信息摘要：
中国是世界水产养殖大国。作为世界上从事水产养殖历史最悠久的国家之一，自改革开放以来，在以养为主的发展方针指导下，我国水产养殖业发展迅猛，产业布局变化巨...
中国是世界水产养殖大国。作为世界上从事水产养殖历史最悠久的国家之一，自改革开放以来，在以养为主的发展方针指导下，我国水产养殖业发展迅猛，产业布局变化巨大，从传统养殖区(沿海地区和长江、珠江流域等)逐步扩展至全国各地。水产养殖已成为推动我国农村经济发展的重要动力之一。然而，由于水体污染日趋严重，大量的围湖造田造成湖泊沼泽化，再加上投料过剩、排泄物积累等问题，导致养殖水域环境条件不断恶化，水产资源遭到不同程度的污染和破坏，生态环境逐步恶化[1]。此外，由于生长环境、养殖工艺、养殖密度以及加工等环节存在的各种问题，造成某些水产品不同程度地受到包括重金属、化学农药、抗生素、饲料添加剂和激素残留物的污染，养殖种质退化、病害泛滥等问题更是层出不穷，这些问题已严重影响到水产养殖业的健康发展。开展水产养殖过程中的实时快速监测现已成为关注的重点问题。
近红外光谱分析技术(NIR)作为现代最有应用前途的快速分析技术之一，世界各国都有投入专门的科研力量从事相关方面的研究。我国从20世纪80年代后期开始首次尝试研发了应用在粮食饲料方面的近红外分析仪，而后相继开展近红外光谱技术的研究和应用工作，到90年代后期逐渐应用到农业、石油化工、生物制药、纺织、食品和烟草等多个领域。在计算机技术、化学计量学的不断进步和带动下，近红外技术得到快速发展。近红外光谱分析技术应用在水产领域的时间不算太长，主要多集中于水产品品质及其质量安全方面的研究，但考虑到近红外光谱分析技术的操作方便、分析成本低、无损、高效、环保等特点，其在水产养殖领域也具有广阔的应用前景。
1 近红外光谱技术的原理及特点
1.1 近红外光谱技术的原理
通常，分子基频振动产生的吸收谱带位于中红外区域(400～4 000 cm-1),分子基频振动的倍频和组合频产生的吸收带位于近红外区域，美国ASTM(American Society of Testing Materials, 美国材料检测协会)将近红外谱区定义为4 000～14 285 cm-1(700～2 500 nm),近红外区域又被划分成短波近红外区(700～1 100 nm)和长波近红外区(1 100～2 500 nm)。近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，反映的是包括含氢基团(如CH-、-OH、NH-、SH-、PH-等)振动的倍频和合频吸收的信息。在不同化学环境中不同基团(如甲基、亚甲基、苯环等)或同一基团的近红外吸收波长与强度都有显著差异。所以通过近红外光谱可以得到样品中所有有机分子含氢基团的特征信息，能同时检测多种有机分子。不同的物质在近红外区域有着特定且丰富的吸收光谱，为近红外光谱分析样品提供了基础。
近红外光谱分析技术包括定性分析和定量分析，定性分析是为了确定物质的结构与组成，而定量分析则是为了确定物质中某些组分的含量(如水分、脂肪、蛋白质等)或是物质的品质属性的值(如密度、硬度、酸度等)。与传统的化学分析方法不同，近红外光谱技术是用统计的方法在样品待测属性值与近红外光谱数据之间建立一个校正模型。校正模型的建立需要前期搜集一定量有代表性的校正样品，获得用近红外光谱仪器测得的样品光谱数据和用化学分析方法测得的真实数据，通过化学计量学进行处理，建立光谱与待测参数之间的对应关系。因为样品的组成相同，则其近红外光谱也相同，那么只要测得样品的近红外光谱，通过光谱数据和上述对应关系，就能很快得到所需要的参数数据。
1.2 近红外光谱技术的特点
作为一种现代的间接分析技术，近红外光谱分析技术必须通过建立校正模型来实现未知样品的定量或定性分析。它的分析过程主要包括样品采集光谱、光谱预处理、样本集划分、特征波段提取优化、建立模型、修正模型等几个步骤。与传统的分析技术相比，近红外光谱分析技术在分析测试中具有独特的优越性。
1.2.1 样品无损检测
样品无需进行前处理，无需化学试剂参与反应，因此样品无损耗，测定后仍可用做其他用途。这样既节约成本费用，又能避免污染环境。
1.2.2 测定速度快
不用称样，样品无损，且能够连续多次测定，只需几秒钟就能完成多个指标的检测，大大提高了工作效率。
1.2.3 操作简单
