Chinese Journal of Animal Nutrition >

2024 , Vol. 36 >Issue 6: 3984 - 3994

DOI: https://doi.org/10.12418/CJAN2024.341

RESEARCH PAPER

Research on Quality Prediction of Forages from Pennisetum by Using Near-Infrared Spectrum Model Based on Two Algorithms

  • ZHU Ruifen , 1, 2 ,
  • XU Yuandong 1, 2 ,
  • LIU Chang 1, 2 ,
  • SUN Wanbin 1, 2 ,
  • YAO Bo 1, 2 ,
  • YOU Binjie 1 ,
  • CHEN Jishan , 1, 2, *
Expand
  • 1 Institute of Pratacultural Science, 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: 2023-12-25

  Online published: 2024-06-07

Fold

Abstract

To predict the quality of forages from Pennisetum in Chongqing by near-infrared spectrum (NIRS) technique, a total of 165 samples of 10 cultivars of Pennisetum cultivated in Chongqing as research materials, while 70% samples were selected as calibration set and 30% samples as verification set, to establish the NIRS prediction models of moisture (M), crude protein (CP), crude fibre (CF), acid detergent lignin (ADL), acid detergent fibre (ADF), neutral detergent fibre (NDF) and crude ash (Ash) contents of forages from Pennisetum based support vector machine (SVM) algorithm and partial least square (PLS) algorithm, respectively. The results showed that the SVM algorithm improved the prediction accuracy of prediction models. Among the seven nutritional quality indexes, SVM model obtained five indexes with good prediction effect [relative prediction error (RPD)≥3.0], two indexes with acceptable prediction effect (2.5<RPD<3.0), and there were no indexes with unacceptable prediction effect (RPD≤2.5), while PLS model obtained only two indexes with good prediction effect (RPD≥3.0), there is only one index with acceptable prediction effect (2.5<RPD<3.0), and there were four indexes with unacceptable prediction effect (RPD≤2.5), indicating that the prediction effect of the model is unacceptable and could not be applied to NIRS quantitative analysis. Overall, the quality prediction model of forages from Pennisetum established by SVM algorithm was better than the prediction model established by PLS algorithm, and the prediction determination coefficients of some indexes were greater than 0.80. To sum up, SVM algorithm has good fitting ability for the nonlinear data of NIRS, which can be applied to forage grass quality classification of Pennisetum.

Key words： near infrared spectrum; forages from Pennisetum; conventional nutrients; support vector machine; partial least square

Cite this article

ZHU Ruifen , XU Yuandong , LIU Chang , SUN Wanbin , YAO Bo , YOU Binjie , CHEN Jishan . 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 . DOI: 10.12418/CJAN2024.341

狼尾草属(Pennisetum)牧草是禾本科多年生C4植物,适应于热带、亚热带地区,是我国目前南方地区栽培面积最大且生物产量也较大的优良牧草[1]。狼尾草属牧草包括杂交狼尾草、紫色象草、华南象草、美洲狼尾草等品种。狼尾草属牧草属于高大禾草,通常具有发达的根系、丰富的叶量以及病虫害少等特点,其建植和管理成本低,在西南地区每年刈割3~5次,年均亩产鲜草10~15 t,田间一次建植管理可利用6~8年。近年来,在草食畜牧业健康养殖中,狼尾草属牧草的营养价值及其在畜禽生产中的应用被越来越多的从业人们关注,因此,狼尾草属牧草的品质定量预测和分级评价备受关注。
目前,对包括牧草在内的大部分植物常规营养成分含量的测定通常采用化学分析方法,虽然该传统方法检测结果准确、应用广泛,但其测试成本高、耗时耗能且易造成污染。近红外光谱(near-infrared spectrum,NIRS)分析技术是一种间接快速测定物质化学成分含量的新技术,它具有效率高、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。特别是近年来,便携式微型NIRS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[2]。
基于不同算法分析建立的预测模型已成为未来智慧农业的发展方向[3⇓⇓-6]。不同学习算法可以降低模型维数,简化模型,并且可以利用不相关或非线性变量因素,获得鲁棒性好和检测能力强的预测模型[7⇓⇓⇓⇓-12]。偏最小二乘(partial least square,PLS)算法被认为具有较强的全波长建模能力[13-14]。支持向量机(support vector machine,SVM)算法是在统计学习理论的基础上发展起来的一种新型数据处理方法,被广泛应用于数据分析、模式识别、分类和回归分析中,有较好的泛化能力和全局最优化的优点[15⇓-17]。研究显示,通过SVM简化模型处理非线性变量,能够获得鲁棒性好和测定能力强的模型[18⇓⇓-21]。与PLS算法相比,SVM算法基于结构风险最小化原则,能保证学习机器具有良好的泛化能力;同时,其主要算法可最终转化为优化问题,故而保证算法的全局最优性,避免了局部最小问题和经验成分问题[22-23]。
因此,本研究结合2种算法(PLS和SVM),利用NIRS技术对狼尾草属牧草样品进行光谱建模,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,探讨2种算法建立NIRS模型并预测狼尾草属牧草常规营养成分含量的鲁棒性,旨在明确NIRS技术快速测定狼尾草属牧草品质的预测模型,为科学准确评价狼尾草属牧草品质参数提供技术支撑。

