多倍体芦竹营养组分近红外预测模型的构建

王改利; 王琳燚; 陈京创; 戴玉瑞; 周莹; 席燕燕; 李绍钰; 徐彬

doi:10.12418/CJAN2025.174

动物营养学报 >

2025 , Vol. 37 >Issue 3: 2058 - 2065

DOI: https://doi.org/10.12418/CJAN2025.174

研究论文

多倍体芦竹营养组分近红外预测模型的构建

王改利 ^,¹ ,
王琳燚 ¹ ,
陈京创 ¹ ,
戴玉瑞 ² ,
周莹 ¹ ,
席燕燕 ¹ ,
李绍钰 ^,¹^,^* ,
徐彬 ^,¹^,^*

展开

¹ 河南省农业科学院畜牧研究所,郑州 450002
² 河南大用实业有限公司,鹤壁 456750

*李绍钰,研究员,E-mail: lsy9617@aliyun.com;

徐彬,副研究员,E-mail: xubin9941@126.com

王改利(1981—),女,河南郏县人,硕士,从事动物营养与饲料科学研究。E-mail: 271150920@qq.com

Copy editor: 陈鑫

收稿日期: 2024-08-14

网络出版日期: 2025-03-13

基金资助

河南省农科院自主创新项目(2024ZC092)

河南省农业科学院科技创新团队专项(2024TD13)

收起

Construction of Near Infrared Prediction Model for Nutrient Component of Arundo donax

WANG Gaili ^,¹ ,
WANG Linyi ¹ ,
CHEN Jingchuang ¹ ,
DAI Yurui ² ,
ZHOU Ying ¹ ,
XI Yanyan ¹ ,
LI Shaoyu ^,¹^,^* ,
XU Bin ^,¹^,^*

Expand

¹ Animal Husbandry Institute, Henan Academy of Agricultural Sciences, Zhengzhou 450002, China
² Henan Dayong Industrial Co., Ltd., Hebi 456750, China

*LI Shaoyu, professor, E-mail: lsy9617@aliyun.com;

XU Bin, associate professor, E-mail: xubin9941@126.com

Received date: 2024-08-14

Online published: 2025-03-13

Fold

摘要

本研究旨在利用近红外光谱(NIRS)技术构建芦竹全株中水分(MC)、粗蛋白质(CP)、粗脂肪(EE)、粗灰分(Ash)、粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)和酸性洗涤木质素(ADL)含量的预测模型。本试验所用芦竹样品采自原阳和驻马店种植区,刈割高度分别为1.0、1.5、2.0和2.5 m。芦竹样品分为定标集(n=95)和验证集(n=31),通过NIRS技术结合主成分分析及改良偏最小二乘法(MPLS)等方法,建立样品特征光谱与待测化学成分之间的预测模型。结果表明:芦竹CP含量的外部验证相对分析误差(RPD)和预测决定系数(RSQ)最高,分别为10.82和0.991;EE、Ash、CF、NDF、ADF和ADL含量的RPD在4.0~6.3,其RSQ均大于0.94;MC含量的RPD和RSQ最低,分别为2.78和0.868。本试验所建芦竹MC、CP、EE、Ash、CF、NDF、ADF和ADL含量的预测模型有较好的预测能力,可应用于实际生产。

关键词： 芦竹; 近红外光谱技术; 营养组分; 预测模型

本文引用格式

王改利 , 王琳燚 , 陈京创 , 戴玉瑞 , 周莹 , 席燕燕 , 李绍钰 , 徐彬 . 多倍体芦竹营养组分近红外预测模型的构建[J]. 动物营养学报, 2025 , 37(3) : 2058 -2065 . DOI: 10.12418/CJAN2025.174

