利用近紅外光譜技術快速分析全株玉米青貯營養成分

王新基，郭 濤，潘發明，李 飛

(1.民勤縣畜牧獸醫站，甘肅 民勤 733300; 2.蘭州大學 草地農業生態系統國家重點實驗室/蘭州大學農業農村部草牧業創新重點實驗室/蘭州大學草地農業科技學院，甘肅 蘭州 730020)

全株玉米青貯是一種優于秸稈青貯的新的常規飼料，在一定程度上還可以代替部分精料[1]，已作為奶牛日糧中使用的主要粗飼料[2]。近幾年，隨著近紅外光譜技術的快速發展，已廣泛的應用于食品[3-4]、飼料[5]、醫藥[6]等各個領域。Norris等[7]利用近紅外光譜技術建立了苜蓿，高羊茅，苜蓿和菠蘿草混合物常規營養成分的近紅外預測模型，證實了利用近紅外光譜技術可以快速預測飼草營養成分的可行性。迄今為止，主要利用濕化學分析測定和近紅外光譜技術預測這兩種方式測定玉米青貯營養價值。傳統的濕化學分析耗時耗力，并且所用的化學試劑對環境有一定污染。本研究利用近紅外光譜技術評定玉米青貯的營養品質，以期在實際生產中為玉米青貯的合理有效利用提供參考。

1 材料與方法

1.1 樣品的采集和制備

樣品于2018年12月至2019年12月于甘肅、寧夏、青海等5個省份共采集玉米青貯80份樣品。采集的玉米青貯樣品立即用真空包裝袋封存，帶回實驗室后采用4分法每個樣品稱取500 g，放入烘箱105 ℃烘48 h之后，置于外界回潮24 h，稱重記錄，粉碎過1 mm篩，裝入自封袋以備濕化學分析和近紅外儀器掃描用。

1.2 玉米青貯營養成分的測定

干物質(DM)和粗灰分(Ash)采用全自動水分灰分儀(340prepASH,瑞士)測定；粗蛋白(CP)采用全自動凱氏定氮儀 (FOSS-8400,丹麥)測定；中性洗滌纖維(NDF)和酸性洗滌纖維(ADF)采用全自動纖維儀(Ringbio R-2000,中國)測定；粗脂肪(EE)采用全自動脂肪儀(ANKOM XT-15i,中國)測定。

1.3 玉米青貯近紅外分析

1.3.1 玉米青貯近紅外光譜圖的采集 本研究所用近紅外光譜儀由丹麥福斯(FOSS)公司生產，儀器型號為DS2500F，波長范圍為400～2 500 nm，光譜分辨率為0.5 nm。粉碎裝入自封袋留存的樣品在掃描之前，儀器開機預熱15～30 min，待硬件測試與軟件測試通過之后，使用監控樣品杯 (Check sample)掃描，檢查儀器熱穩定性，待掃描通過之后開始掃描樣品。樣品裝入大杯(裝入樣品量約為樣品杯容積的2/3)，每個樣品重復掃描3次，取3次掃描得到的平均光譜為該樣品的原始光譜。

1.3.2 玉米青貯近紅外預測模型的建立和驗證 使用WinISI Ⅲ軟件處理掃描得到的光譜圖，結合濕化學分析值建立定標模型。在結合改良偏最小二乘法(MPLS)建立預測模型的過程中，將80份樣品的每一種營養成分按照其濕化學分析值升序排列，按4∶1 (隔5選1)將樣品分為定標集(N=64)和驗證集(N=16)。為了消除噪聲和其他因素的影響，使用3種導數和7種光譜處理相結合的方式，共計21種處理方式對原始光譜進行預處理。其中3種導數處理分別為0,0,1,1；1,4,4,1；2,4,4,1。4個數值依次代表導數處理階數，導數的數據間隔，一次平滑點數和二次平滑點數。7種光譜處理分別為無處理(none),標準正常化和散射處理(SNV and Detrend),標準正常化處理(SNV only),去散射處理(Detrend only),標準多元離散校正處理(Standard MSC), 反向多元離散校正處理(Inverse MSC), 加權多元離散校正處理(Weighted MSC)。

定標模型建立之后，采用交叉驗證相關系數(1-VR),定標標準分析誤差(SEC)和交互驗證標準分析誤差(SECV)這三個指標確定預測模型預測的準確性，若1-VR越接近于1，SEC和SECV值越小，表明建立的預測模型的準確性越好。對建立的預測模型準確性進一步驗證，利用驗證集樣品濕化學分析值對其定標模型驗證，若預測標準誤差SEP越小，RSQ和RPD值越大，表明建立的預測模型預測的準確性越好。

