第Ⅲ组样品模型参数结果中，RC值和 RCV值
也比较高，均在 0. 90 以上。其中 Normalization +二
阶导数、SNV +一阶导数这 2 种与处理方法 RC值最
高，达到 0. 95，同时 RCV值也较高，分别为 0. 95 和
0. 94，同样考虑 RC值和 RCV值越接近，模型越好。
所以也可选择 SNV + 一阶导数为第Ⅲ组光谱数据
最佳处理方法。
表 1 不同光谱预处理方法获得的种仁含油率模型参数
Tab． 1 The model parameters of oil content in kernel in different spectral pretreatment method
预处理方法
Pretreatment method
模型参数 /Model parameters
第Ⅰ组 GroupⅠ 第Ⅱ组 GroupⅡ 第Ⅲ组 GroupⅢ
RC RMSEC RCV RMSECV RC RMSEC RCV RMSECV RC RMSEC RCV RMSECV
乘积分散校正法 MSC 0. 83 1. 10 0. 67 1. 53 0. 91 0. 85 0. 89 0. 94 0. 91 0. 84 0. 91 0. 86
乘积分散校正法 +一阶导数 MSC + first derivative 0. 76 1. 36 0. 58 1. 81 0. 92 0. 81 0. 90 0. 92 0. 94 0. 68 0. 93 0. 74
乘积分散校正法 +二阶导数 MSC + second derivative 0. 76 1. 25 0. 53 1. 80 0. 94 0. 69 0. 90 0. 88 0. 94 0. 69 0. 93 0. 73
标准化处理法 Normalization 0. 76 1. 28 0. 58 1. 71 0. 91 0. 83 0. 89 0. 93 0. 91 0. 83 0. 91 0. 85
标准化处理法 +一阶导数
Normalization + first derivative
0. 79 1. 19 0. 62 1. 63 0. 90 0. 90 0. 89 0. 95 0. 94 0. 69 0. 93 0. 76
标准化处理法 +二阶导数
Normalization + second derivative
0. 79 1. 24 0. 57 1. 77 0. 93 0. 77 0. 88 0. 97 0. 95 0. 60 0. 94 0. 69
标准正态变量转换法 SNV 0. 73 1. 45 0. 53 1. 93 0. 90 0. 90 0. 87 1. 01 0. 91 0. 85 0. 91 0. 85
标准正态变量转换法 +一阶导数
SNV + first derivative
0. 70 1. 54 0. 50 2. 01 0. 93 0. 72 0. 91 0. 84 0. 95 0. 61 0. 94 0. 68
标准正态变量转换法 +二阶导数
SNV + second derivative
0. 67 1. 59 0. 34 2. 27 0. 93 0. 74 0. 90 0. 89 0. 93 0. 74 0. 90 0. 89
3
林 业 科 学 49 卷
2. 3 最佳回归方法处理结果的比较
上述分析结果已确定 SNV + 一阶导数为光谱
数据最佳预预处理方法。因此采用该方法对光谱数
据进行预处理，软件自动优化的最优波段为 960 ～
1 640 nm，然后分别利用偏最小二乘法( PLS)和主
成份分析法(PCR)中的回归方法来建立光谱模型，
并采用 RC，RMSEC，RCV，RMSECV等 4 个指标值进行模
型评价，筛选出最佳回归方法。处理分析结果见
表 2。
从表 2 可看出，采用偏最小二乘法( PLS)回归
分析中的 RC，RMSEC，RCV，RMSECV等 4 个指标都优于
采用主成分分析法(PCR)的回归分析结果。各定标
模型具有较高的相关系数，RC都在 0. 93 以上，定
标集交互验证标准误差 RMSECV值都较小，分别为
0. 84 和 0. 68。可见各模型的预测效果都较好，模型
比较稳定。因此，偏最小二乘法(PLS)中的回归分
析方法是油茶种子含油率近红外分析的最佳回归
方法。
表 2 不同回归方法的比较
Tab． 2 The comparison of different regression methods
数据预处理方法 Data pretreatment methods 回归方法 Regression methods
模型参数 Model parameters
RC RMSEC RCV RMSECV
第Ⅱ组 偏最小二乘法 0. 93 0. 72 0. 91 0. 84
标准正态变量转换法 +一阶导数 PLS
GroupⅡ 主成分分析法 0. 92 0. 80 0. 90 0. 88
SNV + first derivative PCR
第Ⅲ组 偏最小二乘法 0. 95 0. 61 0. 94 0. 68
标准正态变量转换法 +一阶导数 PLS
GroupⅢ 主成份分析法 0. 95 0. 65 0. 94 0. 71
SNV + first derivative PCR