1 材料与方法

1.1 试验材料

试验于2021—2022年在重庆市荣昌双河试验基地选择不同狼尾草属牧草品种共10个,分别为热研4号王草、桂牧1号杂交象草、邦得1号杂交狼尾草、华南象草、桂闽引象草、紫色象草、邦得2号美洲狼尾草、摩特矮象草、闽牧6号杂交狼尾草和杂交狼尾草1号新品系。为构建样本的空间和时间差异性,在生长季5—11月份期间,每个品种按植株高度分别在1.0、1.5、2.0、2.5、3.0、3.5、4.0 m时进行刈割,采集健康植株的地上部分(留茬15 cm的整株)作为供试样品。同一高度的植株重复采集3次,由于各试验材料在田间生长表现不同,累计采集并获得165份样品。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)制成供试样品。供试样品先用粉碎机粗粉,再用Foss公司的旋风磨(CyclotecTM-1093)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。

1.2 试验仪器

瑞典波通公司(Perten)生产的多功能近红外分析仪(DA-7200),该近红外分析仪采用卤钨灯和汞灯光源,可双光束同时检测,具有最稳定的光学系统;其具有独特的固定全息光栅份光和铟葭砷二极管阵列检测技术(电制冷恒温),可全光谱同时扫描,无波长漂移;数据光谱收集速率为100次/s,波长范围为900~1 700 nm,工作电源为220 V、50/60 Hz、700 W4,重量为21 kg,尺寸为556 mm×375 mm×370 mm(包括触摸屏)。丹麦福斯(FOSS)公司生产的索氏粗纤维测定仪(FibertecTM 1020)和全自动凯氏定氮仪(KjeltecTM 2300)。美国丹佛公司生产的全自动快速水分仪水分测定仪(IR35)。德国赛默飞(Thermo)公司生产的大容量通用型烘箱。青岛聚创环保集团有限公司生产的JC-DZ系列非标高温马弗炉。

1.3 光谱采集

将待测样品约100 g放入试样杯中,放置在近红外分析仪上进行测定;每个样品扫描3次,取3次测定的平均值。狼尾草属牧草样品的NIRS如图1所示。将所得光谱数据录入计算机,并对狼尾草属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。
图1 狼尾草属牧草样品的原始NIRS

Fig.1 Original NIRS of forage samples from Pennisetum

1.4 化学测定

对165份狼尾草属牧草样品进行品质指标测定,其品质指标包括水分(M)、粗蛋白质(CP)、粗纤维(CF)、酸性洗涤木质素(ADL)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)和粗灰分(Ash)含量,每个样品重复测定3次。所有测试数据均由兰州测试中心测定提供。M含量按照GB/T 6435—2014[24]标准方法测定,CP含量按照GB/T 6432—2018[25]标准方法测定,CF含量按照GB/T 6434—2022[26]标准方法测定,ADL、NDF和ADF含量采用Van Soest方法[27]测定,Ash含量按照GB/T 6438—2007[28]标准方法测定。计算每个样品测定项目3个重复测量值的平均值,并折算成绝对干重,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,建立狼尾草属牧草品质预测模型。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系列系统的执行文件和源代码,同时还可以在其他操作系统上应用[29]。本文利用MATLAB语言编写了基于LIBSVM的狼尾草属牧草光谱信息运行程序,实现选取校正样本并对模型参数进行交叉验证优化。

