Chinese Journal of Animal Nutrition >

2023 , Vol. 35 >Issue 7: 4697 - 4705

DOI: https://doi.org/10.12418/CJAN2023.436

RESEARCH PAPER

Construction of Nutrient Component Prediction Model of Peanut Vines Based on Near Infrared Spectroscopy

  • FU Chen , 1 ,
  • BATIMA Nuerbaheti 2 ,
  • MA Huihui 1 ,
  • SUN Quanyou 1 ,
  • ZHOU Ying 1 ,
  • WANG Gaili 1 ,
  • LI Shaoyu 1 ,
  • XU Bin , 1, * ,
  • WANG Linyi , 1, *
Expand
  • 1 Institute of Animal Husbandry and Veterinary Science, Henan Academy of Agricultural Sciences, Zhengzhou 450002, China
  • 2 Animal Husbandry Station of Hami City, Hami 839000, China
* XU Bin, associate professor, E-mail: ;
WANG Linyi, research associate, E-mail:

Received date: 2022-12-14

  Online published: 2023-07-11

Fold

Abstract

The aim of this experiment was to establish a near infrared spectroscopy (NIRS) prediction model for the main nutritional components of peanut vines in southern Henan province. A total of 120 samples of 6 peanut varieties from Zhengyang county of Henan province were selected as materials, and 100 peanut vine samples were selected as the calibration set and 20 peanut vine samples as the verification set, then the prediction models between the contents of moisture, crude protein (CP), ether extract (EE), crude fiber (CF), crude ash (Ash), acid detergent fiber (ADF), acid lignin (ADL) and neutral detergent fiber (NDF) of peanut vines measured by wet chemical method and their scanning spectral values were established by using NIRS technology. The results showed that the coefficient of determination for validation (RSQ) and 1 minus the variance ration (1-VR) of the prediction models of contents of moisture, CP, EE, CF, Ash, ADF, ADL and NDF of peanut vines were all above 0.9, the standard error of cross validation (SECV) was 0.209 4, 0.161 6, 0.616 3, 1.108 6, 0.223 5, 1.413 5, 1.524 4 and 1.763 3, and the ratio of performance to deviation for validation of external validation (RPD) were 8.99, 6.25, 1.72, 3.45, 4.55, 3.85, 5.26 and 4.17, respectively. In conclusion, the NIRS prediction model established in this experiment can be used to predict the contents of moisture, CP, ADL, CF, Ash, ADF and NDF of peanut vines, which can be applied to the actual production; while the EE content cannot be predicted accurately, so further adjustment and optimization are needed.

Key words： near infrared spectroscopy technology; peanut vine; nutrition component; prediction model

Cite this article

FU Chen , BATIMA Nuerbaheti , MA Huihui , SUN Quanyou , ZHOU Ying , WANG Gaili , LI Shaoyu , XU Bin , WANG Linyi . 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 . DOI: 10.12418/CJAN2023.436

花生是我国的主要经济作物之一。根据农业种植结构布局,花生每年种植面积逐步扩大,2020年我国花生种植面积达到4.80×106 hm2,其产量达0.6亿t[1],由此产生的花生秧每年产量约为3 000万t[2]。被誉为全国花生种植第一大县的河南省正阳县,全县花生种植面积基本保持在11.50万hm2左右,总产量达54万t[3],是全国花生产量和面积最大、最集中的产区,每年全县花生秧的产量超过40万t[4]。花生秧富含粗蛋白质(crude protein,CP)和碳水化合物等营养物质,其CP含量约为15.2%,略低于花期紫花苜蓿(16.7%),略高于黑麦草(13.7%),为苏丹草的1.6倍[5],且质地松软、适口性好,价格低廉,现大量用于饲喂食草性动物,且花生秧与玉米秸秆、豆秸、羊草等以不同比例混合成粗饲料饲喂反刍动物[6-7],可以获得较高的收益。因此,花生秧的营养价值及其在畜禽生产中的应用被越来越多的学者研究关注,被认为是一种在畜禽生产中利用前景广阔的饲草资源。
花生秧常规营养组分的测定常采用传统化学分析方法,其方法应用广泛、检测结果准确,但试验流程繁杂耗时,仪器测定指标单一,日常消耗高且易造成污染[8]。近年来,近红外光谱(near infrared spectroscopy,NIRS)技术作为一种快速检测方法,与传统的饲料质量评价方法相比,该技术无繁琐的前处理和化学反应过程,且具有无损坏性、污染小、在线检测及同时分析多项指标等优点[9]。不过,由于NIRS分析是间接的分析方法,需要利用样品的传统化学分析值与NIRS来建立定标模型,因此前期样品数据的收集工作量大。此外,NIRS技术于2002年底正式成为标准的饲料检测方法[10],在食品、药品、农业及常规饲料等诸多领域发展迅速[11⇓⇓-14],但对非常规粗饲料花生秧的营养组分的预测研究鲜有报道。
因此,本研究利用NIRS技术对花生秧样品进行光谱扫描,经过光谱预处理后,利用数学求导和射散校正的处理选出最优预测模型,建立河南省南部地区花生秧营养价值的快速评定方法,从而实现对花生秧营养价值的快速、便捷评定,为实际生产中提供更实用、更有价值的检测方法,更好地推动河南省花生秧产业的发展。

