接近红外光谱模型的发展和解释性分析,用于在狐尾小米中预测脂肪和蛋白质[Setaria italica (L.) Beauv.]

科学领域:

• 农业科学 农业科学
• 分析化学 分析化学
• 生物技术是生物技术.

背景情况:

• 狐尾小米的营养质量取决于脂肪和蛋白质含量.
• 分析这些组件的传统方法是缓慢和破坏性的.
• 质量评估需要快速,非破坏性和可解释的模型.

研究的目的:

• 开发快速,非破坏性的模型来预测狐尾小米的脂肪和蛋白质含量.
• 用Sparrow搜索算法识别影响脂肪和蛋白质含量的关键波长.
• 为了解释这些波长的贡献,使用夏普利添加式扩展.

主要方法:

• 对214个狐尾小米样本进行光谱分析 (种类Changnong No. 47). 这是一个很好的例子.
• 搜索算法用于选择稳定的关键波长.
• 部分最小平方回归 (PLS),随机森林 (RF) 和支持向量机用于定量建模.
• 为了模型的可解释性,夏普利添加式解释 (SHAP).

主要成果:

• 确定了13个关键波长用于脂肪含量预测.
• 确定了15个关键波长用于蛋白质含量预测.
• 射频模型实现了最好的脂肪预测 (R _{P 2 = 0.797),以及蛋白质的PLS (R P 2 = 0.695).}

结论:

• 建立了一种可靠的方法来快速,非破坏性地分析狐尾小米脂肪和蛋白质含量.
• 搜索算法和SHAP提供了有效的波长选择和模型可解释性.
• 这种方法适用于用于营养成分分析的其他谷物.