近紅外光譜檢測燕麥飼草青貯營養品質研究

田麗梅,陳 菲,林炎麗,倪奎奎,楊富裕,2*

(1.中國農業大學草業科學與技術學院,北京 100193; 2.貴州大學動物科學學院,貴州 貴陽 550025)

燕麥(AvenasativaL.)是全球重要的糧飼兼用作物之一[1],我國每年對燕麥草等優質飼草的需求為1.2億噸[2]。燕麥易于栽培,具有耐貧瘠、耐鹽堿、抗旱耐寒、適應性強、營養價值高的特點,在中國北部、西北部和西南部廣泛種植[3-4]。青貯飼料相較于干草飼料具有營養流失少、易于長期保存、適口性好、消化率較高等特點[5-6]。青貯飼料營養價值參數高效和準確地測定是控制反芻動物精準營養的關鍵[7],傳統的青貯飼料品質檢測會破壞樣品,檢測費時、費用昂貴,需要配置良好的設備和經過培訓的操作人員,不能即時獲知指標數據,對生產指導顯現出嚴重的滯后性[8-9]。因此,急需尋求高效、簡便的現代分析技術來適應生產快速檢測要求。

現代近紅外光譜(Near infrared spectroscopy,NIRS) 分析技術起源于上世紀50年代末期,目前已廣泛地用于農業、食品、石化和制藥等領域[10]。Norris最早應用近紅外光譜測定飼料中水分和蛋白質含量[11],目前該技術已廣泛應用于飼料領域現場快速檢測、精準配料、批量檢測及在線分析等[12]。近紅外光譜能獲取絕大部分有機物組成性質以及分子結構的有效信息,在近紅外光譜范圍內,測量的主要是含氫基團XH (X=C,N,O,S等) 振動的倍頻及合頻吸收[13],青貯飼料的主要成分在近紅外區域都有該成分特有的吸收特性。在測定樣品時無前處理、無污染,可以快速、準確地評估飼料的化學成分和相關的飼用價值屬性[14]。

青貯飼料與反芻動物生長性能及牧場經濟效益關系密切,其原料來源廣泛,品質會受牧草品種、收獲時的成熟階段、氣候條件、收獲技術、添加劑的類型和青貯的方法等影響[15-16]。因此,探索能夠滿足實際生產需要精準度,且能適用于不同地域、不同品質、飼草品種等未知場景的飼草青貯品質近紅外光譜預測模型,具有重要的意義。本研究選取燕麥飼草青貯樣品,掃描干燥樣品和新鮮樣品近紅外光譜,討論燕麥飼草青貯樣品狀態對建模的影響,建立燕麥飼草青貯品質評估近紅外模型,旨在為飼草生產提供一種高效分析品質的方法。

1 材料與方法

1.1 樣品采集與制備

2020-2021年于四川成都、內蒙古呼和浩特、河北張家口、甘肅張掖、江蘇揚州、貴州遵義、山東濟南地區(表1)采集乳熟期的全株燕麥飼草,通過不同晾曬時間、發酵溫度、添加劑種類和青貯時間的處理,制作青貯樣本。對照組為刈割后直接青貯并常溫儲藏。不同的晾曬處理為分別為自然晾曬2 h,4 h,6 h。不同的溫度處理設4個水平,為5℃,15℃,25℃,30℃,置于恒溫培養箱保存。添加劑處理設3個水平,分別為植物乳桿菌、纖維素酶、植物乳桿菌+纖維素酶。全株燕麥刈割后立即用鍘刀將材料切割至2～3 cm,充分混勻,每300 g原料裝入聚乙烯袋青貯袋(28 cm×35 cm),真空密封,青貯30天、60天和90天,3個重復,共273個樣品。

表1 取樣地點信息Table 1 Information of the sampling site

1.2 化學參考值測定

開袋后,均勻混合青貯樣品。通過四分法取青貯樣品20 g,加入180 mL無菌鹽水,放置于4℃條件下浸提24 h。用濾紙過濾,得到浸提液,取部分浸提液于4℃,10 000 r·min-1,離心5 min。上清液通過0.22 μm微孔濾膜過濾用于有機酸(乳酸,乙酸,丁酸)和氨態氮含量分析。氨態氮含量采用苯酚-次氯酸比色法測定[17],有機酸含量通過高效液相色譜測定[18](色譜柱:KC-811column,Shimadzu,日本。檢測器:SPD-M10AVP。流動相:3 mmol·L-1高氯酸,流速1 mL·min-1。柱溫50℃,檢測波長210 nm,進樣量5 μL)。

取燕麥青貯樣品約250 g,放置于65℃烘箱中烘干至恒重后,測定干物質含量,然后使用粉碎機粉碎并過1 mm篩,粉碎樣品用來測定可溶性碳水化合物、粗蛋白、中性洗滌纖維和酸性洗滌纖維含量。采用蒽酮硫酸法測定可溶性碳水化合物含量[19];粗蛋白含量采用凱氏定氮法測定[20];中性和酸性洗滌纖維含量采用范氏法進行測定[20]。