1.4 數據處理

數據采用Excel2010進行整理統計。

2 結 果

2.1 玉米青貯定標集和驗證集營養成分含量

玉米青貯定標集和驗證集各營養成分含量見表1。由表1可知，玉米青貯各營養成分含量有較大的梯度，定標集和驗證集各營養成分含量都有足夠大的變異性，完全滿足建立近紅外預測模型的要求，并且保證了所建立的各營養成分預測模型具有較廣的預測范圍。

表1 玉米青貯定標集和驗證集各營養成分含量(干物質基礎)Table 1 Nutrient contents in the corn silage calibration set and validation set (dry matter basis) %

2.2 玉米青貯定標模型的優化

在建立定標模型的過程中，每種營養成分建立的定標模型相互獨立。經過7種光譜處理和3種導數處理之后，各營養成分的最佳定標模型如表2所列。由表2可見，定標標準分析誤差和交叉驗證標準誤差值越小，交叉驗證相關系數(1-VR)越大，建立的預測模型越好。

表2 玉米青貯各營養成分最佳定標模型Table 2 Optimal calibration models for nutritional components of corn silage

2.3 玉米青貯最優定標模型的驗證

玉米青貯各營養成分最優定標模型建立之后，選擇驗證集樣品各營養成分含量對建立的最優定標模型進行驗證。由表3可知，DM最優定標模型外部驗證預測決定系數(RSQ)和外部驗證相對分析誤差(RPD)分別為0.57和1.52，建立的定標模型可以粗略的篩選分析。CP，ADF和Ash各指標定標模型的RSQ和RPD值建立的定標模型可以用于實際生產中的預測。NDF，EE的RSQ和RPD建立的定標模型相關性較差。所建立的各營養成分預測模型預測準確性有一定的區別，不僅與定標集和驗證集樣品濕化學分析的準確性和儀器自身的影響有關，而且還與近紅外吸收光譜有關，同一種待測物質因其有機物含量不同在近紅外光譜區所得到的吸收光譜不同。

表3 玉米青貯最佳定標模型驗證結果Table 3 Verification results of the best calibration model for corn silage

3 討 論

迄今為止，有很多研究利用近紅外光譜技術定量分析飼料營養成分，并且該技術也是一種快速評定其營養價值的方法之一。王芳彬[8]、閆佰鵬等[9]建立的油菜秸稈DM、CP、NDF、EE和ASH等指標預測模型的1-VR在0.90以上，可以用于實踐生產中的分析。李國彰[10]建立的大麥秸稈CP、NDF和ADF等7個指標的預測模型1-VR在0.80以上，也可用于日常分析。此外，Boever等[11]利用近紅外光譜技術建立的玉米青貯DM、CP、EE、ASH、NDF和ADF等指標的預測模型均可用于實際預測。

本研究建立的全株玉米青貯近紅外各預測模型中，ADF含量預測模型最優，其次為DM、CP、ASH和EE，NDF含量預測模型最差。建立的ADF預測模型1-VR在0.90以上，并且RSQ為0.80，RPD大于2.0，與前人研究結果一致[11]。其中，DM含量預測模型的1-VR在0.80以上的原因可能有兩個。第一，在測初水分的過程中，樣品處理方式相同。都是稱取500 g 左右的玉米青貯鮮樣，在105 ℃烘干48 h，取出回潮24 h。第二，在測干物質的過程中使用preASH-340儀器，自動稱重直至恒重為止，有較小的試驗誤差。CP含量預測模型為0.79，僅次于DM含量預測模型，原因可能為本試驗測定CP才用的方法為凱氏定氮法，此方法測定的粗蛋白包括蛋白質，尿素，氨基酸等負三價氮，并不包括疊氮，聯氮，偶氮和硝基氮等高價氮，而利用近紅外光譜技術預測飼料營養價值時，近紅外光掃描得到的為低價氮，因此建立的CP含量預測模型1-VR在0.80左右[12]。ASH含量預測模型1-VR為0.78，僅次于CP含量預測模型。原因可能為粗灰分雖然作為無機物質，在近紅外光譜區內沒有吸收，但是可以影響其他有機官能團在近紅外光譜區的吸收，從而可以間接的預測其含量，因此擁有較準確的預測結果[13]。具體原因有待進一步研究。EE和NDF含量預測模型的1-VR分別為0.64和0.40，預測模型交叉驗證相關系數低于0.80，原因可能有兩個。第一，建立預測模型時，樣本數量影響很大，在本研究中所用樣本數量較少，從而影響預測模型的預測準確性。第二，濕化學分析準確性的影響，玉米青貯中脂肪含量低，NDF含量測定誤差較大。因此建立的EE和NDF含量預測模型還需要進一步優化。

4 結 論

本研究建立的全株玉米青貯DM、CP、ADF和ASH含量近紅外預測模型相關性較好，可以用于實際預測，EE和NDF含量預測模型相關性較差，模型還需要進一步優化。