动物营养学报 >

2026 , Vol. 38 >Issue 2: 1368 - 1377

DOI: https://doi.org/10.12418/CJAN2026.109

研究论文

基于2种算法的混合青贮牧草常规营养成分近红外光谱预测模型的构建与评估

  • 朱瑞芬 , 1, 2 ,
  • 徐远东 1, 2 ,
  • 刘畅 1, 2 ,
  • 姚博 1, 2 ,
  • 陈积山 , 1, 2, *
展开
  • 1 重庆市畜牧科学院,重庆 402460
  • 2 重庆市草业工程技术研究中心,重庆 402460
* 陈积山,研究员,E-mail:

朱瑞芬(1982—),女,甘肃礼县人,副研究员,博士,主要从事牧草与草地管理研究。E-mail:

Office editor: 菅景颖

收稿日期: 2025-07-30

  网络出版日期: 2026-02-12

基金资助

重庆市财政专项资金项目(24526C)

收起

Construction and Evaluation of Near-Infrared Spectroscopy Prediction Models for Conventional Nutritional Components in Mixed Silage Forage Based on Two Algorithms

  • ZHU Ruifen , 1, 2 ,
  • XU Yuandong 1, 2 ,
  • LIU Chang 1, 2 ,
  • YAO Bo 1, 2 ,
  • CHEN Jishan , 1, 2, *
Expand
  • 1 Chongqing Academy of Animal Sciences, Chongqing 402460, China
  • 2 Pratacultural Engineering and Technology Research Center of Chongqing, Chongqing 402460, China
* professor, E-mail:

Received date: 2025-07-30

  Online published: 2026-02-12

Fold

摘要

本试验旨在构建与评估基于2种算法的重庆地区混合青贮牧草常规营养成分的近红外光谱(NIRS)预测模型。利用NIRS技术,以重庆地区栽培利用的杂交狼尾草与田菁按比例混合青贮后取120份样品为试验材料,选取其中100份样品作为校正集、20份样品作为预测集,基于支持向量机(SVM)算法与偏最小二乘(PLS)算法分别建立混合青贮牧草水分(M)、粗蛋白质(CP)、粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、酸性洗涤木质素(ADL)、粗灰分(Ash)含量的预测模型,并以相对预测误差(RPD)为评价标准对2种模型的预测效果进行比较。结果表明:基于SVM算法构建的常规营养成分的NIRS预测模型的整体性能优于基于PLS算法构建的预测模型。SVM模型对混合青贮牧草中7种常规营养成分含量的预测精度均达到可接受及以上水平,尤其对非线性关系较强的指标(如ADL、Ash含量)表现出更优的拟合效果。综上可知,在基于RPD评价标准下,SVM模型对混合青贮牧草品质的综合预测能力优于PLS模型。

关键词： 近红外光谱; 营养成分; 混合青贮牧草; 支持向量机; 偏最小二乘

本文引用格式

朱瑞芬 , 徐远东 , 刘畅 , 姚博 , 陈积山 . 基于2种算法的混合青贮牧草常规营养成分近红外光谱预测模型的构建与评估[J]. 动物营养学报, 2026 , 38(2) : 1368 -1377 . DOI: 10.12418/CJAN2026.109

Abstract

This experiment aimed to construct and evaluate near-infrared spectroscopy (NIRS) prediction models for conventional nutritional components of mixed silage forage in the Chongqing region based on two algorithms. Using NIRS technology, the study utilized 120 samples of mixed silage forage prepared from hybrid Pennisetum and Sesbania cultivated in the Chongqing region in specific proportions. Among these, 100 samples were selected as the calibration set and 20 samples as the prediction set. Prediction models for moisture (M), crude protein (CP), crude fiber (CF), neutral detergent fiber (NDF), acid detergent fiber (ADF), acid detergent lignin (ADL), and crude ash (Ash) content in mixed silage forage were established based on the support vector machine (SVM) algorithm and the partial least square (PLS) algorithm, respectively. The predictive performance of the two models was compared using the relative prediction deviation (RPD) as the evaluation criterion. The results showed that the overall performance of the NIRS prediction models for conventional nutritional components constructed based on the SVM algorithm was superior to that of the models constructed based on the PLS algorithm. The prediction accuracy of the SVM model for the contents of seven conventional nutritional components in mixed silage forage reached acceptable or higher level. It demonstrated particularly better fitting performance for indicators with stronger nonlinear relationships, such as ADL and Ash contents. In conclusion, based on the RPD evaluation criterion, the SVM model exhibits superior comprehensive prediction capability for mixed silage forage quality compared with the PLS model.

