陳 菲， 李小梅， 倪奎奎， 楊富裕

（中國(guó)農(nóng)業(yè)大學(xué)草業(yè)科學(xué)與技術(shù)學(xué)院，北京 100193）

我國(guó)每年青貯飼料產(chǎn)量達(dá)28000 余萬(wàn)t（農(nóng)業(yè)部畜牧業(yè)司，2018）。 青貯飼料在反芻動(dòng)物日糧中占40%以上，能夠維持反芻動(dòng)物良好的瘤胃功能狀態(tài)， 降低瘤胃酸中毒和皺胃移位等疾病的風(fēng)險(xiǎn)（Wilkinson 等，2018）， 提高消化性能和生長(zhǎng)性能（李闖等，2020），對(duì)反芻動(dòng)物的生產(chǎn)和健康有著重要意義。但當(dāng)前我國(guó)青貯飼料質(zhì)量參差不齊，不科學(xué)的青貯方式不僅會(huì)降低飼草營(yíng)養(yǎng)品質(zhì)， 甚至?xí)?dǎo)致飼草腐敗變質(zhì)， 真菌毒素及其衍生物對(duì)動(dòng)物生產(chǎn)和健康有不利影響（Peles 等，2019）。因此，快速、 準(zhǔn)確的青貯飼料質(zhì)量檢測(cè)技術(shù)與評(píng)定手段對(duì)于反芻動(dòng)物養(yǎng)殖、 生產(chǎn)具有重要意義 （穆懷彬，2008）。 傳統(tǒng)方法檢測(cè)青貯品質(zhì)需要至少一周，極大降低了生產(chǎn)效率。要實(shí)現(xiàn)快速精準(zhǔn)檢測(cè)，必須將經(jīng)典化學(xué)檢測(cè)轉(zhuǎn)向多元分析方法， 并且更加強(qiáng)調(diào)性能、靈敏度、可靠性、快速和易操作以及低成本（Beúc等，2020；Cheli 等，2012）。

現(xiàn)代近紅外光譜（NIRS）分析技術(shù)是控制飼料工業(yè)中質(zhì)量和安全的有力工具， 已經(jīng)從農(nóng)副產(chǎn)品擴(kuò)展到了工業(yè)、醫(yī)藥等領(lǐng)域，逐漸取代“濕化學(xué)”技術(shù)（王多加等，2004）。近紅外光譜技術(shù)檢測(cè)青貯品質(zhì)能提高生產(chǎn)效率， 但由于青貯飼料具有含水量高和樣品不均一等特點(diǎn)， 使近紅外光譜技術(shù)檢測(cè)青貯飼料體系仍存在如何提高模型的精度、缺乏相關(guān)的技術(shù)標(biāo)準(zhǔn)、 取樣未實(shí)現(xiàn)標(biāo)準(zhǔn)化 （楊雪萍等，2020）等問(wèn)題。 本文綜述了當(dāng)前近紅外光譜檢測(cè)技術(shù)在青貯飼料上的研究進(jìn)展， 旨在為青貯飼料的快速無(wú)損檢測(cè)提供一定的理論依據(jù)與參考。

1 NIR 光譜儀在青貯飼料無(wú)損檢測(cè)中的應(yīng)用

當(dāng)前國(guó)外主要的NIR 光譜儀生產(chǎn)商包括FOSS、Carl Zeiss、Unity、BRUKER、POLYTEC、Thermo electron 等， 國(guó)內(nèi)起步較晚。 但近年來(lái)， 我國(guó)NIR 光譜儀也有了一定成績(jī)， 主要的生產(chǎn)廠家有北京英賢儀器有限公司、聚光科技股份有限公司、北京偉創(chuàng)英圖科技、南京中地儀器有限公司等。從近年來(lái)的產(chǎn)品迭代來(lái)看，NIR 光譜儀的發(fā)展方向?yàn)椋海?）提高儀器的精準(zhǔn)度和模型的穩(wěn)定性；（2）降低儀器成本，生產(chǎn)更便攜，適用于在線分析的NIR光譜儀；（3）建立標(biāo)準(zhǔn)化儀器，增強(qiáng)儀器的通用性（褚小立等，2007）。 隨著大數(shù)據(jù)時(shí)代的到來(lái)，NIR光譜儀的發(fā)展要基于物聯(lián)網(wǎng)和云計(jì)算來(lái)實(shí)現(xiàn)通信（Wilkinson 等，2018）。

