陳華舟，許麗莉，林 彬，喬涵麗，辜 潔，溫江北

貯備飼料近紅外光譜模型快速預(yù)測青綠飼料營養(yǎng)成分含量

陳華舟1,2，許麗莉3，林 彬1，喬涵麗1，辜 潔1,2，溫江北2

（1. 桂林理工大學(xué)理學(xué)院，桂林 541004；2. 廣東星創(chuàng)眾譜儀器有限公司，廣州 510663；3. 北部灣大學(xué)海洋學(xué)院，欽州 535011）

為快速檢測飼料的營養(yǎng)成分，該研究利用貯備飼料的近紅處技術(shù)（near-infrared，NIR）快速分析模型預(yù)測青綠飼料的營養(yǎng)成分含量?；谫A備飼料的NIR定標(biāo)模型，將建模優(yōu)化模式轉(zhuǎn)移應(yīng)用到青綠飼料的營養(yǎng)成分定量檢測，以判斷模型轉(zhuǎn)移能力。在實驗室環(huán)境下掃描并記錄新鮮的青綠飼料樣本和儲存的貯備飼料樣本的近紅外反射光譜，利用230個貯備飼料樣本進(jìn)行光譜定標(biāo)訓(xùn)練，以修正偏最小二乘（modified-partial least squares，M-PLS）建模方法，結(jié)合隨機(jī)局部樣本、局部選參、局部非連續(xù)性可調(diào)、交叉檢驗等技術(shù)相結(jié)合的方式建立局部優(yōu)化模型，分別測試120個貯備飼料樣本和120個青綠飼料樣本中的氮（nitrogen，N）、中性洗滌纖維（neutral detergent fiber，NDF）、酸性洗滌纖維（acid detergent fiber，ADF）含量。將貯備飼料的定標(biāo)校正模型應(yīng)用于貯備飼料驗證樣本的營養(yǎng)成分測定，其標(biāo)準(zhǔn)誤差（square error of prediction，SEP）：N為1.02、NDF為16.56和ADF為13.47，相關(guān)系數(shù)均在0.9以上，相對預(yù)測偏差（relative prediction derivation，RPD）均大于3；該模型具有對青綠飼料樣本的營養(yǎng)成分預(yù)測能力，其預(yù)測SEP：N為0.90、NDF為14.11和ADF為9.98，預(yù)測相關(guān)系數(shù)均在0.9以上，預(yù)測RPD均大于3，達(dá)到快速檢測誤差標(biāo)準(zhǔn)。由于局部建模過程中考慮了數(shù)據(jù)的潛在非線性結(jié)構(gòu)和具有近似光譜響應(yīng)的樣本之間的不均勻性，相對全局建模方式而言具有更好的數(shù)據(jù)驅(qū)動性質(zhì)，其建模效果優(yōu)于全局建模方法。結(jié)果表明，基于貯備飼料樣本建立的NIR定標(biāo)校正模型可以用于青綠飼料營養(yǎng)成分的預(yù)測，特別是局部分析模型的應(yīng)用能夠提高NIR快速分析的預(yù)測精度。

農(nóng)產(chǎn)品；近紅外光譜；貯備飼料；青綠飼料；局部模型；全局模型

0 引 言

動物喂養(yǎng)的飼料來源和動物飼料的營養(yǎng)成分密切相關(guān)。青綠飼料和貯備飼料是食草家畜的主要食物來源，對飼料化學(xué)成分的估計能夠間接反應(yīng)動物喂養(yǎng)的營養(yǎng)供給，飼料的營養(yǎng)配比分析是農(nóng)業(yè)和畜牧業(yè)在線飼養(yǎng)過程的一個重要環(huán)節(jié)[1-2]。實驗室研究發(fā)現(xiàn)，許多理化學(xué)科的統(tǒng)計建模方法能夠預(yù)測動物飼料的營養(yǎng)價值[3-4]，通過檢測化學(xué)成分來估計飼料營養(yǎng)價值仍然是最常用的實驗室方法，然而這種方法需要人工操作、消耗化學(xué)試劑，試驗時間長[5-6]。近紅外反射光譜（near-infrared，NIR）是一種定量預(yù)測物質(zhì)成分的快速檢測技術(shù)，它具有快速簡便、無試劑、多組分同時測定、過程無污染等優(yōu)點[7-8]；利用NIR技術(shù)定量預(yù)測青綠飼料和貯備飼料的營養(yǎng)成分，對于動物飼料的在線營養(yǎng)成分檢測具有重要的意義。