1.5.2 模型建立

鉴于光谱预处理方法及其组合能消除光谱背景干扰,可通过一阶导数(1st derivative)、二阶导数(2nd derivative)、平滑(smoothing)、标准化(autoscale)、标准正态变换(standard normal variant,SNV)、去趋势(detrend)、标准正态变换+去偏差(SNV+detrend)、多元散射校正(multiple scattering correction,MSC)和无散射(none)等预处理,使光谱图的特征清晰显露出来。采用光谱-理化值共生距离(sample set partitioning based on joint X-Y distance,SPXY)算法划分样本校正集和验证集。根据校正集及预测集的校正均方根误差(root mean square error of correction,RMSEC)、校正决定系数( R C 2)、预测均方根误差(root mean square error of prediction,RMSEP)、预测决定系数( R P 2)、交叉验证均方差误差(root mean square errors of cross validation,RMSECV)、交互验证相关系数( R C V 2)、相对预测误差(relative prediction error,RPD)对模型优劣进行综合判断。具体建模技术路线如图2所示。RPD是标准差与均方根误差的比值,证明模型的预测能力。若RPD≥3.0,表明模型的预测效果良好;若2.5<RPD<3.0,表明模型的预测效果可以接受,但需要进一步提高优化;若RPD≤2.5,表明模型的预测效果不可接受,不能应用于近红外定量分析[30]。
图2 建模技术路线

SVM:支持向量机 support vector machine;PLS:偏最小二乘 partial least square。

Fig.2 Technical route of modeling

2 结果与分析

2.1 常规营养成分描述

由表1可知,狼尾草属牧草的M、CP、CF、ADL、ADF、NDF和Ash含量分布范围较大,代表性较强,标准偏差较小,所有数据均满足NIRS定标要求。
表1 狼尾草属牧草常规营养成分含量数据统计结果

Table 1 Statistical results of conventional nutrient content data of forages from Pennisetum

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
Np		 预测集
最小值
MINp		 预测集
最大值
MAXp		 预测集
平均值
MEANp		 预测集
标准差
SDp

水分 M		 PLS 69 4.18 6.75 5.44 0.68 21 4.16 6.62 5.37 0.73
SVM 67 4.18 6.75 5.43 0.68 20 4.16 6.62 5.35 0.75

粗蛋白质 CP		 PLS 71 8.51 20.98 12.69 2.68 23 8.64 17.89 12.45 2.50
SVM 71 8.51 20.98 12.69 2.68 20 8.64 17.89 12.50 2.55

粗纤维 CF		 PLS 60 30.23 47.86 40.03 4.08 15 34.39 47.77 40.56 3.92
SVM 63 30.23 47.86 39.93 4.28 17 31.85 47.77 40.39 4.24

酸性洗涤木质素 ADL		 PLS 67 4.01 28.50 11.76 5.22 21 4.80 26.23 11.24 5.03
SVM 68 4.01 28.50 12.45 5.78 24 4.80 33.82 12.95 7.01

酸性洗涤纤维 ADF		 PLS 65 32.84 49.73 40.71 4.26 20 33.61 45.86 40.02 3.59
SVM 67 32.84 49.73 40.89 4.34 21 33.61 48.76 40.43 3.98

中性洗涤纤维 NDF		 PLS 67 54.14 80.79 65.29 6.23 23 56.64 83.12 66.35 6.93
SVM 67 54.14 80.79 65.29 6.23 22 56.64 83.12 66.33 7.09