從表1 可以看出， 當(dāng)前在青貯領(lǐng)域使用較多的儀器是FOSS NIRSystem 6500，在全株玉米、多年生黑麥草、 混合牧草等青貯飼料中都有較好的預(yù)測(cè)效果。FOSS 擁有上萬(wàn)個(gè)農(nóng)作物樣本組成的分析模型庫(kù)，在我國(guó)許多大型飼料廠都在使用FOSS的NIR 光譜儀。 從NIR 光譜儀的類型來(lái)看，近紅外光譜技術(shù)分析青貯品質(zhì)的研究更多的是建立在實(shí)驗(yàn)室NIR 光譜儀基礎(chǔ)之上，精準(zhǔn)度高，模型穩(wěn)定性更好，但需要磨細(xì)烘干樣本進(jìn)行分析，對(duì)于生產(chǎn)來(lái)說(shuō)，便攜式儀器能夠?qū)崿F(xiàn)就地實(shí)時(shí)分析，會(huì)帶給牧場(chǎng)更高的效益。 因此， 商業(yè)上開發(fā)了很多微型、 便攜式近紅外儀器， 可以直接檢測(cè)青貯飼料（Evangelista 等，2021），比如 GRAINIT AURORA、AuNIR/AB Vista NIR4、ITPhotonics poliSPEC 等（張欣欣等，2020）。 但隨著儀器的小型化，其精度和光譜分辨率等性能會(huì)受到限制 （劉建學(xué)等，2019）。 因此除了要提升儀器硬件和軟件性能，還要加強(qiáng)與臺(tái)式近紅外光譜儀比較分析的可行性研究。

表1 NIR 光譜儀主要類型

2 青貯飼料無(wú)損檢測(cè)中化學(xué)計(jì)量學(xué)方法的選擇和優(yōu)化

通過(guò)優(yōu)化化學(xué)計(jì)量學(xué)軟件建立更高精確度的模型， 是當(dāng)前提升青貯濕樣檢測(cè)精度的重大技術(shù)要點(diǎn)。 近紅外光譜能獲取絕大部分有機(jī)物組成性質(zhì)以及分子結(jié)構(gòu)的有效信息（劉進(jìn)，2020），生物制品在近紅外光照射下， 內(nèi)部各種化學(xué)成分和物理結(jié)構(gòu)會(huì)產(chǎn)生特征的近紅外吸收光譜 （Karoui 等，2007）， 但這些信息不能直接從光譜中提取出來(lái)，并且該區(qū)域的多重共線性強(qiáng)（嚴(yán)衍祿等，2005）?；瘜W(xué)計(jì)量學(xué)涵蓋了所有的多變量校準(zhǔn)方法， 包括光譜數(shù)據(jù)預(yù)處理， 以及用于定性和定量分析的校準(zhǔn)模型開發(fā)（Rego 等，2020），因此，化學(xué)計(jì)量技術(shù)對(duì)于可靠地提取相關(guān)信息至關(guān)重要。