Abstract

In this study, near infrared spectroscopy (NIRS) technology was used to construct a prediction model of water (MC), crude protein (CP), crude fat (EE), crude ash (Ash), crude fiber (CF), neutral detergent fiber (NDF), acid detergent fiber (ADF) and acid detergent lignin (ADL) contents in whole plant of Arunax arunax. The samples were taken from the planting areas of Yuanyang and Zhumadian, and the cutting heights were 1.0, 1.5, 2.0 and 2.5 m, respectively. The samples were divided into calibration set (n=95) and validation set (n=31). The prediction model between characteristic spectrum and chemical composition was established by NIRS technology combined with principal component analysis and modified partial least square method (MPLS). The results showed that the ratio of performance to deviation for validation (RPD) and the coefficient of determination for validation (RSQ) of CP content for Arundo donax were the highest, which were 10.82 and 0.991. The RPD of EE, Ash, CF, NDF, ADF and ADL were between 4.0 to 6.3, and their RSQ were all above 0.94. The RPD and RSQ of MC content were the lowest, which were 2.78 and 0.868. In conclusion, the prediction model establish in the present study can be used to predict the contents of MC, CP, EE, Ash, CF, NDF, ADF and ADL of Arundo donax, which can be applied to the actual production.

Key words： Arundo donax; near infrared reflectance spectroscopy technology; nutrient component; prediction model

芦竹(Arundo donax)又名芦荻、江苇,禾本科芦竹属多年生植物。芦竹生长范围广,适应性强,生物质产量高,年亩产青贮饲料或生物秸秆10~30 t。芦竹的蛋白质含量高,叶片中高达20.9%^[1],还具有较丰富的化学成分及生物活性^[2]。多倍体芦竹是一种新型的饲草资源,解决了粮饲、粮林矛盾。李琳^[3]研究发现,用芦竹部分替代青贮苜蓿或玉米秸秆,不影响肉羊的日增重及瘤胃微生物组成与丰度。芦竹的营养价值会随其生长期的推移而降低,芦竹中营养组分的测定采用传统的消化、水解等化学分析方法,所用的酸、碱及有机溶剂对环境污染大,且检测时间长,检测费用较高。

近红外反射光谱(near infrared reflectance spectroscopy,NIRS)技术是利用有机物分子中C-H、N-H、S-H和O-H等基团,在近红外区域会产生明显的倍频和组合频吸收峰,通过主成分分析(PCA)、偏最小二乘法、人工神经网等,建立样品特征光谱与待测化学成分之间的线性或非线性模型,实现应用NIRS技术快速预测未知样品的化学成分^[4-5]。NIRS技术以其快速、无损、成本低、多组分同时检测等优点,已被广泛地应用于动物饲料营养成分的快速预测^[6]。吴军^[7]首次建立了NIRS技术测定玉米秸秆的纤维素、木质素、酸性洗涤纤维(ADF)和粗灰分(Ash)含量的定量分析模型,预测值与化学值之间的相关系数分别达0.99(纤维素含量)、0.99(ADF含量)、0.98(木质素含量)和0.93(Ash含量),表明NIRS技术测定玉米秸秆营养成分是可行的。近年来,国内学者运用NIRS技术在饲草检测方面做了大量研究,紫花苜蓿^[8]、青贮玉米^[9]、棉籽粕^[10]、花生秧^[11-12]及不同牧草^[13-14]预测模型成功建立,它们在营养成分评价方面有较好的预测效果。关于芦竹方面的近红外预测模型,目前还未见文献报道。在前人研究的基础上,本研究利用NIRS技术分析刈割高度分别为1.0、1.5、2.0和2.5 m芦竹全株的常规营养组分,为芦竹营养组分含量测定提供一种快速、准确的分析方法,建立芦竹营养组分数据库,为芦竹牧草资源的规模化生产及深度开发提供基础数据。

1 材料与方法

1.1 样品的采集及制备

多倍体芦竹是郑州大学农学院培育的新品种,2021年3月在原阳和驻马店种植。样品于2023年4~8月份刈割,刈割高度分别为1.0、1.5、2.0和2.5 m,全株芦竹126份用铡刀切碎,在自然风干条件下晾干,称重,计算鲜干比,四分法取样,粉碎过40目筛,样品混合均匀,密封于自封袋中备用。