仪器可以针对客户需求任意设计生成操作方案，对操作人员要求低，避免了传统分析带来的误差，重现性好、成本低。
1.2.4 多组分多通道同时测定
近红外光谱属于分子振动光谱，原则上只要含有CH-、-OH、NH-等能产生近红外光谱的物质均存在近红外光谱分析的可能，在实际应用时可以不断拓展测定指标，且可以多指标同时测定。
2近红外光谱技术在育种育苗方面的应用
目前，近红外光谱技术尚未普及到水产生物遗传育种范围，这也预示着其广阔的市场前景。Norris等[2]曾尝试通过近红外光谱分析手段来选育鲑鱼肉质性状；Brown[3]通过近红外光谱技术来分析长牡蛎肉质成分，并建立了快速分析模型来揭示肉质成分的变化与环境和生长状态的差异；Wang等[4]利用118个长牡蛎干样肉质样本建立近红外模型，实现了糖原和蛋白质成分含量的快速预测；黄冠明等[5]利用6个产地的105份葡萄牙牡蛎样本建立近红外模型，能够较准确地预测葡萄牙牡蛎中蛋白质、糖原、牛磺酸、锌、硒、钙的含量，对选育肉质性状佳的新品系葡萄牙牡蛎具有重要意义；于颖等[6]应用傅里叶变换近红外光谱仪和氨基酸分析仪两种分析方法定量分析牡蛎中氨基酸含量，结果证实傅里叶变换近红外光谱仪法的测定重复性更好；王卫军等[7]采用傅里叶变换近红外(FT-NIR)光谱技术，研究了近红外光谱技术预测长牡蛎鲜样组织中水分、糖原、总蛋白质、总脂肪、锌、硒、牛磺酸和灰分8种成分含量的可行性；李尚俊[8]用便携式近红外光谱仪和傅里叶变换式近红外光谱仪分别对仿刺参多糖、蛋白质、脂肪、灰分、皂苷、锌和硒7种品质成分进行建模，比较发现傅里叶变换式近红外光谱仪建模的各参数更优，且蛋白质、锌和硒预测效果最理想。目前未见近红外光谱技术在鱼类、虾类和蟹类育种方面的相关研究报道。上述关于近红外光谱技术在贝类和参类育种方面的研究报道必将对未来近红外光谱技术在整个水产生物育种领域的应用推广具有一定的借鉴意义。
3近红外光谱技术在养殖水水质监测方面的应用
水产养殖的过程中，水质环境的监测是极为重要的一环。水作为水生生物依赖的生存环境，通过对其监测可以判断是否需要相应调整水产苗种的养殖环境，使水产苗种更好地生长。养殖过程中缺乏病害预警机制与预防策略，水质实时监测与报警比较落后，这些问题在我国水产养殖中普遍存在，而水质监测技术的应用可以提高养殖过程的安全性，因此快速、准确、无污染、低能耗的监测技术是目前水产养殖过程中的主要研究课题之一。目前的近红外光谱技术尚处于生活污水、湖泊、河流和海洋等水质监测研究中，在养殖水水质监测中缺乏尝试。
3.1 水质N、P的快速分析
张诚飚和刘宏欣等[9][10]证明了基于近红外方法分别利用人工神经网络(ANN)和逐步段元线性回归(SMLR)+偏最小二乘(PLS)法无损定量分析地表水中总氮含量的可行性。关于总磷，早在2000年，Dåbakk等[11]就尝试了采用近红外光谱技术测定了湖水中的总磷等参数。随后刘宏欣等[12]还利用逐步段元线性回归(SMLR)方法研究了地表水水样中总磷含量与水样的近外光谱之间的对应关系。杜艳红等[13]采用近红外光谱技术建立了生活污水水样中氨氮浓度与其吸收光强的定量分析模型。
3.2水质化学需氧量(COD)、生化需氧量(BOD)的测定
2002年Stephens等[14]在测定宾夕法尼亚州立废水处理厂废水时，发现用近红外/可见光谱技术建立的生化需氧量(BOD)预测模型，可以实时对单一废水源的生化需氧量(BOD)含量快速预测。2004年，Wang Yunpeng等[15]利用遥感卫星监测水库水质变化时，发现与传统的标准测量方法相比，用可见/近红外光谱分析技术测得的生化需氧量(BOD)和化学需氧量(COD)等指标相关性较高。随后几年，何金成等[16][17]、杨琼等[18]和徐立恒[19]分别以废水和河水为实验对象，在大量实验数据的基础上建立了生化需氧量(BOD)和化学需氧量(COD)含量的近红外预测模型，且实际测量效果良好。陈维维等[20]通过优化波段、波长点数、偏最小二乘(PLS)因子个数等最终确定了废水中化学需氧量(COD)含量的近红外优化模型。粟晖等[21]通过分析近红外谱图中不同波长的光密度强度和分布，克服饱和链烃小分子有机物在紫外光谱区域弱吸收响应，模拟出生化废水中化学需氧量(COD)含量测定的定量分析校正模型。
3.3 水质pH值的测定