1 材料与方法

1.1 样品的采集及处理

本试验共采集河南省正阳县种植的远杂系列、豫花系列和中花系列等主要花生品系的花生秧样品120份,样品分布区域见表1。采集包括春茬和麦茬花生秧,成熟季节到大田采集有代表性的整株花生秧,统一在自然风干状态下晾干。用手工铡刀对花生秧进行预处理,切碎至5 cm左右,标明采样信息后保存;在实验室利用粉碎机粉碎样品,其中粉碎过18目筛样品用于纤维类养分检测,过40目筛样品用于其余常规养分的检测;样品混合均匀,装入自封袋,常温密封保存备用。
表1 花生秧样品分布区域

Table 1 Distribution area of peanut vine samples

区域Area 茬次Stubble 品系Variety

新阮店乡Xinruandian township		 春播
麦播 豫花37,宛花3号

傅寨乡Fuzhai town		 春播 远杂9102
麦播 豫花65,豫花9327,宛花2号

寒冻镇Handong town		 春播 中花10号
麦播 濮花13,濮花58,开农1715

兰青乡Lanqing township		 春播 开农301
麦播 中花16号,开农71

汝南埠镇Runanbu town		 春播
麦播 豫花37,豫花65,宛花3号

慎水镇Shenshui town		 春播
麦播 濮花58,豫花9327,豫花37

王勿桥乡Wangwuqiao township		 春播
麦播 豫花37,豫花65,濮花16

永兴镇Yongxing town		 春播 中花10号
麦播 远杂9847,宛花2号,豫花9327

袁寨乡Yuanzhai township		 春播
麦播 濮花13,中花16号,豫花37

油坊店乡Youfangdian township		 春播 开农64
麦播 豫花65,豫花9327,宛花2号

样品采样乡镇为年产花生秧3万t以上乡镇。

The samples were from towns with an annual output of more than 30 000 t peanut vines.

1.2 常规营养组分分析方法

利用Labotery干燥箱恒重测定水分(moisture)含量;利用FOSS Kjeltec-2300全自动凯氏定氮仪测定CP含量;利用FOSS Fibertec-2010纤维分析仪测定粗纤维(crude fiber,CF)、中性洗涤纤维(neutral detergent fiber,NDF)、酸性洗涤纤维(acid detergent fiber,ADF)及酸性洗涤木质素(acid detergent lignin,ADL)含量;利用FOSS Soxtec-2055索氏脂肪浸提系统测定粗脂肪(ether extract,EE)含量;利用Labotery箱式高温电阻炉测定粗灰分(crude ash,Ash)含量。每份样品重复检测3次,以保证原始数据的准确性。

1.3 模型构建

1.3.1 光谱测定

利用FOSS DS-2500近红外光谱分析仪进行样品光谱扫描,使用大样品杯装样至刻度中位线以上,从下往上看均匀没有裂缝。利用FOSS ISIscan Nova软件设置谱区为4 000~14 285 cm-1,波长为400~2 500 nm。扫描频率:8次/min;分辨率:2 nm;波长准确度<0.05 nm。开机后仪器首先进行自检,约为30 min,仪器通过自检后即可使用。重复装样2次,重复扫描3次,取光谱平均值。

