何慶元, 任 義, 劉京華, 劉 麗, 楊 豪, 李正鵬, 詹秋文*

1. 安徽科技學(xué)院生命與健康科學(xué)學(xué)院, 安徽 鳳陽(yáng) 233100 2. 安徽科技學(xué)院農(nóng)學(xué)院, 安徽 鳳陽(yáng) 233100

引 言

苜蓿因產(chǎn)量高、 蛋白質(zhì)含量高、 富含奶牛所需的各類營(yíng)養(yǎng)因子和良好的適口性被稱為“牧草之王”[1]。 青干草是苜蓿始花期刈割后經(jīng)自然或人工干燥而成的飼草類型, 是苜蓿最普遍和高效的利用類型。 苜蓿青干草中的營(yíng)養(yǎng)成分豐富, 但不同品種和茬次的苜蓿營(yíng)養(yǎng)成分存在顯著性差異, 干燥晾曬過(guò)程中也可致干草營(yíng)養(yǎng)價(jià)值的改變[2]。 然而, 當(dāng)前常用的化學(xué)測(cè)定飼草營(yíng)養(yǎng)價(jià)值(粗蛋白質(zhì)的凱氏定氮法、 粗脂肪的索氏提取法、 酸性洗滌纖維和中性洗滌纖維的范氏測(cè)定法[3])方法操作過(guò)程復(fù)雜、 耗時(shí), 對(duì)操作人員有一定危險(xiǎn)性, 并且需要消耗大量試劑, 導(dǎo)致環(huán)境的污染。 因此, 尋找一種快速、 準(zhǔn)確, 高效檢測(cè)苜蓿營(yíng)養(yǎng)價(jià)值的方法對(duì)促進(jìn)苜蓿產(chǎn)業(yè)的快速發(fā)展具有重要意義。

近紅外反射光譜(near infrared reflectance spectroscopy, NIRS)分析方法具有方便、 快速、 高效、 準(zhǔn)確和成本較低, 不破壞樣品、 不消耗化學(xué)試劑、 不污染環(huán)境, 可同時(shí)測(cè)定多個(gè)組分等優(yōu)點(diǎn)。 近紅外光譜已被廣泛開發(fā)應(yīng)用于農(nóng)產(chǎn)品品質(zhì)的測(cè)定, 歐洲許多發(fā)達(dá)國(guó)家甚至在很多領(lǐng)域內(nèi)將該技術(shù)作為行業(yè)產(chǎn)品質(zhì)量評(píng)定的標(biāo)準(zhǔn)技術(shù), 幾乎完全取代廣泛使用的化學(xué)分析方法[4]。 已有研究表明NIRS 技術(shù)建立的檢測(cè)多種飼草飼料粗蛋白(CP)、 中性洗滌纖維(NDF)和酸性洗滌纖維(ADF)含量的模型與常規(guī)化學(xué)方法的檢測(cè)精度相當(dāng)[5]。 有報(bào)道將NIRS技術(shù)應(yīng)用于苜蓿進(jìn)行品質(zhì)分析的部分研究, 包括建立分析苜蓿的青干草[6]、 草捆[7]的CP、 NDF和ADF以及多種營(yíng)養(yǎng)品質(zhì)[8]的模型等。 然而, 品質(zhì)性狀光譜測(cè)定模型受到不同儀器以及不同機(jī)型的影響, 特別是還未見與苜蓿粗脂肪(EE)含量相關(guān)的光譜模型測(cè)定方法。 本研究通過(guò)光譜測(cè)定, 比較不同方法建立苜蓿的粗蛋白、 粗脂肪、 中性洗滌纖維、 酸性洗滌纖維和相對(duì)飼用價(jià)值的光譜模型, 為快速測(cè)定苜蓿品質(zhì)性狀奠定基礎(chǔ)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)材料

種植于安徽省五河縣秋實(shí)草業(yè)有限公司25個(gè)苜蓿品系[9], 隨機(jī)區(qū)組試驗(yàn)設(shè)計(jì)3個(gè)重復(fù), 在苜蓿始花期收獲, 共5茬, 經(jīng)105 ℃殺青后, 80 ℃烘干至恒重, 用FZ102型植物粉碎機(jī)粉碎后過(guò)50目篩, 獲得苜蓿干粉裝袋保存, 進(jìn)行化學(xué)測(cè)定和光譜掃描。

1.2 化學(xué)方法測(cè)定

樣品粗蛋白(CP)和粗脂肪(EE)測(cè)定按照國(guó)家標(biāo)準(zhǔn)的化學(xué)方法GB/T 6432和GB/T 6433。 酸性洗滌纖維(ADF)和中性洗滌纖維(NDF)按范式(Van Soest)測(cè)定。

1.3 樣品的光譜測(cè)定

實(shí)驗(yàn)中使用Antaris Ⅱ(美國(guó)Thermo Fisher公司)紅外光譜儀, 漫反射積分球附件。 工作參數(shù): 光譜掃描范圍4 000～10 000 cm-1, 掃描次數(shù)64, 分辨率4 cm-1。 在樣品掃描之前, 儀器預(yù)熱1 h, 取約50 g干粉裝入內(nèi)徑10 cm旋轉(zhuǎn)式石英樣品杯, 搖勻使表面平整后放置在光譜儀上進(jìn)行掃描得到光譜。 樣品的近紅外光譜見圖1。

