中國是世界水產養殖大國。作為世界上從事水產養殖歷史最悠久的國家之一，自改革開放以來，在以養為主的發展方針指導下，我國水產養殖業發展迅猛，產業布局變化巨大，從傳統養殖區(沿海地區和長江、珠江流域等)逐步擴展至全國各地。水產養殖已成為推動我國農村經濟發展的重要動力之一。然而，由于水體污染日趨嚴重，大量的圍湖造田造成湖泊沼澤化，再加上投料過剩、排泄物積累等問題，導致養殖水域環境條件不斷惡化，水產資源遭到不同程度的污染和破壞，生態環境逐步惡化[1]。

　　此外，由于生長環境、養殖工藝、養殖密度以及加工等環節存在的各種問題，造成某些水產品不同程度地受到包括重金屬、化學農藥、抗生素、飼料添加劑和激素殘留物的污染，養殖種質退化、病害泛濫等問題更是層出不窮，這些問題已嚴重影響到水產養殖業的健康發展。開展水產養殖過程中的實時快速監測現已成為關注的重點問題。

　　近紅外光譜分析技術(NIR)作為現代最有應用前途的快速分析技術之一，世界各國都有投入專門的科研力量從事相關方面的研究。我國從20世紀80年代后期開始首次嘗試研發了應用在糧食飼料方面的近紅外分析儀，而后相繼開展近紅外光譜技術的研究和應用工作，到90年代后期逐漸應用到農業、石油化工、生物制藥、紡織、食品和煙草等多個領域。在計算機技術、化學計量學的不斷進步和帶動下，近紅外技術得到快速發展。近紅外光譜分析技術應用在水產領域的時間不算太長，主要多集中于水產品品質及其質量安全方面的研究，但考慮到近紅外光譜分析技術的操作方便、分析成本低、無損、高效、環保等特點，其在水產養殖領域也具有廣闊的應用前景。

　　1近紅外光譜技術的原理及特點

　　1.1近紅外光譜技術的原理

　　通常，分子基頻振動產生的吸收譜帶位于中紅外區域(400～4000cm-1)，分子基頻振動的倍頻和組合頻產生的吸收帶位于近紅外區域，美國ASTM(AmericanSocietyofTestingMaterials，美國材料檢測協會)將近紅外譜區定義為4000～14285cm-1(700～2500nm)，近紅外區域又被劃分成短波近紅外區(700～1100nm)和長波近紅外區(1100～2500nm)。近紅外光譜主要是由于分子振動的非諧振性使分子振動從基態向高能級躍遷時產生的，反映的是包括含氫基團(如CH-、-OH、NH-、SH-、PH-等)振動的倍頻和合頻吸收的信息。

　　在不同化學環境中不同基團(如甲基、亞甲基、苯環等)或同一基團的近紅外吸收波長與強度都有顯著差異。所以通過近紅外光譜可以得到樣品中所有有機分子含氫基團的特征信息，能同時檢測多種有機分子。不同的物質在近紅外區域有著特定且豐富的吸收光譜，為近紅外光譜分析樣品提供了基礎。近紅外光譜分析技術包括定性分析和定量分析，定性分析是為了確定物質的結構與組成，而定量分析則是為了確定物質中某些組分的含量(如水分、脂肪、蛋白質等)或是物質的品質屬性的值(如密度、硬度、酸度等)。

　　與傳統的化學分析方法不同，近紅外光譜技術是用統計的方法在樣品待測屬性值與近紅外光譜數據之間建立一個校正模型。校正模型的建立需要前期搜集一定量有代表性的校正樣品，獲得用近紅外光譜儀器測得的樣品光譜數據和用化學分析方法測得的真實數據，通過化學計量學進行處理，建立光譜與待測參數之間的對應關系。因為樣品的組成相同，則其近紅外光譜也相同，那么只要測得樣品的近紅外光譜，通過光譜數據和上述對應關系，就能很快得到所需要的參數數據。

　　1.2近紅外光譜技術的特點

　　作為一種現代的間接分析技術，近紅外光譜分析技術必須通過建立校正模型來實現未知樣品的定量或定性分析。它的分析過程主要包括樣品采集光譜、光譜預處理、樣本集劃分、特征波段提取優化、建立模型、修正模型等幾個步驟。與傳統的分析技術相比，近紅外光譜分析技術在分析測試中具有獨特的優越性。

