王鵬，趙潤(rùn)，孟祥輝，付學(xué)周，辛悅，寧天陽(yáng)，趙文雅，楊仁杰，通信作者

（1.天津農(nóng)學(xué)院 工程技術(shù)學(xué)院，天津 300384；2.農(nóng)業(yè)農(nóng)村部 環(huán)境保護(hù)科研監(jiān)測(cè)所，天津 300191）

近年來(lái)，隨著奶牛養(yǎng)殖業(yè)的規(guī)?；?，奶牛場(chǎng)糞便集中排放所引起的環(huán)境污染問題日趨嚴(yán)重，糞便的出路問題亟待解決?，F(xiàn)階段主要緩解糞便積壓的途徑是將固體糞便進(jìn)行堆漚和風(fēng)干以制備墊料，進(jìn)而儲(chǔ)存在儲(chǔ)糞設(shè)施中以備補(bǔ)充墊料或還田。其中氮素為糞肥還田的重要指標(biāo)，因此快速、準(zhǔn)確預(yù)知還田時(shí)氮素含量是糞肥安全科學(xué)還田的重要保障。

相比傳統(tǒng)實(shí)驗(yàn)室分析方法，近紅外技術(shù)具有快速測(cè)定、使用簡(jiǎn)單、靈活性強(qiáng)、可實(shí)現(xiàn)現(xiàn)場(chǎng)檢測(cè)等優(yōu)越性[1]，已被應(yīng)用于畜禽糞便成分的檢測(cè)。樊霞[2]、崔蘭英[3]、Reeves[4]、Takashi等[5]都以牛糞作為試驗(yàn)樣品，利用近紅外光譜技術(shù)預(yù)測(cè)其中的成分含量，取得了較好的預(yù)測(cè)效果。從國(guó)內(nèi)外文獻(xiàn)來(lái)看，已發(fā)表的論文大多圍繞同一育齡奶?；虿煌g奶牛同一環(huán)節(jié)糞便樣品的組分和含量進(jìn)行近紅外光譜定量化預(yù)測(cè)分析，未見面向規(guī)?；膛?chǎng)糞污治理全過程糞便樣品中總氮含量變化研究的相關(guān)報(bào)道。本研究旨在利用近紅外漫反射光譜技術(shù)，基于偏最小二乘法（PLS）利用不同變量選擇方法進(jìn)行建模變量選擇，并進(jìn)行對(duì)比分析，建立一種規(guī)?；膛?chǎng)糞污治理全過程糞便中總氮含量的定量分析模型。該研究對(duì)后續(xù)開發(fā)便攜式近紅外光譜儀實(shí)時(shí)、快速、有效地對(duì)規(guī)模化奶牛場(chǎng)糞污治理全過程糞便中總氮進(jìn)行跟蹤和監(jiān)控具有重要的意義。

1 材料和方法

1.1 試驗(yàn)材料

試驗(yàn)設(shè)備：XCA-80001電熱鼓風(fēng)干燥箱、FW100型高速萬(wàn)能粉碎機(jī)、福斯 2300凱氏定氮儀、美國(guó)PerkinElmer公司的傅立葉變換近紅外光譜儀、InGaAs檢測(cè)器以及儀器自帶積分球附件。于2018年10月16—21日，連續(xù)6天采集天津?yàn)I海新區(qū)某規(guī)?；膛?chǎng)糞便處理全過程環(huán)節(jié)中的固態(tài)糞便和墊料樣品共計(jì)111個(gè)，包括各牛群階段的鮮糞、刮糞道與集糞溝臨界點(diǎn)的混合糞、固液分離機(jī)正下方分離后的糞便以及堆放在儲(chǔ)糞設(shè)施中的糞便（即墊料）。

