Chinese Journal of Animal Nutrition >

2025 , Vol. 37 >Issue 2: 1376 - 1387

DOI: https://doi.org/10.12418/CJAN2025.118

RESEARCH PAPER

Prediction Model for Fiber Quality of Alfalfa Hay Established Based on Portable Near Infrared Spectrometer

  • YANG Song , 1 ,
  • YUE Jiahao 2 ,
  • CHENG Liuyang 2 ,
  • ZHANG Shuzhi 3 ,
  • ZHONG Rongzhen , 4, * ,
  • LUO Yaping , 5, *
Expand
  • 1 Experimental Internship and Demonstration Center, Northeast Agricultural University, Harbin 150030, China
  • 2 College of Animal Science and Technology, Northeast Agricultural University, Harbin 150030, China
  • 3 Shenyang Hefeng Ruminant Animal Feed Co., Ltd., Shenyang 110164, China
  • 4 Jilin Province Feed Processing and Precision Feeding for Grassland Livestock Inter-Regional Cooperation Science and Technology Innovation Center, Jilin Province Key Laboratory of Grassland Animal Husbandry, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China
  • 5 Yunxiang Agriculture (Qingdao) Co., Ltd., Qingdao 266110, China
*ZHONG Rongzhen, professor, E-mail: ;
LUO Yaping, E-mail:

Received date: 2024-05-31

  Online published: 2025-02-16

Fold

Abstract

The purpose of this experiment was to build a fiber quality prediction model of alfalfa hay in Gansu province by using portable near infrared spectrometer, so as to establish a rapid detection method for alfalfa hay quality. A total of 493 alfalfa hay samples were selected from Gansu province. By measuring the contents of neutral detergent fiber (NDF) and acid detergent fiber (ADF) and calculating the relative feeding value (RFV), all the samples were divided into calibration set samples and prediction set samples by Kennard-Stone algorithm. Then the Monte-Carlo cross validation algorithm was employed to eliminate the outliers in the calibration set. Various pretreatment methods and spectral segments (950 to 1 650 nm) were used to model different quality parameters by partial least squares (PLS) method, and the best modeling method for each index was determined. The results showed that the best pretreatment method for NDF content prediction model was no pretreatment, and the prediction determination coefficient ($R_{p}^{2}$) and relative prediction deviation (RPD) were 0.970 and 3.389, respectively; the best pretreatment method for ADF content prediction model was SNV method, whose $R_{p}^{2}$ and RPD were 0.984 and 5.430, respectively; the best pretreatment method for RFV prediction model was SNV method, whose $R_{p}^{2}$ and RPD were 0.944 and 2.770, respectively. It can be seen that the prediction accuracy of NDF and ADF contents in alfalfa hay in Gansu province based on portable near infrared spectrometer in this experiment is better, while the prediction accuracy of RFV is slightly worse.

Key words： alfalfa hay; portable near infrared spectrometer; fiber quality; prediction model

Cite this article

YANG Song , YUE Jiahao , CHENG Liuyang , ZHANG Shuzhi , ZHONG Rongzhen , LUO Yaping . Prediction Model for Fiber Quality of Alfalfa Hay Established Based on Portable Near Infrared Spectrometer[J]. Chinese Journal of Animal Nutrition, 2025 , 37(2) : 1376 -1387 . DOI: 10.12418/CJAN2025.118