1.2 营养组分测定指标

参考GB/T 6435—2014中干燥法测定水分(MC)含量,参考GB/T 6432—2018中凯氏定氮法测定粗蛋白质(CP)含量,参考GB/T 6433—2006中索氏抽提法测定粗脂肪(EE)含量,参考GB/T 6438—2007中灼烧法测定Ash含量,参考GB/T 6434—2022中滤袋法测定粗纤维(CF)含量,参考GB/T 20806—2022中滤袋法测定中性洗涤纤维(NDF)含量,参考GB/T 20805—2006中滤袋法测定酸性洗涤木质素(ADL)含量,参考NY/T 1459—2022中滤袋法测定ADF含量。

1.3 光谱的采集

本研究利用近红外分析仪(DS2500,FOSS,瑞典)对芦竹样品进行扫描,采集吸收光谱图。样品装入大样品杯中(杯容量的1/2以上,用样品勺均匀取样),稍微压平,使其无间隙和裂痕。每个样品重复装样3次,扫描3次,取光谱平均值,获得原始图谱,在散射校正标准正态变量变换结合散射(SNV and Detrend)条件下对光谱图进行一阶导数和二阶导数处理,观察是否有“坏的扫描”。

1.4 近红外模型的建立与验证

本研究利用FOSS WinISI Ⅲ定标软件对芦竹样品的近红外吸收光谱图进行分析。芦竹样品按3∶1的比例分为定标集(n=95)和验证集(n=31)。对光谱进行PCA,根据得分,通过Global H=3.0和NH=0.6剔除超常样品(先通过GH=3.0,选择半径为3.0范围内光谱具有总体相似性样品,再剔除NH=0.6范围内重复样品),选择有代表性定标样品。

采用Modified Partial Least Square改进最小二乘法回归技术结合散射校正及导数处理等方式对光谱进行处理,建立定标方程。其中散射校正处理方法有7种:无处理、标准正态变量变化(SNV only)处理、去散射(Detrend only)处理、SNV and Detrend处理、标准多元离散矫正(Standard MSC)处理、加权多元离散矫正(Weighted MSC)处理、反向多元离散矫正(Inverse MSC)处理。采用3种导数处理:1, 4, 4, 1、2, 4, 4, 1和1, 2, 2, 1(如1, 4, 4, 1,一阶导数,每隔4 nm求导,光谱范围内求导)。散射校正和导数处理相结合共21种方式对光谱图进行处理,散射校正可以降低散射对光谱分析的干扰,散射造成的吸收非线性可导致近红外吸光度值和化学值的关系扭曲;导数数学处理可以提高光谱的分辨率,减小基线的不稳定,消除基线漂移,减小颗粒度变化对光谱的影响。使用全局距离(GH≥3)和“T”检验(T>2.5)来对异常的样品数据进行剔除。

根据交互验证标准误差(SECV)值最低,交互验证决定系数(1-VR)值越接近1,选择最佳定标模型。用验证集对定标模型的预测性能进行外部验证,预测标准偏差(SEP)越小,预测决定系数(RSQ)越接近1,表明建立的预测模型预测的准确性越好;外部验证相对分析误差(RPD)=SD/SEP,其中SD为外部验证集样品成分含量的标准偏差,当RPD≥2.5时,创建的预测模型可以用于实际的分析当中^[15]。

2 结果与分析

2.1 光谱图处理与分析

NIRS是研究物质分子对近红外光(能量)的吸收,有机物分子中C-H,N-H、S-H和O-H等基团,在近红外区域会产生明显的倍频和组合频吸收峰。芦竹样品扫描原始光谱图波长为1 100~2 498 nm,结果如图1所示。

显示原图|下载原图ZIP|生成PPT

图1 芦竹近红外原始光谱图

Fig.1 Original near infrared spectrogram of Arundo donax

从图1可知,芦竹样品的光谱图吸收峰有一致变化趋势,谱带宽而复杂,有多个吸收峰,吸收峰有漂移。为消除以上影响,在散射校正SNV and Detrend条件下,对光谱图做一阶导数和二阶导数处理,从图2、图3可知,导数处理后,光谱图特征谱峰增多。