1.2 試驗(yàn)方法

對(duì)采集的 111個(gè)糞污治理全過程環(huán)節(jié)糞便樣品，使用XCA-80001電熱鼓風(fēng)干燥箱在55 ℃環(huán)境下烘干48 h后，用FW100型高速萬(wàn)能粉碎機(jī)進(jìn)行粉碎并過18目篩。參照2012版《有機(jī)肥料標(biāo)準(zhǔn)》中的第5.3條，采用福斯2300凱氏定氮儀對(duì)樣品中的總氮含量進(jìn)行測(cè)定。111個(gè)牛糞樣品的總氮含量為 0.20%～3.86%，平均含量為 1.62%。光譜掃描范圍為4 000～12 000 cm-1，光譜掃描參數(shù)為：分辨率為8 cm-1，掃描間隔為2 cm-1，掃描次數(shù)為64，將糞便樣品裝入樣品杯中，并放置在積分球旋轉(zhuǎn)樣品臺(tái)上，以積分球內(nèi)置參比為背景，分別采集每一個(gè)樣品的近紅外漫反射光譜。分析軟件為Matlab2014a、Origin2017以及The Unscrambler9.7，其中所有算法均在 Matlab2014a中實(shí)現(xiàn)，The Unscrambler9.7進(jìn)行光譜數(shù)據(jù)預(yù)處理，Origin2017進(jìn)行作圖。111個(gè)糞便樣品在4 000～12 000 cm-1范圍的近紅外漫反射光譜如圖1所示。

圖1 111個(gè)糞便樣品的近紅外漫反射光譜

2 數(shù)據(jù)處理

2.1 異常樣品的剔除

異常樣品的存在對(duì)光譜數(shù)據(jù)與實(shí)驗(yàn)室化學(xué)值之間的相關(guān)性會(huì)有較大影響，在建模過程中會(huì)降低模型對(duì)未知樣品的預(yù)測(cè)精度，因此剔除異常樣品十分重要。本研究通過蒙特卡羅交叉驗(yàn)證法對(duì)111個(gè)奶牛糞便樣品進(jìn)行計(jì)算，其均值方差分布如圖2所示，將方差大于0.2和均值大于0.5的樣品進(jìn)行剔除，共17個(gè)樣品。

圖2 牛糞中全氮占比的均值-方差分布圖

2.2 樣品集劃分

對(duì)剔除后剩下的 94個(gè)樣品，利用 KS法[6-10]進(jìn)行樣品集劃分。校正集樣品要具有代表性，待測(cè)樣品的光譜特征與性質(zhì)范圍應(yīng)被建模樣品所涵蓋。以校正集占2/3，預(yù)測(cè)集占1/3的比例進(jìn)行劃分，校正集樣品63個(gè)，預(yù)測(cè)集樣品31個(gè)，算法選擇結(jié)果如表1，可以看出校正集的最大值大于預(yù)測(cè)集的最大值，最小值小于預(yù)測(cè)集的最小值，可以達(dá)到預(yù)測(cè)集被校正集所涵蓋的要求。

表1 校正集和預(yù)測(cè)集樣品中總氮含量分布

2.3 光譜不同預(yù)處理方法比較與確定

為選擇最佳的預(yù)處理方法，對(duì)94個(gè)樣品的原始漫反射光譜進(jìn)行不同的預(yù)處理，包括：MCS、SG一階導(dǎo)數(shù)、SG一階導(dǎo)數(shù)與去噪結(jié)合，針對(duì)預(yù)處理后的數(shù)據(jù)分別建立相應(yīng)的PLS模型，通過對(duì)比來(lái)確定哪種預(yù)處理方法的建模效果較好。表2給出了3種預(yù)處理方法下建模的結(jié)果，最終確定SG一階導(dǎo)數(shù)與去噪結(jié)合這一預(yù)處理方法。

表2 3種預(yù)處理方法模型交叉驗(yàn)證結(jié)果

3 結(jié)果與分析

3.1 PLS模型

將 SG一階導(dǎo)數(shù)＋去噪處理后的漫反射光譜數(shù)據(jù)，利用PLS建立奶牛糞便中總氮含量的定量分析模型，并利用所建模型對(duì)預(yù)測(cè)集的31個(gè)樣品進(jìn)行預(yù)測(cè)，預(yù)測(cè)含量與真實(shí)含量的線性擬合關(guān)系如圖3所示，其中相關(guān)系數(shù)（R）為0.928，預(yù)測(cè)均方根誤差（Root-Mean-Square Error of Prediction，RMSEP）為0.161 3%。

圖3 預(yù)測(cè)集樣品中全氮預(yù)測(cè)含量和實(shí)際含量之間的線性擬合（4 000～12 000 cm-1）

3.2 iPLS模型

將整個(gè)光譜區(qū)間分別分為16、17、……、24、25個(gè)子區(qū)間，表3列出了不同子區(qū)間建立局部模型的結(jié)果。從表3中可以看出，在第17個(gè)子區(qū)間上建立的局部模型預(yù)測(cè)能力最強(qiáng)，因此，選用這一光譜區(qū)間進(jìn)行建立iPLS模型。用模型對(duì)31個(gè)預(yù)測(cè)集樣品進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖 4所示，R為0.926，RMSEP為0.151 4%。