1.3.2 模型建立与验证

随机选取100份样品光谱作为定标集光谱,其余20份样品光谱为验证集光谱。用内部验证(交叉验证)建立校正集模型,外部验证(检验集验证)验证校正集模型的可靠性。本研究利用FOSS WinISI Ⅲ定标软件,采用“散射校正”和“数学处理”以描述由化学因素导致样品光谱间的差异。
为校正NIRS吸光值和化学值的关系,WINISI Ⅲ定标软件提供5种去散射处理技术:标准正常化处理(SNV)、去偏差处理(detrend)、标准正常化处理+去偏差处理(SNV+detrend)、多元散射矫正处理(MSC)和无散射处理(none);在NIRS应用中对光谱做导数数学处理来提高光谱的分辨率,一般使用一阶和二阶导数处理。
本研究的光谱数据预处理方法有5种去散射处理技术、数学导数处理的一阶导数(1st)“1,4,4,1”,“1,2,2,1”、数学导数处理的二阶导数(2st)“2,4,4,1”以及几种叠加的光谱预处理方法(如SNV+1st,MSC+2st),根据定标决定系数(RSQ)越大、交叉验证决定系数(1-VR)越大与交叉验证标准误差(SECV)越小的原则来优化预测模型,确定最优定标模型,并对模型进行交叉验证和外部验证。

2 结果与分析

2.1 花生秧常规营养组分

花生秧常规营养组分见表2。各组分含量分布范围较大,代表性较强,标准偏差较小,符合建立NIRS定标模型时对样品的要求。
表2 花生秧常规营养组分

Table 2 Conventional nutrient components of peanut vines

项目
Items		 样品集
Sample set		 样品数
Sample number		 含量范围
Content range/%		 平均值
Mean/%		 标准偏差
SD/%
样品总数 120 6.40~11.80 9.41 1.62
水分Moisture 定标集 100 6.40~11.80 9.44 1.67
验证集 20 7.20~11.00 9.69 1.51
样品总数 120 4.96~10.70 7.06 1.33
粗蛋白质CP 定标集 100 4.96~10.70 7.07 1.40
验证集 20 5.49~10.70 6.85 1.34
样品总数 120 0.82~10.60 3.34 2.69
粗脂肪EE 定标集 100 0.82~10.60 3.42 2.63
验证集 20 0.82~6.60 2.75 2.25
样品总数 120 15.40~39.80 29.17 5.07
粗纤维CF 定标集 100 15.40~39.80 29.05 5.13
验证集 20 15.80~38.30 28.90 6.65
样品总数 120 6.40~13.80 9.12 1.92
粗灰分Ash 定标集 100 6.40~13.80 8.91 1.76
验证集 20 6.60~13.80 9.78 2.36
样品总数 120 26.60~63.30 41.82 5.89
酸性洗涤纤维ADF 定标集 100 26.60~51.00 41.89 5.52
验证集 20 27.40~48.30 40.86 7.62
样品总数 120 6.40~34.70 18.22 7.90
酸性洗涤木质素ADL 定标集 100 6.40~34.70 18.51 8.00
验证集 20 7.60~29.60 17.04 6.95
样品总数 120 32.00~69.10 48.85 6.87
中性洗涤纤维NDF 定标集 100 33.80~69.10 49.24 6.57
验证集 20 32.00~60.70 47.87 9.36

2.2 光谱与处理分析

花生秧样品的光谱扫描结果如图1所示,样品在1 100~2 496 nm的波长内有显著的吸收峰和规律的变化趋势,吸收峰与花生秧中的化学键的类别相关,其相关性为建立预测模型提供了依据。
图1 花生秧样品原始光谱图

Fig.1 Original spectrogram of peanut vine samples

通常需要对光谱进行预处理,以此来消除由于样品差异对光程的多重干扰或减少光谱峰重叠和消除基线漂移[15],从而剔除异常样品,同时以改进偏最小二乘法(MPLS)对预处理光谱数据进行主成分回归分析。本试验中,对在1 100~2 496 nm波长内有显著吸收峰的初始光谱进行一阶求导后的光谱图如图2所示。
图2 花生秧样品一阶导数处理后的光谱图