很多實驗室采用NIR技術(shù)來估計化學(xué)營養(yǎng)成分的相關(guān)數(shù)據(jù)[9-10]，由于貯備飼料的NIR響應(yīng)比較簡單、容易分析，大部分的定標(biāo)預(yù)測模型都只是利用貯備飼料樣本建立的。雖然青綠飼料和貯備飼料的化學(xué)性質(zhì)具有極大的相似性，但青綠飼料為新鮮綠草樣本，包含豐富的水分和可溶性碳水化合物，關(guān)于青綠飼料的NIR在線檢測分析模型的優(yōu)化仍然處于研究階段。而貯備飼料是對青綠飼料經(jīng)過厭氧處理、去水處理所形成的干燥飼料，其纖維素的分解和蛋白的水解過程都會導(dǎo)致飼料成分的變化[11-12]，其NIR光譜也相應(yīng)地產(chǎn)生了差異[13]。關(guān)于貯備飼料營養(yǎng)成分的NIR光譜定量分析已經(jīng)得到了廣泛的應(yīng)用，但將貯備飼料的光譜定標(biāo)模型直接應(yīng)用于青綠飼料的快速檢測分析尚未有類似研究。

由于貯備飼料是由青綠飼料加工而成，除了水分含量有明顯差異之外，貯備飼料在一定程度上仍然保留有青綠飼料的大部分成分特征，因此，其營養(yǎng)成分仍然保留相似的光譜響應(yīng)信號，這是貯備飼料的NIR分析模型能夠轉(zhuǎn)移應(yīng)用到青綠飼料營養(yǎng)成分分析的根本原因。本文討論利用貯備飼料的光譜響應(yīng)信息來預(yù)測青綠飼料的成分含量，研究NIR光譜建模分析的計量學(xué)方法，希望能夠利用現(xiàn)有的貯備飼料的定標(biāo)模型來預(yù)測青綠飼料的營養(yǎng)價值，將有利于飼料營養(yǎng)的快速在線檢測。

NIR光譜分析是基于數(shù)據(jù)驅(qū)動的建模技術(shù)，需要利用大量樣本訓(xùn)練優(yōu)選模型參數(shù)，測試光譜響應(yīng)特征的穩(wěn)定性和光譜信息的多重重疊性[14]。本文通過試驗研究討論NIR局部建模方法和全局建模方法的特點，比較2種建模方法的預(yù)測結(jié)果。全局建模方法是一次性對驗證集的全體樣本進(jìn)行預(yù)測，對建模參數(shù)進(jìn)行連續(xù)調(diào)試，利用特定模型評價指標(biāo)來權(quán)衡NIR全局建模效果；而局部建模方法是在建模過程中采用隨機(jī)方法選擇局部樣本進(jìn)行定標(biāo)訓(xùn)練，選擇參與建模的樣本數(shù)量可調(diào)試，同時在建模參數(shù)調(diào)試中采用非連續(xù)性取值（如等步長、勻變步長等方法），結(jié)合交叉檢驗的方式，利用特定模型評價指標(biāo)進(jìn)行建模參數(shù)的調(diào)試，以達(dá)到模型優(yōu)化的效果。由于局部建模過程中考慮了數(shù)據(jù)的潛在非線性結(jié)構(gòu)和具有近似光譜響應(yīng)的樣本之間的不均勻性[15]，使得模型的應(yīng)用范圍更廣泛，有利于模型推廣適用于不同生態(tài)氣候區(qū)的樣本或者不同類型的樣本[16-17]。

本次試驗是基于貯備飼料樣本建立NIR定標(biāo)模型，經(jīng)過對部分貯備樣本進(jìn)行建模訓(xùn)練，確定模型優(yōu)選參數(shù)，將定標(biāo)模型及其優(yōu)選參數(shù)分別應(yīng)用于貯備飼料樣本和青綠飼料樣本進(jìn)行驗證，驗證樣本集之間兩兩相互獨立，分別使用近紅外全局定標(biāo)策略和局部定標(biāo)策略來預(yù)測其營養(yǎng)成分含量，對比建模效果。試驗結(jié)果表明，局部建模方法能夠獲得比全局建模方法更好的預(yù)測效果。在實際應(yīng)用中，在局部光波頻率范圍內(nèi)采用非線性方法改變定標(biāo)策略。一方面驗證局部模型相對于全局模型的建模優(yōu)勢，同時考察NIR光譜快速檢測對于貯備飼料定標(biāo)模型轉(zhuǎn)移預(yù)測青綠飼料的可行性。