苜蓿是多年生草本豆科牧草,其因产量高、适应性强、营养丰富、适口性好以及易消化等特点,被称为“牧草之王”,在全世界范围内被广泛种植[1]。在我国,苜蓿的种植面积约为200万hm2,主要种植地集中在西北、华北和东北地区,其中甘肃地区为苜蓿干草的主产区,种植面积位居全国第一。随着我国畜牧业规模化、产业化和标准化的快速发展,苜蓿已成为畜牧行业不可替代的优质战略性保障牧草[2]。在苜蓿贸易中,依据分级销售、按质定价,传统的品质评价方法存在耗时长、成本高等问题,因此有必要建立苜蓿干草品质的快速检测方法。
苜蓿中碳水化合物含量约为25%,易被牛消化,属于优质纤维饲料。苜蓿中的中性洗涤纤维(NDF)含量会随着苜蓿的不断生长而升高,在初花期刈割的苜蓿,其NDF含量为45.5%,明显低于玉米秸秆(84.3%)和稻秸(63.9%)[3]。与其他禾本科牧草相比,牛对苜蓿草中碳水化合物的消化吸收更快,获得的可消化养分更多[4]。此外,苜蓿中的纤维物质不仅可以提供能量,还可促进肠道发育,提高免疫力等[5]。因此,纤维含量,包括NDF和酸性洗涤纤维(ADF),以及相对饲喂价值(RFV)被认为是评价苜蓿品质的关键参数。
近红外光谱分析技术具有检测速度快、样本前处理要求低、可同时检测多种化学成分以及可在线分析等优点,在农业领域中已得到广泛应用[6⇓-8]。早在1999年,美国康奈尔大学的研究团队就建立了苜蓿干草NDF的近红外光谱预测模型[9],之后,又陆续建立了苜蓿中其他养分(如水分和粗蛋白质等)的近红外光谱预测模型[10-11],甚至建立了其不同干燥方式[12]或消化参数(如不可消化NDF)[13]的预测模型。上述大多数研究均基于传统台式近红外光谱仪,相比之下,便携式近红外光谱仪携带方便,可立即对样本进行检测,更加适合现场交易。不过,利用便携式近红外光谱仪建立模型的研究较少,并且由于仪器、检测方法以及样本产地的不同,模型传递困难,建立的预测模型无法通用。
因此,本试验选用产自我国苜蓿草主产地之一甘肃省的苜蓿干草为研究对象,基于便携式近红外光谱仪建立苜蓿干草纤维品质(即NDF和ADF含量及RFV)的预测模型,以期为便携式近红外光谱仪在苜蓿品质的评定提供数据支撑。

1 材料与方法

1.1 苜蓿干草样本的采集

本试验选用493份苜蓿干草样本,分别于2021和2022年,在甘肃省酒泉市、张掖市、兰州市、庆阳市和天水市等地收集,取样方法依据Putnam[14]的干草样本取样方法。每次取样时,随机选取20个苜蓿草捆,采用9点取样法,每周取样1次,每次取约400 g样本,连续取样4周,随后进行纤维指标的检测及近红外光谱扫描。苜蓿干草样本信息表1。
表1 苜蓿干草样本信息

Table 1 Information of alfalfa hay samples

地点
Locations		 茬次
Cutting number		 生长期
Growth period		 样本数量
Number of samples
酒泉
Jiuquan		 一茬 初花期 83
一茬 盛花期 15
二茬 初花期 28
二茬 盛花期 9
三茬 初花期 14
张掖
Zhangye		 一茬 初花期 60
二茬 初花期 36
兰州
Lanzhou		 一茬 初花期 53
二茬 初花期 21
三茬 现蕾期 6
三茬 初花期 7
庆阳
Qingyang		 一茬 初花期 65
二茬 初花期 17
二茬 盛花期 8
三茬 现蕾期 6
三茬 初花期 6
天水
Tianshui		 一茬 初花期 48
二茬 初花期 11

1.2 近红外光谱数据采集

近红外光谱数据的采集采用手持式近红外光谱仪(AuroraNir,Carl Zeiss,德国),其光源为卤素灯,分光器为LED阵列滤光片,检测器为多通道的铟镓砷(InGaAs)检测器,分辨率为2 nm,光谱波长范围为950~1 650 nm,扫描速度为100次/s,光谱采集软件为Inprocess。配套设备:木制扫样盒,尺寸60 mm×100 mm×400 mm,上底、下底可以拆卸。具体操作步骤如下:1)光谱采集前,机器须预热0.5 h;2)将300 g左右2~3 cm长的苜蓿干草采用对角线法混合均匀,然后放入扫样盒内压实;3)揭开上底,沿盒子走向,从上往下滑动光谱仪,每滑动1次,即可获得100条光谱,储存于计算机中取平均值,自动平滑并转化为log10(1/R)(R代表反射率);4)将扫样盒转动180°后,再重新扫描1次;5)合上上底,将扫样盒颠倒反转180°后,重复步骤3和步骤4,每个样本扫描4次,累计获得400条光谱,取平均值合成为1条光谱,即为该样本的原始光谱(图1)。
图1 苜蓿干草样本的近红外原始光谱