Fig.2 Spectrogram of peanut vine samples after first derivative treatment

2.3 最优预处理的选择与定标模型交叉验证

花生秧各营养组分最佳定标模型见表3。其中,水分、Ash为无散射处理,1,4,4,1;CP、EE为去偏差处理,2,4,4,1;CF为加权多元散射矫正处理(MMSC),1,2,2,1;ADF、NDF为多元散射矫正处理,2,4,4,1;ADL为去偏差处理,1,2,2,1。花生秧各营养组分中水分、CP、EE、CF、Ash、ADF、ADL和NDF的SECV分别为0.209 4、0.161 6、0.616 3、1.108 6、0.223 5、1.413 5、1.524 4和1.763 3;1-VR分别为0.983 5、0.987 4、0.941 9、0.949 0、0.980 3、0.928 9、0.964 0和0.924 5,均在0.9以上;定标标准偏差(SEC)均偏小,其中CP的SEC最低为0.111 2。此外,花生秧8个营养组分预测模型的RSQ均高于0.95,具有较高的可靠性,可用于模型分析。
表3 花生秧各营养组分最佳定标模型

Table 3 Optimal calibration models for nutrient components of peanut vines

项目
Items		 维数
Dimension		 散射处理技术
Scattering
processing
technique		 数学处理方法
Mathematical
processing
method		 定标标
准偏差
SEC		 定标决
定系数
RSQ		 交互验证
标准误差
SECV		 交叉验证
决定系数
1-VR
水分Moisture 8 无散射处理 1,4,4,1 0.183 5 0.987 4 0.209 4 0.983 5
粗蛋白质CP 7 去偏差处理 2,4,4,1 0.111 2 0.993 9 0.161 6 0.987 4
粗脂肪EE 8 去偏差处理 2,4,4,1 0.402 6 0.975 0 0.616 3 0.941 9
粗纤维CF 8 加权多元散射矫正处理 1,2,2,1 0.887 2 0.967 5 1.108 6 0.949 0
粗灰分Ash 8 无散射处理 1,4,4,1 0.202 0 0.983 8 0.223 5 0.980 3
酸性洗涤纤维ADF 6 多元散射矫正处理 2,4,4,1 1.183 0 0.950 2 1.413 5 0.928 9
酸性洗涤木质素ADL 9 去偏差处理 1,2,2,1 1.310 5 0.973 5 1.524 4 0.964 0
中性洗涤纤维NDF 9 多元散射矫正处理 2,4,4,1 1.344 4 0.956 1 1.763 3 0.924 5

2.4 外部验证

确定好花生秧常规组分定标方程后,利用花生秧验证集样品对定标方程进行预测验证,以确定其可使用性,验证结果见表4。各项组分化学测定平均值与模型预测平均值回归分析相关性高,其中RSQ除EE为0.665低于0.900外,其余均在0.900以上;EE外部验证相对分析误差(RPD)为1.72小于2.50,其余营养组分RPD均大于2.50,且水分、CP、ADL的RPD在5.00以上,表明其定标方程的精准度高,可用于准确预测花生秧样品的相应指标,EE各项参数不理想,需进一步进行调整。
表4 花生秧最佳定标模型外部验证结果

Table 4 Results of external validation of optimal calibration models of peanut vines

项目
Items		 化学测定平均值
Chemical
measurement
mean/%		 模型预测平均值
Model prediction
mean/%		 斜率
Slope		 偏差
Bias/%		 预测标
准误差
SEP		 定标决
定系数
RSQ		 外部验证相
对分析误差
RPD
水分Moisture 9.571 9.538 0.992 0.033 0.175 0.987 8.99
粗蛋白质CP 6.793 6.734 1.006 0.060 0.315 0.975 6.25
粗脂肪EE 2.758 3.237 0.584 -0.480 2.092 0.665 1.72
粗纤维CF 29.328 29.547 1.011 -0.220 2.066 0.916 3.45
粗灰分Ash 8.887 8.901 0.994 -0.014 0.647 0.953 4.55
酸性洗涤纤维ADF 40.476 40.298 0.941 0.179 1.633 0.934 3.85
酸性洗涤木质素ADL 16.533 15.973 0.954 0.560 1.753 0.963 5.26
中性洗涤纤维NDF 46.711 46.010 0.977 0.700 2.056 0.942 4.17