1 材料與方法

1.1 樣本采集與化學(xué)檢測

試驗樣本為普通青草樣本，選擇在早春時節(jié)采集，采集地域為中國廣西自治區(qū)境內(nèi)，在青草地上以陣列方式等間隔標(biāo)定35個采樣點，相鄰采樣點間隔5 m，以每個采樣點作為圓心、2 m半徑的圓形區(qū)域內(nèi)隨機(jī)采集10株青草，共采集350株（即350個樣本），每個樣本質(zhì)量約200 g。將每個樣本按質(zhì)量分為2等份，其中100 g及時完成貯備處理，轉(zhuǎn)化為貯備青草飼料；另外100 g保留為青綠飼料；形成350個青綠飼料樣本和相應(yīng)的350個貯備飼料樣本。

每個樣本分為4等份（每份約25 g），其中1份用于NIR光譜檢測，其余3份用于常規(guī)化學(xué)檢測，分別測定樣本中的氮（nitrogen，N）、中性洗滌纖維（neutral detergent fiber，NDF）、酸性洗滌纖維（acid detergent fiber，ADF）的含量，作為近紅外光譜分析的化學(xué)參考值。實驗室常用測量方法：N含量采用Dumas快速測氮法測定[18]；NDF和ADF的測定是利用Van Soest氏方法[19]，對飼料樣本分別利用中性洗滌劑和酸性洗滌劑進(jìn)行處理，剩余的不溶解殘渣分別是NDF和ADF，將殘渣烘干、冷卻、稱質(zhì)量后換算即得到對應(yīng)NDF和ADF的含量。

1.2 NIR光譜測定和數(shù)據(jù)判斷

將每個飼料樣品的一小份研磨至粉末狀，過40目篩，充分混合均勻以后，裝入直徑30 mm的環(huán)形陶瓷裝樣器皿中，采用Foss NIR Systems 5 000可見近紅外光譜儀進(jìn)行逐個樣本掃描，測量的光譜波段為400～2 500 nm，相鄰波長間隔為2 nm。每個樣本由光譜儀自動掃描32次，取平均譜線作為該樣本的測定光譜。光譜測定環(huán)境為恒溫恒濕條件，保持溫度為(25±1)℃，相對濕度為45%±1%。在測量每個樣本之前均測量1次空樣本器皿作為背景光譜。光譜數(shù)據(jù)采用ISIscan軟件進(jìn)行記錄。同時，將化學(xué)試驗測定的營養(yǎng)成分含量參考值錄入軟件平臺。

利用馬氏距離（值）計算校正集的樣本中心位置。如果某個待測樣本到訓(xùn)練集中心的距離太大（值大于3），則認(rèn)為該待測樣本超出了訓(xùn)練模型的可預(yù)測范圍，說明該定標(biāo)校正模型不適用于該待測樣本[20]。

1.3 校正模型建模設(shè)計

將350個貯備飼料樣本隨機(jī)劃分為230個校正集樣本和120個驗證集樣本，把對應(yīng)的光譜吸光度和化學(xué)參考值數(shù)據(jù)進(jìn)行劃分；類似地，對350個青綠飼料樣本也采用相同的方法做樣本集劃分和相應(yīng)的光譜預(yù)處理。利用去趨勢標(biāo)準(zhǔn)正態(tài)變換（detrend-standard normal variate，detrend-SNV）方法結(jié)合一階導(dǎo)數(shù)進(jìn)行光譜散射校正預(yù)處理；結(jié)合改進(jìn)偏最小二乘法（modified-partial least squares，M-PLS）建立光譜定標(biāo)訓(xùn)練模型，M-PLS算法結(jié)構(gòu)如圖1所示[21]。以此作為NIR分析的算法基底，分別運用局部方法和全局方法建立光譜定標(biāo)分析模型并進(jìn)行對比討論。

注：X表示光譜矩陣；Y表示參考值；N表示光譜變量數(shù)；Nm表示主成分變量數(shù)；U表示光譜載荷矩陣；P表示光譜得分矩陣；V表示參考值載荷矩陣；Q表示參考值得分矩陣；a, b表示回歸系數(shù)。

