检索
E-mail
RSS
高级检索 图表检索

当期目录 我要投稿 过刊浏览
高级检索 图表检索

作物杂志,2026, 第2期: 247–252 doi: 10.16035/j.issn.1001-7283.2026.02.031

• 农业信息技术 • 上一篇    下一篇

花生籽仁含油量单粒近红外光谱预测模型的建立

任建军1,2(), 乔亲哲1, 李小蓓1, 张开元1, 邓立苗3, 王轩慧3, 唐艳艳1,2, 王晶珊1,2, 乔利仙1,2()   

  1. 1青岛农业大学农学院/中美花生品质改良国际合作联合实验室， 266109， 山东青岛
    2东营青农大盐碱地高效农业技术产业研究院， 257091， 山东东营
    3青岛农业大学理学与信息科学学院， 266109， 山东青岛
  • 收稿日期:2025-01-16 修回日期:2025-05-12 出版日期:2026-04-15 发布日期:2026-04-16
  • 通讯作者: 乔利仙，研究方向为作物遗传育种，E-mail：lxqiao73@163.com
  • 作者简介:任建军，研究方向为作物遗传育种，E-mail：1725584182@qq.com
  • 基金资助:
    青岛市科技局中央引导地方科技发展专项(23-1-3-8-zyyd-nsh);山东省自然基金(ZR2024GC021);山东省重点研发计划(2021LZGC026-07);山东省盐碱地产业技术体系(SDAIT-29-03)

Establishment of a Near-Infrared Spectroscopy Model for Predicting Oil Content of Single Peanut Kernels

Ren Jianjun1,2(), Qiao Qinzhe1, Li Xiaobei1, Zhang Kaiyuan1, Deng Limiao3, Wang Xuanhui3, Tang Yanyan1,2, Wang Jingshan1,2, Qiao Lixian1,2()   

  1. 1College of Agriculture, Qingdao Agricultural University / International Cooperation Laboratory for Peanut Quality Improvement between China and US, Qingdao 266109, Shandong, China
    2Academy of Dongying Efficient Agricultural Technology and Industry on Saline and Alkaline Land in Collaboration with Qingdao Agricultural University, Dongying 257091, Shandong, China
    3College of Sciences and Information Sciences, Qingdao Agricultural University, Qingdao 266109, Shandong, China
  • Received:2025-01-16 Revised:2025-05-12 Online:2026-04-15 Published:2026-04-16

RichHTML

4

PDF (PC)

13

摘要：

花生含油量属于复杂性状，容易受到环境条件的影响而发生变化，在育种过程中对花生籽仁进行含油量检测至关重要。选取宇花18号（高油）与AT215（低油）杂交构建的重组近交系群体中150个家系为材料，利用Antaris Ⅱ型傅立叶近红外仪对花生单粒籽仁进行光谱数据采集，并对扫描后的籽仁进行含油量测定，采用偏最小二乘法构建花生单粒籽仁含油量近红外检测模型。该模型内部验证均方差为1.04，相关系数（R2）=0.9589。选取群体外24份花生样品进行外部验证，R2=0.9730。选用宇花14号（高油）与花育20号（低油）杂交F2群体继续进行验证，对该模型与现有单粒模型测定值进行比较，2个模型含油量预测差值变化范围为-0.52%~ 1.92%，变异范围较小，满足含油量预测要求，可用于花生含油量筛选及品质检测。

关键词: 花生, 籽仁, 含油量, 单粒检测, 近红外模型

Abstract:

Peanut oil content is a complex trait, which is easily affected by environmental conditions. It is critically important to detect oil content of peanut kernels in peanut breeding. A total of 150 lines of recombinant inbred lines (RIL) derived from the cross between Yuhua 18 (high oil) and AT215 (low oil) were selected as materials, the spectral data of single-kernel was collected by Antaris II near infrared spectrometer, and the oil content was determined. A near-infrared (NIR) detection model on oil content for single-kernel oil content was established by partial least squares (PLS). The Root-Mean-Squares Error of Cross-Validation was 1.04 and the correlation coefficient (R2) was 0.9589. Twenty-four peanut samples with obvious difference in oil content were selected for external validation, and the R2 was 0.9730. Another F2 population from the cross between Yuhua 14 (high oil) and Huayu 20 (low oil) was used as the test population, whose oil content was determined by this model and the present single-kernel model. The variation range of predicted values from these two models was from -0.52% to 1.92%, showing a narrow variation range. This model is relatively small, and is reliable for oil content confirmation, which can be used for the oil content selection and quality detection of peanut.