3 讨论

NIRS技术通过建立物质光谱与待测成分含量间的模型,从而实现用样品NIRS对待测成分含量的快速检测。NIRS于1800年被发现,直到19世纪中期才逐渐在实际研究中应用[16]。NIRS技术在秸秆等非常规饲料方面的研究始于本世纪初期,吴军[17]于2004年利用NIRS技术首次建立了国内测定玉米秸秆的ADF、CF、ADL和Ash含量的定量分析模型。随后,白琪林[18]采用偏最小二乘法(PLS),在国内首次建立了利用NIRS技术测定不同品系玉米秸秆全株和青贮样品的体外干物质消化率(IVDMD)及ADF、NDF、WSC和EE含量模型,这2项研究结果为秸秆饲料快速检测奠定了基础。随着研究的不断深入,邰书静等[19]建立了玉米秸秆NDF、ADF、CP含量及IVDMD含量的稳定校正模型,校正模型RSQ均在0.95以上,1-VR与外部验证RSQ均大于0.90,SEC、SECV和预测标准误差(SEP)在0.935~1.904,模型的各项指标更加优化;近年来,利用NIRS技术在小麦秸秆、大豆秸秆和油菜秸秆的研究中[20⇓-22],均取得了较为理想的预测模型,但快速检测花生秧品质的研究,国内外鲜有报道。冯豆[23]利用NIRS技术对花生秧8种常规营养组分进行了快速评定,为花生秧的有效利用、快速测定提供了方法,但试验结果只能对花生秧中3个营养组分进行准确测定,对影响其消化吸收的CF、ADL等营养组分不能进行有效预测。
本研究收集了河南省南部地区花生主产区花生秧样品,利用NIRS技术建立了花生秧7个营养组分的有效定标模型,补充了花生秧在此研究上的不足。本研究中,花生秧水分、CP的定标方程优良,这与郭涛等[24]在苜蓿干草中的研究结果基本一致。ADL的定标方程也较好,这与郭涛等[20]利用NIRS技术预测玉米秸秆和小麦秸秆ADL营养组分结果不一致,原因可能与样品本身ADL含量有关,也可能与存放时间有关,本试验所有样品为当季采集的样品,采集时间上具有较强的一致性。ADF、NDF定标方程较好,高于姚喜喜等[25]建立的高寒草原天然牧草ADF、NDF含量预测模型的RPD,具有更精确的预测效果。EE定标方程的预测结果不理想,与冯豆[23]对花生秧的测定结果一致,但与纳嵘等[26]对苜蓿的预测结果以及常春等[27]对羊草干草的预测结果不尽相同。由于苜蓿、羊草干草和花生秧等高纤维饲料EE含量低,实验室检测中误差偏大,因此花生秧EE的NIRS模型的建立还需不断开展。
目前,在建立的花生秧定标模型的基础上,还需不断地扩大样品的覆盖区域、品种品系,选择更有代表的定标样品,扩展定标范围,建立一套完善的花生秧常规营养组分的NIRS定标模型,为提高花生秧综合利用能力提供更快捷、更有价值的检测方法。

4 结论

本试验利用NIRS技术建立了河南省花生主产区的花生秧8个营养组分的NIRS定标模型,经主成分分析处理进行异常值的剔除,根据RSQ越大、1-VR越大与SECV越小的原则,确定了较为理想的河南南部地区花生秧水分、CP、ADL、CF、Ash、ADF和NDF含量预测模型,交叉验证和外部验证表明,其中7个组分预测模型的预测效果较好,可应用于实际生产;EE含量预测模型的预测效果较差不能用于实际生产,需进一步进行调整优化。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
佚名. 国家发展改革委农业部国家林业局关于印发《全国大宗油料作物生产发展规划(2016—2020年)》通知[J]. 中华人民共和国农业部公报, 2016(10):52-63.

Anon. Notice of the National Development and Reform Commission,Ministry of Agriculture,and National Forestry Administration on issuing the national development plan for bulk oil crop production (2016—2020)[J]. Bulletin of the Ministry of Agriculture of the People’s Republic of China, 2016(10):52-63. (in Chinese)

[2]
王琳燚, 李绍钰, 马慧慧, 等. 河南省花生秧利用现状及提高其饲料资源利用率的措施[J]. Journal of Hannan Agricultural Sciences, 2019, 48(8):154-159.