NIR定標(biāo)預(yù)測過程需要對光譜數(shù)據(jù)訓(xùn)練進(jìn)行模型參數(shù)的優(yōu)選，分別針對全局建模方法和局部建模方法對青綠飼料的NIR數(shù)據(jù)建模進(jìn)行研究。全局建模方法是一次性對驗證集的全體樣本進(jìn)行預(yù)測，partial least squares (PLS)的因子數(shù)調(diào)試從1連續(xù)變化到10，利用校正標(biāo)準(zhǔn)誤差（square error of calibration，SEC）、校正決定系數(shù)（determination coefficient of calibration，2C）和相對預(yù)測偏差（relative prediction derivation，RPD）來評價全局建模效果，其中RPD作為相對性指標(biāo)，是標(biāo)準(zhǔn)差（standard deviation，SD）與SEC的比值，在光譜分析領(lǐng)域，RPD>3說明該模型適用于光譜快速分析，RPD>4.5則說明該模型適用于快速精準(zhǔn)預(yù)測[22-23]；而局部方法是在校正集中隨機(jī)選取部分樣本進(jìn)行定標(biāo)訓(xùn)練，每次選擇樣本的數(shù)量從60變化到200（步長為10）；PLS因子數(shù)從10變化到40（步長為5）。采用交叉檢驗的方式，利用交叉驗證標(biāo)準(zhǔn)誤差（square error of cross validation，SECV）、交叉驗證決定系數(shù)（determination coefficient of cross validation，2CV）和相對預(yù)測偏差（RPD）來評價局部建模效果。由于不同樣本的模型優(yōu)選參數(shù)的差異，得到不同的M-PLS回歸模型。根據(jù)最小SECV優(yōu)選參數(shù)，對驗證集樣本進(jìn)行預(yù)測，采用外部檢驗的方式，計算預(yù)測決定系數(shù)（determination coefficient of prediction，2P）和預(yù)測標(biāo)準(zhǔn)誤差（square error of prediction，SEP）來評價局部模型和全局模型的預(yù)測效果。

2 結(jié)果與分析

2.1 數(shù)據(jù)描述性結(jié)果分析

基于全局建模方法和局部建模方法對樣本中的營養(yǎng)成分（N、NDF、ANF）做基本統(tǒng)計分析，針對校正集和2個獨立的驗證集分別計算待測指標(biāo)的最大值（Max）、最小值（Min）、均值（Ave）、標(biāo)準(zhǔn)偏差（SD）和變異系數(shù)（CV）如表1所示。由表1可見，校正集樣本的數(shù)據(jù)覆蓋范圍大于所有驗證集，這在一定程度上可以保證建模的精確度和準(zhǔn)確度。

表1 校正和驗證樣本集中的N、NDF、ANF質(zhì)量分?jǐn)?shù)的描述性分析

由于貯備飼料是青綠飼料經(jīng)過直接貯備處理而成，其營養(yǎng)成分所對應(yīng)的NIR光譜具備一定的關(guān)聯(lián)性，因此，可以通過計算2種飼料的差值譜線來分析其光譜特征。隨機(jī)選取10個貯備飼料樣本和10個青綠飼料樣本，分別計算各自10個樣本的平均光譜和一階導(dǎo)數(shù)平均光譜，進(jìn)一步計算青綠飼料樣本和貯備飼料樣本平均光譜之間的差值譜線和一階導(dǎo)數(shù)差值譜線（見圖2）。由圖2可見，青綠飼料和貯備飼料的NIR光譜原譜差異明顯的局部最大值點出現(xiàn)在550、710、1 100、1 300、2 050、2 280 nm附近，而明顯的局部最小值點出現(xiàn)在460、650、800、1 400、1 550、1 800、2 130、2 420 nm附近；青綠飼料和貯備飼料的一階導(dǎo)數(shù)譜差異明顯的局部最大值點出現(xiàn)在480、590、700、1 780、2 190 nm附近，而明顯的局部最小值點出現(xiàn)在440、560、630、780、1 170、1 680、2 100、2 280 nm附近。這些光譜波長點可被考慮作為光譜局部分析建模優(yōu)化的參考特征波長。

圖2 貯備飼料和青綠飼料的NIR差值光譜及一階導(dǎo)數(shù)差值光譜

利用定標(biāo)校正模型測定驗證集樣本的營養(yǎng)成分含量，首先通過計算驗證集中單個樣本和校正樣本集中心值的馬氏距離（值）來評價定標(biāo)校正模型對于不同驗證集樣本的適用情況。在統(tǒng)計學(xué)角度，馬氏距離（值）是通過計算2個樣本集的協(xié)方差來衡量這2個樣本集之間的相似程度[24]。在NIR光譜分析中，本文使用馬氏距離的原理，充分利用其算法簡單、運算速度快的特點，通過計算值來判別基于2個待測樣本集（特別是不同種類的樣本集）是否能夠適用于模型相互傳遞和轉(zhuǎn)移應(yīng)用，通常以=3為臨界值，如果<3，則表示基于2個樣本集所建立的定標(biāo)模型可以相互轉(zhuǎn)移，否則不可以[25]。經(jīng)過計算，全局模型的貯備飼料定標(biāo)集和驗證集之間的值為0.91，局部模型的貯備飼料校正集（校正集I）和貯備飼料驗證集（驗證集I）之間的值為1.37；全局模型的校正集I和青綠飼料驗證集（驗證集II）之間的值為0.98，局部模型的校正集I和驗證集II之間的值為1.53。這些均值都小于3，說明在驗證過程中，以貯備飼料為校正集樣本，分別預(yù)測貯備飼料驗證集和青綠飼料驗證集，均沒有出現(xiàn)異常驗證結(jié)果。結(jié)果表明，基于貯備飼料的定標(biāo)模型適用于貯備飼料和青綠飼料的預(yù)測。然而，青綠飼料校正集（校正集II）和驗證集I的值大于3（全局模型的值為6.24，局部模型的值得均值為7.59）。這說明，采用青綠飼料進(jìn)行訓(xùn)練的NIR光譜校正模型不適用于對貯備飼料的預(yù)測。

