SREM-CNN：一种基于近红外光谱的方法，通过光谱重组和跨区域耦合学习确定作物秸秆中的木质纤维素组成

《Infrared Physics & Technology》：SREM-CNN: A Near-Infrared Spectroscopy-Based method for Determining lignocellulosic composition in crop straw through spectral Reorganization and Cross-Region coupling learning

　　

摘要

对复杂木质纤维素基质的近红外（NIR）定量分析受到传统光谱处理方法的限制，传统方法将光谱视为一维序列，忽略了分布在不同 overtone（泛音）和 combination-band（组合带）区域中的物理相关信息。在这里，我们提出了一种光谱重组增强方法（SREM），用于引导基于光谱的学习表示。SREM 不是选择或减少变量，而是保留完整的测量光谱，并将其重新组织成三个通道，分别对应于 combination band 区域、第一 overtone 区域和第二 overtone 区域。经过独立归一化和对齐后，重组的光谱被用作卷积神经网络（CNN）的输入，以学习区域内的局部特征和区域间的耦合模式。使用来自小麦、玉米、水稻、油菜和棉花的 550 个秸秆样本（这些样本收集自多个省份并在两年内采集），对 SREM-CNN 模型进行了评估，以同时测定纤维素、半纤维素和木质素的含量。与代表性的线性方法、基于核的方法、集成方法和深度学习方法相比，SREM-CNN 分别将纤维素、半纤维素和木质素的独立测试均方根误差（RMSE）降低了 13.64%、13.91% 和 9.87%。基于 SHAP 的波长归因分析和包含-排除交互作用分析进一步表明，第一 overtone 区域和 combination-band 区域之间存在着最强的非线性耦合。这些结果表明，SREM 通过揭示跨区域的 overtone-combination band 协同作用来改进 NIR 定量建模，而不是通过减少变量来实现，为分子光谱分析提供了一种具有物理解释能力的表示策略。

引言

农作物秸秆是一种高产、分布广泛、成本低廉且可再生的生物质资源，其合理高效地利用对可持续发展和环境改善具有重要意义。[1]，[2] 纤维素、半纤维素和木质素是秸秆的三种主要成分，总共约占干质量的 75-90%。[3]，[4] 它们的含量和比例直接影响秸秆在不同最终用途应用中的适用性和转化效率。[5]，[6]，[7] 例如，在生物燃料生产中，纤维素和半纤维素可以水解成可发酵的糖，作为生物乙醇合成的核心底物[8]，而木质素由于其芳香聚合物结构，形成了一种物理屏障，阻碍了纤维素酶的接触，降低了生产效率并增加了加工难度。[9]，[10] 在反刍动物饲料应用中，木质纤维素的含量和组成直接影响饲料摄入量和能量转化效率。[11]，[12] 因此，快速、准确和实时的纤维素、半纤维素和木质素含量分析[13] 是过程优化和大规模生产的关键瓶颈。

目前，纤维素、半纤维素和木质素的定量分析通常使用由国家可再生能源实验室（NREL）建立的兩步酸水解方法结合高效液相色谱（HPLC）进行，在该方法中，通过量化水解物中的单糖和酸不溶性残留物来确定结构碳水化合物和木质素。[14]，[15] 然而，这种方法涉及繁琐的样品预处理、冗长的分析周期以及较高的试剂和耗材成本，无法满足在过程优化和大规模生产过程中快速获取木质纤维素组成数据的需求。[16] 近红外（NIR）光谱技术——具有快速分析、样品制备简单以及可以直接集成到生产线中的优点[17]——为解决这一需求提供了一种可行的技术途径。[18]。

先前的研究已经证明了 NIR 光谱技术在快速测定秸秆中木质纤维素成分方面的可行性。例如，Jin 等人建立了基于 PLSR 的预测模型来预测水稻秸秆中的纤维素、半纤维素和 Klason 木质素含量；[19] Zhang 等人使用支持向量回归（SVR）预测玉米秸秆中的木质素含量；[20] Pushpa 等人结合 FTIR 光谱开发了快速测量水稻秸秆中纤维素、半纤维素和木质素的模型；[21] Liu 等人将 NIR 光谱与一维卷积神经网络（1D-CNN）结合，用于快速测定玉米秸秆中的木质纤维素组成。[22]。