Key words： near-infrared spectroscopy; nutritional components; mixed silage forage; support vector machine; partial least square

狼尾草属(Pennisetum)牧草是禾本科多年生C4植物,主要生长在热带及亚热带地区,是我国南方栽培面积最大、生物产量较高的优质牧草[1],但因本身含水量较高、可溶性碳水化合物含量低、缓冲度较大等不足,在生产中导致青贮品质普遍较低。研究表明,通过与含糖量较高的其他牧草混合,可提高青贮饲料的发酵品质。混合青贮,简称混贮,是指将2种及以上的牧草、饲料原料混合后进行青贮发酵的技术,其核心目的是通过原料间的互补作用,改善青贮饲料的发酵品质、营养均衡性或加工特性,以解决单一原料青贮时可能存在的含水量过高/过低、糖分不足、营养单一等问题[2]。例如,与100%豆科植物青贮相比,豆科植物与禾本科植物(小麦或燕麦)的混合青贮可以提高发酵质量,增加乳酸产生,降低pH,减少丙酸和氨氮的产生[3]。目前混合青贮牧草已成为畜禽生产中重要饲料来源,其营养价值成为饲草选择的关键。因此,混合青贮牧草的品质定量预测和分级评价备受关注。
目前,包括牧草在内的饲料原料的常规营养组成测定通常采用化学分析方法,虽然该检测结果准确、应用广泛,但其测试成本高、耗时耗能、且易造成污染等问题难以解决。近红外光谱(NIRS)分析技术是一种间接快速测定样品化学成分的新技术,具有效率高、分析成本低、无污染等优点,已在农业、石化、食品、制药、烟草等众多领域得到广泛应用[4]。特别是近年来,便携式微型近红外光谱仪得到了普及和应用,建模及其预测能力的比较与评估成为科技工作者广泛关注的研究热点[5]。
智慧农业背景下,融合多元算法构建高精度预测模型已成为重要的发展方向[6-7]。机器学习算法通过降维简化模型结构,并整合非线性或非相关变量,显著提升了模型的鲁棒性与预测效能[8-12]。在光谱分析领域,不同学习算法可以降低模型维数,简化模型。偏最小二乘(PLS)算法被认为具有较强的全波长建模能力,同时研究也表明PLS法因其全波段建模能力被广泛认可[13-14];而支持向量机(SVM)算法则在处理复杂非线性关系方面表现突出,二者均以优异的鲁棒性和预测精度受到关注[15-18]。SVM算法植根于统计学习理论,是一种强大的数据建模工具,在数据分析、模式识别及回归预测等任务中应用广泛[19-20]。其核心优势在于遵循结构风险最小化原则,确保了模型的泛化性能,并能通过凸优化过程获得全局最优解,有效规避了局部最优陷阱及过度依赖经验参数的风险[21-22]。这些特性使SVM算法在模型稳定性和普适性上相较PLS算法展现出独特价值[23]。
基于上述背景与技术优势,本研究创新性地集成PLS与SVM这2种算法,依托NIRS技术,对混合青贮牧草样品进行系统分析,分别构建基于PLS与SVM算法的混合青贮牧草常规营养成分的NIRS预测模型,并重点评估2种算法构建的模型对混合青贮牧草常规营养成分含量预测的鲁棒性与准确性,旨在基于NIRS技术确立快速测定混合青贮牧草品质的最优算法模型,为科学、高效、精准地评价混合青贮牧草关键品质参数提供可靠的技术方案与理论支撑。

1 材料与方法

1.1 试验材料

2022—2023年在重庆市荣昌区双河试验基地(50亩,1亩≈667 m2),选择杂交狼尾草品种2个(热研4号王草、桂牧1号杂交象草)和田菁品种1个,分别以相同密度和播量间作,该间作模式可在生产中应用。为体现样本的差异性,在生长期间(5—11月份),依据杂交狼尾草植株高度分别在1.5、2.0、2.5 m时进行刈割,每次留茬15 cm。单位面积的杂交狼尾草和田菁收割后,统一粉碎后混合青贮。青贮采用青贮裹包机器作业。3次收割青贮后统一放置在储草棚,每批次裹包放置60 d后开包取样,每个包分上、中、下3层取样,均匀混合作为1份样品(鲜重约500 g),每个处理每次取样40份,3次累计采集并获得120份混合青贮样品。将每份样品(鲜重约500 g)装入纱网袋中,当天在实验室用烘箱干燥(105 ℃杀青30 min,再在65 ℃烘48 h)。供试样品先用粉碎机粗粉,再用旋风磨进行二次细磨并过1.0 mm筛,再放入摇匀器中摇动30 s后按照编号装入自封袋,在常温避光处保存以备后续测定[24]。

1.2 试验仪器

试验中所用到的主要仪器有瑞典波通(Perten)公司生产的近红外光谱仪(DA-7200);丹麦福斯(Foss)公司生产的旋风磨(CyclotecTM 1093)、索氏粗纤维测定仪(Fibertec-1020)和全自动凯氏定氮仪(特卡托2300);美国丹佛公司生产的全自动快速水分仪(IR35);德国赛默飞(Thermo)公司生产的大容量通用型烘箱和马弗炉(F6030CM-33)。

1.3 光谱采集

取混合青贮牧草样品约100 g放入试样杯中,在近红外光谱仪上进行扫描,采集吸收光谱图。每个样品扫描3次,取3次测定的平均值。将所得光谱数据录入计算机,并对混合青贮牧草的光谱进行预处理和筛选,波长范围在900~1 700 nm,分辨率为8 cm-1[24]。