表3 不同子區(qū)間最佳局部模型的性能

圖4 預(yù)測(cè)集樣品中全氮預(yù)測(cè)含量和實(shí)際含量之間的線性擬合（iPLS）

3.3 siPLS模型

將整個(gè)光譜區(qū)間分別分為10、11、……、19、20個(gè)子區(qū)間，并在每個(gè)子區(qū)間內(nèi)分別選取2個(gè)和3個(gè)區(qū)間進(jìn)行組合，結(jié)果如表4，從表中可以看出，將整個(gè)光譜區(qū)間分成18個(gè)子區(qū)間，選取7、8和17這3個(gè)子區(qū)間進(jìn)行建模的效果最好，其對(duì)應(yīng)的光譜波數(shù)范圍為 4 444～4 886 cm-1、8 440～8 882 cm-1和8 882～9 326 cm-1。選取這個(gè)范圍進(jìn)行建模，并對(duì)31個(gè)預(yù)測(cè)集樣品進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5所示，R為0.928，RMSEP為0.149 1%。

表4 不同子區(qū)間最佳局部模型的性能

3.4 CARS-PLS模型

CARS方法是一種模仿達(dá)爾文進(jìn)化理論“適者生存”原則的變量選擇新方法[11]。通過自適應(yīng)重加權(quán)采樣技術(shù)篩選PLS模型中回歸系數(shù)絕對(duì)值大的波長(zhǎng)，剔除回歸系數(shù)絕對(duì)值小的波長(zhǎng)，采用交互驗(yàn)證建模選擇最優(yōu)波長(zhǎng)變量子集[12]。本研究采用 CARS方法對(duì)全波長(zhǎng)進(jìn)行變量?jī)?yōu)選，最大因子數(shù)設(shè)為 9，蒙特卡羅采樣次數(shù)為50。篩選過程如圖6所示。

圖6 a表示隨著運(yùn)行次數(shù)的增加，被選中的建模變量的數(shù)量逐漸下降，下降趨勢(shì)先快后慢，體現(xiàn)出變量篩選的粗選與精選，其中運(yùn)行次數(shù)和保留的變量數(shù)之間為指數(shù)關(guān)系[13]。圖6 b為篩選過程中交互驗(yàn)證錯(cuò)誤率的變化趨勢(shì)，其中在20次時(shí)獲得最小值而后開始逐步上升，上升的原因可能是篩選過程中剔除了一些比較關(guān)鍵的建模變量，導(dǎo)致RMSECV的值增大。圖6 c“*”所對(duì)應(yīng)的點(diǎn)與圖6 b中RMSECV最小值的點(diǎn)相對(duì)應(yīng)，圖中各條曲線表示隨著運(yùn)行次數(shù)的增加每個(gè)建模變量回歸系數(shù)的變化趨勢(shì)。

利用所選波長(zhǎng)建立PLS模型，并對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè)，預(yù)測(cè)含量與真實(shí)含量的線性擬合關(guān)系如圖7所示。R為0.981，RMSEP為0.084 1%。根據(jù)R和RMSEP指標(biāo)，與上述 3個(gè)模型相比，CARS-PLS模型的預(yù)測(cè)能力有了顯著提高。

圖6 奶牛糞便光譜波長(zhǎng)變量篩選圖

圖7 預(yù)測(cè)集樣品中全氮預(yù)測(cè)含量和實(shí)際含量之間的線性擬合（CARS-PLS）

4 結(jié)論

研究表明，利用近紅外漫反射光譜技術(shù)對(duì)規(guī)模化奶牛場(chǎng)糞污治理全過程糞便中總氮含量的預(yù)測(cè)是可行的。利用不同的變量選擇方法對(duì)全部光譜變量進(jìn)行選擇，分別建立iPLS模型、siPLS模型和CARS-PLS模型。可以看出，相對(duì)于全波長(zhǎng)模型，利用3種選擇變量的方法進(jìn)行變量選擇后RMSEP值都有不同程度的降低，說明在變量選擇的過程中剔除了一些無(wú)關(guān)變量，使得模型預(yù)測(cè)精度提升。在3種變量選擇方法中，CARS法效果最好，對(duì)預(yù)測(cè)集樣品的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果更為接近，R可達(dá)0.981，RMSEP為0.084 1%，為日后開發(fā)現(xiàn)場(chǎng)便捷式近紅外光譜儀器提供了理論基礎(chǔ)。