2.2 NIR建模結(jié)果分析

利用貯備飼料訓(xùn)練樣本（定標(biāo)集I）的NIR模型分別對貯備飼料驗證集樣本（驗證集I）和青綠飼料驗證集樣本（驗證集II）進(jìn)行預(yù)測，關(guān)于N、NDF、ADF含量的定標(biāo)校正結(jié)果見表2。不管是全局模型還是局部模型，所有的待測成分的模型訓(xùn)練結(jié)果，全局方法中的2C和局部方法中的2CV均大于0.9，且2種方法的RPD均高于4.5，能夠滿足NIR快速精準(zhǔn)預(yù)測的要求。

基于貯備飼料定標(biāo)集樣本對NIR定量分析模型進(jìn)行參數(shù)優(yōu)選，進(jìn)一步用于對驗證集樣本（驗證集I和驗證集II）的預(yù)測，全局方法和局部方法的驗證預(yù)測結(jié)果也列于表2中。

在預(yù)測貯備飼料樣本的營養(yǎng)成分時，局部模型采用了隨機(jī)方法選擇定標(biāo)訓(xùn)練樣本，設(shè)置了參與建模的樣本數(shù)量可調(diào)試，并且采用了非連續(xù)性取值進(jìn)行建模選參，獲得驗證集I（貯備飼料）的預(yù)測結(jié)果SEP為1.02（N）、16.56（NDF）和13.47（ADF），2P均達(dá)到了0.9以上，RPD均大于3。相比之下，關(guān)于大部分對象的各個指標(biāo)的預(yù)測，局部模型的SEP值均低于全局模型。唯一例外的是，對于NDF含量的預(yù)測，全局建模方法獲得了比局部模型更低的SEP值。

表2 全局方法和局部方法關(guān)于N、NDF、ADF含量的定標(biāo)校正結(jié)果及其驗證預(yù)測結(jié)果

注：N表示氮含量；NDF表示中性洗滌纖維含量；ADF表示酸性洗滌纖維含量；SEC表示校正標(biāo)準(zhǔn)誤差；SEP表示預(yù)測標(biāo)準(zhǔn)誤差；SECV表示交叉驗證標(biāo)準(zhǔn)誤差；2C表示校正決定系數(shù)；2P表示預(yù)測決定系數(shù)；2CV表示交叉驗證決定系數(shù)RPD表示相對預(yù)測偏差。

Note: N represents nitrogen content; NDF represents neutral detergent fiber content; ADF represents acid detergent fiber content; SEC represents the square error of calibration; SEP represents the square error of prediction; SECV represents the square error of cross validation;2Crepresents the determination coefficient of calibration;2Prepresents the determination coefficient of prediction;2CVrepresents the determination coefficient of cross validation; RPD represents the relative prediction derivation.

對于驗證集II（青綠飼料）樣本的預(yù)測，獲得SEP為0.90（N）、14.11（NDF）和9.98（ADF），待測含量指標(biāo)預(yù)測比較準(zhǔn)確，同時能夠得到的決定系數(shù)（2P）均大于0.9，這與貯備飼料驗證集的預(yù)測效果一致。全局模型預(yù)測貯備飼料和預(yù)測青綠飼料的結(jié)果并沒有明顯的差別，而采用局部方法的預(yù)測得比全局方法更低的SEP，預(yù)測效果有所改善，這說明，采用隨機(jī)方法選擇局部樣本進(jìn)行定標(biāo)訓(xùn)練，選擇參與建模的樣本數(shù)量可調(diào)試，采用非連續(xù)性取值進(jìn)行建模選參，能夠有效地提高NIR光譜分析的預(yù)測精度。