2. 4 油茶籽含油量近红外定标模型的建立
根据光谱数据最佳处理方法和回归模型建立，
采用马氏距离、主因素分析图、光谱残差图及浓度残
差图等分析结果剔除特异样品，以获得相关系数最
大和预测误差最小的定标模型。由图 2 可看到，
150 份茶籽样品种仁含油率的化学测定值范围为
45. 6% ～ 66. 5%，各定标预测模型基本涵盖了茶籽
种仁含油量的范围，含油量分布十分均匀。因此，
本定标模型适用的线性范围为 45. 0% ～ 70. 0%。
图 2 含油量检验集散点
Fig． 2 The plot of scatter point for oil content of maize in validation set
2. 5 油茶籽含油量近红外定标模型验证
随机选取 10 份未知样品进行平行比较试验，
分别用常规方法和建立的模型测定其化学值和检验
模型的精度，分析结果见表 3，4。
从表 3，4 得出，利用近红外光谱技术测定茶籽
含油率是可行的，其中用粉碎种仁测定效果最好，
与常规化学分析测量结果之间的相关系数为 R =
0. 98，预测标准偏差为 0. 33。因此基本可代替常规
测试方法; 而用整颗种仁建立的定标模型与常规化
学分析测量结果之间的相关系数为 R = 0. 88，预测
标准偏差为 0. 91，因此也代替常规测试方法，但误
差稍偏大，可用于测定准度要求相对不高而比较珍
贵、量少的样品。
4
第 4 期 奚如春等: 基于近红外光谱的油茶种子含油量定标模型构建
表 3 常规法测定值和近红外预测值比较
Tab． 3 Comparison of value between conventional and the near infrared predicted
样品
序号
Sample
No．
测定值(常规法)
Value (Conventional)
(% )
预测值(第Ⅱ组)
Predicted value
(GroupⅡ)
(% )
预测值(第Ⅲ组)
Predicted value
(GroupⅢ)
(% )
预测值与常规测定值差异
(第Ⅱ组)
Differences of the value
(GroupⅡ)
预测值与常规法测定值差异
(第Ⅲ组)
Differences of the value
(GroupⅢ)
1 60. 40 61. 34 60. 89 0. 94 0. 49
2 61. 79 60. 75 61. 92 － 1. 04 0. 13
3 57. 92 56. 69 57. 33 － 1. 23 － 0. 59
4 63. 34 63. 12 63. 42 － 0. 22 0. 08
5 58. 83 59. 61 58. 78 0. 78 － 0. 05
6 60. 56 61. 32 60. 79 0. 76 0. 23
7 59. 95 60. 94 59. 86 0. 99 － 0. 09
8 62. 47 62. 86 62. 44 0. 39 － 0. 03
9 60. 33 61. 06 60. 41 0. 73 0. 08
10 59. 78 58. 68 60. 39 － 1. 10 0. 61
表 4 常规法测定值与近红外预测值的相关系数
Tab． 4 Correlation coefficient of value between
conventional and the near infrared predicted
组别
Groups
相关系数
Correlation
coefficient(R)
验证集预测标准
偏差 SEP
第Ⅱ组 GroupⅡ 0. 88 0. 91
第Ⅲ组 GroupⅢ 0. 98 0. 33
3 结论与讨论
1) 本研究采用瑞典波通公司生产的新型固定
光栅连续光谱分析仪(DA7200)具有较强的穿透力，
涵盖了最具有穿透力的短波近红外区和信号较丰富
的长波近红外区域的主要部分。仪器采用固定全息
波长扫描和二极管阵列检测技术，确保无移动光栅
的波长漂移，采集光谱数据的同时检测和并行处理
所有波长信息。DA7200 优化及精确的设计使其适
用于快速无损分析样品物理和化学特性，进行定性
和定量的检测。
2) 光谱数据利用标准正态变量转换法( SNV)
可消除散射影响，并经过一阶导数处理能提高光谱
数据处理精度。因此，光谱数据预处理的最佳处理
方法是标准正态变量转换(SNV) +一阶导数法。通
过采用偏最小二乘法( PLS)、主成分分析法 ( PCR)
回归方法来建立模型，PLS 的 RC，RMSEC，RCV，
RMSECV等 4 个评价指标都优于 PCR。所以 PLS 应为
茶籽含油率近红外分析的最佳回归方法。
3) 研究表明采用风干带壳种子(第Ⅰ组)进行
测定，建立的模型与常规法测量值之间相关系数和
标准偏差都不理想，与张晓芳等(2007)中利用整粒
毛棉籽建立出含水率、含油率和出仁率的模型等研
究结果存在一定的差异，可能是茶籽大小和种仁厚
度不均以及种壳致密而坚硬、种壳和种仁间的空隙
差异影响近红外光的穿透。因此建议不采用该样品
类型进行测定; 第Ⅱ组是采用风干种子去壳后的整
颗种仁进行测定，建立的模型与常规法测量值之间
的相关系数为 0. 88，预测标准偏差为 0. 91，虽然预