　　1.2.1樣品無損檢測樣品無需進行前處理，無需化學試劑參與反應，因此樣品無損耗，測定后仍可用做其他用途。這樣既節約成本費用，又能避免污染環境。

　　1.2.2測定速度快不用稱樣，樣品無損，且能夠連續多次測定，只需幾秒鐘就能完成多個指標的檢測，大大提高了工作效率。

　　1.2.3操作簡單儀器可以針對客戶需求任意設計生成操作方案，對操作人員要求低，避免了傳統分析帶來的誤差，重現性好、成本低。

　　1.2.4多組分多通道同時測定

　　近紅外光譜屬于分子振動光譜，原則上只要含有CH-、-OH、NH-等能產生近紅外光譜的物質均存在近紅外光譜分析的可能，在實際應用時可以不斷拓展測定指標，且可以多指標同時測定。

　　2近紅外光譜技術在育種育苗方面的應用

　　目前，近紅外光譜技術尚未普及到水產生物遺傳育種范圍，這也預示著其廣闊的市場前景。Norris等[2]曾嘗試通過近紅外光譜分析手段來選育鮭魚肉質性狀;Brown[3]通過近紅外光譜技術來分析長牡蠣肉質成分，并建立了快速分析模型來揭示肉質成分的變化與環境和生長狀態的差異;Wang等[4]利用118個長牡蠣干樣肉質樣本建立近紅外模型，實現了糖原和蛋白質成分含量的快速預測;黃冠明等[5]利用6個產地的105份葡萄牙牡蠣樣本建立近紅外模型，能夠較準確地預測葡萄牙牡蠣中蛋白質、糖原、牛磺酸、鋅、硒、鈣的含量，對選育肉質性狀佳的新品系葡萄牙牡蠣具有重要意義。

　　于穎等[6]應用傅里葉變換近紅外光譜儀和氨基酸分析儀兩種分析方法定量分析牡蠣中氨基酸含量，結果證實傅里葉變換近紅外光譜儀法的測定重復性更好;王衛軍等[7]采用傅里葉變換近紅外(FT-NIR)光譜技術，研究了近紅外光譜技術預測長牡蠣鮮樣組織中水分、糖原、總蛋白質、總脂肪、鋅、硒、牛磺酸和灰分8種成分含量的可行性;李尚俊[8]用便攜式近紅外光譜儀和傅里葉變換式近紅外光譜儀分別對仿刺參多糖、蛋白質、脂肪、灰分、皂苷、鋅和硒7種品質成分進行建模，比較發現傅里葉變換式近紅外光譜儀建模的各參數更優，且蛋白質、鋅和硒預測效果最理想。目前未見近紅外光譜技術在魚類、蝦類和蟹類育種方面的相關研究報道。上述關于近紅外光譜技術在貝類和參類育種方面的研究報道必將對未來近紅外光譜技術在整個水產生物育種領域的應用推廣具有一定的借鑒意義。

　　3近紅外光譜技術在養殖水水質監測方面的應用

　　水產養殖的過程中，水質環境的監測是極為重要的一環。水作為水生生物依賴的生存環境，通過對其監測可以判斷是否需要相應調整水產苗種的養殖環境，使水產苗種更好地生長。養殖過程中缺乏病害預警機制與預防策略，水質實時監測與報警比較落后，這些問題在我國水產養殖中普遍存在，而水質監測技術的應用可以提高養殖過程的安全性，因此快速、準確、無污染、低能耗的監測技術是目前水產養殖過程中的主要研究課題之一。目前的近紅外光譜技術尚處于生活污水、湖泊、河流和海洋等水質監測研究中，在養殖水水質監測中缺乏嘗試。

　　3.1水質N、P的快速分析張誠飚和劉宏欣等[9-10]證明了基于近紅外方法分別利用人工神經網絡(ANN)和逐步段元線性回歸(SMLR)+偏最小二乘(PLS)法無損定量分析地表水中總氮含量的可行性。關于總磷，早在2000年，Dåbakk等[11]就嘗試了采用近紅外光譜技術測定了湖水中的總磷等參數。隨后劉宏欣等[12]還利用逐步段元線性回歸(SMLR)方法研究了地表水水樣中總磷含量與水樣的近外光譜之間的對應關系。杜艷紅等[13]采用近紅外光譜技術建立了生活污水水樣中氨氮濃度與其吸收光強的定量分析模型。