1.4 化学值测定

对120份混合青贮牧草样品测定相关品质指标,包括水分(M)、粗蛋白质(CP)、粗纤维(CF)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、酸性洗涤木质素(ADL)和粗灰分(Ash)含量。所有测试数据由兰州测试中心测定提供。其中,M含量按照GB/T 6435—2014中方法测定,CP含量按照GB/T 6432—2018中方法测定,CF含量按照GB/T 6434—2022中方法测定,Ash含量按照GB/T 6438—2007中方法测定,NDF、ADF和ADL含量测定采用Van Soest等[25]方法。每个样品各测定指标重复测定3次取平均值,除M含量外的其他指标均折算成以干物质为基础,以百分比表示。

1.5 数据分析与建模

1.5.1 数据分析

本试验采用MATLAB 7.0软件(美国MathWorks公司)对试验数据进行处理,建立混合青贮牧草常规营养成分预测模型。本文涉及的软件包是LIBSVM-3.22。该软件包是一个简单、易于使用和快速有效的SVM模式识别与回归的软件包,具有Windows系列的执行文件和源代码,同时还可以在其他操作系统上应用[26]。本文采用MATLAB编程语言,开发了基于LIBSVM的混合青贮牧草光谱信息处理程序,该程序可完成校正样本的选取,并对模型参数实施交叉验证优化。

1.5.2 模型建立

近红外光谱分析中,光谱信号常受基线漂移、散射效应及背景噪声等干扰,导致特征信息被掩盖。为提升光谱数据质量,需采用有效的预处理方法。本研究选取标准化(Autoscale)、平滑法(Smoothing)、一阶导数(1st Derivative)、标准正态变量变换(SNV)、去趋势化(Detrend)等5种预处理策略,通过消除非目标因素干扰,增强光谱特征峰的分辨率与信号强度,为后续建模奠定基础。
模型构建过程中,需综合多维度指标对其性能进行科学评价。具体评价参数包括:校正集均方根误差(RMSEC),反映模型对校正集样本的拟合精度;校正集决定系数( R C a l 2),表征校正集数据与模型预测值的线性相关性;预测集均方根误差(RMSEP),衡量模型对未知样本的预测误差;预测集决定系数( R P r e d 2),评估预测值与真实值的一致性;相对预测误差(RPD),作为判断模型实用价值的关键指标;交叉验证均方根误差(RMSECV)反映模型在交叉验证过程中的预测能力和精确度;交叉验证决定系数( R c v 2)反映模型对数据的拟合程度和稳定性。其中,RPD定义为RMSEC与RMSEP的比值,直接反映模型的预测能力:当RPD≥3.0时,模型预测精度高,可满足实际分析需求;当2.5<RPD<3.0时,模型性能处于可接受范围,但需通过参数优化或数据增强进一步提升稳定性;当RPD≤2.5时,模型预测误差较大,无法用于定量分析[27]。通过系统对比不同预处理组合下模型的RMSEC、RMSEP、RMSECV、 R C a l 2、 R P r e d 2、 R c v 2及RPD,可确定最优预处理方案,最终构建兼具准确性与稳健性的NIRS定量分析模型。

2 结果与分析

2.1 混合青贮牧草常规营养成分描述

经化学测定,混合青贮牧草共获取7项营养成分数据,详见表1。其中,混合青贮牧草的M、CP、CF、NDF、ADF、ADL及Ash含量跨度较广,具良好代表性,且标准偏差低,各项数据均符合NIRS定标标准。
表1 混合青贮牧草常规营养成分数据统计结果

Table 1 Statistical results of conventional nutritional component data for mixed silage forage

项目
Items		 模型
Model		 校正集
个数
NCal		 校正集
最小值
MINCal		 校正集
最大值
MAXCal		 校正集
平均值
MEANCal		 校正集
标准差
SDCal		 预测集
个数
NPred		 预测集
最小值
MINPred		 预测集
最大值
MAXPred		 预测集
平均值
MEANPred		 预测集
标准差
SDPred

水分
M		 PLS 100.00 4.20 6.86 5.53 0.61 20.00 4.15 6.39 5.27 0.71
SVM 100.00 4.21 6.85 5.53 0.61 20.00 4.15 6.42 5.29 0.72

粗蛋白质
CP		 PLS 100.00 9.35 15.92 12.64 2.63 20.00 9.21 15.63 12.42 2.51
SVM 100.00 9.36 15.92 12.64 2.33 20.00 9.20 15.64 12.42 2.49

粗纤维
CF		 PLS 100.00 30.22 46.85 38.54 4.18 20.00 31.35 46.82 39.09 3.91
SVM 100.00 30.22 46.84 38.53 4.29 20.00 31.82 46.81 39.32 4.04

木质素
ADL		 PLS 100.00 3.07 23.40 13.24 5.26 20.00 4.82 23.41 14.12 5.08
SVM 100.00 3.05 23.80 13.43 5.70 20.00 4.81 23.44 14.13 5.14