圖1 苜蓿樣品的近紅外光譜Fig.1 NIRS spectra of alfalfa samples

1.4 不同模型的建立、 驗(yàn)證和比較

2 結(jié)果與討論

2.1 苜蓿草粉樣品營(yíng)養(yǎng)成分的化學(xué)分析

由表1可以看出4種營(yíng)養(yǎng)成分含量具有較大的變異幅度, 其含量范圍能夠覆蓋4種營(yíng)養(yǎng)成分的含量, 它們的變異系數(shù)較大, 能夠很好地代表苜蓿草粉營(yíng)養(yǎng)成分含量的變化, 除EE峰度和偏度較大, CP、 ADF和NDF峰度和偏度都小于1, 說(shuō)明樣品中CP、 ADF和NDF的含量分布較均勻, 但EE含量主要集中在平均值附近, 并且小值較多。 整體分析數(shù)據(jù)符合建模要求。

表1 化學(xué)法測(cè)定的苜蓿樣品品質(zhì)性狀分析Table 1 Descriptive statistics of chemical value of alfalfa samples

2.2 不同模型建模效果分析

2.2.1 TQ Analyst v9建模效果分析

表2 TQ Analyst v9對(duì)苜蓿4種營(yíng)養(yǎng)成分建模效果Table 2 Evaluation of the four calibration models and validation using TQ Analyst v9

2.2.2 OPUS7.0建模效果分析

表3 OPUS7.0對(duì)苜蓿四種營(yíng)養(yǎng)成分建模結(jié)果Table 3 Evaluation of the four calibration models and validation using OPUS 7.0

2.3 各模型對(duì)4種品質(zhì)性狀含量預(yù)測(cè)效果分析與比較

采用所建立的2種模型分別預(yù)測(cè)30份苜蓿樣品的4種品質(zhì)性狀值, 從表4中可以看出光譜預(yù)測(cè)平均值與化學(xué)測(cè)定值符合度良好, 表明所建立的模型具有很好的預(yù)測(cè)效果。 2種模型的CP決定系數(shù)(R2)均超過(guò)0.97, 預(yù)測(cè)CP含量結(jié)果與實(shí)際測(cè)定的化學(xué)測(cè)定值符合度都很好。 TQ Analyst v9預(yù)測(cè)的EE值與化學(xué)測(cè)定值決定系數(shù)達(dá)0.929 3, 但OPUS7.0預(yù)測(cè)值和化學(xué)測(cè)定值決定系數(shù)為0.823 4, 因此EE預(yù)測(cè)應(yīng)選用TQ Analyst v9模型進(jìn)行分析。 OPUS7.0預(yù)測(cè)ADF和NDF的決定系數(shù)和PRD均高于TQ Analyst v9, 因此應(yīng)選用OPUS7.0模型進(jìn)行分析(圖2和圖3)。

表4 2種軟件所建立模型的預(yù)測(cè)效果Table 4 Prediction effect of models established by two softwares

圖2 TQ Analyst v9近紅外分析品質(zhì)性狀含量值與化學(xué)值的相關(guān)性Fig.2 Correlation between chemical value and spectral analysis value of TQ Analyst v9

圖3 OPUS7.0近紅外分析品質(zhì)性狀含量值與化學(xué)值的相關(guān)性Fig.3 Correlation between chemical value and spectral analysis value ofOPUS 7.0

近紅外光譜技術(shù)作為一種間接測(cè)量方法, 具有快速、 無(wú)損和低成本等優(yōu)點(diǎn), 然而模型的預(yù)測(cè)值不僅受到儀器的性能、 檢測(cè)環(huán)境、 樣品化學(xué)組成的影響, 而且也受到建模時(shí)所采用的導(dǎo)數(shù)、 多元散射校正和平滑處理等光譜數(shù)據(jù)預(yù)處理手段的影響[10-11], 因此優(yōu)化建模方法, 獲得更理想的模型, 可更準(zhǔn)確地預(yù)測(cè)相關(guān)組份含量。 本研究通過(guò)TQ Analyst v9和OPUS7.0兩種建模軟件, 優(yōu)化建模模型, 以期獲得更準(zhǔn)確的預(yù)測(cè)值, 實(shí)驗(yàn)表明CP在2種建模模型上均能獲得良好的效果。 而EE采用TQ Analyst v9建模能獲得更準(zhǔn)確的預(yù)測(cè)值, ADF和NDF通過(guò)OPUS7.0建模相對(duì)準(zhǔn)確性更高。 4種品質(zhì)性狀建模效果表明, 分子結(jié)構(gòu)相對(duì)簡(jiǎn)單的蛋白質(zhì)和脂肪, 采用TQ Analyst v9建模更準(zhǔn)確, 而對(duì)于分子結(jié)構(gòu)更復(fù)雜的纖維素, OPUS7.0的預(yù)測(cè)效果更好。

3 結(jié) 論

比較TQ Analyst v9和OPUS7.0兩種軟件建立了適合不同品種、 不同茬次苜蓿的近紅外反射光譜技術(shù)測(cè)定苜蓿草粉種品質(zhì)性狀指標(biāo)的校正模型。 粗蛋白2種建模模型均獲得良好效果, 化學(xué)值和光譜值決定系數(shù)(R2)超過(guò)0.97, PRD大于6.0; 粗脂肪利用TQ Analyst v9更佳, 其R2和PRD分別為0.929 3和3.89;酸性洗滌纖維和中性洗滌纖維用OPUS7.0建模更佳。