Cet article construit un modèle d'analyse quantitative de la protéine brute dans la paille de maïs, et étudie et valide les méthodes de sélection des bandes spectrales caractéristiques. Tout d'abord, 107 échantillons ont été prétraités, après suppression de deux échantillons anormaux, une reconstruction spectrale a été réalisée via une décomposition par ondelettes DB2 avec un seuil par défaut en 4 couches. Après ce prétraitement, le coefficient de détermination de la validation croisée du modèle de protéine brute R2CV est passé de 0,7889 à 0,9208. Des méthodes de sélection des bandes caractéristiques utilisant la régression par moindres carrés partiels par intervalles (IPLS) et ses méthodes améliorées rétrospective (BIPLS) et combinée (SIPLS) ont été appliquées, et comparées à l'analyse en composantes principales, l'échantillonnage réadaptatif compétitif, la méthode des coefficients de corrélation, les algorithmes génétiques, et la méthode des moindres carrés à fenêtre mobile. Il a été constaté que les méthodes basées sur IPLS, BIPLS et SIPLS permettent de localiser efficacement et précisément les intervalles des bandes caractéristiques. Le modèle optimal a été obtenu avec SIPLS sur un intervalle de 30 bandes dans les plages 10128~10398 cm-1 et 11196~11462 cm-1, avec un coefficient de corrélation du jeu de validation (rp) de 0,9784, un coefficient de détermination du jeu de validation (R2P) de 0,9572, et une racine de l'erreur quadratique moyenne de prédiction (RMSEP) de 0,2211. Par rapport aux autres méthodes de sélection de bandes, cette méthode montre une meilleure précision en temps réel, fournissant un support de données important pour la détermination des conditions optimales d'ammonisation et d'alcalinisation de la paille de maïs.

paille de maïs;protéine brute;régression par moindres carrés partiels par intervalles;spectroscopie proche infrarouge;bandes caractéristiques