經(jīng)過定標(biāo)集和驗證集樣本劃分以后，盡管用于驗證的貯備飼料和青綠飼料樣本的待測成分也具有較大的變化范圍，但該變化幅度仍然小于用于定標(biāo)的貯備飼料樣本集。由于貯備飼料的營養(yǎng)成分基本來源于其對應(yīng)的原始青綠飼料的營養(yǎng)成分。但是將青綠飼料加工成貯備飼料的過程使得化學(xué)營養(yǎng)成分的含量發(fā)生了較大的變化。貯備飼料和青綠飼料的NIR光譜響應(yīng)差別跟對應(yīng)的化學(xué)成分有關(guān)[26-27]，如2 138 nm處的光譜響應(yīng)差別跟非結(jié)構(gòu)性碳水化合物的含量有關(guān)，在1 196、1 792、2 096、2 302 nm處的差別跟蛋白含量有關(guān)，在2 272、2 350 nm處的差別跟結(jié)構(gòu)性碳水化合物有關(guān)。

利用全局模型對貯備飼料樣本中NDF和ADF含量的預(yù)測的SEP值相對較大，為了克服顯著的預(yù)測誤差，有研究報道曾經(jīng)提出從驗證集中選擇部分樣本融合到定標(biāo)集中進(jìn)行重新訓(xùn)練，利用局部分析模式進(jìn)一步修正模型，以便找到合適的定標(biāo)模型。這種方法在對于提升全局模型的預(yù)測效果尤其重要。對所有的待測指標(biāo)，全局模型中的2C和局部模型中的2CV均大于0.9，局部模型預(yù)測貯備飼料和預(yù)測青綠飼料的SEP沒有明顯的差別。結(jié)果表明，局部模型的結(jié)果優(yōu)于全局模型的結(jié)果，普遍得到了更好的預(yù)測精度。針對于RPD值，局部建模比全局建模的效果至少提高了17%（NDF含量），最多提高了54%（N含量）。說明本次試驗所采用的局部建模方法均適用于動物飼料的質(zhì)量控制。

3 結(jié) 論

本文的研究通過對貯備飼料樣本和青綠飼料樣本建立NIR光譜定標(biāo)模型預(yù)測N、NDF、ADF的含量。經(jīng)過模型優(yōu)化和參數(shù)選擇，基于貯備飼料樣本的NIR定標(biāo)校正模型能夠比較準(zhǔn)確地預(yù)測貯備飼料和青綠飼料的驗證集樣本。在預(yù)測貯備飼料樣本的營養(yǎng)成分時，局部模型采用了隨機(jī)方法選擇定標(biāo)訓(xùn)練樣本，設(shè)置了參與建模的樣本數(shù)量可調(diào)試，并且采用了非連續(xù)性取值進(jìn)行建模選參，獲得驗證集I（貯備飼料）的SEP為1.02（N）、16.56（NDF）和13.47（ADF），2P均達(dá)到了0.9以上，RPD均大于3；獲得驗證集II（青綠飼料）的SEP為0.90（N）、14.11（NDF）和9.98（ADF），2P和RPD也達(dá)到了要求。其局部模型的建模效果全局模型建模效果相當(dāng)。這說明本次試驗所采用的局部建模方法適用于飼料營養(yǎng)品質(zhì)的鑒定，有望應(yīng)用于動物喂養(yǎng)的食物質(zhì)量監(jiān)控。

另一方面，通過計算馬氏距離（值大于3）驗證了青綠飼料校正集（校正集II）的定標(biāo)建模不適用于貯備飼料的預(yù)測，其原因在于青綠飼料為原生態(tài)樣本，其成分結(jié)構(gòu)更接近于在線檢測的成分，光譜響應(yīng)更為復(fù)雜，需要在計量學(xué)方法上深入研究，以尋找更合適的建模方案來針對青綠飼料的光譜分析進(jìn)行優(yōu)化，以獲取更準(zhǔn)確的預(yù)測。

[1] Flachowsky G, Schafft H, Meyer U. Animal feeding studies for nutritional and safety assessments of feeds from genetically modified plants: a review[J]. Journal of Consumer Protection and Food Safety, 2012, 7(3): 179－194.

[2] Gaggìa F, Mattarelli P, Biavati B. Probiotics and prebiotics in animal feeding for safe food production[J]. International Journal of Food Microbiology, 2010, 141: 15－28.

[3] Andueza D, Cruz P, Farruggia A, et al. Nutritive value of two meadows and relationships with some vegetation traits[J]. Grass and Forage Science, 2010, 65: 325－334.

[4] 陳華舟，陳福，石凱，等. 基于隨機(jī)森林的魚粉蛋白近紅外定量分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46(5)：233－238.

