2.1  不同种质的穿心莲化学成分含量分析

不同种质的穿心莲样品含量如图1所示，穿心莲内酯的含量最高，范围为28.16~62.19 mg/g，脱水穿心莲内酯的含量最低，范围为1.01~4.76 mg/g，新穿心莲内酯和去氧穿心莲内酯的含量范围分别为2.56~8.09 mg/g、1.03~10.25 mg/g。

2.2  光谱曲线分析

对不同种质的穿心莲样品Raw Data求平均值，绘制平均光谱曲线图（图2a）。从总体上看，不同种质的穿心莲平均光谱曲线变化趋势较为相似。光谱曲线在550 nm处形成吸收峰，在670~1300 nm内呈上升趋势，尤其是670~960 nm，反射率急剧增大，在1300~2500 nm范围内呈波动下降趋势，有明显的吸收峰和吸收谷。

2.3  不同种质的穿心莲分类性能评估

将穿心莲样品Raw Data经D1、D2、SG、MSC预处理后，建立PLS-DA模型，结果见表1。

2.4  穿心莲中4种穿心莲内酯类化合物的含量预测评估

2.4.1  基于全波长数据预测穿心莲中4种穿心莲内酯类化合物的含量

2.4.2  基于特征波长数据预测穿心莲中4种穿心莲内酯类化合物的含量

根据全波长的预测结果，进一步选取一些预测效果较好的模型结合SPA来选择特征波长。具体选择的模型为：用于预测穿心莲内酯的SG-PLSR模型、预测新穿心莲内酯的MSC-PLSR模型、预测去氧穿心莲内酯的Raw Data-BPNN模型、预测脱水穿心莲内酯的MSC-BPNN模型和预测穿心莲内酯类总含量的Raw Data-PLSR模型。

2.5  分析与讨论

2.5.1  不同预处理方法对穿心莲中4种穿心莲内酯类化合物含量预测模型的影响

含量预测模型构建前，对Raw Data进行合适的预处理，可有效减少杂散光、噪声、基线漂移等因素的干扰，提高模型精度。在本研究中，采用了D1、D2、MSC、SG4种预处理方法。其中，D1是一种基线校正方法，通过对重叠光谱进行拆分，增大光谱曲线中波峰和波谷的特征，从而实现基线校正^[21]。在去氧穿心莲内酯的含量预测中，与Raw Data-PLSR模型相比，D1-PLSR模型的RPD值提高了11.08%，说明经D1预处理后，有效扣除基线漂移对信号的影响，提高模型精度。

2.5.2  SPA对穿心莲中4种穿心莲内酯类化合物含量预测模型的影响

高光谱数据庞大，其中包含了大量的冗余信息，数据间存在共线性和重叠问题，而且还可能存在与待测样品性质无关的变量，因此，本研究运用SPA筛选特征波长，减少数据的维度，简化模型。