當(dāng)前建立青貯飼料預(yù)測(cè)模型使用的化學(xué)計(jì)量學(xué)方法以傳統(tǒng)的建模為主，光譜預(yù)處理方式包括：多元散射歸一化法（MSC）、標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)化法（SNV）、一階導(dǎo)數(shù)/多元色散矯正法（1st Deriv. &MSC）等，回歸分析統(tǒng)計(jì)方法主要包括：最小偏二乘法（PLS）、主成分分析（PCA）、多元線性回歸（MLR）等。傳統(tǒng)的建模方法存在一些缺陷，且青貯樣品的異質(zhì)性使近紅外光譜中的有效信息率低，影響預(yù)測(cè)精度。 比如， 玉米青貯的形態(tài)組成包括葉、穗軸、外殼、莖和籽粒，而苜蓿青貯通常是莖和葉異質(zhì)性更小，與苜蓿青貯樣品相比，測(cè)量玉米青貯樣品的重復(fù)性較差（Donnelly 等，2018）。隨著物聯(lián)網(wǎng)、 大數(shù)據(jù)分析的發(fā)展， 現(xiàn)代統(tǒng)計(jì)學(xué)有了新方法，可以彌補(bǔ)傳統(tǒng)光譜數(shù)據(jù)分析方法的缺點(diǎn)。 Almanjahie 等（2019）運(yùn)用更適合的統(tǒng)計(jì)模型：函數(shù)非參數(shù)分位數(shù)回歸（FNQR）、泛函局部線性分位數(shù)回歸（FLLQR）等，得到了更穩(wěn)健的模型。 近年來(lái)，青貯飼料模型的轉(zhuǎn)移也開始受到關(guān)注。由于光學(xué)、 探測(cè)器和光源的差異以及儀器響應(yīng)隨時(shí)間的變化等，導(dǎo)致當(dāng)儀器類型不同時(shí)，得到的光譜有差異（Liu 等，2011），將現(xiàn)有的近紅外數(shù)據(jù)集轉(zhuǎn)移到其他儀器， 可以極大提高利用效率 （Yakubu 等，2020）。Soldado 等（2013）嘗試使用正交投影傳遞，將色散在線近紅外儀 （Foss NIR System 6500）轉(zhuǎn)移到二極管陣列現(xiàn)場(chǎng)近紅外儀（Zeiss Corona），實(shí)現(xiàn)了將校準(zhǔn)數(shù)據(jù)從在線近紅外儀器到現(xiàn)場(chǎng)近紅外儀器，傳輸牧草質(zhì)量預(yù)測(cè)提供了一種新的方法，克服了以往模型的缺陷。

3 青貯飼料無(wú)損檢測(cè)技術(shù)的應(yīng)用

3.1 青貯飼料營(yíng)養(yǎng)品質(zhì) 近紅外光譜分析技術(shù)預(yù)測(cè)青貯飼料水分、粗蛋白質(zhì)（CP）、中性洗滌纖維（NDF）、酸性洗滌纖維（ADF）、干物質(zhì)（DM）、總灰分（TA）等效果較好，消化率、代謝能、粗脂肪（EE）、可溶性碳水化合物（WSC）等預(yù)測(cè)效果較差。劉娜（2019）、周昊杰（2020）等建立的全株玉米青貯飼料營(yíng)養(yǎng)組分近紅外光譜模型， 對(duì)多種營(yíng)養(yǎng)成分均有較好的預(yù)測(cè)效果， 預(yù)測(cè)結(jié)果可以準(zhǔn)確反映真實(shí)營(yíng)養(yǎng)成分。 楊中平（2010）建立青貯飼料近紅外模型也可以很好地測(cè)定捆包青貯樣品的pH、粗灰分（CA）和 CP 含量，pH、CP、CA 和 DM 的校正模型決定系數(shù)R2以及外部驗(yàn)證決定系數(shù)R2v均大于0.85，但WSC 預(yù)測(cè)精度有待提高。（2009）使用近紅外光譜技術(shù)預(yù)測(cè)多年生黑麥草青貯 NDF、TA、CP、CF、ADF 含量和代謝能， 近紅外光譜預(yù)測(cè)值在 TA、CP、粗纖維（CF）、NDF 和 ADF含量方面的可靠性較高。 Park 等（2011）對(duì)多花黑麥草青貯進(jìn)行了近紅外光譜分析， 發(fā)現(xiàn)臺(tái)式近紅外光譜對(duì)水分、pH、ADF、NDF、CP 有較好的預(yù)測(cè)效果，R2值分別為 0.96、0.82、0.96、0.97、0.82。 青貯飼料中的化學(xué)成分影響著動(dòng)物健康和動(dòng)物生產(chǎn)， 近紅外光譜技術(shù)能夠快速測(cè)定青貯飼料中的營(yíng)養(yǎng)成分含量， 有利于及時(shí)處理動(dòng)物健康問(wèn)題以及提高畜產(chǎn)品質(zhì)量。