Chen Huazhou, Chen Fu, Shi Kai, et al. Near-infrared analysis of fishmeal protein based on random forest[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(5): 233－238. (in Chinese with English abstract)

[5] Gfrerer M, Chen S, Lankmayr E P, et al. Comparison of different extraction techniques for the determination of chlorinated pesticides in animal feed[J]. Analytical and Bioanalytical Chemistry, 2004, 378: 1861－1867.

[6] 祝秀梅，梁斌，唐煜，等. 飼料檢測技術(shù)的研究進(jìn)展[J]. 畜牧與飼料科學(xué)，2015，36(3)：47－49.

Zhu Xiumei, Liang Bin, Tang Yu, et al. The research progress of feed determination techniques[J]. Animal Husbandry and Feed Science, 2015, 36(3): 47－49. (in Chinese with English abstract)

[7] Ye M, Gao Z, Li Z, et al. Rapid detection of volatile compounds in apple wines using FT-NIR spectroscopy[J]. Food Chemistry, 2016, 190: 701－708.

[8] Abdanan S, Minaei S, Hancock N H. An intelligent system for egg quality classification based on visible-infrared transmittance spectroscopy[J]. Information Processing in Agriculture, 2014, 1(2): 105－114.

[9] Moros J, I?ón F A, Garrigues S, et al. Near-infrared diffuse reflectance spectroscopy and neural networks for measuring nutritional parameters in chocolate samples[J]. Analytica Chimica Acta, 2007, 584(1): 215－222.

[10] Rothman J M, Chapman C A, Hansen J L, et al. Rapid assessment of the nutritional value of foods eaten by mountain gorillas: Applying near-infrared reflectance spectroscopy to primatology[J]. International Journal of Primatology, 2009, 30(5): 729－742.

[11] Cai Y, Kumai S, Ogawa M, et al. Characterization and identification of Pediococcus species isolated from forage crops and their application for silage preparation[J]. Applied and Environmental Microbiology, 1999, 65(7): 2901－2906.

[12] Andueza D, Delgado I, Mu?oz F. Effect of lucerne preservation method on the feed value of forage [J]. Journal of the Science of Food and Agriculture, 2009, 89: 1991－1996.

[13] 白琪林，陳紹江，嚴(yán)衍祿，等. 近紅外漫反射光譜法測定青貯玉米品質(zhì)性狀的研究[J]. 中國農(nóng)業(yè)科學(xué)，2006，39(7)：1346－1351.

Bai Qilin, Chen Shaojiang, Yan Yanlu, et al. Prediction of ensiled maize quality traits with near infrared diffuse reflectance spectroscopy (NIDRS)[J]. Scientia Agricultura Sinica. 2006, 39(7): 1346－1351. (in Chinese with English abstract)

[14] Chen H, Liu Z, Gu J, et al. Quantitative analysis of soil nutrition based on FT-NIR spectroscopy integrated with BP neural deep learning[J]. Analytical Methods, 2018, 10: 5004－5013.

[15] Tran H, Salgado P, Tillard E, et al. “Global” and “l(fā)ocal” predictions of dairy diet nutritional quality using near infrared reflectance spectroscopy[J]. Journal of Dairy Science, 2010, 93(10): 4961－4975.

[16] Wetterlind J, Stenberg B, S?derstr?m M. Increased sample point density in farm soil mapping by local calibration of visible and near infrared prediction models[J]. Geoderma, 2010, 156(3): 152－160.

[17] Andueza D, Picard F, Jestin M, et al. NIRS prediction of the feed value of temperate forages: Efficacy of four calibration strategies[J]. Animal, 2011, 5(7): 1002－1013.

[18] Etheridge R D, Pesti G M, Foster E H. A comparison of nitrogen values obtained utilizing the Kjeldahl nitrogen and Dumas combustion methodologies (Leco CNS 2000) on samples typical of an animal nutrition analytical laboratory[J]. Animal Feed Science and Technology, 1998, 73(1): 21－28.

[19] Van Soest P J, Robertson J B, Lewis B A. Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition[J]. Journal of Dairy Science, 1991, 74: 3583－3597.

[20] Long B, Tian S, Wang H. Feature vector selection method using Mahalanobis distance for diagnostics of analog circuits based on LS-SVM[J]. Journal of Electronic Testing-Theory and Applications, 2012, 28: 745－755.

[21] Wang G, Yin S. Quality-related fault detection approach based on orthogonal signal correction and modified PLS[J]. IEEE Transactions on Industrial Informatics, 2015, 11(2): 398－405.