WANG L Y, LI S Y, MA H H, et al. Current situation of utilization and measures to improve feed utilization ratio of peanut hay in Henan province[J]. Journal of Henan Agricultural Sciences, 2019, 48(8):154-159. (in Chinese)

[3]
方路. 正阳县花生产业发展研究[J]. 山西农经, 2021(10):90-91.

FANG L. Research on development of peanut industry in Zhengyang county[J]. Shanxi Agricultural Economy, 2021(10):90-91. (in Chinese)

[4]
周帅, 韩彬, 李帅, 等. 河南省花生生产现状与发展对策[J]. 天津农业科学, 2021, 27(8):56-59.

ZHOU S, HAN B, LI S, et al. Current situation and development countermeasure of peanut in Henan province[J]. Tianjin Agricultural Sciences, 2021, 27(8):56-59. (in Chinese)

[5]
秦利. 花生秧、壳在饲料行业中的应用现状[J]. 草业科学, 2011, 28(11):2057-2060.

QIN L. A review on utilization of peanut vine and peanut shell in animal feeds[J]. Pratacultural Science, 2011, 28(11):2057-2060. (in Chinese)

[6]
袁翠林, 于子洋, 王文丹, 等. 豆秸、花生秧和青贮玉米秸间的组合效应研究[J]. 动物营养学报, 2015, 27(2):647-654.

YUAN C L, YU Z Y, WANG W D, et al. Research of associative effects of soybean stalk,peanut vine and corn stalk silage[J]. Chinese Journal of Animal Nutrition, 2015, 27(2):647-654. (in Chinese)

[7]
米浩. “张杂谷”谷草与花生秧、玉米秸秆组合对羔羊育肥效果的影响研究[D]. 硕士学位论文. 邯郸: 河北工程大学, 2019.

MI H. Study on the fattening effect of the combination of “Zhang Zagu” millet straw with peanut straw or corn straw on lamb[D]. Master’s Thesis. Handan: Hebei University of Engineering, 2019. (in Chinese)

[8]
胡世洋, 徐友海, 宁艳春, 等. 利用近红外光谱技术快速评价玉米秸秆原料[J]. 化工科技, 2017, 25(4):34-39.

HU S Y, XU Y H, NING Y C, et al. Rapid evaluation of corn stalk raw material by near infrared spectroscopy[J]. Science & Technology in Chemical Industry, 2017, 25(4):34-39. (in Chinese)

[9]
HOLSE M, LARSEN F H, HANSEN Å, et al. Characterization of marama bean (Tylosema esculentum) by comparative spectroscopy:NMR,FT-Raman,FT-IR and NIR[J]. Food Research International, 2011, 44(1):373-384.

DOI

[10]
李辉, 秦玉昌, 吕小文, 等. 近红外光谱分析技术在饲料质量安全评价中的应用研究进展[J]. 农业工程学报, 2006, 22(11):264-268.

LI H, QIN Y C, LYU X W, et al. Research advances of the application of near infrared reflectance spectroscopy technology in the evaluation of feed quality and safety[J]. Transactions of the Chinese Society of Agricultural Engineering, 2006, 22(11):264-268. (in Chinese)

[11]
康景, 姚海博, 梁婷, 等. 基于不同近红外建模软件定量分析新鲜羊肉营养成分[J]. 食品与发酵工业, 2022, 48(22):248-254.

KANG J, YAO H B, LIANG T, et al. Based on different near-infrared modeling software quantitatively analysis the nutrition composition of fresh mutton[J]. Food and Fermentation Industries, 2022, 48(22):248-254. (in Chinese)

[12]
YANG Y, MAO R, YANG L C, et al. Rapid and comprehensive quality assessment of Bupleuri Radix through near-infrared spectroscopy combined with chemometrics[J]. Infrared Physics & Technology, 2022, 121:104051.

[13]
MUNAWAR A A, DEVIANTI, SATRIYO P, et al. Near infrared spectroscopy:rapid and simultaneous approach to predict the fixed carbon,volatile matter and ash contents in biochar produced from agricultural residues[J]. Acta Technologica Agriculturae, 2022, 25(1):1-6.

DOI

[14]
高慧宇, 王国栋, 门建华, 等. 利用近红外反射光谱测定豆种蛋白质、水分和灰分含量[J]. 卫生研究, 2017, 46(3):461-466,471.

