[发明专利]一种纤维生物质的快速分析方法

说明书

技术领域

本发明属于纤维生物质分析与利用领域；更具体地，本发明涉及一种纤维生物质的快速分析方法。

背景技术

纤维生物质是地球上最丰富的可再生资源。近年来，随着能源、环境问题的日益凸显，纤维生物质的综合利用正受到越来越广泛的关注。由于纤维生物质成分多样，结构复杂，其分析测定技术长期制约着相关基础研究和应用技术的发展。

传统的纤维生物质分析测定方法建立在化学分析、色谱-质谱联用技术基础上，这类方法固有的程序复杂、时间长、费用高等缺点限制了其在基础研究、工农业生产领域的推广和应用。

因此，本领域迫切需要开发分析程序简单、耗时短、费用低廉的分析测定纤维生物质的方法。

发明内容

本发明的目的在于提供一种纤维生物质的快速分析方法。

在本发明的第一方面，提供一种纤维生物质的快速分析方法，所述方法包括：

(a)采集包含纤维生物质的待测样品的近红外光谱，获得光谱数据；

(b)将(a)获得的光谱数据输入数据模型，获得待测样品的化学参数(如某类化学成分含量或特征参数，具体如木质素含量，木质素组成结构，纤维素含量等)。

在一个优选例中，在400-2500nm波长范围内采集包含纤维生物质的待测样品的近红外光谱。

在另一优选例中，所述的光谱数据是近红外光谱各波长对应的漫反射光谱数据。

在另一优选例中，所述的数据模型如下建立：

(1)采集定标样品的近红外光谱，获得光谱数据；

(2)对定标样品的化学参数进行化学分析，获得化学数据；

(3)将(1)的光谱数据与(2)的化学数据进行综合，光谱定标，获得将光谱数据与化学数据相对应的数据模型。

在另一优选例中，步骤(1)中，对同一样品进行多次重复测量，以平均光谱作为该样品标准光谱。

在另一优选例中，所述的定标样品来源于不同生长地区、不同生长时间的木本植物。

在另一优选例中，步骤(1)中，对获得的光谱数据进行预处理以消除背景干扰(减少峰的波动和基线漂移)，包括(但不限于)平滑，微分，求导(如一阶和二介导数)，散点校正，SG算法。

在另一优选例中，步骤(3)中，在进行综合时，利用光谱定标软件。

在另一优选例中，步骤(3)中，在定标时，包括：将光谱数据与化学数据分别输入光谱定标软件；对该数据矩阵进行偏最小二乘法分析，从而建立光谱数据与化学数据之间的数据模型。

在另一优选例中，步骤(3)中，还包括对数据模型进行交互验证、校正或优化。

在另一优选例中，取已知化学成分的纤维生物质样品作为验证集，在与定标模型相同的条件下得到光谱数据，根据已建立的数据模型计算化学参数，经多组预测结果进行统计交互验证后，如结果达到相关标准规定的检测限时，确定该模型适用；如不能达到，则对校正模型重新进行回归计算，直到达到标准规定的检测限。

在另一优选例中，选择偏最小二乘法因子数(PLS)小于10(例如，PLS为7或8)的因子进行校正。

在另一优选例中，所述的化学参数包括(但不限于)：酸不溶木质素含量、综纤维素(Holocellulose，又称为总纤维素)含量、α-纤维素含量、S/G比值(紫丁香基木质素与愈创木基木质素的比例)、酶降解效率。

本发明的其它方面由于本文的公开内容，对本领域的技术人员而言是显而易见的。

附图说明

图1：建立数据模型的步骤流程图。

图2：一种代表性的近红外光谱图。将包含样品的样品杯置于近红外光谱仪上，对每个数据点的近红外漫反射强度值取平均值后得到一个样品的吸收光谱，然后将多个样品吸收光谱作在同一副图中。图中一共有279条光谱线，每一条线是通过平均32次扫描的结果获得的，每条线代表一个独立样品的光谱图。

图3：模型预测木质素含量结果图。纵坐标为预测值，横坐标为实际测量值。

图4：模型预测综纤维素含量结果图。纵坐标为预测值，横坐标为实际测量值。

图5：模型预测α-纤维素含量含量结果图。纵坐标为预测值，横坐标为实际测量值。

图6：模型预测木质素S/G比率结果图。纵坐标为预测值，横坐标为实际测量值。

图7：模型预测酶消化能力结果图。纵坐标为预测值，横坐标为实际测量值。