　　3.2水質化學需氧量(COD)、生化需氧量(BOD)的測定2002年Stephens等[14]在測定賓夕法尼亞州立廢水處理廠廢水時，發現用近紅外/可見光譜技術建立的生化需氧量(BOD)預測模型，可以實時對單一廢水源的生化需氧量(BOD)含量快速預測。2004年，WangYunpeng等[15]利用遙感衛星監測水庫水質變化時，發現與傳統的標準測量方法相比，用可見/近紅外光譜分析技術測得的生化需氧量(BOD)和化學需氧量(COD)等指標相關性較高。

　　隨后幾年，何金成等[16-17]、楊瓊等[18]和徐立恒[19]分別以廢水和河水為實驗對象，在大量實驗數據的基礎上建立了生化需氧量(BOD)和化學需氧量(COD)含量的近紅外預測模型，且實際測量效果良好。陳維維等[20]通過優化波段、波長點數、偏最小二乘(PLS)因子個數等最終確定了廢水中化學需氧量(COD)含量的近紅外優化模型。粟暉等[21]通過分析近紅外譜圖中不同波長的光密度強度和分布，克服飽和鏈烴小分子有機物在紫外光譜區域弱吸收響應，模擬出生化廢水中化學需氧量(COD)含量測定的定量分析校正模型。

　　3.3水質pH值的測定關于近紅外光譜應用于水質pH值的測定方面，1992年Korsman等[22]論證了應用近紅外反射譜法測量湖水pH值的可行性。杜艷紅等[23]在2012年水質實驗中發現pH值分別在波長564nm、670nm和732nm處有特征峰存在，且水質pH值與其吸收光強呈顯著的正相關，驗證了近紅外光譜技術用于水質pH值預測的可行性。

　　3.4水體中重金屬離子的測定NingYu等[24]以基灰石為水樣吸附劑富集水體中的重金屬離子，并采用近紅外光譜技術進行同步分析，建立的近紅外校正模型對幾種重金屬離子的預測效果各不相同，其中模型對Cu2+和Cr3+的預測精度最好。水樣吸附劑與不同重金屬離子之間的相互作用機理尚待研究。筆者認為近紅外光譜分析技術的特點及其在水質監測領域中的應用現狀，可以很好地預示其未來在養殖水水質監測方面的應用前景。

　　4近紅外光譜技術在苗種飼料方面的應用

　　4.1餌料藻類應用

　　餌料生物的培養在水產養殖育苗中是關鍵性環節。單細胞藻類是魚、蝦、貝類等苗種生產的天然基礎活餌料，所以這部分微藻也被稱為“餌料藻”。單細胞藻類作為水產動物的基礎活餌料，同時也對改良水質、控制菌群、減少病害起到至關重要的作用。常作餌料的微藻有金藻類(如鐘罩藻)、硅藻類(如舟形藻)、甲藻類(如角甲藻)、藍藻 類(如魚腥藻和螺旋藻)、綠藻類(如柵藻、小球藻和衣藻)等。因其遺傳特性、培養成本高、消化吸收率低等的影響與限制，生產中時常出現供不應求的局面。因此探索高效的培養餌料藻類新技術，對提高我國水產養殖業的整體水平具有重要的現實意義。目前，已有研究報道過亞心形扁藻[25]、雨生紅球藻[26]、螺旋藻[27]中葉綠素、蛋白質等成分的近紅外特征光譜，可應用于餌料藻類生長狀況變化的監測，進而為餌料藻類研究提供一種快速、實時、無損的檢測方法。