GAO H Y, WANG G D, MEN J H, et al. Near-infrared reflectance spectroscopy predicts protein,moisture and ash in beans[J]. Journal of Hygiene Research, 2017, 46(3):461-466,471. (in Chinese)

[15]
张朱珊莹, 顾瀚文, 谢凯文, 等. 基于近红外光谱的预处理及组合方法[J]. 激光与光电子学进展, 2021, 58(16):1617001.

ZHANG Z S Y, GU H W, XIE K, et al. Pretreatment and combined method based on near infrared spectroscopy[J]. Laser & Optoelectronics Progress, 2021, 58(16):1617001.

[16]
许琼, 马国欣. 近红外光谱技术在化学分析方面的应用进展[J]. 中国高新技术企业, 2007(3):123-124.

XU Q, MA G X. Application of near infrared spectroscopy in chemical analysis[J]. China High-Tech Enterprises, 2007(3):123-124. (in Chinese)

[17]
吴军. 高油玉米秸秆青贮品质分析和营养价值评价[D]. 硕士学位论文. 北京: 中国农业大学, 2004.

WU J. Analysis on stalk components silage nutritional value of high oil corn[D]. Master’s Thesis. Beijing: China Agricultural University, 2004. (in Chinese)

[18]
白琪林. 青贮玉米秸秆品质性状遗传及其近红外测定方法的研究[D]. 博士学位论文. 北京: 中国农业大学, 2005.

BAI Q L. Inheritance of stover quality traits and their determination by near-infrared reflectance spectroscopy (NIRS) in silage maize (Zea may L.)[D]. Ph.D. Thesis. Beijing: China Agricultural University, 2005. (in Chinese)

[19]
邰书静, 张仁和, 史俊通, 等. 近红外光谱法测定玉米秸秆饲用品质[J]. 农业工程学报, 2009, 25(12):151-155.

TAI S J, ZHANG R, SHI J T, et al. Prediction of forage quality of maize stover by near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(12):151-155.

[20]
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)

[21]
李佳佳, 洪慧龙, 万明月, 等. 基于近红外光谱的大豆茎秆化学组分含量检测模型构建与应用[J]. 中国农业科学, 2021, 54(5):887-900.

DOI

LI J J, HONG H L, WAN M Y, et al. Construction and application of detection model for the chemical composition content of soybean stem based on near infrared spectroscopy[J]. Scientia Agricultura Sinica, 2021, 54(5):887-900. (in Chinese)

DOI

[22]
闫佰鹏, 王芳彬, 李成海, 等. 利用近红外光谱技术快速评定油菜秸秆的营养价值[J]. 草业科学, 2019, 36(2):522-530.

YAN B P, WANG F B, LI C H, et al. Rapid evaluation of nutritional value of rape straw by near infrared spectroscopy[J]. Pratacultural Science, 2019, 36(2):522-530. (in Chinese)

[23]
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)

[24]
郭涛, 黄右琴, 代露茗, 等. 苜蓿干草不同处理方式对近红外预测模型预测准确性的影响[J]. 动物营养学报, 2021, 33(5):2939-2948.

DOI

GUO T, HUANG Y Q, DAI L M, et al. Effects of different processing methods of alfalfa hay on accuracy of near-infrared prediction models[J]. Chinese Journal of Animal Nutrition, 2021, 33(5):2939-2948. (in Chinese)

[25]
姚喜喜, 孙海群, 李长慧, 等. 高寒草原天然牧草营养品质近红外光谱预测模型的建立[J]. 动物营养学报, 2021, 33(7):4088-4097.

DOI

YAO X X, SUN H Q, LI C H, et al. Prediction model establishment of near infrared reflectance spectroscopy for nutrient quality of natural forage in alpine grassland[J]. Chinese Journal of Animal Nutrition, 2021, 33(7):4088-4097. (in Chinese)

[26]
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.

NA R, REN J D, HU B, et al. Establishment of near infrared quantitative analysis model for nutritional components in alfalfa based on different pre-treatment methods[J]. Journal of Domestic Animal Ecology, 2021, 42(12):37-43. (in Chinese)

[27]
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)

Options
Outlines

/

〈 〉

京ICP备17050989号-2
Copyright © Chinese Journal of Animal Nutrition, All Rights Reserved.
Tel: 010－62817823　E-mail: cjan@vip.163.com
Powered by Beijing Magtech Co., Ltd.