為了更高效地分析飼料的營(yíng)養(yǎng)品質(zhì)， 更多的研究趨向于建立青貯濕樣近紅外光譜模型預(yù)測(cè)營(yíng)養(yǎng)成分， 但濕近紅外方法分析樣品中可能存在更大的異質(zhì)性，預(yù)測(cè)結(jié)果具有不可靠性。干燥和研磨過(guò)程能消除樣品的異質(zhì)性， 干燥過(guò)程可能會(huì)改變牧草光譜， 因此用烘干青飼料光譜校正模型能應(yīng)用于烘干青飼料和干草， 但不能應(yīng)用于青貯樣品（Andueza 等，2016）。 Thomson（2018）研究了混合青貯中15 種化學(xué)成分，不能高精度預(yù)測(cè)許多關(guān)鍵化學(xué)成分， 只有 DM 能較好地預(yù)測(cè)，RPD 值為4.9。Davies（2012）也發(fā)現(xiàn)，使用濕近紅外光譜預(yù)測(cè)青貯飼料成分， 青貯飼料粗蛋白質(zhì)被低估了22 g/kg DM。 但有研究表明，青貯濕樣近紅外光譜模型可以預(yù)測(cè)營(yíng)養(yǎng)成分。 Cozzolino 等（2006）采集全株玉米青貯濕樣進(jìn)行測(cè)定，CP、DM、ADF 可以用近紅外光譜分析， 有機(jī)質(zhì)消化率、NDF、pH 則不能。王新基等（2021）建立全株玉米青貯近紅外預(yù)測(cè)模型， 構(gòu)建的玉米青貯 DM、CP、ADF 和 CA 預(yù)測(cè)模型可以用于實(shí)際預(yù)測(cè)，EE 和NDF 含量構(gòu)建的模型預(yù)測(cè)結(jié)果較差。 Park 等（2016）用數(shù)學(xué)變換提高了模型的精度， 近紅外光譜可以較準(zhǔn)確地預(yù)測(cè)濕玉米青貯的化學(xué)成分， 交叉驗(yàn)證相關(guān)系數(shù)R2cv為0.77 ~ 0.91。

綜上所述， 當(dāng)前對(duì)玉米青貯營(yíng)養(yǎng)品質(zhì)的分析研究較多，對(duì)青貯樣品進(jìn)行前處理（烘干、磨粉）后預(yù)測(cè)精度更高。

3.2 青貯飼料發(fā)酵產(chǎn)物測(cè)定 近紅外光譜分析技術(shù)能較好地預(yù)測(cè)青貯飼料中乳酸、NH3-N 含量，但乙酸、丙酸、丁酸、乙醇等含量的預(yù)測(cè)較差，在實(shí)際生產(chǎn)中， 用濕料預(yù)測(cè)發(fā)酵產(chǎn)物獲得的預(yù)測(cè)精度可能更低。 有學(xué)者利用近紅外光譜分析技術(shù)檢測(cè)意大利黑麥草青貯（Park 等，2011）、玉米青貯、 高粱和蘇丹草青貯 （Choi 等，2015；Park 等，2006）濕樣中的乳酸、pH，預(yù)測(cè)效果較好。Sinnaeve（1995）對(duì)黑麥草、貓尾草和紅三葉的混合青貯進(jìn)行了分析，驗(yàn)證樣品pH、NH3-N、乳酸和乙酸的最佳 R2值分別為 0.90、0.93、0.86 和 0.85。 陳鵬飛等（2008）用液氮冷凍制樣技術(shù)處理測(cè)定紫花苜蓿青貯樣品，所建模型NH3-N、乳酸、乙酸近紅外模型的交叉檢驗(yàn)決定系數(shù)分別為 0.9257、0.9497、0.9124，交叉檢驗(yàn)誤差分別為 0.16、3.78、2.27 g/kg FM。 以上研究結(jié)果表明，利用近紅外光譜法可以預(yù)測(cè)發(fā)酵品質(zhì)。 但劉賢等（2007）建立的發(fā)酵產(chǎn)物模型RPD 值都在2 以下，預(yù)測(cè)結(jié)果較差。Srensen（2004）用干料分析，建立了近紅外光譜法測(cè)定牧草和玉米青貯中乳酸、乙酸、pH、NH3-N 和乙醇含量的預(yù)測(cè)模型。結(jié)果顯示，其中不受干燥影響的指標(biāo)，濕樣精度低于干樣，比如CP 和乳酸，但干燥對(duì)乙酸影響較大， 濕物料的精度較好。 劉賢等（2007）對(duì)原樣進(jìn)行了不同的前處理，建立了秸稈青貯飼料近紅外漫反射光譜定量發(fā)酵產(chǎn)物分析模型，與Srensen（2004）的結(jié)果一致，狀態(tài)樣品對(duì)預(yù)測(cè)結(jié)果之間均差異不顯著（P > 0.05）。