酸性洗涤纤维
ADF		 PLS 100.00 30.85 46.72 38.79 4.20 20.00 30.25 45.86 38.06 3.57
SVM 100.00 30.82 46.75 38.79 4.19 20.00 30.21 46.37 38.29 3.59

中性洗涤纤维
NDF		 PLS 100.00 44.34 57.85 51.10 5.12 20.00 44.35 55.67 50.01 6.91
SVM 100.00 44.37 57.68 51.03 5.25 20.00 44.37 55.62 49.99 7.02

粗灰分
Ash		 PLS 100.00 4.06 11.64 7.85 2.37 20.00 4.21 11.34 7.78 2.46
SVM 100.00 4.07 11.63 7.85 2.46 20.00 4.19 11.38 7.79 2.45

PLS:偏最小二乘 partial least square;SVM:支持向量机 support vector machine。下表同 the same as below。

2.2 光谱数据预处理优化

混合青贮牧草样品的近红外光谱如图1所示。对于非线性问题的逼近和分析能力,优化光谱预处理方法是提高结果精度首要策略[18-20],为此本研究对原始光谱数据进行1st Derivative处理。经1st Derivative处理之后的光谱图如图2所示,样品在波长1 300~1 700 nm之间有显著的吸收峰和规律的变化趋势,吸收峰与混合青贮牧草中的化学键的类别相关,其相关性可为建立预测模型提供依据。
图1 混合青贮牧草样品的近红外光谱

Fig.1 Near-infrared spectrum of mixed silage forage samples

图2 混合青贮牧草样品1st Derivative处理后的光谱图

Fig. 2 Near infrared spectrum of mixed silage forage after 1st Derivative treatment

为构建混合青贮牧草常规营养成分的最佳预测模型,需优化光谱预处理过程。本研究光谱预处理组合的筛选流程与评价标准以RMSECV大小为依据,RMSECV越小,其预测性能越好。通过分析比较,其中1st Derivative、SNV、Autoscale在不同模型建立中均被采用(表2)。
表2 混合青贮牧草常规营养成分光谱数据预处理方法

Table 2 Spectral data preprocessing methods of conventional nutritional components for mixed silage forage

项目Items 模型Model 预处理方法Preprocessing method

水分M		 PLS 一阶导数+标准化
SVM 一阶导数+标准化

粗蛋白质CP		 PLS 一阶导数+去趋势化+标准正态变量变换
SVM 一阶导数+去趋势化+标准正态变量变换

粗纤维CF		 PLS 一阶导数+标准正态变量变换+标准化
SVM 一阶导数+标准化

木质素ADL		 PLS 标准正态变量变换+平滑法+标准化
SVM 一阶导数+标准化

酸性洗涤纤维ADF		 PLS 去趋势化+一阶导数+标准化
SVM 一阶导数+标准化

中性洗涤纤维NDF		 PLS 去趋势化+标准正态变量变换+标准化
SVM 一阶导数+标准化

粗灰分Ash		 PLS 一阶导数+标准化
SVM 一阶导数+标准化

2.3 预测结果对比分析

2.3.1 校正集和预测集的预测效果

表3展示了基于不同光谱预处理方法的SVM和PLS模型对混合青贮牧草中M、CP、CF、NDF、ADF、ADL和Ash含量的预测性能,其均方根误差越小,则模型预测性能越好,对各营养成分预测模型预测效果的具体分析如下。
表3 不同预测模型对混合青贮牧草常规营养成分的预测效果

Table 3 Prediction effect of different models for conventional nutrients in mixed silage forage

项目
Items		 模型
Model		 校正集均
方根误差
RMSEC		 交叉验证
均方根误差
RMSECV		 预测集均
方根误差
RMSEP		 校正集
决定系数
R C a l 2		 交叉验证
决定系数
R C V 2		 预测集
决定系数
R P r e d 2		 预测集
平均值
MEANPred

水分
M		 PLS 0.26 0.65 0.52 0.86 0.82 0.91 5.27
SVM 0.13 0.25 0.14 0.97 0.88 0.97 5.29

粗蛋白质
CP		 PLS 0.76 1.45 2.34 0.83 0.79 0.76 12.42
SVM 0.42 0.97 1.61 0.97 0.84 0.87 12.42

粗纤维
CF		 PLS 2.12 2.82 2.10 0.90 0.85 0.80 39.09
SVM 1.24 1.33 1.37 0.95 0.96 0.92 39.32

木质素
ADL		 PLS 3.38 3.66 2.26 0.68 0.77 0.68 14.12
SVM 2.36 2.25 1.33 0.79 0.81 0.75 14.13

酸性洗涤纤维
ADF		 PLS 2.11 1.89 2.54 0.91 0.86 0.87 38.06
SVM 1.21 1.21 2.26 0.96 0.92 0.90 38.29

中性洗涤纤维
NDF		 PLS 2.89 2.67 2.66 0.77 0.65 0.68 50.01
SVM 1.24 1.58 2.37 0.96 0.78 0.79 49.99