R:反射率 reflectance。

Fig.1 Raw near-infrared spectra of alfalfa hay samples (n=493)

1.3 苜蓿干草成分测定

将采集光谱后的苜蓿干草样本装入自封袋中,于-18 ℃条件下冷冻24 h,以此提高苜蓿干草脆性,同时降低粗粉碎时粉碎机的温度;然后,采用小型锤片式粉碎机(鼎立DLF-20)进行粗粉碎,过4.2 mm筛网,将粗粉碎后的样品通过旋转式分样仪(PT100,Retsch,德国)均分为完全相同的2份,一份留作备用,另外一份采用旋风式样本磨(CT293,FOSS,丹麦)进行细粉碎,过2.0 mm筛,用来测定NDF和ADF含量,测定方法参照Åkerlind等[15],每个样本做2个重复,并加入质控样本监控数据。RFV通过NDF与ADF计算得出[16],计算公式为:
RFV=DDM× D M I 1.29。
式中:DDM为干物质消化率(digestibility of dry matter),DDM(%)=88.9-0.779ADF(% DM);DMI为干物质采食量(dry matter intake),DMI(% BW)=120/NDF(% DM)。

1.4 近红外光谱预测模型的构建与验证

本试验采用手持式近红外光谱仪AuroraNir的配套软件,光谱采集软件为Inprocess,化学计量学分析软件为UCAL。首先采用Kennard-Stone算法划分校正集和预测集样本[17],再用蒙特卡洛交叉验证(Monte-Carlo cross validation,MCCV)算法剔除校正集中的异常样本[18];然后选出一定数量的校正集样本建立偏最小二乘(PLS)模型,剩下的样本作为验证集对模型进行验证,多次重复该步骤,得到样本的预测残差,计算出预测残差的平均值与方差,从而找出校正集中的异常样本,剔除这些样本;接下来,采用多种预处理方法处理光谱,预处理方法包括:无预处理、Detrend法、SNV法、SNV+Detrend法以及SNV+Detrend+一阶导数法。光谱波长范围为950~1 650 nm,不进行特征波段的提取;采用PLS法进行定标模型的建立;用决定系数(R2)、校正标准偏差(SEC)、交叉验证标准偏差(SECV)、预测标准偏差(SEP)及相对分析误差(RPD)等指标对模型性能进行评价:R2和RPD越大,SEC、SECV和SEP越小,说明模型性能越好。

2 结果与分析

2.1 苜蓿干草中NDF和ADF含量及RFV的分布

表2列出了493份苜蓿干草样本NDF和ADF含量及RFV的分布情况,然后采用Kennard-Stone算法,将所有样本按照3∶1的比例均匀划分为校正集样本和预测集样本,即370份样本用来构建校正模型,123份样本将作为预测集样本对校正模型进行外部验证。
表2 苜蓿干草NDF和ADF含量及RFV样本集分类结果

Table 2 Sample set classification results of contents of NDF and ADF as well as RFV in alfalfa hay