粗灰分 Ash		 PLS 70 4.66 14.59 9.44 2.32 24 4.20 13.92 9.34 2.43
SVM 70 4.04 14.59 9.36 2.40 23 4.20 13.92 9.36 2.49

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

2.2 光谱数据预处理优化

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],为此对本研究中的光谱数据进行预处理,图3为狼尾草属牧草样品一阶导数处理后的NIRS。图3中,狼尾草属牧草样品在1 300~1 700 nm的波长内有显著的吸收峰和规律的变化趋势,吸收峰与狼尾草属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3 狼尾草属牧草样品一阶导数处理后的NIRS

Fig.3 NIRS of forage samples from Pennisetum after first derivative treatment

由表2可知,相同营养品质指标的最佳模型建立需要不同的光谱预处理的优化,其中一阶导数、SNV、标准化在不同模型建立中几乎均被采用。
表2 狼尾草属牧草营养品质指标光谱数据预处理方法

Table 2 Spectroscopic data pre-processing methods for nutritional quality indexes of forages from Pennisetum

项目 Items 模型 Model 预处理方法 Pre-processing method

水分 M		 PLS 一阶导数+标准化
SVM 标准正态变换(SNV)+一阶导数+标准化

粗蛋白质 CP		 PLS 一阶导数+去趋势+SNV+标准化
SVM 一阶导数+去趋势+SNV+标准化

粗纤维 CF		 PLS 二阶导数+SNV+去趋势+标准化
SVM 一阶导数+标准化

酸性洗涤木质素 ADL		 PLS SNV+去趋势+平滑+标准化
SVM 一阶导数+标准化

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

中性洗涤纤维 NDF		 PLS 去趋势+SNV+标准化
SVM 一阶导数+标准化

粗灰分 Ash		 PLS 一阶导数+标准化
SVM SNV+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

对狼尾草属牧草中M、CP、CF、ADL、ADF、NDF、Ash含量的预测效果见表3。
表3 预测模型对狼尾草属牧草常规营养成分含量的预测效果

Table 3 Predictive effect of prediction model on conventional nutrient contents of forages from Pennisetum

项目
Items		 模型
Model		 校正均方
根误差
RMSEC		 交互验
证均方
根误差
RMSECV		 预测均
方根误差
RMSEP		 校正
决定系数
R C 2		 交互验证
相关系数
R C V 2		 预测
决定系数
R P 2

水分 M		 PLS 0.22 0.30 0.24 0.89 0.81 0.90
SVM 0.05 0.22 0.20 0.99 0.89 0.96

粗蛋白质 CP		 PLS 0.91 1.27 1.25 0.88 0.78 0.75
SVM 0.49 1.11 1.01 0.97 0.83 0.86

粗纤维 CF		 PLS 2.00 3.21 2.18 0.76 0.41 0.69
SVM 1.01 3.08 2.61 0.94 0.50 0.70

酸性洗涤木质素 ADL		 PLS 3.35 3.79 2.84 0.58 0.47 0.69
SVM 3.35 3.97 3.78 0.68 0.53 0.73