Key words: Peanut, Kernel, Oil content, Detection on single kernel, NIR model

表1

150份花生样品含油量的化学测定值

编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content		 编号
Number		 含油量
Oil
content
1 63.03 23 56.07 45 61.81 67 56.86 89 57.62 111 48.75 133 58.91
2 57.84 24 59.15 46 55.54 68 56.96 90 53.15 112 53.25 134 58.93
3 64.13 25 51.23 47 52.98 69 55.20 91 51.23 113 47.88 135 59.39
4 52.37 26 52.15 48 54.06 70 51.77 92 55.63 114 49.46 136 59.74
5 53.91 27 48.51 49 58.40 71 53.53 93 61.33 115 49.57 137 56.79
6 52.43 28 56.52 50 55.24 72 54.41 94 54.33 116 49.77 138 59.94
7 56.30 29 54.36 51 57.33 73 58.97 95 51.28 117 49.91 139 59.97
8 56.59 30 55.30 52 51.39 74 54.53 96 52.81 118 49.95 140 60.06
9 53.36 31 57.61 53 49.43 75 60.49 97 54.19 119 50.03 141 62.67
10 58.71 32 60.25 54 52.77 76 59.25 98 50.64 120 50.06 142 61.89
11 63.23 33 57.15 55 56.16 77 62.78 99 54.34 121 52.38 143 58.68
12 65.57 34 59.93 56 58.85 78 58.77 100 51.42 122 53.15 144 60.32
13 58.19 35 57.34 57 56.78 79 64.97 101 52.83 123 52.79 145 55.76
14 56.98 36 57.93 58 50.09 80 60.15 102 60.77 124 53.32 146 54.38
15 57.18 37 57.32 59 55.07 81 63.76 103 60.22 125 53.42 147 54.55
16 58.25 38 52.59 60 49.88 82 50.05 104 56.82 126 54.45 148 56.77
17 56.48 39 52.00 61 50.77 83 48.24 105 55.06 127 54.60 149 56.80
18 55.87 40 49.03 62 51.83 84 53.19 106 47.81 128 54.63 150 61.09
19 50.80 41 51.03 63 50.64 85 50.81 107 48.36 129 54.76
20 48.93 42 49.28 64 56.23 86 54.26 108 57.63 130 54.77
21 54.11 43 58.54 65 55.16 87 53.70 109 48.70 131 54.81
22 53.19 44 54.91 66 55.32 88 50.07 110 48.73 132 58.89

图1

150份花生样品含油量的方差分析

图2

花生样品的近红外光谱区间

图3

原始光谱曲线优化

图4

花生单粒籽仁含油量近红外模型构建

图5

验证材料化学值与预测值相关性分析

表2

单粒模型与多粒模型预测值比较

编号
Number		 含油量（多粒）
Oil content
(multi-kernel)		 含油量（单粒）
Oil content
(single-kernel)		 含油量差值
Oil content
difference
B1 50.08 49.05 1.03
B2 49.52 49.29 0.23
B3 50.47 49.36 1.11
B4 50.81 50.40 0.41
B5 48.51 48.66 -0.15
B6 48.85 49.78 -0.93
B7 49.08 49.78 -0.70
B8 50.24 49.82 0.42
B9 48.90 49.99 -1.09
B10 50.35 50.03 0.32
B11 50.25 50.04 0.21
B12 49.36 50.16 -0.80
B13 50.17 50.22 -0.05
B14 49.09 50.24 -1.15
B15 51.15 50.31 0.84
B16 50.14 50.32 -0.18
B17 49.82 50.38 -0.56
B18 51.12 50.41 0.71
B19 51.66 50.55 1.11
B20 51.60 50.63 0.97

