果的影響，此外，近紅外光譜掃描的時候受人為因素的影 響也較小，因此，本發(fā)明所提供的方法的重現性也很好。
【附圖說明】
[0042] 圖1為大米樣品近紅外光譜圖平均值原始圖。
[0043] 圖2為Fisher法建模中大米近紅外光譜前9個主成分的累積貢獻率。
[0044] 圖3為實施例3預處理后的大米近紅外光譜圖。
[0045] 圖4為實施例4預處理后的大米近紅外光譜圖。
[0046] 圖5為實施例4中主成分數與RMSE的關系。
【具體實施方式】
[0047] 下面結合具體實施例對本發(fā)明做進一步說明，但本發(fā)明不受實施例的限制。
[0048] 實施例1 :樣品的收集與預處理
[0049] 為確保試驗樣品品種和采樣地域的真實性與代表性，試驗樣品的采集選擇在水稻 田中直接代表性取樣，采樣時間選擇在水稻成熟期后、農戶收割水稻前完成，每個采樣點每 個品種采集2kg水稻，記錄采樣地點、品種等信息。采樣地點選擇2012年黑龍江大米5個 主產區(qū)包括齊齊哈爾市、雙鴨山市、牡丹江市、五常市、佳木斯市，分別選擇其主產縣、主產 鄉(xiāng)（鎮(zhèn)或農場）、主產村（屯）的大面積種植地塊，品種選擇5個主產區(qū)的主栽品種。所有 試驗品種均為粳米，共118份試驗樣品，樣品采集的具體情況見表1。
[0050] 表1樣品信息表
[0051]
[0052] 將從稻田采集的水稻進行晾曬，待水稻曬干后挑出石頭、雜草等雜質，經過礱谷、 碾米過程制成精米。用旋風式磨粉機粉碎，過60目篩，得到大米粉末預處理樣品。
[0053] 實施例2近紅外光譜圖譜的采集
[0054] 本實施例采用瑞典波通儀器公司的DA7200型固定光柵連續(xù)光譜近紅外分析儀 對采集的大米樣品進行光譜掃描，選擇了儀器自帶的Simplicity光譜采集軟件采集大米 樣品的近紅外光譜信息，近紅外光譜儀測試條件見表2。用于樣品建模與分析的軟件選擇分 析儀配備的Unscrambler9. 7光譜分析軟件。
[0055] 表2近紅外光譜儀測試條件
[0056]
[0057] 將近紅外分析儀接通電源，打開開關，預熱30min，將樣品自然傾倒進樣品盒中并 過量加入，然后將樣品盒口用鋼尺刮平，使樣品在杯中分布均勻，以保證重復測量的精準 度。將樣品盒放入儀器中并立即進行光譜掃描，以防樣品水分蒸發(fā)。
[0058] 對大米樣品進行近紅外光譜掃描，找到最佳掃描參數后進行原始圖譜庫的建立。 本實施例的掃描參數為分辨率5nm，掃描范圍為950-1650nm，每個樣品的掃描次數為3次， 每個樣品得到3條近紅外光譜圖。將樣品所有的近紅外原始光譜圖存入計算機中，用于作 為本實施例大米產地溯源中的建模模型和驗證模型的光譜圖。取平均值后的近紅外原始光 譜圖如圖1，即建立的大米近紅外光譜庫。由圖1可以看出1450nm處是水分二倍頻的特征 峰，水分含量是近紅外圖譜的主要干擾因素，所以在建立產地溯源模型研究時，應先將水分 峰扣除在進行研究。由圖1還可以看出990nm、1540nm和1580nm處是淀粉的特征峰。
[0059] 對所有樣本進行9點二階求導結合7點平滑預處理后，對全光譜范圍進行分段選 擇最佳波長范圍進行建模。在950~1650nm范圍內，以100nm為間隔分成7個波段，確定 不同波段的建模效果。對全光譜950~1650nm范圍和分選光譜范圍內，建立Fisher模型 和PLS-DA模型，Fisher模型采用識別率和預測正確率為模型評判標準；PLS-DA模型采用 RMSEC和R2的為模型評判標準，比較各個波段的樣本建模的結果，結果如表3和表4。結果 表明在不同的波長范圍內，PLS-DA模型的RMSEC和R2的差異較大，根據RMSEC數值越小、 R2數值越大，對應的波長范圍越適合建立模型的規(guī)則，可知分段波長范圍建模效果最好的 是1150~1250nm，RMSEC和R2分別為0. 147和0. 955。對比全波長范圍建立模型的效果， 發(fā)現全波長建立模型的效果更好，所以本實施例選擇全波長范圍950~1650nm進行PLS-DA 模型的建立。