显示原图|下载原图ZIP|生成PPT

图2 芦竹一阶导数处理光谱图

Fig.2 First derivative treatment spectrogram of Arundo donax

显示原图|下载原图ZIP|生成PPT

图3 芦竹二阶导数处理光谱图

Fig.3 Second derivative treatment spectrogram of Arundo donax

2.2 芦竹营养组分分析

由表1可知,芦竹的定标集中MC、CP、EE、Ash、CF、NDF、ADF和ADL含量分别为6.50%~8.80%、9.12%~22.12%、6.00~16.00 g/kg、7.30%~13.10%、16.90%~39.10%、51.20%~81.10%、24.60%~56.30%和2.00%~12.20%。验证集中MC、CP、EE、Ash、CF、NDF、ADF和ADL含量分别为6.50%~8.70%、9.45%~22.12%、6.00%~16.00%、7.70%~12.60%、17.00%~37.50%、51.30%~80.20%、24.60%~56.28%和2.00%~12.18%。芦竹样品除MC含量范围较小外,其余7个营养组分含量变化幅度都比较大,验证集含量范围在定标集内,符合NIRS技术模型建立的要求。

表1 多倍体芦竹常规营养组分含量(风干基础)

Table 1 Conventional nutritional component contents of Arundo donax (air-dry basis)

项目 Items	样品集 Sample set	样品数 Sample number	最小值 Minimum	最大值 Maximum	平均值 Mean	标准差 SD
水分MC/%	样品总数	126	6.50	8.80	7.73	0.56
	定标集	91	6.50	8.80	7.75	0.54
	验证集	31	6.50	8.70	7.71	0.59
粗蛋白质CP/%	样品总数	126	9.12	22.12	13.20	3.83
	定标集	90	9.12	22.12	13.16	3.81
	验证集	31	9.45	22.12	13.39	3.94
粗脂肪EE/(g/kg)	样品总数	126	6.00	16.00	9.45	2.94
	定标集	91	6.00	16.00	9.44	2.97
	验证集	31	6.00	16.00	9.51	3.00
粗灰分Ash/%	样品总数	126	7.30	13.10	9.39	1.49
	定标集	93	7.30	13.10	9.31	1.43
	验证集	31	7.70	12.60	9.40	1.54
粗纤维CF/%	样品总数	126	16.90	39.10	27.17	5.86
	定标集	90	16.90	39.10	26.99	5.89
	验证集	31	17.00	37.50	27.04	5.98
中性洗涤纤维NDF/%	样品总数	126	51.20	81.10	67.46	8.07
	定标集	91	51.20	81.10	67.72	7.97
	验证集	31	51.30	80.20	67.36	8.38
酸性洗涤纤维ADF/%	样品总数	126	24.60	56.30	41.32	7.95
	定标集	90	24.60	56.30	41.10	7.83
	验证集	31	24.60	56.28	41.51	8.30
酸性洗涤木质ADL/%	样品总数	126	2.00	12.20	5.67	2.48
	定标集	89	2.00	12.20	5.47	2.36
	验证集	31	2.00	12.18	5.64	2.52

2.3 芦竹定标模型的建立与优化

采用MPLS回归技术,利用7种散射校正和3种导数处理相结合的方式对光谱图进行处理,SECV值最低,交互验证决定系数1-VR值越接近1,定标模型最优。芦竹样品最优定标模型结果见表2,芦竹样品中CP的1-VR值最高,为0.992 0,NDF次之,为0.987 9,MC的1-VR值最低,为0.801 3,其余EE、Ash、CF、NDF、ADF和ADL的1-VR值均大于0.93。MC、CP、Ash和ADL的SECV值较小,均小于0.45,EE和NDF的SECV值分别为0.777 9和0.884 9,CF和ADF的SECV值较大,分别为1.155 1和1.475 0。MC、CP、EE、Ash和NDF均采用一阶导数1, 4, 4, 1,CF、ADL为1, 2, 2, 1,ADF为二阶导数2, 4, 4, 1。去散射处理MC和CP是SNV+Detrend,CF是Detrend only,其余的是MSC。

