随着人口激增和耕地日益紧张，确保粮食供应的挑战愈发严峻。为了应对这一挑战，专家们正加快步伐，致力于探索和优化技术解决方案，旨在提升粮食生产的整体水平，包括产量、质量和安全性。在本应用说明中，我们将详细阐述近红外光谱技术如何为食品和农业行业提供精确的数据支持，助力实现质量和效率的双重提升。
近红外光谱技术捕捉了分子在与近红外波段（大约800至2500纳米）光线相互作用时产生的振动，形成宽广的峰值。这些光谱为样本提供了一个全面的快照，使得在单一的近红外光谱中能够同时观察到多种成分的特征。借助化学计量学建模和机器学习等先进技术手段，我们可以从这些宽广的近红外峰值中提取丰富的信息，进而实现对化学成分的精确定量分析。
作为一种非破坏性的分析技术，近红外光谱能够直接测量液体和粉末，无需复杂的样品制备过程。这在监测加工过程中的谷物和其他食品样本尤其有用，因为在这些过程中，对脂肪、水分和蛋白质等关键参数的定量分析至关重要。鉴于此，近红外光谱仪常被集成到自动化的在线流程中，或作为一站式的质量控制和筛选解决方案的一部分。
在接下来的章节中，我们将展示两个案例，阐释如何利用海洋光学的模块化近红外光谱仪对农业样品和食品进行高效分析。这些实例将具体说明该技术在实际应用中的强大潜力和灵活性。
确保土壤特性的准确测定对于农民实现作物的最优种植和合理施肥至关重要。土壤等粗糙表面的反射率是识别其独特光谱特征的关键。
反射率指的是光线照射到材料表面后，在界面上反射回去的比率。那些未被样本反射的光线，将经历吸收、散射或透射的过程。土壤这类粗糙或无光泽的表面，表现出的是漫反射特性，光线在接触土壤后会向四面八方散射。
为了验证海洋光学近红外光谱仪对土壤反射率测量的灵敏度，我们选取了办公室附近挖掘的表层土壤进行了测试。我们的测量设备由一台NIRQuest+1.7近红外光谱仪（覆盖900至1700纳米波长范围）、一个高功率的卤钨灯光源、一个600微米反射/反向散射探头，以及一个Spectralon®漫反射标准组成。OceanView 2.0光谱分析软件为整个测量系统提供了完善的数据处理和分析能力。
通过这一精确的测量系统，我们能够深入理解土壤的光学特性，进而为农业生产提供更为科学的指导和帮助。
图1. NIRQuest+1.7光谱仪在900-1700 nm范围内测量了不同的土壤反射率特征。探针位置的微小移动和耦合差异导致反射绝对水平的不匹配。
土壤在近红外波段的反射率普遍较高，这种反射特性受到地表特征和土壤成分等多种因素的共同影响。借助高灵敏度的NIRQuest+1.7光谱仪，我们所获得的土壤反射数据展现出比同类设备更低的噪声水平，尤其在光谱的两端，这种低噪声的优势表现得尤为显著。令人印象深刻的是，即便在光谱仪的积分时间仅为5毫秒的条件下，我们依然能够捕捉到清晰的光谱特征（见图1）。这为进一步的化学分析和算法开发奠定了基础，使得用户能够准确测定土壤中的养分含量，并据此预测和规划施肥方案，以满足作物生长的需求。
此应用中我们使用紧凑的设计和强大的性能的线阵检测器光谱仪—NIRQuest，用于监测在表皮不可知其成熟度的香蕉和其他水果。NIRQuest的性能、 尺寸和耐用性使开发的近红外光谱技术应用从实验室可以直接转移到工厂车间。
对于被果皮包裹的果实或农产品，近红外分析所用的较长波长光因其较弱的吸收特性，能够轻松穿透果皮，深入到果肉内部进行采样。自这项技术最初在农业领域的应用以来，近红外光谱技术已经取得了显著的进步，涵盖了具有更高灵敏度的仪器、更为精细的采样技术，以及尖端的机器学习工具。这些进步使得我们能够将复杂的光谱数据转化为具有实际应用价值的成果。
通常测量淀粉和糖（主要是果糖、葡萄糖和蔗糖）来确定水果的成熟度和质量。虽然这些成分的峰值相似，但淀粉具有特定的波长，可以构建多参数模型来确定水果质量。像 海洋光学NIRQuest+2.5 这样的扩展范围近红外光谱仪可以很好地进行这些测量，因为它可以去除 1722 nm、2100 nm 和 2139 nm 附近的关键淀粉峰，以及主要出现在 900-1200 nm 之间的糖峰。取样配置对这些测量至关重要。
除了光谱仪之外，还需要一个高功率可见-近红外光源。此外，由于大部分光线会从水果表面散射，因此建议使用大芯径光纤（600 微米）来增加穿透力和提高灵敏度。其他考虑因素包括水果中吸收近红外波长的水分和样品中成分的不均匀分布。关于后者，建议在水果的大面积表面取样，以提供水果中成分的平均值。
我们测量了鳄梨和芒果在每个样品上的四个不同位置的近红外漫反射。由于水果的可变性质，进行了多次测量，以解释瘀伤，颜色不均匀和糖含量差异（由于阳光照射的差异）的影响。为了解释果实表面的不均匀性和变化，我们在水果表面的不同点进行更多的测量。
我们观察到，即使是相同水果类型的光谱也显示出光谱区域的变化，鳄梨在>~1100 nm的区域中更一致（图2）。虽然两种水果的光谱特征相似，但在整个光谱中观察到幅度的差异。在水果表面上的额外位置取样将有助于平均给定水果片的变异性，并提高结果的准确性和可重复性。
图2.芒果和鳄梨的近红外漫反射测量揭示了样品间的光谱变化
幸运的是，近红外技术的速度和 NIRQuest+2.5 光谱仪的灵敏度使用户可以对水果的更大表面区域进行采样，并进行更多的测量，而无需漫长的测量时间。从根本上说，光谱仪的高灵敏度相当于在更短的时间内获得出色的信噪比，从而可以在快速移动的传送带上（如食品分拣）或在工艺流程中进行测量。
虽然这里报告的结果是定性的，但精心构建的化学计量学模型或先进的算法可以对水果质量进行多参数的定量评估。利用一组良好的参考光谱和PLS（偏最小二乘法）建模，可以开发出一个校准模型来测量多个水果参数（糖、淀粉和其他水果成分），从而预测水果质量。
对于处理海量或复杂光谱数据集的用户，海洋光学 的 Ocean Intelligence 机器学习平台可对输入光谱进行快速特征化，并有可能提供另一层测量洞察力。该系统可根据已知的分析物和样品进行训练，将未知材料分类到相应的集合中，判断样品是否通过了某些质量控制协议，或输出分析物的浓度。这无需手工开发光谱模型和分析，有助于降低管理成本、提高质量并提供更深层次的保证。
借助改进的光谱硬件和分析工具，食品和农业行业可以享受到更深层次的分析，这种分析不再依赖人眼和直觉，而是用手指翻阅每一个数字位数据，在检测器上的每一个像素上对每个光谱仪扫描的整个数据阵列进行定点分析。现在，该系统可以发现以前遗漏的异常情况，并为更多相互交织的变量建立更智能、更精简的关联。