1.3 光譜采集

光譜的采集與化學參考值的測定同時進行,新鮮樣品的光譜在青貯開袋時進行采集,250 g樣品經烘干粉碎過篩后,掃描獲得干燥樣品光譜。實驗儀器為意大利Grainit.S.L公司生產的GraiNit AuroraNir (DA)型便攜式近紅外光譜儀:光譜范圍為950～1 650 nm,每2 s掃描2次,每個樣品重復裝樣掃描4次,自動記錄平均光譜為試驗光譜。環境條件為:溫度10～30℃,濕度30～70%,掃描樣品均在儀器配套的樣品采集盒內進行。

1.4 近紅外光譜校準模型的開發和驗證

近紅外光譜分析過程利用UCAL軟件(美國Unity科學)進行光譜預處理及回歸分析等處理。光譜預處理選取標準正態變量變換+去趨勢,多元色散校正+去趨勢,一階導數+去趨勢,標準正態變量變換+多元色散校正+去趨勢+一階導數四種方式進行數學處理,以交叉驗證標準差(Standard error of cross-validation,SECV)為考察指標,比較分析四種方法的定量分析結果,確定最小SECV所對應的方法為最優光譜預處理方法。在進行PLS回歸之前,對所有光譜數據集執行主成分分析(Principal component analysis,PCA),以識別和去除光譜異常值,異常樣品的判斷以標準馬氏距離(GD值)為考察指標,當GD值>3時判定該樣品異常并予以剔除,然后將樣品按照4∶1比例隨機分為校正集和驗證集,校正集用于開發回歸模型,驗證集用于評估已建立模型的性能。

2 結果與分析

2.1 光譜特征

由圖1燕麥飼草青貯新鮮和干燥樣品的近紅外光譜可知,燕麥飼草青貯新鮮、干燥樣品近紅外光譜具有相同的吸光度帶,且表現出相似趨勢,在950～1 650 nm范圍內具有較強吸收峰,但吸收程度不同,燕麥飼草青貯新鮮樣品比干燥樣品光譜波動變化更大,兩者都在1 150～1 200 nm,1 400～1 500 nm處有較強的吸收峰,1 350～1 400 nm處有較弱的吸收峰;新鮮樣品光譜圖中 960～1 000 nm有較強的吸收峰,而干燥樣品光譜圖中沒有出現吸收峰。

圖1 青貯燕麥飼草近紅外光譜Fig.1 The Near-infrared spectrum of oat silage注:(a) 新鮮樣品;(b) 烘干樣品Note:(a) Fresh sample;(b) Died sample

2.2 化學成分參考值的描述性統計

表2顯示了用于近紅外建模的燕麥飼草青貯校正集和驗證集含水量、中性洗滌纖維、酸性洗滌纖維、粗蛋白、可溶性碳水化合物、粗脂肪、氨態氮、乳酸、乙酸和丁酸含量平均值、最大值、最小值、標準差及變異系數的描述性統計結果。校正集和驗證集樣品的化學成分含量描述性統計量基本一致,驗證集的范圍在校正集記錄的范圍內,且所有成分濃度范圍較廣,為構建預測模型提供了足夠的范圍。

表2 燕麥青貯飼料校正集和驗證集樣品營養成分含量范圍(干物質基礎)Table 2 The range in nutrient content of oat silage samples in the calibration and validation sets (DM basis)

2.3 燕麥飼草青貯校正模型

表3 燕麥飼草青貯校正模型(新鮮樣品)Table 3 Calibration models of forage oat silage (Fresh sample)

表4 燕麥飼草青貯校正模型(干燥樣品)Table 4 Calibration models of forage oat silage (Dried sample)

2.4 模型預測性能評價

圖2 燕麥飼草青貯發酵品質和營養成分近紅外預測值和參比值散點圖(新鮮樣品)Fig.2 Analyzed value vs. predicted value of fermentation quality and nutrient content (Fresh sanple)

表5 燕麥飼草青貯營養成分的預測結果(新鮮樣品)Table 5 Prediction results of nutrient content of oat silage (Fresh sample)

圖3 燕麥飼草青貯發酵品質和營養成分近紅外預測值和實測值散點圖(干燥樣品)Fig.3 Analyzed value vs. Predicted value of fermentation quality and nutrient content (Dried sample)

表6 燕麥飼草青貯營養成分的預測結果(干燥樣品)Table 6 Prediction results of nutrient content of oat silage (Dried sample)

3 討論

4 結論

本研究建立了燕麥飼草青貯營養品質的近紅外光譜快速檢測模型,結果發現干燥樣品比新鮮樣品的近紅外快速檢測模型具有更高的預測精度;青貯發酵品質的預測精度未達到實時檢測要求,需要進一步研究升級模型,提高其實際應用能力。本研究為便攜式近紅外光譜儀現場快速檢測燕麥青貯品質提供了理論支撐。