表2 多倍体芦竹常规营养组分最佳定标模型

Table 2 Optimal calibration models for conventional nutrient components of Arundo donax

项目 Items	散射处理 Scattering treatment	数学处理 Math treatment	定标标准偏差 SEC	预测决定系数 RSQ	交互验证标准误差 SECV	交互验证决定系数 1-VR
水分MC	SNV+Detrend	1, 4, 4, 1	0.215 3	0.837 9	0.237 8	0.801 3
粗蛋白质CP	SNV+Detrend	1, 4, 4, 1	0.266 5	0.995 0	0.336 6	0.992 0
粗脂肪EE	Weighted MSC	1, 4, 4, 1	0.734 2	0.939 0	0.777 9	0.931 4
粗灰分Ash	Inverse MSC	1, 4, 4, 1	0.246 6	0.971 6	0.285 4	0.961 6
粗纤维CF	Detrend only	1, 2, 2, 1	1.000 6	0.971 1	1.155 1	0.961 2
中性洗涤纤维NDF	Inverse MSC	1, 4, 4, 1	0.734 9	0.991 7	0.884 9	0.987 9
酸性洗涤纤维ADF	Standard MSC	2, 4, 4, 1	1.356 4	0.970 0	1.475 0	0.964 2
酸性洗涤木质素ADL	Weighted MSC	1, 2, 2, 1	0.359 0	0.976 8	0.447 9	0.963 8

SNV and Detrend:标准正态变量变换结合散射 standard normal variable transformation combined with scattering; Weighted MSC: 加权多元离散矫正 weighted multivariate discrete correction; Inverse MSC:反向多元离散矫正 reverse multivariate discrete correction;Detrend only:去散射 non-elastic scattering;Standard MSC:标准多元离散矫正 standard multivariate discrete correction。

2.4 芦竹定标模型的验证

通过验证集对最优定标模型进行外部验证,结果见表3,CP的RPD和RSQ最高,分别为10.82和0.991,MC的RPD和RSQ最低,分别为2.78和0.868。EE、Ash、CF、NDF、ADF和ADL的RPD在4.0~6.3,其RSQ均大于0.94。

表3 多倍体芦竹常规营养组分最佳定标模型外部验证结果

Table 3 Results of external validation of optimal calibration models for conventional nutrient components of Arundo donax

项目 Items	化学测定平均值 Chemical measurement mean	模型预测平均值 Model prediction mean	预测决定系数 RSQ	预测标准偏差 SEP	外部验证相对分析误差 RPD
水分MC/%	7.747	7.730	0.868	0.212	2.78
粗蛋白质CP/%	13.387	13.356	0.991	0.364	10.82
粗脂肪EE/(g/kg)	9.436	9.458	0.940	0.739	4.06
粗灰分Ash/%	9.395	9.411	0.962	0.294	5.24
粗纤维CF/%	26.951	26.915	0.973	0.985	6.07
中性洗涤纤维NDF/%	67.356	67.387	0.974	1.331	6.30
酸性洗涤纤维ADF/%	41.403	41.068	0.964	1.588	5.23
酸性洗涤木质素ADL/%	5.508	5.545	0.958	0.519	4.86