酸性洗涤纤维ADF		 PLS 1.08 1.54 1.36 0.93 0.87 0.86
SVM 0.71 1.37 1.29 0.97 0.90 0.89

中性洗涤纤维NDF		 PLS 2.92 3.44 3.89 0.78 0.69 0.67
SVM 1.04 3.00 3.42 0.97 0.77 0.76

粗灰分 Ash		 PLS 0.90 1.21 1.10 0.85 0.73 0.82
SVM 0.44 0.94 0.83 0.97 0.84 0.89
对于狼尾草属牧草M含量的预测中,采用SNV+一阶导数+标准化预处理NIRS后进行SVM算法建模,获得模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP降低了,同时 R C 2、 R C V 2、 R P 2得到提高;预测狼尾草属牧草M含量的SVM模型的 R C 2、 R C V 2、 R P 2分别达到了0.99、0.89、0.96。
在狼尾草属牧草CP含量的预测中,采用一阶导数+去趋势+SNV+标准化预处理NIRS后进行SVM算法建模,获得模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP降低了,同时 R C 2、 R C V 2、 R P 2提高了;预测狼尾草属牧草CP含量的SVM模型的 R C 2、 R C V 2、 R P 2分别为0.97、0.83、0.86。
在狼尾草属牧草CF含量的预测中,采用一阶导数+标准化预处理NIRS后进行SVM算法建模,获得模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP未能降低,同时 R C 2、 R C V 2、 R P 2提高的不明显;预测狼尾草属牧草CP含量的SVM模型的 R C 2、 R C V 2、 R P 2分别为0.94、0.50、0.70,与PLS模型的预测效果接近。
在狼尾草属牧草ADL含量的预测中,采用一阶导数+标准化预处理NIRS后进行SVM算法建模,获得模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC无变化,RMSECV、RMSEP、 R C 2、 R C V 2、 R P 2均不同程度提高;预测狼尾草属牧草ADL含量的SVM模型的 R C 2、 R C V 2、 R P 2分别为0.68、0.53、0.73。这表明,SVM模型预测狼尾草属牧草ADL含量的效果没有PLS模型好。
在狼尾草属牧草ADF含量的预测中,采用SNV+去趋势+一阶导数+标准化预处理NIRS后进行SVM算法建模,预测模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP降低了,同时 R C 2、 R C V 2、 R P 2提高了;预测狼尾草属牧草ADF含量的SVM模型的 R C 2、 R C V 2、 R P 2分别达到了0.97、0.90、0.89。
在狼尾草属牧草NDF含量的预测中,采用一阶导数+标准化预处理NIRS后进行SVM算法建模,预测模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP降低了,同时 R C 2、 R C V 2、 R P 2提高了;预测狼尾草属牧草NDF含量的SVM模型的 R C a l 2、 R C V 2、 R P 2分别为0.97、0.77、0.76。
在狼尾草属牧草Ash含量的预测中,采用SNV+一阶导数+标准化预处理NIRS后进行SVM算法建模,预测模型的预测效果见表3。与PLS模型相比,SVM模型的RMSEC、RMSECV、RMSEP降低了,同时 R C 2、 R C V 2、 R P 2提高了;预测狼尾草属牧草Ash含量SVM模型的 R C 2、 R C V 2、 R P 2分别达到了0.97、0.84、0.89。

2.3.2 预测模型的RPD

狼尾草属牧草的M、CP、CF、ADL、ADF、NDF、Ash含量的RPD见表4。从表4可知,PLS模型只有在进行M和Ash含量预测时RPD≥3,在进行ADF含量预测时2.5<RPD<3,在进行其余指标预测时RPD≤2.5。而SVM模型在进行M、CP、ADF、NDF、Ash含量预测时RPD≥3,在进行CF、ADL含量预测时2.5<RPD<3.0。简言之,在7项营养品质指标中,SVM模型获得预测效果良好(RPD≥3.0)的有5个指标,预测效果可以接受(2.5<RPD<3)的有2个指标,没有预测效果不可接受(RPD≤2.5)的指标,而PLS模型获得预测效果良好(RPD≥3.0)的仅有2个指标,预测效果可以接受(2.5<RPD<3.0)的只有1个指标,预测效果不可接受(RPD≤2.5)的有4个指标。
表4 预测模型对狼尾草属牧草常规营养成分含量的相对预测误差

Table 4 RPD of prediction model on conventional nutrient contents of forages from Pennisetum