　　4.2飼料常規成分檢測

　　目前我國使用的水產苗種飼料常規成分有水分、灰分、粗蛋白、粗纖維等。20世紀90年代開始，我國逐步對近紅外光譜法的研究和實踐，先后完成了飼料中各項指標的檢測工作，均取得良好成效。我國在2002年發布的GB/T18868-2002[28]中詳細描述了水分、粗蛋白質、粗纖維、粗脂肪、賴氨酸和蛋氨酸的近紅外定標模型的建立方法，此標準適用于各種飼料原料和配合飼料中水分、粗蛋白質、粗纖維和粗脂肪，各種植物性蛋白類飼料原料中賴氨酸和蛋氨酸的測定，最低檢出限達到0.001%。為了加強近紅外光譜法在飼料中的應用效果，在國標的基礎上，宋軍[29]運用濕化學分析數據，研究建立了國產魚粉、進口魚粉和豆粕樣品在近紅外光譜儀上的17種氨基酸預測模型(不含色氨酸)，大大提高了飼料氨基酸指標測定的效率。

　　5問題與展望

　　隨著近紅外光譜分析技術的不斷發展以及國家對水產養殖行業的持續關注，近紅外光譜分析技術在水產養殖行業將得到越來越廣泛的運用。但是，由于水產品本身成分復雜，易受到產地、生長周期等影響，養殖水水質也會隨季節、氣候、污染等發生變化，這就可能會導致近紅外光譜預測模型效果不好，因此需要收集盡可能多的、具有代表性的樣本來建模。此外，由于近紅外光譜區的吸收強度較弱，吸收帶較寬，重疊嚴重且靈敏度相對較低，在提高預測模型精度、改善模型的自適應能力等方面需要加深研究。

　　筆者認為可以考慮從光譜數據的預處理、特征波長的提取和建模方法三方面重點研究。常見的光譜數據預處理方法有平滑、小波變換(WT)和傅里葉變換(FT)等，可以有效消除基線漂移和其他背景的干擾，減弱各種非目標因素對光譜的影響。常見的光譜特征波段選擇方法包括競爭性自適應重加權采樣法(CARS)、連續投影算法(SPA)、主成分分析、逐步回歸法等，能夠去除冗余變量和無信息變量，提高光譜分析效率。近紅外光譜建模常用的算法有偏最小二乘、人工神經網絡、最小二乘支持向量機等。

　　其中，偏最小二乘是線性建模算法，常用于建立近紅外光譜數據與待測物質之間具有線性相關的模型，在水產品育種育苗和苗種飼料方面應用較多，人工神經網絡和最小二乘支持向量機是非線性建模算法，常用于建立近紅外光譜數據與待測物質之間具有非線性相關的模型，多應用于養殖水水質監測方面。進一步加強光譜預處理，優化提取特征波段，創新更有效的建模算法，將會成為近紅外光譜分析技術在水產養殖行業應用的研究重點。隨著更多相關指標納入近紅外光譜分析的范疇和預測模型的不斷擴充和修正，近紅外光譜分析技術在水產養殖領域將有更加廣闊的應用空間。

　　參考文獻：

　　[1]黃碩琳，唐議.漁業管理理論與中國實踐的回顧與展望[J].水產學報，2019，43(1)：211-231.

　　[2]NORRISAT，CUNNINGHAMEP.EstimatesofphenotypicandgeneticparametersforfleshcolourtraitsinfarmedAtlan-ticsalmonbasedonmultipletraitanimalmodel[J].LivestockProductionScience，2004，89：209-222.

　　[3]BROWNMR.Rapidcompositionalanalysisofoystersusingvisible-nearinfraredreflectancespectroscopy[J].Aquacul-ture，2011，317：233-239.

　　[4]WANGWJ，YANGJM，LIQ，etal.Developmentofcalibra-tionmodelsforrapiddeterminationofchemicalcompositionofPacificoyster(Crassostreagigas)bynearinfraredreflec-tancespectroscopy[J].JournalofShellfishResearch，2015，34(2)：303-309.

　　[5]黃冠明，郭香，祁劍飛，等.葡萄牙牡蠣(Crassostreaangulata)六種化學成分近紅外定量模型的建立[J].光譜學與光譜分析，2020，40(5)：1509-1513.

　　[6]于穎，宋金明，俞立東，等.牡蠣中氨基酸的傅里葉變換近紅外光譜法快速定量測定[J].海洋科學，2016，40(12)：1-7.

　　[7]王衛軍，楊建敏，董迎輝，等.長牡蠣(Crassostreagigas)鮮樣組織八種成分含量近紅外(NIR)模型的建立[J].海洋與湖沼，2015，46(4)：845-852.

　　作者：陳穎