[22] Fearn T. Assessing calibrations: SEP, RPD, RER and R2 [J]. NIR News, 2002, 13(6): 12－13.

[23] 王冬，王紀(jì)華，馬智宏，等. 衰減全反射-中紅外光譜法定量測定小麥粉中的石灰類添加物[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(4)：258－263.

Wang Dong, Wang Jihua, Ma Zhihong, et al. Quantitative determination of lime additives in wheat flour by mid-infrared spectroscopy combined with attenuated total reflection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(4): 258－263. (in Chinese with English abstract)

[24] Xiang S, Nie F, Zhang C. Learning a Mahalanobis distance metric for data clustering and classification[J]. Pattern Recognition, 2008, 41(12): 3600－3612.

[25] Nie L, Azarian M H, Keimasi M, et al. Prognostics of ceramic capacitor temperature-humidity-bias reliability using Mahalanobis distance analysis[J]. Circuit World, 2007, 33(3): 21－28.

[26] 劉賢，韓魯佳，楊增玲，等. 近紅外光譜快速分析青貯飼料pH值和發(fā)酵產(chǎn)物[J]. 分析化學(xué)，2007，35(9)：1285－1289.

Liu Xian, Han Lujia, Yang Zengling, et al. Rapid prediction of pH value and fermentation products in silage by near infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2007, 35(9): 1285–1289. (in Chinese with English abstract)

[27] Dobos R, Herd R. Spectral analysis of feeding patterns of steers divergent in residual feed intake[J]. Australian Journal of Experimental Agriculture, 2008, 48(7): 843－846.

Measuring nutrient content of green forage in silage using near-infrared spectroscopy

Chen Huazhou1,2, Xu Lili3, Lin Bin1, Qiao Hanli1, Gu Jie1,2, Wen Jiangbei2

(1.,,541004,; 2...,510663,; 3.,,535011,)

Real-time monitoring of nutrient content of green forage in silage is essential to understanding how the nutrition change with time. In this paper we present a method to estimate nutrient content of the green forage using near-infrared (NIR) spectroscopy. Based on calibrated NIR models, a optimization model was modified and applied to estimate the nutrient. All green forage samples were collected from a grassland and their spectroscopy scanning was conducted in laboratory under controlled temperature and humidity. The results of 230 samples were used to train the chemometric algorithmic model, and the local optimization model was constructed using the modified partial least squares (M-PLS) algorithm combined with local random sample technique, local optimization and discontinuous adjustment of model parameters, and cross validation. For both silage and green forages, we measured nitrogen content, neutral detergent fiber (NDF) and acid detergent fiber (ADF) in 120 samples each. As a comparison, a global calibration model was also constructed based on the full-length waveband and applied to validate against the silage forage samples. The results showed that the square error of the prediction was 1.02 for nitrogen, 16.56 for nutrient NDF and 13.47 for nutrient ADF. The standard prediction errors were small and the correlation coefficients were higher than 0.9, with the relative derivation greater than 3. The model calibrated against the silage forage samples was able to predict nutrient content in both silage samples and green forage samples with SEP being 0.90 for nitrogen, 14.11 for NDF and 9.98 for ADF. The associated correlation coefficients were higher than 0.9, with the RPD greater than 3. All these results meet the standard for fast detection. The model calibrated locally can deal with non-linear molecular structure and non-uniform response of NIR spectroscopy. Experimental examination revealed that the locally calibrated model was more effective than the global model, and we can thus conclude that the NIR calibration model against the silage samples is able to predict nutrient content of green forage samples, especially the locally calibrated model.

agricultural products; near-infrared spectroscopy; silage forage; cyan forage; local models; global models

陳華舟，許麗莉，林 彬，喬涵麗，辜 潔，溫江北. 貯備飼料近紅外光譜模型快速預(yù)測青綠飼料營養(yǎng)成分含量[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(2)：331－336.doi：10.11975/j.issn.1002-6819.2020.02.038 http://www.tcsae.org

Chen Huazhou, Xu Lili, Lin Bin, Qiao Hanli, Gu Jie, Wen Jiangbei. Measuring nutrient content of green forage in silage using near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 331－336. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.038 http://www.tcsae.org

2019-06-05

2019-12-06

國家自然科學(xué)基金（61505037）；廣西自然科學(xué)基金（2018GXNSFAA050045）；廣西科技基地和人才專項（2018AD19038）。

陳華舟，教授，博士，主要從事農(nóng)業(yè)信息處理和光譜計量分析方面的研究。Email：hzchengut@foxmail.com

10.11975/j.issn.1002-6819.2020.02.038

O433.4; S816.11

A

1002-6819(2020)-02-0331-06