测精度稍低，但可用于测定准度要求相对不高而比
较珍贵和量少的测试样品; 第Ⅲ组是采用粉碎种仁
进行测定，建立的模型与常规法测量值之间的相关
系数为 0. 98，预测标准偏差为 0. 33。因此可代替
常规测试方法。
4) 第Ⅱ组和第Ⅲ组的近红外测定效果比较好，
由此建立的定标模型也比较稳定，由于 150 个标样
的茶籽种仁含油量范围为 45. 6% ～ 66. 5%，平均值
为 60. 2%，因此本定标模型适用的线性范围为
45. 0% ～ 70. 0%，基本覆盖了油茶种仁含油量的范
围，可用于生产检测。
5) 近红外光谱油茶含油率定标模型的建立，
克服了以往常规测定含油率的方法(索氏提取法)
测定时间长的缺点(2 个测定样品各 3 次重复需耗
时 5 h)，可为我国油茶含油量的测定提供一种新型
测试方法。
6) 近红外光谱定标模型建立要求样品量越大
越好，这样建立的模型比较稳定，其得出的预测值
与常规法测得值的误差越小。为了进一步提高模型
的稳定性，降低误差，还需继续加大样品量的收
集，特别是补充含油率低和高的样品以修正定标
模型。
参 考 文 献
方 彦，王汉宁 ． 2007．利用近红外光谱法测定玉米籽粒含油量的研
究 ．西北农业学报，16(1) : 111 － 113．
甘 莉，孙秀丽，金 良，等 ． 2003． NIRS 定量分析油菜种子含油
5
林 业 科 学 49 卷
量、蛋白质含量数学模型的创建 ．中国农业科学，36(12) : 1609
－ 1613．
高建芹，张洁夫，浦惠明，等 ． 2007． 近红外光谱法在测定油菜籽含
油量及脂肪酸组成中的应用 ． 江苏农业学报，23 ( 3 ) : 189
－ 195．
顾伟珠，汪延祥 ． 1995．多元线性回归法分析油菜籽含油量的近红外
光谱数据 ．中国粮油学报，10(2) : 57 － 64．
李 钧，王宁惠，余青兰，等 ． 2006． 傅立叶变换近红外光谱技术分
析完整油菜籽含油量数学模型的建立 ． 青海大学学报: 自然科
学版，24(6) : 28 － 30．
李 宁，闵顺耕，覃方丽，等 ． 2004． 近红外光谱法非破坏性测定黄
豆籽粒中蛋白质、脂肪含量 ． 光谱学与光谱分析，24 (11 ) : 45
－ 49．
陆婉珍 ． 2007．现代近红外光谱分析技术 ． 2 版 ． 北京: 中国石化出版
社，174 － 184．
王海莲，万向元，胡培松，等 ． 2005．稻米脂肪含量近红外光谱分析
技术研究 ．中国农业科学，38 (8) : 1540 － 1546．
汪旭升，陆 燕，吴建国 ． 2001．近红外光谱分析法(NIRS)测定棉籽
粉中油分含量的研究 ．浙江农业学报，13(4) : 218 － 222．
原姣姣，王成章，陈虹霞，等 ． 2011． 近红外漫反射光谱法测定油茶
籽含油量的研究 ．林产化学与工业，31(3) : 28 － 32．
张晓芳，俞 信，闫吉祥，等 ． 2007． 近红外反射技术开放式检测棉
籽中水分和油含量的研究 ． 光谱学与光谱分析，27 (3 ) : 473
－ 476．
Greenwood C F，Allen J A，Leong A S，et al． 1999． An investigation of
the stability of NIRS calibrations for the analysis of oil content in
whole seed canola． Canberra， Australia: 10 th International
Rapeseed Congress．
Hartwig R A，Charles R． 1990． Near-infrared reflectance measurement of
moisture，protein and oil content of crambe seed． JAOCS，67(7) :
667 － 672．
Misra J B，Mathur R S，Bhatt D M． 2000． Near-infrared spectroscopy: A
potential tool for non-destructive determination of oil content in
groundnuts． Journal of the Science of Food and Agriculture，80(2) :
237 － 240．
Norrise K H，Barness R F，Moore J E，et al． 1976． Prediction forage
quality by NIRS． Journal of Animal Science，43(3) : 899 － 897．
Wei L M，Jiang H Y，Li J H，et al． 2005． Predicting the chemical
composition of intact kernels in maize hybrids by near-infrared
reflectance spectroscopy． Spectroscopy and Spectral Analysis，25
(9) : 1404 － 1407．
(责任编辑 郭广荣)
6