项目
Items		 数据集
Data sets		 样本数量
Number of
samples		 最大值
Maximum/
%		 最小值
Minimum/
%		 平均值
Mean/%		 中位值
Median/%		 标准偏差
Standard
deviation/%
中性洗涤纤维
NDF		 所有数据
All data		 493 89.91 26.97 44.79 44.42 5.71
校正集数据
Calibration set data		 370 89.91 26.97 44.91 44.49 5.85
预测集数据
Prediction set data		 123 75.36 29.11 44.44 44.15 5.28
酸性洗涤纤维
ADF		 所有数据
All data		 493 57.76 19.42 33.43 32.91 4.25
校正集数据
Calibration set data		 370 57.76 19.42 33.57 33.01 4.27
预测集数据
Prediction set data		 123 50.17 20.85 33.03 32.53 3.98
相对饲喂价值
RFV		 所有数据
All data		 493 254.43 45.42 133.08 132.59 21.80
校正集数据
Calibration set data		 370 254.43 45.42 132.56 132.30 21.38
预测集数据
Prediction set data		 123 231.60 61.50 134.64 134.39 21.65
苜蓿干草NDF含量平均值为44.97%,最小值为26.97%,最大值为89.91%,中位值为44.42%,标准偏差为5.71%。采用Kennard-Stone算法挑选后的校正集苜蓿干草NDF含量平均值为44.91%,中位值为44.49%,标准偏差为5.85%;预测集苜蓿干草NDF含量平均值为44.44%,中位值为44.15%,标准偏差为5.28%,校正集与预测集的平均值、中位值和标准偏差均相差不大。
苜蓿干草ADF含量平均值为33.43%,最小值为19.42%,最大值为57.76%,中位值为32.91%,标准偏差为4.25%。采用Kennard-Stone算法挑选后的校正集苜蓿干草ADF含量平均值为33.57%,中位值为33.01%,标准偏差为4.27%;预测集苜蓿干草ADF含量平均值为33.03%,中位值为32.53%,标准偏差为3.98%,校正集与预测集的平均值、中位值和标准偏差均相差不大。
苜蓿干草RFV平均值为133.08%,最小值为45.42%,最大值为254.43%,中位值为132.59%,标准偏差为21.80%。根据苜蓿干草质量分级标准,可看出收获的苜蓿干草RFV偏低,大部分属于2级,少数能够达到优级甚至是特级,但也有一部分属于3级及以下级别。采用Kennard-Stone算法挑选后的校正集苜蓿干草RFV平均值为132.56%,中位值为132.30%,标准偏差为21.38%;预测集苜蓿干草RFV平均值为134.64%,中位值为134.39%,标准偏差为21.65%,校正集与预测集的平均值、中位值和标准偏差均相差不大。以上数据说明挑选的样本比较均匀,其分布能代表真实NDF和ADF含量及RFV的分布。

2.2 近红外光谱模型的构建

将经过不同预处理的光谱数据作为模型的输入变量,构建苜蓿干草NDF和ADF含量以及RFV的近红外光谱校正模型。首先采用MCCV算法剔除校正集中的异常样本,然后根据SECV的变化,确定建模的最佳因子数,建立相应预处理方法的预测模型。
由图2可以看出,苜蓿干草NDF含量采用无预处理(原始光谱)、SNV法、Detrend法和SNV+Detrend法处理后,15个因子被视为最佳因子数,用于构建最优PLS全光谱校正模型;而采用SNV+Detrend+一阶导数法处理后,建模的最佳因子数为13个。对于ADF含量和RFV,采用无预处理、SNV法、Detrend法和SNV+Detrend法处理后, 15个因子均为最佳因子数,用于构建最优PLS全光谱校正模型;而采用SNV+Detrend+一阶导数法处理后,建模的最佳因子数均为8个。确定最佳因子数后,建立不同预处理方法的NDF和ADF含量及RFV的PLS校正模型。
图2 不同预处理方法建立模型中SECV值随不同因子数的变化情况

a:无预处理建模 modeling without pretreatment;b:SNV法处理后建模 modeling after SNV method treatment;c:Detrend法处理后建模 modeling after Detrend method treatment;d:SNV+Detrend法处理后建模 modeling after SNV+Detrend method treatment;e:SNV+Detrend+一阶导数法处理后建模 modeling after SNV+Detrend+first derivative method treatment。

Fig.2 Changes of SECV value with factor number in different models with different pretreatment methods

由表3和图3可知,采用MCCV算法剔除NDF含量异常样本后,校正集样本的参考值标准差明显降低,并且随剔除数量的增多而减小,说明剔除异常样本降低了校正集的变异范围。采用无预处理方法建模的精准度仍然最低,SEC、校正决定系数( R C 2)、SECV和交叉验证决定系数( R C V 2)分别为0.654、0.975、0.783和0.960;其他预处理方法的 R C 2均大于0.98,SEC和SECV均小于无预处理方法建模,说明4种预处理方法均提高了模型的精准度。其中,SNV+Detrend法建模效果最好,SEC和SECV最小值分别为0.454和0.584, R C 2和 R C V 2最大值分别为0.988和0.978;然后依次是SNV法>SNV+Detrend+一阶导数法>Detrend法>无预处理。此外,在SNV+Detrend法处理的基础上再加上一阶导数处理,模型性能降低,原因可能是导数处理降低了光谱的信噪比,有效信息被掩盖。
表3 不同预处理方法苜蓿干草NDF和ADF含量及RFV校正结果

