青貯玉米不同部位(組織)養分含量近紅外預測模型的構建

唐德富，陳志剛，李 飛，郭 濤，潘發明，郝生燕，徐琳娜, 4

（1.甘肅農業大學動物科學技術學院，甘肅 蘭州 730070；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 ；3.甘肅省農業科學院畜草與綠色農業研究所，甘肅 蘭州 730070；4.甘肅省畜牧技術推廣總站，甘肅 蘭州 730030）

玉米(Zea mays)是動物飼料中主要的能量來源，按其收獲物和用途可劃分為籽粒玉米、鮮食玉米和青貯玉米3 類[1]。青貯玉米作為反芻動物重要的粗飼料來源，是支撐我國畜牧業發展的“標桿性”飼料，其營養價值高、適口性好，也是制作青貯飼料的優質原材料[2-3]。與普通玉米相比，雖然青貯玉米可利用能量僅為普通籽實玉米的一半，但產量卻較是普通玉米的4～5 倍[4]。影響青貯玉米飼用品質的原因較多，品種和收獲期是非常重要的兩個因素[5]。不同品種的青貯玉米在生長過程中營養成分變異較大[6]，而且相同品種不同部位(組織)由于組織結構和化學組成不同，營養價值也不盡相同，其中莖稈中纖維和木質素含量較高；葉片和苞葉組織柔軟，適口性好且含有豐富的糖和粗蛋白；籽粒的營養價值最高，是優質能量飼料[7]。薛紅楓等[8]研究發現，玉米秸稈各部位間碳水化合物含量存在極顯著差異，其中莖皮部分主要含有可溶性糖和有機酸，而苞葉部分含有大量淀粉和果膠。玉米秸稈不同部位瘤胃干物質消失率也存在明顯差異，葉片最高，苞葉次之，莖稈最低[9]，因此，將青貯玉米不同部位(組織)按比例混合青貯，有利于提高青貯飼料品質和秸稈的整體利用率。然而青貯飼料制作前如何快速評定青貯玉米營養價值是一個亟待解決的生產難題。

傳統的濕化學分析方法花費大量的人力、物力、財力，并且所用試劑會污染環境[10]。近紅外光譜分析技術(near infrared spectrum instrument, NIRS)是將光譜測量技術與化學計量學方法有機結合，測定有機物中高能鍵(C-H、N-H、O-H 等)在中紅外光譜區基頻吸收的倍頻、合頻和差頻疊加而成的吸收帶，再采用主成分分析(principal component analysis,PCA)、改良偏最小二乘法(modified partial least squares,MPLS)和 人 工 神 經 網 絡(artificial neural networks,ANN)等化學計量學方法建立待測物質營養成分含量和物質光譜之間的線性或非線性模型[11]。NIRS具有測試重現性好、分析速度快(3～4 min)、效率高、適用范圍廣、成本低等特點[12-13]，已被廣泛應用于飼料行業。向娜娜等[14]利用NIRS 構建了大豆皮粗纖維、中性洗滌纖維(neutral detergent fiber,NDF)和酸性洗滌纖維(acid detergent fiber, ADF)含量的檢測模型，模型決定系數(R2)大于0.9，檢測精確度和準確度均較好，能夠應用于生產實際。何云等[15]利用NIRS 建立了苜蓿(Medicago sativa)干草常規養分的近紅外預測模型，其中干物質、粗蛋白、NDF 和ADF 含量的近紅外預測模型較好，能夠用于生產，類似的結果郭濤等[16-17]均有報道。本研究通過測定青貯玉米原料中不同部位(組織)樣品中干物質、有機物、粗蛋白、粗脂肪、NDF、ADF 和酸性洗滌木質素(acid detergent lignin, ADL)的含量，結合NIRS 建立青貯玉米各部位(組織)營養成分的預測模型，為快速準確評定青貯玉米原料營養價值和生產優質青貯飼料提供技術參考。

