近日，以杭州市农业科学研究院为第一单位，我院农作物（生态）研究所旱粮团队在Advanced Sciences（IF=14.1，IF5=15.6）上发表了题为“A Cost-Effective and Scalable Machine Learning Approach for Quality Assessment of Fresh Maize Kernel Using NIR Spectroscopy”的研究论文。该研究提出了一种基于多维数据的新的机器学习方法，开发出了一种全新的鲜食玉米品质性状预测校正神经网络PCNN，突破了作物品质预测模型需要大量品质性状数据的限制，实现了小样本集即可获得有效模型， 高效节约了时间、成本以及劳动力。

在鲜食玉米育种领域，结合近红外（NIR）光谱数据构建品质性状无损检测模型属较为传统的研究方法，而且近红外模型校正过程需耗费大量时间、成本及人力资源。为应对此挑战，本研究创新性地采用预测校正神经网络（PCNN），基于近红外光谱合成数据，实现了小样本集的有效建模。针对支链淀粉、蛋白质、粗纤维及总糖等核心品质性状，PCNN 模型的残差预测偏差（RPD）值介于 2.821至4.862之间，决定系数(R)范围达 0.869 至 0.951，平均仅需 32 个校准样本。针对化学分子结构相似的数据（如果糖、葡萄糖、蔗糖等可溶性糖），该模型仅需 62 个样本即可获得有效结果（RPD>2,

）。

玉米作为主要谷类作物，其品质检测难题在其他谷类作物中普遍存在。因此，PCNN方法已成功应用于饲用玉米、水稻、小麦及大麦等作物完整籽粒的小样本近红外模型构建。相较于偏最小二乘法（PLS）及传统人工神经网络（ANN），PCNN的RPD值分别提升 38.99%~63.20%及 7.07%~25.82%，表明该方法具备更高效率与准确性，为鲜食玉米及其他谷物的快速品质评价提供了可扩展且经济高效的解决方案。同时，该技术的研发有效推进了作物分子育种进程，对促进现代种业育种技术发展具有重要意义。

图1.模型构建流程以及在育种应用中节省时间和成本，兼容不同的近红外光谱仪和可扩展的PCNN方法 

农作物(生态)研究所研究员石江、副研究员岳二魁及杭州电子科技大学研究生朱学锦为论文共同第一作者，张郑芳副教授与吴建国教授担任通讯作者。农作物（生态）研究所高级农艺师赵琳、俞祥群，浙江财经大学陈伟锋副教授，柯桥区农业技术培训学校农艺师钱英等共同参与本研究工作。项目获浙江省自然科学基金（LHZQN25C130005、LY21A010011、LY21F020029）及杭州市农科院科技创新与示范推广基金（2025HNCT-10、2022HNCT-08）资助。

论文链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202512750。