3 讨论

NIRS技术以其快速、便捷、无破坏性等优点在动物饲料行业检测中已被广泛使用^[16]。唐德富等^[17]构建的青贮玉米不同部位(组织)养分含量近红外预测模型中ADF、NDF、CP和有机物这4个指标的RSQ值均大于0.9,且其RPD均大于2.5,能够应用于生产实际。王新基^[18]利用NIRS技术快速分析全株玉米青贮营养成分,DM、CP、ADF和Ash预测模型的1-VR值约0.80,可以用于实际预测;EE和NDF模型相关性较差,还需要进一步优化。代露茗等^[19]利用NIRS技术分析了燕麦草、高羊茅及无芒雀麦干草营养成分含量,结果显示DM、CP、OM、NDF、ADF、Ash等营养组成含量的近红外预测模型中,燕麦草RPD值分别为3.18、4.00、3.63、2.75、3.15、1.48;高羊茅的RPD值分别为3.14、3.28、1.51、2.48、2.21、2.56;无芒雀麦的RPD值分别为1.28、2.59、1.03、2.19、3.09、3.84。付趁等^[11]建立的花生秧营养组分预测模型中,MC、CP、ADL、CF、Ash、ADF和NDF的预测模型可以用于实际生产,EE含量不能用于实际生产,还需要调整优化。郭涛等^[16]利用NIRS技术分析玉米秸秆和小麦秸秆的营养成分,研究发现玉米和小麦秸秆的CP含量预测模型1-VR>0.90,且RSQ>0.84。玉米秸秆DM、NDF、ADF和小麦秸秆DM各指标定标模型的1-VR在0.8左右,可粗略的预测。刘哲等^[20]利用近红外漫反射光谱技术,对内蒙古锡林郭勒盟草原天然牧草营养成分进行了定量分析,Ca、NDF、DM、CP、Ash的RPD值均>3,RSQ均在0.9以上,这5个指标的定标效果较好,ADF的RPD值为2.54,RSQ为0.881。李欣荣等^[21]利用NIRS技术结合改良偏最小二乘法和反向传播神经网络建立的葵花籽皮营养成分预测模型中,MC、NDF、ADF、Ash的RSQ为0.88~0.99,PRD为2.82~8.36,能准确预测葵花籽皮营养成分含量。李钰等^[22]构建茴香秸秆营养成分预测模型中,DM、CP、OM、NDF、ADF和Ash含量的RSQ为0.853~0.951,RPD为2.574~4.239,模型的预测能力良好,可用于实际检测;而EE含量的RSQ和RPD分别为0.806和2.259,定标模型只能用于样品的粗略筛选。以上学者构建了全株玉米、花生秧、秸秆及不同牧草的常规营养成分含量近红外预测模型,所建DM、CP、NDF、ADF和Ash含量模型的预测效果较好,可用于实际生产。本研究构建了原阳和驻马店地区的芦竹全株常规营养组分含量近红外预测模型,CP、NDF、ADF和Ash含量预测模型的RPD均大于5.2,其RSQ均大于0.96。MC的RPD和RSQ最低,分别为2.78和0.868,本研究结果与上述学者一致。而前人对ADL、CF和EE的研究较少,结果差异较大。本研究还建立了ADL、CF和EE含量的预测模型,其RPD在4.0~6.3,RSQ均大于0.94,同样可用于实际生产。

4 结论

本研究建立芦竹营养组分含量近红外预测模型中,MC、CP、EE、Ash、CF、NDF、ADF和ADL这8种营养组分RPD均大于2.7,其RSQ均大于0.86,有较好的预测能力,可用于实际生产。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	李琳, 杨培龙, 李秀梅, 等. 芦竹不同高度、不同部位及不同青贮时间的营养价值比较[J]. 草地学报, 2020, 28(4):1168-1172. DOI LI L, YANG P L, LI X M, et al. Comparison of nutritive value in different parts,height and silage time of Arundo donax[J]. Acta Agrestia Sinica, 2020, 28(4):1168-1172. (in Chinese)

[2]	刘清茹, 彭文达, 谢冰, 等. 芦竹的化学成分与生物活性研究进展[J]. 中药材, 2014, 37(10):1892-1895. LIU Q R, PENG W D, XIE B, et al. Research progress on chemical composition and biological activity of reed bamboo[J]. Journal of Chinese Medicinal Materials, 2014, 37(10):1892-1895. (in Chinese)

[3]	李琳. 芦草的营养价值评定及其在肉羊生产中的应用[D].硕士学位论文. 北京: 中国农业科学院, 2020. LI L. The evaluation of nutritional value of Arundo donax and its application to mutton sheep[D].Master’s Thesis. Beijing: Chinese Academy of Agricultural Sciences, 2020. (in Chinese)

[4]	褚小立, 王艳斌, 陆婉珍. 近红外光谱定量校正模型的建立及应用[J]. 理化检验(化学分册), 2008, 44(8):796-800. ZHU X L, WANG Y B, LU W Z, et al. Establishment and application of calibration model for NIR spectroscopy[J]. Physical Testing and Chemical Analysis(Part B:Chemical Analysis), 2008, 44(8):796-800.