Table 3 Calibration results of contents of NDF and ADF as well as RFV in alfalfa hay with different pretreatment methods

项目
Items		 重复次数
Repeat
times		 保留
Keep		 剔除
Reject		 因子数
Factors		 校正标
准偏差
SEC		 校正决
定系数
R C 2		 交叉验
证标准
偏差
SECV		 交叉验证
决定系数
R C V 2		 参考值
标准差
SDref/%
中性洗涤纤维NDF
无预处理
Non-pretreatment		 4 358 12 15 0.654 0.975 0.783 0.960 4.117
SNV法SNV method 2 363 7 15 0.511 0.986 0.591 0.978 4.367
Detrend法
Detrend method		 4 358 12 15 0.585 0.980 0.689 0.969 4.096
SNV+Detrend法
SNV+Detrend method		 4 360 10 15 0.454 0.988 0.584 0.978 4.111
SNV+Detrend+一
阶导数法
SNV+Detrend+first
derivative method		 2 364 6 13 0.528 0.985 0.700 0.972 4.271
酸性洗涤纤维ADF
无预处理
Non-pretreatment		 4 350 20 15 0.449 0.981 0.514 0.970 3.251
SNV法SNV method 3 363 7 15 0.365 0.990 0.433 0.983 3.600
Detrend法
Detrend method		 4 353 17 15 0.424 0.984 0.511 0.974 3.354
SNV+Detrend法
SNV+Detrend method		 3 363 7 15 0.350 0.991 0.444 0.983 3.597
SNV+Detrend+
一阶导数法
SNV+Detrend+first
derivative method		 2 363 7 8 0.553 0.976 0.672 0.960 3.591
相对饲喂价值RFV
无预处理
Non-pretreatment		 4 349 21 15 2.269 0.975 3.028 0.966 16.540
SNV法SNV method 4 349 21 15 2.158 0.981 2.521 0.972 15.719
Detrend法
Detrend method		 4 350 20 15 2.383 0.979 2.939 0.967 16.386
SNV+Detrend法
SNV+Detrend method		 4 349 21 14 1.979 0.984 2.305 0.976 15.500
SNV+Detrend+
一阶导数法
SNV+Detrend+first
derivative method		 4 352 18 10 2.528 0.976 3.051 0.963 16.170
图3 不同预处理方法校正集NDF和ADF含量及RFV参考值与模型预测值之间的相关关系

a:无预处理建模 modeling without pretreatment;b:SNV法处理后建模 modeling after SNV method treatment;c:Detrend法处理后建模 modeling after Detrend method treatment;d:SNV+Detrend法处理后建模 modeling after SNV+Detrend method treatment;e:SNV+Detrend+一阶导数法处理后建模 modeling after SNV+Detrend+first derivative method treatment。

Count:计数;SEC:校正标准偏差 standard error of calibration; R C 2:校正决定系数 determination coefficient of calibration。

Fig.3 Correlations between reference values of contents of NDF and ADF as well as RFV in calibration set and predicted values in model under different pretreatment methods

ADF含量建模情况与NDF含量相似,采用MCCV算法剔除异常样本后,校正集样本的参考值标准差明显降低,并且随剔除数量的增多而减小,说明剔除异常样本降低了校正集的变异范围。采用无预处理方法建模的SEC、 R C 2、SECV和 R C V 2分别为0.449、0.981、0.514和0.970;采用SNV+Detrend+一阶导数法处理,降低了模型的精准度,其SEC、 R C 2、SECV和 R C V 2分别为0.553、0.976、0.672和0.960;其他预处理方法均提高了模型的精准度,其中,SNV+Detrend法建模效果最好,其SEC、 R C 2、SECV和 R C V 2分别为0.350、0.991、0.444和0.983,然后依次是SNV法>Detrend法>无预处理>SNV+Detrend+一阶导数法。
采用MCCV算法剔除RFV异常样本后,校正集样本的参考值标准差明显降低,无预处理及其他预处理方法剔除的异常样本数量都在20左右,参考值标准差在15.500~16.540,表明剔除异常样本后,降低了校正集的变异范围。采用无预处理方法建模的SEC、 R C 2、SECV和 R C V 2分别为2.269、0.975、3.028和0.966;采用Detrend法和SNV+Detrend+一阶导数法处理降低了模型的精准度,采用SNV法和SNV+Detrend法处理提高了模型的精准度;采用SNV+Detrend+一阶导数法处理建模效果最差,其SEC、 R C 2、SECV和 R C V 2分别为2.528、0.976、3.051和0.963;采用SNV+Detrend法处理建模效果最好,SEC、 R C 2、SECV和 R C V 2分别为1.979、0.984、2.305和0.976。总体来看,SNV+Detrend法>SNV法>无预处理>Detrend法>SNV+Detrend+一阶导数法。