1 材料與方法

1.1 樣品采集與制備

試驗青貯玉米樣品于2018年5月 – 8月在甘肅省民勤縣采集，采集的青貯玉米樣品共包括23 個品種，主要有金嶺1804、金嶺1820、金嶺1824、金嶺1825、金嶺17、金嶺10、金嶺27、金嶺67、金嶺1818、金嶺37、金嶺1815、金嶺1819、金嶺1821、金嶺1823、寧和1506、鐵研53、中單29、東單60、屯玉168、金剛50、寧青108、正大12 和渝青玉3 號。試驗樣品于玉米生長期第92、97、102、107、112、125、130 和135 天共8 個收獲期采集，采樣時按照莖、葉、果穗、整株分開采樣，其中整株青貯玉米樣品77份，莖、葉、果穗各50 份，共計227 份。采集的莖、葉樣品切短至3～5 cm，果穗包含苞葉和玉米芯，切碎后直接裝袋帶回實驗室65 ℃烘干48 h，取出置室內常溫回潮24 h，粉碎過1 mm 篩，保存備用。

1.2 養分含量測定

青貯玉米樣品中干物質、有機物、粗蛋白、粗脂肪、NDF、ADF 和ADL 含量的測定參考張麗英[18]所述方法。ADL 含量測定參考李澤民等[19]，具體方法如下：將測完ADF 的濾袋用72%濃硫酸室溫下浸泡3 h，期間每30 min 攪拌一次，浸泡完成后用熱蒸餾水反復沖洗，直至pH 達到中性值，然后放入烘箱105 ℃烘干，冷卻，稱重，然后將裝有殘渣的濾袋裝入已知質量的坩堝中，先在電爐炭化至無煙，于馬弗爐550 ℃灼燒4 h，取出后于干燥器冷卻至室溫，準確稱量坩堝加灰分質量。計算公式：ADL(%) =[(m2–m1) – (m4–m3)]/m× 100%。式中：m1為空濾袋質量，m2為稱取的樣品質量，m3為坩堝質量，m4為坩堝加灰分質量。

1.3 青貯玉米的近紅外分析

1.3.1 近紅外光譜采集

試驗樣品掃描前，近紅外光譜儀(FOSS DS2500F，丹麥)需開機預熱15～20 min，待自檢通過后，將待測樣品混合均勻裝入樣品杯中，每次裝樣量不超過樣品杯總容積的2/3，然后置于檢測器中進行掃描。每份樣品重復裝樣掃描3 次，掃描波長為850～2 500 nm, 光譜分辨率0.5 nm，最終得到227 份青貯玉米樣品的近紅外原始光譜圖譜(圖1a)。因為同一種物質含有不同的含氫基團，因此在整個近紅外光譜圖上存在多個吸收峰，為營養成分含量的定量分析奠定了基礎。青貯玉米一階導數處理主要是為了消除基線和背景干擾，提高光譜信噪比，消除光譜散射、背景干擾和基線漂移，盡可能提取圖譜中的有效信息[20]。青貯玉米原始光譜圖(圖1a)經過一階導數處理(圖1b)和二階導數處理(圖1c)特征峰明顯增多，說明建模條件較好。

圖1 青貯玉米樣品原始近紅外光譜圖(a)、一階導數處理圖(b)和二階導數處理圖(c)Figure 1 Near infrared original spectra (a), first derivative spectra (b), and second derivative spectra(c) of silage corn samples

1.3.2 青貯玉米定標集和驗證集的劃分

227 個青貯玉米樣品采用濃度梯度法[15]，按照樣本集每個指標化學分析值的大小進行排序，然后將所有樣品按照4 ? 1 的比例，選出182 個樣品作為定標集用于模型構建，45 個樣品作為驗證集用于模型檢驗。