项目 Items 模型 Model 相对预测误差 RPD

水分 M		 PLS 3.029
SVM 3.031

粗蛋白质 CP		 PLS 2.006
SVM 3.528

粗纤维 CF		 PLS 3.202
SVM 3.000

酸性洗涤木质素 ADL		 PLS 1.768
SVM 2.552

酸性洗涤纤维 ADF		 PLS 2.633
SVM 3.099

中性洗涤纤维 NDF		 PLS 1.800
SVM 3.074

粗灰分 Ash		 PLS 1.800
SVM 2.527

3 讨论

NIRS技术作为一种典型的间接检测分析技术,也称为数据的二次分析技术,其是通过建立物质光谱与待测成分含量间的模型,从而实现NIRS对样品待测成分含量的快速检测。NIRS技术对待测样品的精准分析需要建立在一个十分成熟的科学的数学模型基础上,这需要大量有代表性的原始样本及其光谱数据。因此,NIRS技术的应用是一个不断重视和注重原始样品库及其原始光谱扩容、校正、维护提升的模型再建过程[31]。本研究旨在尝试新的建模方法的可行性,结果表明,基于SVM算法的预测模型对狼尾草属牧草中M、CP、CF、ADL、ADF、NDF含量的预测能够达到预测的效果,但对Ash含量的预测仍然欠佳,推测是因为其含有较多无机成分而对光谱吸收不强,同时样品数量的不足也是导致预测精度较低的原因之一,今后该方法的普及应用仍需进一步扩容样品量。
目前我国研究牧草品质的近红外预测几乎统统应用了PLS算法,例如,石丹等[32]采用PLS算法建立了羊草品质的近红外预测模型;刘哲等[33]采用PLS算法建立了天然牧草品质的近红外预测模型;白扎嘎尔[34]基于PLS算法建立了反刍动物饲料品质的近红外预测模型;陈积山等[35]在羊草品质的预测中拓展了PLS算法,并利用特征波长建立了羊草品质的近红外预测模型。NIRS数据存在冗余和多重共线性等问题,不同算法在提取有效信息的过程中存在叠加放大无效信息的现象,因此对光谱进行预处理至关重要。本研究采用8种不同光谱预处理组合对狼尾草属牧草的NIRS进行预处理,其对预测效果的改善作用在不同算法中表现不同,其中一阶导数+标准化预处理组合在PLS算法中对提高模型的预测效果较好,而SNV+一阶导数+标准化预处理组合在SVM算法中对提高模型的预测效果更好。SVM是一种经典的非线性监督学习建模过程,对于数据集小、输入变量维度较高的非线性关系分析具有突出优势,本研究的数据集属于小样本集(165行)和高变量维度(800列),更符合SVM算法的要求,因此SVM模型对狼尾草属牧草的7项营养品质指标的预测效果整体优于PLS模型,推测原因是光谱数据信息存在非线性信息,而PLS算法是线性建模的经典方法,对非线性数据信息处理欠佳。尽管2种算法建模的预测效果不同,但针对狼尾草属牧草品质的近红外模型预测研究至今未见报道。本试验结果显示,2种算法对狼尾草属牧草的6项营养成分(M、CP、CF、ADL、ADF、NDF)含量均能达到预测的效果。因此,本研究涉及的狼尾草属牧草的近红外光谱研究丰富和补充了这一领域的现有工作基础。
NIRS与化学计量学是一对孪生技术,二者在相互促进中不断发展。近些年,以人工神经网络(artificial neural network,ANN)为代表的机器学习(machine learning,ML)算法,开始用于NIRS的定量和定性模型的建立。与传统线性算法相比,非线性的机器学习算法在光谱分析中的应用研究刚刚开始,深度学习(deep learning,DL)是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法,也是机器学习的分支之一[36]。本研究利用2种经典的算法结合NIRS分析技术对狼尾草属牧草常规营养成分进行预测,其中SVM算法建立的狼尾草属牧草常规营养成分(M、CP、CF、ADL、ADF、NDF)含量的预测模型的预测效果总体优于PLS算法建立的预测模型,但二者对Ash含量的预测效果均较差,狼尾草属牧草中Ash含量仍需沿用实验室测定方法。高质量的建模对于提高牧草品质的预测精度具有重要意义,因此对SVM算法建立的预测模型仍需要进一步研究,提高其预测效果。

4 结论

本研究通过2种算法建立了狼尾草属牧草常规营养成分含量的预测模型,结果表明SVM模型总体优于PLS模型。SVM模型降低了RMSECV和RMSEP,同时提高了 R C 2、 R P 2,且SVM模型预测狼尾草属牧草M、CP、ADF、Ash含量的 R C 2均在0.80以上。与PLS算法相比,SVM算法对于NIRS这种非线性数据具有良好的拟合能力,对于指导牧草进行品质分级管理和科学生产具有积极意义。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[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]. Bulletin of Botany, 2022, 57(6):814-825. (in Chinese)

[2]
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)

[3]
陆婉珍, 袁洪福, 徐广通, 等. 现代近红外光谱分析技术[M]. 2版. 北京: 中国石化出版社,2000:102-108.