粗灰分
Ash		 PLS 0.87 1.76 1.56 0.92 0.86 0.81 7.78
SVM 0.62 1.13 1.33 0.96 0.95 0.90 7.79
M含量预测模型:采用1st Derivative结合Autoscale预处理光谱建立的SVM模型,其性能优于PLS模型。该模型减小了校正集、交叉验证集与预测集的均方根误差(RMSEC、RMSECV、RMSEP),同时大幅提高了对应的决定系数( R C a l 2、 R C V 2、 R P r e d 2),其值分别达0.97、0.88及0.97。
CP含量预测模型:基于1st Derivative、Detrend和SNV预处理的SVM模型同样表现出优越性,相较于PLS模型,该模型降低了RMSEC、RMSECV和RMSEP,并提高了 R C a l 2、 R C V 2、 R P r e d 2,其值分别为0.97、0.84和0.87。
CF含量预测模型:应用1st Derivative和Autoscale预处理的SVM模型,其预测性能(RMSEC、RMSECV、RMSEP、 R C a l 2、 R C V 2、 R P r e d 2)与PLS模型相比差异不大,SVM模型的 R C a l 2、 R C V 2、 R P r e d 2分别为0.95、0.96、0.92,与PLS模型效果相近。
NDF含量预测模型:采用1st Derivative和Autoscale预处理的SVM模型,其预测精度高于PLS模型,具体表现为RMSEC、RMSECV和RMSEP的降低以及 R C a l 2、 R C V 2和 R P r e d 2的提高(分别为0.96、0.78、0.79)。
ADF含量预测模型:结合Detrend、1st Derivative和Autoscale多重预处理的SVM模型表现优异,与PLS模型相比,该模型成功降低了RMSEC、RMSECV和RMSEP,并提升了 R C a l 2、 R C V 2和 R P r e d 2,使其分别达到0.96、0.92和0.90。
ADL含量预测模型:经过1st Derivative和Autoscale预处理的SVM模型,在RMSEC上与PLS模型持平,但在RMSECV、RMSEP、 R C a l 2、 R C V 2和 R P r e d 2等关键参数上均获得不同程度提升( R C a l 2、 R C V 2和 R P r e d 2分别为0.79、0.81和0.75),表明SVM模型在ADL含量预测上具有相对优势。
Ash含量预测模型:应用SNV、1st Derivative和Autoscale组合预处理的SVM模型展现出了较佳的性能,相比PLS模型,该模型降低了RMSEC、RMSECV和RMSEP,同时大幅提高了 R C a l 2、 R C V 2和 R P r e d 2,其值分别高达0.96、0.95和0.90。

2.3.2 2种模型的预测性能比较

由表4可知,2种模型的预测性能呈现出差异。由PLS模型的RPD表现可知,M、CP和CF含量这3项指标的RPD均超过3.0,表明模型对这三者的预测精度较高,可视为“良好预测效果”;NDF、ADF和Ash含量的RPD介于2.5~3.0,属于“可接受预测效果”,说明模型对这3项指标的预测精度中等;而ADL含量的RPD则低于2.5,预测效果被判定为“不可接受”,提示PLS模型对ADL含量的预测能力较弱,可能受指标本身复杂性或模型拟合不足的影响。相反,SVM模型在全部7项指标预测中,有4项指标(M、CP、NDF和ADF含量)的RPD均超过3.0,达到“良好预测效果”,覆盖了除CF、ADL、Ash含量外的所有核心品质指标;且CF、ADL、Ash含量的RPD介于2.5~3.0,属于“可接受预测效果”,且无任何指标出现RPD≤2.5的“不可接受”情况。
表4 预测模型对混合青贮牧草常规营养成分的相对预测误差

Table 4 RPD of predictive models for conventional nutritional components in mixed silage forage