2.3 校正模型的验证

使用预测集的123个苜蓿干草样本对NDF和ADF含量及RFV校正模型进行外部验证,不同预处理方法所建模型的预测集预测结果见表4。NDF含量的化学实测平均值为44.441%,与不同预处理方法的模型预测平均值(44.380%、44.256%、44.752%、44.060%和44.353%)基本相同,差值极小。虽然无预处理、SNV法、Detrend法和SNV+Detrend+一阶导数法处理构建模型的预测决定系数( R P 2)均在0.95以上,但只有无预处理和SNV+Detrend+一阶导数法构建的模型RPD在3.0以上,斜率接近于1,说明模型预测效果好,可以应用于实际定量分析中;其他预处理方法构建模型的RPD在2.5以下,无法应用于实际定量分析中。然而,校正模型性能最好的预处理方法SNV+Detrend法对预测集的预测效果却很差, R P 2和RPD分别为0.744和1.156;相反,校正模型性能最差的无预处理和SNV+Detrend+一阶导数法对预测集的预测效果却很好,原因可能是SNV+Detrend法处理构建的校正模型过拟合导致的。
表4 不同预处理方法苜蓿干草NDF和ADF含量及RFV模型预测集预测结果

Table 4 Predicted results of prediction set in model of contents of NDF and ADF as well as RFV in alfalfa hay with different pretreatment methods

项目
Items		 化学实测
平均值
Chemical
measured
mean/%		 模型预测
平均值
Model
prediction
mean/%		 差值
Difference/
%		 斜率
Slope		 预测标
准偏差
SEP/%		 预测决
定系数
R P 2		 相对分
析误差
RPD
中性洗涤纤维NDF
无预处理Non-pretreatment 44.441 44.380 0.061 1.004 1.147 0.970 3.389
SNV法SNV method 44.256 0.185 1.161 1.755 0.950 2.488
Detrend法Detrend method 44.752 0.311 0.746 2.814 0.932 1.456
SNV+Detrend法
SNV+Detrend method		 44.060 0.381 1.227 3.556 0.744 1.156
SNV+Detrend+一阶导数法
SNV+Detrend+first
derivative method		 44.353 0.088 1.143 1.305 0.977 3.273
酸性洗涤纤维ADF
无预处理Non-pretreatment 33.033 33.565 0.532 0.493 4.902 0.730 0.663
SNV法SNV method 33.120 0.087 0.950 0.663 0.984 5.430
Detrend法Detrend method 34.655 0.622 0.473 5.212 0.720 0.642
SNV+Detrend法
SNV+Detrend method		 32.823 0.210 1.071 2.183 0.796 1.648
SNV+Detrend+一阶导数法
SNV+Detrend+first
derivative method		 33.085 0.052 0.995 0.760 0.975 4.694
相对饲喂价值RFV
无预处理Non-pretreatment 134.639 132.613 2.026 0.815 10.893 0.836 1.518
SNV法SNV method 133.777 0.862 1.033 5.679 0.944 2.770
Detrend法Detrend method 131.850 2.789 0.667 15.720 0.755 1.042
SNV+Detrend法
SNV+Detrend method		 133.418 1.221 1.056 6.059 0.939 2.558
SNV+Detrend+一阶导数法
SNV+Detrend+first
derivative method		 133.456 1.183 1.059 6.236 0.935 2.593
ADF含量的化学实测平均值为33.033%,与不同预处理方法的模型预测平均值(33.565%、33.120%、34.655%、32.823%和33.085%)基本相同,差值极小。在不同预处理方法中,只有SNV法和SNV+Detrend+一阶导数法处理构建模型的 R P 2在0.9以上(分别为0.984和0.975),RPD在3.0以上(分别为5.430和4.694),可以应用于实际定量分析中;而无预处理和其他处理方法构建模型的 R P 2都在0.9以下,RPD都在2.5以下,无法应用于实际定量分析中。同时,校正模型性能最好的处理方法SNV+Detrend法对预测集的预测效果却很差, R P 2和RPD分别为0.796和1.648;相反,校正模型性能最差的SNV+Detrend+一阶导数法对预测集的预测效果却仅次于SNV法, R P 2和RPD分别为0.975和4.694,原因可能是SNV+Detrend法处理构建的校正模型过拟合导致的。
RFV的化学实测平均值为134.639%,与不同预处理方法的模型预测平均值(132.613%、133.777%、131.850%、133.418%和133.456%)基本相同,差值在3%以内。无预处理及所有预处理法建模的RPD都在3.0以下,其中SNV法、SNV+Detrend法和SNV+Detrend+一阶导数法构建模型的 R P 2在0.9以上(分别为0.944、0.939和0.935),RPD在2.5以上(分别为2.770、2.558和2.593),认为所建模型较为可靠,可以进行粗略估计,但精准度需要提高;而无预处理和Detrend法构建模型的 R P 2都在0.9以下,RPD都在2.5以下,无法应用于实际定量分析中。