图6

IBM SPSS方差分析结果 (a) 原有模型，(b) 新建模型。

[1] 廖伯寿. 我国花生生产发展现状与潜力分析. 中国油料作物学报, 2020, 42(2):161-166.
[2] 任小平, 姜慧芳, 王圣玉, 等. 野生花生高油基因资源的发掘与鉴定. 中国油料作物学报, 2010, 32(1):30-34.
[3] 胡美玲. 花生籽仁含油量的遗传分析与QTL定位. 北京: 中国农业科学院, 2022.
[4] 李帅, 贺群岭, 雷红霞, 等. 不同检测方法对花生粗脂肪含量的检测分析. 粮食科技与经济, 2020, 45(9):85-88,96.
[5] 于伶伶, 谭亚军, 赵甲慧, 等. 近红外光谱技术在食品领域的研究进展. 食品安全导刊, 2022(29):177-180.
[6] 吕建伟, 饶庆琳, 姜敏, 等. 花生籽仁油酸、亚油酸含量近红外模型构建及育种应用. 中国油料作物学报, 2023, 45(2):399-406.
doi: 10.19802/j.issn.1007-9084.2022041
[7] 甘莉, 孙秀丽, 金良, 等. NIRS定量分析油菜种子含油量、蛋白质含量数学模型的创建. 中国农业科学, 2003, 36(12):1609-1613.
[8] 纪红昌, 邱晓臣, 柳文浩, 等. 花生籽仁含油量近红外模型的构建及其应用. 中国油料作物学报, 2022, 44(5):1089-1097.
doi: 10.19802/j.issn.1007-9084.2021205
[9] 赵星, 张嘉楠, 张一鸣, 等. 花生籽仁蔗糖含量近红外光谱快速测定方法研究. 中国油料作物学报, 2025, 47(1):226-233.
doi: 10.19802/j.issn.1007-9084.2023251
[10] 韩宏伟, 王传堂, 符明联, 等. 11个单粒花生脂肪酸近红外定量分析模型构建. 中国油料作物学报, 2023, 45(2):407-412.
doi: 10.19802/j.issn.1007-9084.2022054
[11] 李建国, 薛晓梦, 张照华, 等. 单粒花生主要脂肪酸含量近红外预测模型的建立及其应用. 作物学报, 2019, 45(12):1891-1898.
[12] 胡美玲, 郅晨阳, 薛晓梦, 等. 单粒花生蔗糖含量近红外预测模型的建立. 作物学报, 2023, 49(9):2498-2504.
doi: 10.3724/SP.J.1006.2023.24241
[13] Zhang S T, Xue L, Wang D, et al. Rapid determination of oil content of single peanut seed by near-infrared hyperspectral imaging. Oil Crop Science, 2024, 9(4):220-224.
doi: 10.1016/j.ocsci.2024.05.002
[14] 中华人民共和国农业农村部. 油料种籽含油量的测定残余法:NY/T 1285—2007. 北京: 中国标准出版社, 2007.
[15] Dubrovkin J. Linear transformations of multivariate calibration models in near infrared spectroscopy: a comparative study. Journal of Near Infrared Spectroscopy, 2017, 25(4):223-230.
doi: 10.1177/0967033517723253
[16] Lin M, Long M X, Li G L, et al. Analysis of peanut using near- infrared spectroscopy and gas chromatography-mass spectrometry; correlation of chemical components and volatile compounds. International Journal of Food Properties, 2016, 19(3):508-520.
doi: 10.1080/10942912.2015.1016575
[17] 赵思梦, 于宏威, 高冠勇, 等. 花生蛋白组分及其亚基含量近红外分析检测方法. 光谱学与光谱分析, 2021, 41(3):912-917.
[18] 张晓科, 王珊珊, 曲伟华. 近红外定量分析自然风干花生油酸和亚油酸及棕榈酸含量的探索. 农业开发与装备, 2017(7):76-77.
[19] 杨传得, 唐月异, 王秀贞, 等. 傅立叶近红外漫反射光谱技术在花生脂肪酸分析中的应用. 花生学报, 2015, 44(1):11-17.