项目
Items		 模型
Model		 相对预测误差
RPD

水分
M		 PLS 3.015
SVM 3.224

粗蛋白质
CP		 PLS 3.013
SVM 3.156

粗纤维
CF		 PLS 3.251
SVM 2.922

木质素
ADL		 PLS 2.350
SVM 2.537

酸性洗涤纤维
ADF		 PLS 2.842
SVM 3.124

中性洗涤纤维
NDF		 PLS 2.912
SVM 3.148

粗灰分
Ash		 PLS 2.768
SVM 2.849

3 讨论

NIRS分析的核心原理在于构建光谱信息与目标组分定量关系之间的数学模型,藉此实现对样品特定成分的快速、非破坏性测定。本研究聚焦于探索一种新型建模策略在混合青贮牧草关键营养指标预测中的可行性,试验结果表明,应用SVM模型对混合青贮牧草中M、CP、CF、ADL、ADF、NDF及Ash含量的定量预测均取得了可接受的精度,基本满足预测需求。然而,对于Ash含量预测效果则欠佳。推测其主要原因在于:一方面,在本研究波段(900~1 700 nm)的吸收信号因缺乏C-H、O-H、N-H等基团物质,Ash在900~1 700 nm的特征吸收信号较弱且缺乏特异性,导致光谱信息与含量之间的关联性建模难度增大;另一方面,本研究中Ash含量区间为4.06%~11.64%,远低于NDF、ADF、ADL等的含量,同时本研究所纳入的样本数量(120份)可能尚不足以充分涵盖Ash含量的自然变异范围(4.06%~11.64%)并捕捉其复杂的光谱响应特征,导致模型难以学习到有效特征,模型训练数据的不足直接制约了预测精度的提升。因此,Ash含量的预测在更广泛场景中实现有效普及,亟需通过大规模、多样化的样本收集来显著扩充建模数据库,并可能需要结合特征波段优化或融合其他辅助分析手段以增强对无机成分的响应灵敏度。
相较于国际上多样化的NIRS建模方法,国内牧草品质预测领域呈现出显著的方法集中性——PLS算法几乎成为主流技术路径,已广泛应用在构建羊草品质、天然牧草营养成分的NIRS预测模型[28-29]。此外,白扎嘎尔[30]进一步在反刍动物饲料领域扩展了NIRS建模方法研究。陈积山等[31]虽尝试通过特征波长筛选优化PLS模型,但核心算法仍未突破线性框架。这一现象反映出国内该领域对传统线性建模方法的路径依赖,却也暗含对光谱数据复杂特性(如冗余信息、多重共线性)及算法适应性的探索空间。NIRS数据的高维度与复杂性(如基线漂移、噪声干扰)使其原始信息中有效信号与无效信号常交织共存,导致信息提取过程中常因算法不同出现无效信息叠加及放大的风险,因此光谱预处理技术的选择与优化成为提升模型精度的前置条件[32]。本研究系统比较了不种光谱预处理方法对建模效果的影响,结果显示不同预处理组合的协同作用,可通过多维度噪声抑制与信号增强实现信息提纯。
SVM算法作为经典的非线性监督学习方法,其核心优势在于对小样本、高维度数据集的非线性关系建模能力[20]。本研究中数据集(120个样本,800个光谱变量)恰好符合“小样本、高维度”特征,与SVM算法的特性高度契合。对比结果显示,SVM模型对混合青贮牧草7项营养指标(M、CP、CF、NDF、ADF、ADL、Ash含量)的预测精度整体优于PLS模型。本研究数据中关键营养成分(如ADL、Ash)与NIRS间的关联可能蕴含显著的非线性效应。ADL复杂的分子结构(如木质素芳香环振动)及Ash中无机物的特定吸收,其光谱响应(倍频、合频)及颗粒散射效应,易产生非线性模式。PLS算法作为经典的线性方法,难以有效捕捉此类复杂关系,导致信息损失与预测偏差,而SVM算法通过核函数巧妙地将原始光谱数据非线性映射至高维特征空间,从而更充分地挖掘数据深层特征,提升预测精度。尽管PLS与SVM算法在建模效果上存在差异,但二者均能基本满足混合青贮牧草营养成分的预测需求(预测精度均达到实用标准)。通过系统比较预处理方法与算法适配性,不仅为混合青贮牧草的快速检测提供了技术参考,更拓展了NIRS在非常规牧草样品(如发酵处理后的混合青贮物料)中的应用边界。
目前,相较于传统线性方法,非线性算法在光谱分析中的应用研究仍处于初期阶段。深度学习作为机器学习的重要分支,旨在通过包含复杂结构或多重非线性变换的多层处理对数据进行高层抽象[33]。本研究采用2种算法,结合NIRS分析技术,构建了混合青贮牧草常规营养成分(M、CP、CF、NDF、ADF、ADL)含量的预测模型。从整体性能来看,SVM模型的优势显著:在7项指标中,“良好预测效果”指标占比约57.1%(4/7),“可接受预测效果”占比42.9%(3/7),无“不可接受”指标;而PLS模型的“良好预测效果”指标仅占42.9%(3/7),“可接受预测效果”占42.9%(3/7),仍有14.3%(1/7)的指标(ADL含量)预测效果为“不可接受”。这一结果充分说明,在基于RPD评价标准下,SVM模型对混合青贮牧草品质的综合预测能力优于PLS模型,尤其在复杂指标(如ADF、NDF含量)的预测精度提升上表现突出,但针对Ash含量的预测精度,今后仍需优化完善,以期为混合青贮牧草品质的快速检测提供更可靠的技术支持。未来可进一步探索光谱数据中更深层次的非线性特征,同时扩大样本量与品种覆盖范围,推动混合青贮牧草品质NIRS预测模型的标准化与产业化应用。

4 结论

本试验基于PLS和SVM算法构建了混合青贮牧草常规营养成分的NIRS预测模型,对2种模型预测能力的比较显示,在7项营养指标(M、CP、CF、NDF、ADF、ADL、Ash含量)中,SVM模型“良好预测效果”指标占比约57.1%(4/7),“可接受预测效果”占比42.9%(3/7),无“不可接受”指标;而PLS模型的“良好预测效果”指标仅占42.9%(3/7),“可接受预测效果”占42.9%(3/7),仍有14.3%(1/7)的指标(ADL含量)预测效果为“不可接受”。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
侯新村, 滕珂, 郭强, 等. 狼尾草属牧草研究进展[J]. 植物学报, 2022, 57(6):814-825.