3 讨论

粗饲料的质量与其结构性碳水化合物的含量及特性息息相关。对于反刍动物来说,结构性碳水化合物不仅可以提供能量,还可以促进唾液分泌,稳定瘤胃pH,为微生物的生长提供适宜的环境,并且纤维品质也是决定动物采食量的重要参数[19]。NDF与ADF含量是描述饲料质量的重要指标,对评定饲料营养价值具有重要意义[20]。而RFV是应用于苜蓿草质量评估最常用的参数,常被用来估计牧草的饲用价值[21]。1976年,Norris等[6]首先使用台式近红外光谱仪对87份牧草样本建立了校正模型,其中粗蛋白质(CP)、NDF和ADF含量的 R C 2分别为0.99、0.98和0.96;CP和NDF含量的标准差分别为0.95%和3.10%,表明近红外反射光谱技术在快速评价饲料品质方面具有极大的潜力。此后,众多科学家对近红外光谱技术在农业方面的应用展开了大量研究,如在紫花苜蓿[22]和黑麦草[23]等上。1990年,Sinnaeve等[24]首次提出使用便携式近红外光谱仪来估计不同草场在放牧前与放牧后紫花苜蓿的营养参数,模型的R2在0.87~0.97。Mitchell等[25]使用便携式近红外光谱仪对新鲜牧草样品开发了一个校准方程,获得了适度的预测精度,NDF含量的 R C 2为0.69。Carreira等[26]使用便携式近红外光谱仪对全混合日粮(TMR)样本建立了校正模型,NDF和ADF含量的 R C 2分别为0.91和0.90。而Serva等[27]使用便携式近红外光谱仪对玉米青贮样本建立了校正模型,NDF含量的 R C 2为0.88。
本试验中,使用便携式近红外光谱仪对甘肃地区苜蓿干草的NDF和ADF含量及RFV进行建模,并比较了不同预处理方法的建模效果,除RFV外,NDF和ADF含量的近红外光谱预测模型均具有非常好的精准度,并且与台式近红外光谱仪的准确性与稳定性相似。本试验所用的便携式红外光谱仪使用二极管阵列滤光片、反射全息网和InGaAs冷却光电二极管,使光学背景噪声最小化,提高了测量稳定性,光谱波长范围为950~1 650 nm,光谱分辨率为2 nm,宽范围和高分辨率使含氢基团在近红外光谱区几乎所有的信息都能被很好地呈现[28]。Berzaghi等[29]使用台式近红外光谱仪和便携式近红外光谱仪对粉碎后的苜蓿干草样本进行建模,以此来评估不同仪器间的性能,所用仪器分别为台式近红外光谱仪FOSS 6500(波长740~2 498 nm)、FOSS 6500(波长1 100~2 498 nm)、FOSS 6500(波长950~1 650 nm)、FOSS 6500(波长740~1 070 nm)和便携式近红外光谱仪AuroraNir(波长950~1 650 nm)、NIR-S-G1(波长950~1 650 nm)、SCiO(波长740~1 070 nm),预处理方法选择SNV+Detrend+一阶导数法,建模方法为PLS法,数据处理同样使用UCAL软件计算;结果表明,NDF含量的 R C 2分别为0.96、0.96、0.94、0.79、0.95、0.91和0.71,RPD分别为4.93、4.73、4.13、2.17、4.34、3.40和1.85;ADF含量的 R C 2分别为0.96、0.96、0.95、0.76、0.96、0.93和0.64,RPD分别为4.85、4.79、4.60、2.04、5.10、3.67和1.66。