在先前的研究中，无论是使用线性机器学习算法（如 PLSR）、非线性机器学习算法（如 SVR）还是深度学习算法（如 1D-CNN）[23]，NIR 光谱总是作为未经区分的连续序列输入模型——这种方法忽略了 NIR 光谱的内在机制。根据分子振动光谱理论，NIR 光谱源于含有氢的功能基团（C–H、O–H、N–H）的一系列 overtone 和 combination band 吸收。[24] 第一 overtone、第二 overtone 和 combination band 分布在不同的光谱区域，[25] 但这些分散的信号编码了化学上同源的结构信息。[26]，[27] 因此，将光谱视为未经区分的序列进行建模无法明确利用跨区域同源信号之间的相关性，限制了模型提取信息特征的能力——尤其是在目标成分与复杂干扰物共存的情况下。此外，不同作物种类和地理来源的秸秆性质存在显著差异[28]，[29]，[30]，[31]，[32]，[33]，而现有的研究主要集中在单一作物类型上。因此，建立一种具有跨多样化和来源通用性的通用模型是一个巨大的挑战。

在这项工作中，我们研究了来自中国不同省份的小麦、玉米、水稻、油菜和棉花的秸秆样本。我们提出了一种新的光谱重组增强方法（SREM），该方法根据 NIR 光谱原理对 overtone 和 combination band 信息进行结构重组，从而能够明确表示跨区域的相关性。然后使用一维卷积神经网络（1D-CNN）来捕捉这些重组的特征，建立了一种适用于不同种类和来源秸秆的木质纤维素组成的准确且通用的模型。进一步进行了基于光谱机制的可解释性分析，以阐明 SREM 是如何利用跨区域信息的。

章节片段

秸秆样本的收集和准备

本研究中使用的秸秆样本来自中国北京、天津、山东、河北和山西，包括小麦（n = 273）、玉米（n = 174）、水稻（n = 68）、油菜（n = 20）和棉花（n = 15），共计 550 个样本。由于样本量较少，油菜和棉花在特定作物的图表和表 1 中被归类为“其他”。样本收集跨越了两年时间，涵盖了不同的生长季节、气候和土壤类型。收获后，进行...

基线模型的 NIR 预测性能和波长贡献分析

见图 2，比较了四种基线模型在不同秸秆类型中对纤维素含量的预测性能。SVR 和 1D-CNN 模型取得了最佳的预测性能，其次是 PLSR，而 XGB 显示出过拟合的迹象。SHAP 值分析揭示了模型之间的不同波长贡献模式。PLSR 模型对 8950–8960 cm?¹ 区域（归一化 SHAP 值为 1.0）赋予了最高的重要性，该区域对应于 C–H 延伸的高阶 overtone。

结论

将 NIR 光谱视为未经区分的连续序列用于模型拟合，忽略了不同光谱区域编码相同化学功能基团的第一 overtone、第二 overtone 和 combination band 信息的事实，从而未能明确利用跨区域同源光谱信号之间的相关性，并限制了模型提取信息特征的能力。为了克服这一限制，我们提出了一种新的光谱重组方法

数据和代码可用性声明

SREM-CNN 的实现代码，包括光谱重组、模型训练、基于 SHAP 的波长归因和跨区域交互作用分析，可在以下链接获取：https://github.com/x-svg-1111/SREM-CNN-NIR-Lignocellulose.git

CRediT 作者贡献声明

Jiawei Dai: 负责撰写 – 原始草案和 方法论。Zengling Yang: 负责撰写 – 审阅和编辑。Wenjuan Niu: 负责资源准备。Chenjun Ge: 负责验证。Yongzheng Ma: 负责验证。Lujia Han: 负责项目管理。

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能会影响本文报告的工作。

致谢

作者感谢 中国国家重点研发计划（2022YFD2002101）提供的财政支持。

Jiawei Dai|Zengling Yang|Wenjuan Niu|Chenjun Ge|Yongzheng Ma|Lujia Han

中国农业大学工程学院，北京 100083，中国