1.3.3 近紅外預測模型的建立和驗證

利用近紅外光譜儀自帶WinISI Ⅳ軟件建立定標模型，在使用MPLS 模塊建立定標模型的過程中，為了消除噪音、溫度等無關因素對樣品掃描的干擾，原始光譜采用3 種導數處理和10 種光譜散射校正處理相結合的方法進行預處理，其中3 種導數處理包括(0，0，1，1)、(1，4，4，1)、(2，4，4，1)，數值依次分別代表處理階數、數據間隔、一次平滑點數和二次平滑點數[21]；10 種散射校正包括無處理、標準正常化處理、標準多元離散校正處理、加權多元離散校正處理、標準正常化和散射處理、反向多元離散校正處理、去散射處理、偏移處理、線性處理和二次處理。具體建模過程及方法參照郭濤[16]所述執行。

定標模型建立后，通常采用定標決定系數(coefficient of determination for calibration, RSQc)、定標標準分析誤差(standard error of calibration, SEC)、交叉驗證決定系數(1 minus the variance ratio, 1-VR)和交叉驗證標準誤差(standard error of cross-validation,SECV)等指標來綜合判斷模型優劣，其中1-VR 和RSQC越大、SEC 和SECV 越小，說明該定標模型越好，以最高的1-VR 和最低的SECV 確定為最優定標模型[22]。

為進一步確定模型預測結果的準確性，優化獲得的最優定標模型還需采用驗證集樣品進行外部驗證，主要參考驗證決定系數RSQv 和預測相對分析誤差(ratio of performance to deviation for validation, RPDV)進行判定，當RSQV值越接近1，模型預測結果越準確，而生產實際中當RSQV> 0.8 或當RPDV≥ 2.5 時，定標模型即可用于實際檢測[23-24]。

2 結果與分析

2.1 青貯玉米養分含量的測定

除了干物質外，試驗用青貯玉米樣品其他營養物質(有機物、粗脂肪、粗蛋白、NDF、ADF 和ADL)含量的分布范圍較廣，數據變異較大，驗證集養分含量范圍包含在定標集內，樣品分集符合建模要求(表1)。

表1 青貯玉米樣品定標集和驗證集養分含量(干物質基礎)Table 1 Nutrient contents of the silage corn samples in the calibration and validation sets (DM basis)

2.2 青貯玉米近紅外模型的建立和優化

通過全局距離剔除干物質、有機物、粗脂肪、粗蛋白、NDF、ADF 和ADL 等養分變異度較大數值個數分別為1、2、2、1、3、4 和2。以最高的1-VR 和最低的SECV 選擇最優的定標模型。不同營養成分光譜預處理方式及定標結果存在較大差異，其中干物質、有機物、粗脂肪、粗蛋白、NDF、ADF 和ADL 最優光譜預處理和導數處理分別為反向多元離散校正處理(inverse MSC)和1，4，4，1；標準正常化處理(SNV only)和1 ，4 ，4 ，1；二次處理 (scale and quadratic)和1，4，4，1；去散射處理(detrend only)和2，4，4，1；標準正常化處理和1，4，4，1；標準多元離散校正處理(standard MSC)和1，4，4，1；加權多元離散校正處理(weighted MSC)。7 種營養成分對應的SECV 和1-VR 分別為：干物質為0.536 3 和0.610 6；有機物為0.521 3 和0.9766；粗脂肪為0.387 0 和0.758 3；粗蛋白為0.433 8 和0.971 9；NDF 為1.412 1和0.987 9；ADF 為0.793 9 和0.992 4；ADL 為0.822 1和0.623 0 (表2)。

表2 青貯玉米定標結果Table 2 Calibration results for silage corn

2.3 青貯玉米預測模型外部驗證

有機物、粗蛋白、NDF 和ADF 4 種營養成分外部驗證的RSQV和RPD 分別為0.935 和3.836；0.952和4.619；0.967 和5.398；0.995 和13.347，RSQV和RPD均大于0.80 和2.50，這4 種營養成分的定標模型能夠用于實際生產中的準確預測。粗脂肪含量預測模型外部驗證的RSQV和RPD 為0.701 和1.838，該定標模型只能用于粗略的篩選分析(表3)。

表3 青貯玉米養分含量的預測結果Table 3 Prediction results for nutrient content in silage corn

干物質和ADL 兩種營養成分外部驗證的RSQV和RPD 分別為0.525 和1.549、0.631 和1.602，這兩種營養成分預測模型效果較差，不能用于生產中的實際分析(圖2)。