[20] 张建成, 王传堂, 王秀贞, 等. 花生自然风干种子油酸、亚油酸和棕榈酸含量的近红外分析模型构建. 中国农学通报, 2011, 27(3):90-93.
[21] 张欣. 花生过氧化值、酸值和芥酸含量近红外分析模型构建及FAE1基因克隆. 郑州: 河南农业大学, 2018.
[22] 雷永, 王志慧, 淮东欣, 等. 花生籽仁蔗糖含量近红外模型构建及在高糖品种培育中的应用. 作物学报, 2021, 47(2):332-341.
doi: 10.3724/SP.J.1006.2021.04106
[23] 杨军军, 庞洪利, 韩宏伟, 等. 花生油油酸亚油酸含量近红外模型构建. 农业与技术, 2021, 41(15):4-7.
[24] 曲艺伟, 张鹤, 韩笑, 等. 花生脂肪酸近红外模型的建立. 分子植物育种, 2019, 17(2):568-578.
[25] 李鑫, 刘潇洋, 于复欣, 等. 花生籽仁花青素含量近红外模型的构建及应用. 中国粮油学报, 2024, 39(9):191-197.
[26] Yu H W, Liu H Z, Wang N, et al. Rapid and visual measurement of fat content in peanuts by using the hyperspectral imaging technique with chemometrics. Analytical Methods, 2016, 8(41):7482-7492.
doi: 10.1039/C6AY02029A
[1] 金路路, 徐敏, 王子胜, 吴晓东. 棉花/花生间作条件下群体冠层温光水特征及器官干物质生产特性比较研究[J]. 作物杂志, 2025, (5): 177–183
[2] 王亮, 王睿, 朱金成, 桑玉伟, 史彪, 郭嘉帅, 焦灰敏, 何宗铃, 水涌. 50份花生品种（系）幼苗期耐盐性分析[J]. 作物杂志, 2025, (5): 35–41
[3] 殷君华, 邓丽, 郭敏杰, 苗建利, 胡俊平, 李绍伟, 任丽. 基于BLUP值和GGE双标图对小粒花生品种的综合评价[J]. 作物杂志, 2025, (4): 118–125
[4] 吕荣臻, 买合木提·肉孜, 张勇, 买合木提·热木图拉, 牙尔买买提·阿力木, 张建成, 于天一. 外源激素及抑制剂对酸化土壤花生激素含量及生长发育的影响[J]. 作物杂志, 2025, (3): 218–224
[5] 于沐, 杨海棠, 胡延岭, 刘软枝, 石彦召, 李盼, 韩艳红, 朱桢桢, 李世忠, 郭振超. 花生产量组成的基因型与环境互作及稳定性分析[J]. 作物杂志, 2024, (6): 55–60
[6] 刘跃, 贾永红, 于月华, 张金汕, 王润琪, 李丹丹, 石书兵. 北疆氮肥运筹对花生生长发育、产量及品质的影响[J]. 作物杂志, 2024, (3): 119–126
[7] 修俊杰, 刘学良. 水氮互作对花针期花生生理特性及生长的影响[J]. 作物杂志, 2023, (6): 174–180
[8] 崔亚男, 张曼, 张朋磊, 刘兵, 郝西, 臧秀旺. H2O2对吸胀冷害下花生种子萌发的影响[J]. 作物杂志, 2022, (4): 236–241
[9] 刘卫星, 范小玉, 张枫叶, 贺群岭, 陈雷, 李可, 吴继华. 不同前茬和种衣剂用量对花生病虫害及产量的影响[J]. 作物杂志, 2021, (6): 199–204
[10] 蔺儒侠, 郭凤丹, 王兴军, 夏晗, 侯蕾. 花生分子育种研究进展[J]. 作物杂志, 2021, (5): 1–5
[11] 于天一, 郑亚萍, 邱少芬, 姜大奇, 吴正锋, 郑永美, 孙学武, 沈浦, 王才斌, 张建成. 酸化土壤施钙对不同花生品种（系）钙吸收、利用及产量的影响[J]. 作物杂志, 2021, (4): 80–85
[12] 周菲, 王文军, 刘岩, 马军, 王静, 吴立仁, 关洪江, 黄绪堂. 向日葵籽仁脂肪和脂肪酸含量近红外光谱模型的建立[J]. 作物杂志, 2021, (2): 200–206
[13] 王通, 赵孝东, 甄萍萍, 陈静, 陈明娜, 陈娜, 潘丽娟, 王冕, 许静, 禹山林, 迟晓元, 张建成. 花生TCP转录因子的全基因组鉴定及组织表达特性分析[J]. 作物杂志, 2021, (2): 35–44
[14] 索炎炎, 张翔, 司贤宗, 李亮, 余琼, 余辉. 施用磷和钙对花生生长、产量及磷钙利用效率的影响[J]. 作物杂志, 2021, (1): 187–192
[15] 刘栋, 马琴, 李爱荣, 郭娜, 马建富, 乔海明, 苗红梅. 亚麻种质资源种子形态性状与含油量的分析与评价[J]. 作物杂志, 2020, (3): 34–41
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!