3.3 青貯飼料生物活性物質(zhì)測(cè)定 近紅外光譜的應(yīng)用研究已進(jìn)入了新階段， 逐漸向細(xì)分應(yīng)用領(lǐng)域發(fā)展（褚小立等，2020）。近紅外光譜分析技術(shù)測(cè)定的項(xiàng)目已經(jīng)由常規(guī)養(yǎng)分到飼草中單寧、 生物堿等成分檢測(cè) （任秀珍等，2009；Landau 等，2004；Goodchil 等，1998）。 優(yōu)質(zhì)的飼草中除了富含蛋白質(zhì)和可溶性糖， 還含有維生素、 礦物質(zhì)、β-葡聚糖、硫胺素和葉酸等營(yíng)養(yǎng)成分，這些營(yíng)養(yǎng)物質(zhì)對(duì)動(dòng)物健康和無(wú)抗養(yǎng)殖都有潛在價(jià)值。 除了對(duì)這些成分進(jìn)行功能性研究，如何降低青貯中維生素、多不飽和脂肪酸等營(yíng)養(yǎng)物質(zhì)的損失也是當(dāng)前的研究重點(diǎn)（Tian 等，2019；Jia 等，2019；Liu 等，2019）。脂肪酸、 維生素等的測(cè)定一般是采用高效液相色譜法（HPLC），如果利用近紅外光譜技術(shù)能夠精準(zhǔn)分析生物活性物質(zhì)，將極大提高工作效率，但有關(guān)于近紅外光譜技術(shù)分析青貯中的生物活性物質(zhì)的研究較少。

4 總結(jié)與展望

近年來(lái)，隨著大數(shù)據(jù)和物聯(lián)網(wǎng)的發(fā)展，NIR 光譜儀的發(fā)展進(jìn)入了新時(shí)代，通過(guò)對(duì)NIR 光譜儀軟件和硬件的改進(jìn)， 不僅提升了模型預(yù)測(cè)效果而且拓寬了近紅外光譜技術(shù)的應(yīng)用場(chǎng)景。 近紅外光譜分析技術(shù)已廣泛用于青貯飼料的品質(zhì)測(cè)定， 對(duì)青貯飼料的常規(guī)營(yíng)養(yǎng)成分和發(fā)酵產(chǎn)物都可以有較好的預(yù)測(cè)效果，但對(duì)預(yù)測(cè)樣品的前處理 仍然是一個(gè)關(guān)鍵的問(wèn)題，如果能直接測(cè)量青貯濕樣，將極大提高檢測(cè)效率。

因此， 青貯無(wú)損檢測(cè)研究的主要方向?qū)⑹抢媒t外光譜技術(shù)直接分析青貯飼料濕樣品質(zhì)。青貯種類、 加工以及儲(chǔ)存方式多樣。 為實(shí)現(xiàn)NIR在青貯品質(zhì)檢測(cè)精準(zhǔn)應(yīng)用，首先，應(yīng)繼續(xù)擴(kuò)大對(duì)代表性青貯樣本數(shù)據(jù)收集與分析， 拓寬近紅外光譜檢測(cè)技術(shù)在青貯飼料品質(zhì)分析領(lǐng)域， 加強(qiáng)對(duì)青貯樣品中活性物質(zhì)的研究。 其次，推進(jìn)NIR 光譜儀的研發(fā)，尤其是提升便攜式光譜儀硬件性能，同時(shí)在軟件上，改進(jìn)傳統(tǒng)建模方法，利用化學(xué)計(jì)量學(xué)的最新成果提高模型精度。 最重要的是要充分發(fā)揮現(xiàn)代技術(shù)作用， 讓近紅外光譜分析技術(shù)更好地用于青貯飼料品質(zhì)分析。