LU W Z, YUAN H F, XU G T, et al. Modern near infrared spectroscopy analytical technology[M]. 2nd ed. Beijing: China Petrochemical Press,2000:102-108. (in Chinese)

[4]
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)

[5]
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)

[6]
梁逸曾, 俞汝勤. 化学计量学[M]. 北京: 高等教育出版社,2003:35-37.

LIANG Y Z, YU R Q. Chemometrics[M]. Beijing: Higher Education Press,2003:35-37. (in Chinese)

[7]
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)

[8]
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)

[9]
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)

[10]
吴迪, 吴洪喜, 蔡景波, 等. 基于无信息变量消除法和连续投影算法的可见-近红外光谱技术白虾种分类方法研究[J]. 红外与毫米波学报, 2009, 28(6):423-427.

WU D, WU H X, CAI J B, et al. Classifying the species of exopalaemon by using visible and near infrared spectra with uninformative variable elimination and successive projections algorithm[J]. Journal of Infrared and Millimeter Waves, 2009, 28(6):423-427. (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(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(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]
XIAOBO Z, JIEWEN Z, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2):14-32.

[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]
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)

[16]
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 Equipments, 2021, 42(5):17-22. (in Chinese)

[17]
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)

[18]
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.

[19]
KOSHOUBU J, IWATA T, MINAMI S G. 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.

[20]
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.

[21]
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):372-378.

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):372-378. (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 H. 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]
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 饲料中水分的测定:GB/T 6435—2014[S]. 北京: 中国标准出版社, 2014.

General Administration of Quality Supervision, Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China. Determination of moisture in feedstuffs:GB/T 6435—2014[S]. Beijing: Standards Press Of China, 2014. (in Chinese)

[25]
国家市场监督管理总局, 国家标准化管理委员会. 饲料中粗蛋白的测定:凯氏定氮法:GB/T 6432—2018[S]. 北京: 中国标准出版社, 2018.

State Administration for Market Regulation, Standardization Administration of China. Determination of crude protein in feeds-Kjeldahl method:GB/T 6432—2018[S]. Beijing: Standards Press of China, 2018. (in Chinese)

[26]
国家市场监督管理总局, 国家标准化管理委员会. 饲料中粗纤维的含量测定:GB/T 6434—2022[S]. 北京: 中国标准出版社, 2022.

State Administration for Market Regulation, Standardization Administration of China. Determination of crude fiber content in feeds:GB/T 6434—2022[S]. Beijing: Standards Press of China, 2022. (in Chinese)

[27]
VAN SOEST P J. Development of a comprehensive system of feed analyses and its application to forages[J]. Journal of Animal Science, 1967,26:119-128.

[28]
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 饲料中粗灰分的测定:GB/T 6438—2007[S]. 北京: 中国标准出版社, 2007.

General Administration of Quality Supervision,Inspection and Quarantine of the People’s Republic of China, Standardization Administration of China. Animal feeding stuffs—determination of crude ash:GB/T 6438—2007[S]. Beijing: Standards Press of China, 2007. (in Chinese)

[29]
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)

[30]
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.

[31]
何娟, 赵艳茹, 何勇. 近红外光谱结合偏最小二乘判别对硫熏浙贝母的无损鉴别[J]. 光谱学与光谱分析, 2017, 37(10):3070-3073.

HE J, ZHAO Y R, HE Y. Discrimination of fritillariae thunbergii bulbus treated by sulfur fumigation based on NIR coupled with PLS-DA[J]. Spectroscopy and Spectral Analysis, 2017, 37(10):3070-3073. (in Chinese)

[32]
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)

[33]
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

[34]
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).

[35]
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)

[36]
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
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.