[5]	陆婉珍. 近红外光谱仪器[M]. 北京: 化学工业出版社, 2010. LU W Z. Near infrared spectroscopy instrument[M]. Beijing: Chemical Industry Press, 2010. (in Chinese)

[6]	GIVENS D I, DE BOEVER J L, DEAVILLE E R. The principles,practices and some future applications of near infrared spectroscopy for predicting the nutritive value of foods for animals and humans[J]. Nutrition Research Reviews, 1997, 10(1):83-114.

[7]	吴军. 高油玉米秸秆青贮品质分析和营养价值评价[D]. 硕士学论文. 北京: 中国农业大学, 2004. WU J. Analysis on stalk components and silage nutritional value of high oil corn[D].Master’s Thesis. Beijing: China Agricultural University, 2004. (in Chinese)

[8]

纳嵘, 任晋东, 胡波, 等. 基于不同预处理方法建立苜蓿营养成分近红外快速分析模型的研究[J]. 家畜生态学报, 2021, 42(12):37-43.

, REN

J D

, HU

, et al. Establishment of near infrared quantitative analysis model for nutritional components in alfalfa based on different pre-treatment methods[J]. Acta Ecologiae Animalis Domastici, 2021, 42(12):37-43. (in Chinese)

[9]	刘娜. 全株玉米青贮营养价值快速评价及预测模型构建[D]. 硕士学论文. 兰州: 甘肃农业大学, 2019. LIU N. Rapid evaluation of nutritional value and establishment of prediction model for whole-plant corn silage[D].Master’s Thesis. Lanzhou: Gansu Agricultural University, 2019. (in Chinese)

[10]	李楠, 张朝阳, 候长乐, 等. 棉籽壳营养成分测定及近红外模型建立[J]. 塔里木大学学报, 2019, 31(2):55-59. LI N, ZHANG C Y, HOU C L, et al. Determination of nutrition of cottonseed husk and establishment of near infrared model[J]. Journal of Tarim University, 2019, 31(2):55-59. (in Chinese)

[11]

付趁, 巴提玛·努尔巴合提, 马慧慧, 等. 基于近红外光谱的花生秧营养组分预测模型构建[J]. 动物营养学报, 2023, 35(7):4697-4705.

DOI

, NUERBAHETI

B T M

, MA

H H

, et al. Construction of nutrient component prediction model of peanut vines based on near infrared spectroscopy[J]. Chinese Journal of Animal Nutrition, 2023, 35(7):4697-4705. (in Chinese)

DOI

[12]	冯豆. 花生秧营养价值的评定及其对奶牛瘤胃细菌多样性的影响[D].硕士学位论文. 郑州: 河南农业大学, 2018. FENG D Evaluation of nutritional value of peanut vine and effect of peanut vine on rumen bacterial diversity in dairy cows[D].Master’s Thesis. Zhengzhou: Henan Agricultural University, 2018. (in Chinese)

[13]	常春, 侯向阳, 武自念, 等. 近红外光谱法测定羊草干草的9项品质指标[J]. 中国草地学报, 2019, 41(5):47-52. CHANG C, HOU X Y, WU Z N, et al. Nine quality indexes determination of Leymus chinensis hay by near infrared reflectance spectroscopy[J]. Chinese Journal of Grassland, 2019, 41(5):47-52. (in Chinese)

[14]

李文, 肖云月, BakhitIshag

Rahama Akoy

, 等. 红豆草干草关键品质指标近红外预测模型构建[J/OL]. 草业科学,1-14 [2025-01-09]. http://kns.cnki.net/kcms/detail/62.1069.s.20241021.1442.010.html