DOI

HOU X C, TENG K, GUO Q, et al. Research advances in forage Pennisetum resource[J]. Chinese Bulletin of Botany, 2022, 57(6):814-825. (in Chinese)

[2]
张琴琴, 张扬, 王虎成. 尾菜和玉米秸秆混合青贮的营养特性和发酵品质研究[J]. 动物营养学报, 2025, 37(6):4176-4187.

DOI

ZHANG Q Q, ZHANG Y, WANG H C. Study of nutritional characteristics and fermentation quality of vegetable waste and corn stalk mixed silage[J]. Chinese Journal of Animal Nutrition, 2025, 37(6):4176-4187. (in Chinese)

DOI

[3]
LI H L, ZENG T R, DU Z C, et al. Assessment on the fermentation quality and bacterial community of mixed silage of faba bean with forage wheat or oat[J]. Frontiers in Microbiology, 2022,13:875819.

[4]
李民赞. 光谱分析技术及其应用[M]. 北京: 科学出版社,2006:125-127.

LI M Z. Spectral analysis techniques and their applications[M]. Beijing: Science Press,2006:125-127. (in Chinese)

[5]
GARCIA J, COZZOLINO D. Use of near infrared reflectance (NIR) spectroscopy to credict chemical composition of forages in broad-based balibration models[J]. Agricultura Tecnica, 2006, 66(1):41-47.

[6]
陆婉珍. 近红外光谱仪器[M]. 北京: 化学工业出版社,2010:75-78.

LU W Z. Near infrared spectroscopy[M]. Beijing: Chemical Industry Press,2010:75-78. (in Chinese)

[7]
陆婉珍, 褚小立. 近红外光谱(NIR)和过程分析技术(PAT)[J]. 现代科学仪器, 2007(4):13-17.

LU W Z, CHU X L. Near infrared spectroscopy and process analytical technology[J]. Modern Scientific Instruments, 2007(4):13-17. (in Chinese)

[8]
屈亚堃, 宫元娟. 近红外光谱技术在苹果品质无损检测中的应用[J]. 农业科技与装备, 2014(6):32-33.

QU Y K, GONG Y J. Application of near infrared spectroscopy in nondestructive testing of apple quality[J]. Agricultural Science & Technology and Equipment, 2014(6):32-33. (in Chinese)

[9]
介邓飞, 谢丽娟, 饶秀勤, 等. 近红外光谱变量筛选提高西瓜糖度预测模型精度[J]. 农业工程学报, 2013, 29(12):264-270.

JIE D F, XIE L J, RAO X Q, et al. Improving accuracy of prediction model for soluble solids content of watermelon by variable selection based on near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(12):264-270. (in Chinese)

[10]
褚小立, 袁洪福, 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展, 2004, 16(4):528-542.

CHU X L, YUAN H F, LU W Z. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Progress in Chemistry, 2004, 16(4):528-542. (in Chinese)

[11]
陈立旦, 赵艳茹. 可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量[J]. 农业工程学报, 2014, 30(8):168-173.

CHEN L D, ZHAO Y R. Measurement of water content in biodiesel using visible and near infrared spectroscopy combined with random-frog algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(8):168-173. (in Chinese)

[12]
YAN H, LU D L, CHEN B, et al. Development of a hand-held near infrared system based on an android OS and microNIR,and its application in measuring soluble solids content in Fuji apples[J]. NIR news, 2014, 25(4):16-19.

[13]
ZOU X B, ZHAO J W, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2):14-32.

DOI

[14]
LI H D, XU Q S, LIANG Y Z. Random frog:an efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Analytica Chimica Acta, 2012,740:20-26.

[15]
KASEMSUMRAN S, DU Y P, LI B Y, et al. Moving window cross validation:a new cross validation method for the selection of a rational number of components in a partial least squares calibration model[J]. The Analyst, 2006, 131(4):529-537.

DOI

[16]
KOSHOUBU J, IWATA T, MINAMI S. Elimination of the uninformative calibration sample subset in the modified UVE (uninformative variable elimination)-PLS (partial least squares) method[J]. Analytical Sciences, 2001, 17(2):319-322.

DOI

[17]
JIANG H, LIU G H, MEI C L, et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2012,97:277-283.

[18]
李江波, 郭志明, 黄文倩, 等. 应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中变量及样本筛选[J]. 光谱学与光谱分析, 2015, 35(2):372.

LI J B, GUO Z M, HUANG W Q, et al. Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J]. Spectroscopy and Spectral Analysis, 2015, 35(2):372. (in Chinese)

[19]
胡晓艳, 宋海燕. 基于支持向量机和近红外光谱特性的土壤质地分类[J]. 山西农业科学, 2017, 45(10):1643-1645,1654.