关于近红外光谱应用于水质pH值的测定方面， 1992年Korsman等[22]论证了应用近红外反射谱法测量湖水pH值的可行性。杜艳红等[23]在2012年水质实验中发现pH值分别在波长564 nm、670 nm和732 nm处有特征峰存在，且水质pH值与其吸收光强呈显著的正相关，验证了近红外光谱技术用于水质pH值预测的可行性。
3.4 水体中重金属离子的测定
Ning Yu等[24]以基灰石为水样吸附剂富集水体中的重金属离子，并采用近红外光谱技术进行同步分析，建立的近红外校正模型对几种重金属离子的预测效果各不相同，其中模型对Cu2+和Cr3+的预测精度最好。水样吸附剂与不同重金属离子之间的相互作用机理尚待研究。
笔者认为近红外光谱分析技术的特点及其在水质监测领域中的应用现状，可以很好地预示其未来在养殖水水质监测方面的应用前景。
4近红外光谱技术在苗种饲料方面的应用
4.1 饵料藻类应用
饵料生物的培养在水产养殖育苗中是关键性环节。单细胞藻类是鱼、虾、贝类等苗种生产的天然基础活饵料，所以这部分微藻也被称为“饵料藻”。单细胞藻类作为水产动物的基础活饵料，同时也对改良水质、控制菌群、减少病害起到至关重要的作用。常作饵料的微藻有金藻类(如钟罩藻)、硅藻类(如舟形藻)、甲藻类(如角甲藻)、蓝藻类(如鱼腥藻和螺旋藻)、绿藻类(如栅藻、小球藻和衣藻)等。因其遗传特性、培养成本高、消化吸收率低等的影响与限制，生产中时常出现供不应求的局面。因此探索高效的培养饵料藻类新技术，对提高我国水产养殖业的整体水平具有重要的现实意义。目前，已有研究报道过亚心形扁藻[25]、雨生红球藻[26]、螺旋藻[27]中叶绿素、蛋白质等成分的近红外特征光谱，可应用于饵料藻类生长状况变化的监测，进而为饵料藻类研究提供一种快速、实时、无损的检测方法。
4.2 饲料常规成分检测
目前我国使用的水产苗种饲料常规成分有水分、灰分、粗蛋白、粗纤维等。20世纪90年代开始，我国逐步对近红外光谱法的研究和实践，先后完成了饲料中各项指标的检测工作，均取得良好成效。我国在2002年发布的GB/T 18868-2002[28]中详细描述了水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸和蛋氨酸的近红外定标模型的建立方法，此标准适用于各种饲料原料和配合饲料中水分、粗蛋白质、粗纤维和粗脂肪，各种植物性蛋白类饲料原料中赖氨酸和蛋氨酸的测定，最低检出限达到0.001%。为了加强近红外光谱法在饲料中的应用效果，在国标的基础上，宋军[29]运用湿化学分析数据，研究建立了国产鱼粉、进口鱼粉和豆粕样品在近红外光谱仪上的17种氨基酸预测模型(不含色氨酸),大大提高了饲料氨基酸指标测定的效率。
5 问题与展望
随着近红外光谱分析技术的不断发展以及国家对水产养殖行业的持续关注，近红外光谱分析技术在水产养殖行业将得到越来越广泛的运用。但是，由于水产品本身成分复杂，易受到产地、生长周期等影响，养殖水水质也会随季节、气候、污染等发生变化，这就可能会导致近红外光谱预测模型效果不好，因此需要收集尽可能多的、具有代表性的样本来建模。此外，由于近红外光谱区的吸收强度较弱，吸收带较宽，重叠严重且灵敏度相对较低，在提高预测模型精度、改善模型的自适应能力等方面需要加深研究。笔者认为可以考虑从光谱数据的预处理、特征波长的提取和建模方法三方面重点研究。常见的光谱数据预处理方法有平滑、小波变换(WT)和傅里叶变换(FT)等，可以有效消除基线漂移和其他背景的干扰，减弱各种非目标因素对光谱的影响。常见的光谱特征波段选择方法包括竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、主成分分析、逐步回归法等，能够去除冗余变量和无信息变量，提高光谱分析效率。近红外光谱建模常用的算法有偏最小二乘、人工神经网络、最小二乘支持向量机等。其中，偏最小二乘是线性建模算法，常用于建立近红外光谱数据与待测物质之间具有线性相关的模型，在水产品育种育苗和苗种饲料方面应用较多，人工神经网络和最小二乘支持向量机是非线性建模算法，常用于建立近红外光谱数据与待测物质之间具有非线性相关的模型，多应用于养殖水水质监测方面。进一步加强光谱预处理，优化提取特征波段，创新更有效的建模算法，将会成为近红外光谱分析技术在水产养殖行业应用的研究重点。随着更多相关指标纳入近红外光谱分析的范畴和预测模型的不断扩充和修正，近红外光谱分析技术在水产养殖领域将有更加广阔的应用空间。
微信号