, XIAO

Y Y

, BAKHITLSHAG

R A

, Construction of a mear-infrared prediction model for key quality traits of sainfoin (Onobrychis viciaefolia)[J/OL]. Pratacultural Science,1-14 [2025-01-09]. http://kns.cnki.net/kcms/detail/62.1069.s.20241021.1442.010.html in Chinese)

[15]	高慧宇, 王国栋, 赵佳, 等. 近红外光谱测定小麦粉常规营养成分的模型优化[J]. 中国食物与营养, 2021, 27(5):30-34. GAO H Y, WANG G D, ZHAO J, et al. Model optimization for determination of common nutritional components in wheat flour using near infrared spectroscopy[J]. Food and Nutrition in China, 2021, 27(5):30-34. (in Chinese)

[16]	郭涛, 黄右琴, 兰贵生, 等. 利用近红外光谱技术分析玉米秸秆和小麦秸秆的营养成分[J]. 草业科学, 2020, 37(6):1204-1213. GUO T, HUANG Y Q, LAN G S, et al. Quantitative analysis of nutrients in corn straw and wheat straw using near-infrared spectroscopy[J]. Pratacultural Science, 2020, 37(6):1204-1213. (in Chinese)

[17]	唐德富, 陈志刚, 李飞, 等. 青贮玉米不同部位(组织)养分含量近红外预测模型的构建[J]. 草业科学, 2021, 38(9):1753-1761. TANG D F, CHEN Z G, LI F, et al. Construction of a near-infrared prediction model for nutrient content in different parts (tissues) of corn silage[J]. Pratacultural Science, 2021, 38(9):1753-1761. (in Chinese)

[18]	王新基, 郭涛, 潘发明, 等. 利用近红外光谱技术快速分析全株玉米青贮营养成分[J]. 家畜生态学报, 2021, 42(1):52-55. WANG X J, GUO T, PAN F M, et al. Rapid analysis of nutritional components of whole plant silage using near-infrared spectroscopy[J]. Journal of Domestic Animal Ecology, 2021, 42(1):52-55. (in Chinese)

[19]	代露茗, 郭涛, 李飞, 等. 近红外光谱技术分析高羊茅干草营养成分含量[J]. 草业科学, 2022, 39(4):731-739. DAI L M, GUO T, LI F, et al. Analysis of nutrient content of tall fescue hay by near-infrared spectroscopy[J]. Pratacultural Science, 2022, 39(4):731-739. (in Chinese)

[20]	刘哲, 王玉琴, 薛树媛, 等. 近红外漫反射光谱定量分析天然牧草营养成分[J]. 草地学报, 2018, 26(1):249-255. DOI LIU Z, WANG Y Q, XUE S Y, et al. Quantitative analysis of herbage nutritional components on natural pasture by near infrared diffuse reflectance spectroscopy[J]. Acta Agrestia Sinica, 2018, 26(1):249-255. (in Chinese) DOI

[21]

李欣荣, 李飞, 翁秀秀, 等. 近红外光谱技术结合改良偏最小二乘法和反向传播神经网络预测葵花籽皮营养成分含量[J]. 动物营养学报, 2024, 36(11):7335-7345.

DOI

X R

, LI

, WENG

X X

, et al. Prediction of nutrient contents of sunflower seed peel by near-infrared reflecttance spectroscopy technology combined with modified partial least square and back propagation neural network[J]. Chinese Journal of Animal Nutrition, 2024, 36(11):7335-7345. (in Chinese)

[22]

李钰, 李欣荣, 刘保仓, 等. 近红外光谱技术分析茴香秸秆营养组成的研究[J/OL]. 草业科学, 2024:1-14(2024-07-29) [2024-08-22]. http://kns.cnki.net/kcms/detail/62.1069.S.20240726.1803.012.html

, LI

X R

, LIU

B C

, et al. Analysis of the nutritional composition of fennel straw by near-infrared spectroscopy[J/OL]. Pratacultural Science:1-14(2024-07-29) [2024-08-22]. http://kns.cnki.net/kcms/detail/62.1069.S.20240726.1803.012.html in Chinese)

Options

文章导航