HU X Y, SONG H Y. Soil texture classification based on support vector machine and near infrared spectral characteristics[J]. Journal of Shanxi Agricultural Sciences, 2017, 45(10):1643-1645,1654. (in Chinese)

[20]
丁海泉, 温江北, 高洪智, 等. 最小二乘支持向量机用于人参皂苷近红外光谱分析研究[J]. 现代农业装备, 2021, 42(5):17-22.

DING H Q, WEN J B, GAO H Z, et al. The least square support vector machine is used in the near infrared spectroscopy experimental study of ginsenoside[J]. Modern Agricultural Equipment, 2021, 42(5):17-22. (in Chinese)

[21]
惠云婷, 王德成, 唐欣, 等. 基于近红外光谱分析的高丹草种子发芽率检测研究[J]. 光谱学与光谱分析, 2022, 42(2):423-427.

HUI Y T, WANG D C, TANG X, et al. Detection of sorghum-Sudan grass seed germination rate based on near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2022, 42(2):423-427. (in Chinese)

[22]
沈明华, 肖立, 王飞行. 支持向量机在模式识别中的应用[J]. 电讯技术, 2006, 46(4):9-12.

SHEN M H, XIAO L, WANG F X. Application of support vector machine (SVM) in pattern recognition[J]. Telecommunication Engineering, 2006, 46(4):9-12. (in Chinese)

[23]
高采葵. 基于一类分类的线性规划支持向量回归算法[D]. 硕士学位论文. 大连: 辽宁师范大学, 2015.

GAO C K. Linear programming support vector regression method based on one-class classification[D]. Master’s Thesis. Dalian: Liaoning Normal University, 2015. (in Chinese)

[24]
朱瑞芬, 徐远东, 孙万斌, 等. 基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究[J]. 草地学报, 2024, 32(2):527-534.

DOI

ZHU R F, XU Y D, SUN W B, et al. Research on nutritional components of Pennisetum Rich. forage by near infrared spectroscopy model based on artificial neural network[J]. Acta Agrestia Sinica, 2024, 32(2):527-534. (in Chinese)

[25]
VAN SOEST P J, ROBERTSON J B, LEWIS B A. Methods for dietary fiber,neutral detergent fiber,and nonstarch polysaccharides in relation to animal nutrition[J]. Journal of Dairy Science, 1991, 74(10):3583-3597.

DOI

[26]
宁必锋. 基于MATLAB软件的LIBSVM的应用实例研究[J]. 福建茶叶, 2019, 41(8):221.

NING B F. A case study of LIBSVM based on MATLAB software[J]. Tea in Fujian, 2019, 41(8):221. (in Chinese)

[27]
DE BLEYE C, CHAVEZ P F, MANTANUS J, et al. Critical review of near-infrared spectroscopic methods validations in pharmaceutical applications[J]. Journal of Pharmaceutical and Biomedical Analysis, 2012,69:125-132.

[28]
石丹, 张英俊. 近红外光谱法快速测定羊草干草品质的研究[J]. 光谱学与光谱分析, 2011, 31(10):2730-2733.

SHI D, ZHANG Y J. Determination of Leymus chinensis quality by near infrared reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2011, 31(10):2730-2733. (in Chinese)

[29]
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

[30]
白扎嘎尔. 近红外光谱分析技术(NIRS)在反刍动物饲料分析中的应用研究[D]. 硕士学位论文. 呼和浩特: 内蒙古农业大学, 2010.

BAIZHAGAER. Application research on near-infrared reflectance spectroscopy for the analysis of ruminant feed[D]. Master’s Thesis. Hohhot: Inner Mongolia Agricultural University, 2010. (in Chinese)

[31]
陈积山, 朱瑞芬, 张强, 等. 建立近红外特征波长模型快速测定羊草常规营养成分的研究[J]. 草地学报, 2019, 27(4):867-873.

DOI

CHEN J S, ZHU R F, ZHANG Q, et al. Research on the rapid determination of conventional nutritional components of Leymus chinensis by establishing near infrared characteristic wavelength model[J]. Acta Agrestia Sinica, 2019, 27(4):867-873. (in Chinese)

[32]
朱瑞芬, 徐远东, 刘畅, 等. 基于2种算法建立近红外光谱模型预测狼尾草属牧草品质的研究[J]. 动物营养学报, 2024, 36(6):3984-3994.

DOI

ZHU R F, XU Y D, LIU C, et al. Research on quality prediction of forages from Pennisetum by using near-infrared spectrum model based on two algorithms[J]. Chinese Journal of Animal Nutrition, 2024, 36(6):3984-3994. (in Chinese)

[33]
周志华. 机器学习[M]. 北京: 清华大学出版社,2016:1-16.

ZHOU Z H. Machine learning[M]. Beijing: Tsinghua University Press,2016:1-16. (in Chinese)

Options
文章导航

/

〈 〉

    联系我们

  • 地址：北京市海淀区圆明园西路2号
    　　　中国农业大学动科动医大楼153室
  • 邮编：100193
  • 电话：010－62817823
  • 网址：http://www.chinajan.com
  • E-mail：cjan@chinajan.com
京公网安备 11010802041926号    京ICP备17050989号-2