[0060] 表3不同波長范圍對Fisher法建模效果的影響
[0061]
[0062] 對本實施例中的齊齊哈爾市、雙鴨山市、牡丹江市、五常市、佳木斯市全部樣本進 行主成分分析，結果如圖2。由圖2可以看出，主成分位數為2時，累積貢獻率達到了 99 %。 全光譜的主成分數為9時，累計貢獻率為100%，證明了可用全光譜進行建立Fisher判別方 程溯源模型。
[0063] 表4不同波長范圍對PLS-DA法建模效果的影響
[0064]
[0065] 實施例3基于Fisher判別法數學模型的建立
[0066] 1.樣品的分配、近紅外光譜圖的采集和預處理
[0067] 本實施例選擇2012年黑龍江齊齊哈爾市、雙鴨山市、牡丹江市、五常市、佳木斯市 5個地域共118份樣品進行Fisher判別法產地判別模型的建立。選擇全部樣本量的2/3樣 本作為建模樣本用于建立模型，1/3樣本作為預測樣本集用于驗證模型。各地用于建模和預 測的樣本數見表5。
[0068] 表5基于Fisher判別法數學模型建模與預測樣品表
[0069]
[0070] 本實施例近紅外光譜圖像的采集與實施例2中的方法相同，近紅外圖譜的預處理 選擇9點二階求導和5點平滑對近紅外原始光譜進行預處理，預處理后的近紅外光譜圖如 圖3。
[0071] 2.Fisher自變量的篩選
[0072] 在建立識別模式函數時，對所有樣本采用SRA建立Fisher判別函數。對所有樣本 進行主成分分析，選擇Wilk'sA統(tǒng)計量的方法最終建立5個判別函數。表6是構成函數的 主成分數、Wilk'sA和F檢驗值。
[0073] 表6構成函數的3個主成分的Wilk'sX和F檢驗值
[0074]
[0075] 3?模型的建立
[0076] 應用SPSS18. 0軟件分析中的分類判別建立Fisher判別函數。由于樣本分為齊 齊哈爾市、雙鴨山市、牡丹江市、五常市、佳木斯市5個地域，所以需要建立5類判別函數，分 別為F1，F2，F3，F4和F5,函數見表7。將樣本的主成分別帶入5類判別函數中計算其分值， 根據分值判斷其所屬類別，多屬于多種類別，取最大值的類別。
[0077] 表7用于鑒別五個地域大米樣品的Fisher識別函數
[0078]
[0079] 4?模型的校正
[0080] 利用識別函數Fl，F2,F3,F4和F5分別對40個預測樣本進行判別，確定識別函 數對預測樣本的分類效果。另外為了全面的檢測模型的預測能力，本研究還選擇了留一交 叉驗證法對建立的模型進行驗證，即從78個樣本中隨機抽取1個進行判別，用剩下的77 個樣本建模型后對其產地進行鑒別，鑒別結果見表8。結果表明，5個地域的留一交叉驗 證和預測集校驗對全光譜建立模型的檢測結果分別為75. 0%、100. 0%、91. 7%、90. 0%和 98. 0%，100. 0%、100. 0%、83. 3%、80. 0%和 91. 7%。預測結果為 80% 以上，均達到了定性 判別的要求，初步說明利用Fisher法建立的判別模型可以用于黑龍江大米產地溯源鑒別 中。
[0081] 表8Fisher判別函數鑒別五個地域大米樣品的結果
[0082]
[0083] 實施例4基于PLS-DA法的數學模型的建立
[0084] 1.樣品的分配、近紅外光譜圖的采集和預處理
[0085] 本實施例樣品的分配、近紅外光譜圖的采集方法與實施例3中的方法一致，對所 采集的近紅外光譜圖的預處理采用9點二階求導結合7點平滑處理，預處理后的圖譜如圖 4所示。
[0086] 2.主成分數的確立
[0087] 在950-1650nnm波長范圍內對建模樣本建立PLS-DA模型，選擇RMSEC和 RMSEP(rootmeansquareerrorpr