圖2 營養指標含量預測值與濕化學分析值相關性分析Figure 2 Correlations between the predicted values and the chemical measured values for the nutrition indexes

3 討論

利用NIRS 在飼草料營養檢測的研究和應用已經超過40年的歷史。Norris 等[24]首次以苜蓿、高羊茅(Festuca arundinacea)為研究對象，將NIRS 技術應用于牧草營養成分測定，檢測結果與濕化學分析值較為接近，證實利用NIRS 快速檢測牧草營養成分方法的可行性。近紅外光譜分析技術因其具有快速、方便、綠色環保等優點，已經被廣泛應用于各個領域[25]。關于NIRS 在玉米秸稈品質的快速檢測，前人做了大量研究。劉娜[26]利用NIRS 成功建立了全株玉米原料干物質、有機物、粗蛋白、粗脂肪、NDF、ADF 和ADL 共7 種營養成分含量的近紅外預測模型，其決定系數均大于0.87。劉金明等[27]利用傅里葉近紅外光譜分析儀，對玉米秸稈樣品的纖維素和半纖維素的NIRS特征波長進行選擇構建定標模型，結果表明通過波長優選構建的回歸模型性能顯著優于全光譜段建模。劉海燕等[28]利用近紅外漫反射光譜技術測定了玉米秸稈不同部位(組織)的營養成分。穆懷彬等[29]建立了青貯玉米營養成分預測模型，均取得了較好的效果。

本研究采集227 個青貯玉米樣品，發現除了干物質外，其余6 種營養成分包括有機物、粗脂肪、粗蛋白、NDF、ADF 和ADL 含量均差異較大，樣品代表性好，主要原因是采集的青貯玉米樣品來自于23 個品種、8 個收獲期、4 個部位。在利用NIRS對青貯玉米樣品干物質、有機物、粗脂肪、粗蛋白、NDF、ADF 和ADL 含量進行定標和驗證過程中，其結果有所差異，這可能與物質本身的化學結構相關聯[30]。另外，NIRS 屬于間接分析技術，建立模型的優劣與濕化學分析方法的準確性有關。本研究中NDF 和ADF 的建模效果最好，這與白琪林[31]的研究結果一致，其發現建立的玉米秸稈NDF 和ADF 校正模型預測結果較好，校正決定系數均大于0.94，交叉驗證和外部驗證決定系數為0.92～0.96。產生這種建模效果的原因可能有：第一，ADF和NDF 含量較高，導致其主要的含氫基團能在近紅外光譜區產生明顯的吸收峰；第二，測定NDF和ADF 的儀器為ANKOM A200i 半自動纖維儀，平行測定重復數多達6 個，濕化學分析值較為準確。同時，本研究也發現粗蛋白的模型預測能力僅次于NDF 和ADF，這與王新基等[32]報道結果一致，認為此結果主要緣于試驗中粗蛋白含量采用傳統的凱氏定氮法測定所致，此方法所檢測的氮元素為低價氮，而近紅外光譜只能掃描吸收低價氮，兩者匹配性較好[33]。粗脂肪和ADL 建模效果較差，這與郭濤[16]的結果相似。可能與粗脂肪和ADL 在青貯玉米中含量較低有關，具體原因有待進一步分析。在所測定的7 個指標中，干物質的定標及外部驗證效果最差，主要因本研究所用青貯玉米樣品干物質含量變異性較小所致，光譜中的有效信息重疊，相應建立的定標模型和外部驗證結果均較差。

4 結論

本研究利用NIRS 建立了青貯玉米原料不同部位(組織)干物質、有機物、粗脂肪、NDF、ADF、ADL和粗蛋白含量這7 種營養成分的近紅外預測模型。其中有機物、粗蛋白、NDF 和ADF 的預測模型可以用于實際生產中的準確分析，粗脂肪的預測模型只能用于樣品的粗略篩選分析。干物質和ADL 的預測模型相關性較差，還需要進一步優化。