由此可见,虽然便携式近红外光谱仪AuroraNir和NIR-S-G1的波长范围相同,但便携式近红外光谱仪AuroraNir的性能略高于NIR-S-G1,拥有与台式近红外光谱仪相似的性能,而便携式近红外光谱仪SCiO的大多数指标都不可靠,无法运用于苜蓿干草的实际测量中。Cherney等[30]使用4台不同型号的便携式近红外光谱仪直接对未进行预处理的苜蓿干草进行建模,以评估不同仪器间的性能,仪器型号分别为AuroraNir、NIR4、SciO和HST;结果表明,干物质(DM)含量的 R C 2分别为0.73、0.72、0.61和0.17,RPD分别为1.88、1.07、1.35和0.67;由此可见,虽然4种型号的便携式近红外光谱仪都无法精确地预测苜蓿干草的DM含量,但相比较而言,近红外光谱仪AuroraNir的性能略好。
除此之外,扫描方式也会影响建模的质量。本试验选用滑动扫描的方式,每份样本共计扫描4 s,共获得400条不同部位的光谱,最后平均为1条原始光谱,这样可使样本异质性和分布异质性带来的误差降到最低,从而提高光谱的准确性与代表性。Tacoma等[31]利用新鲜苜蓿和其他牧草的混合物对便携式近红外光谱仪的滑动和固定2种扫描方式的预测性能进行了评估,固定扫描获得的光谱经过归一化处理后建模的 R C 2、 R C V 2和 R P 2分别为0.718、0.633和0.651,固定扫描获得的光谱经过Savitzky-Golay平滑处理后建模的 R C 2、 R C V 2和 R P 2分别为0.718、0.636和0.651;滑动扫描获得的光谱经过归一化处理后建模的 R C 2、 R C V 2和 R P 2分别为0.850、0.806和0.780,滑动扫描获得的光谱经过Savitzky-Golay平滑处理后建模的 R C 2、 R C V 2和 R P 2分别为0.850、0.806和0.779。由此可见,不论采用何种预处理方法,滑动扫描拥有比固定扫描更好的预测精准度。
PLS法是建立线性近红外光谱模型最常用的办法,它结合了多元线性回归(MLR)法、主成分回归(PCR)法和典型相关分析(CCA)法的优点,既可以避免数据共线性,也可以使用全光谱建模,无需通过筛选建模波段来消除冗余信息,构建的模型结构简单、稳健性好、预测精度高[32]。Chen等[33]比较了利用MLR、PCR和PLS这3种建模方法建立的黑龙江地区羊草干草预测模型的性能优劣,结果显示,利用PLS法建立的NDF含量预测模型的 R C 2、 R P 2和RPD分别为0.94、0.88和3.0,ADF含量预测模型的 R C 2、 R P 2和RPD分别为0.93、0.89和3.1。由此可见,与MLR法和PCR法相比,利用PLS法构建的模型拥有更高的R2和RPD。同样,唐开婷[34]在利用便携式近红外光谱仪建立石河子地区苜蓿干草的预测模型时同样也发现,PLS法的建模性能要显著优于MLR法、PCR法和支持向量回归(SVM)法。

4 结论

本研究基于便携式近红外光谱仪AuroraNir对甘肃地区苜蓿干草中NDF和ADF含量及RFV进行近红外光谱建模,结果表明,NDF含量预测模型的最佳预处理方法为无预处理,ADF含量预测模型的最佳预处理方法为SNV法,RFV预测模型的最佳预处理方法为SNV法。其中,NDF和ADF含量的预测精准度较好,而RFV的预测精准度略差。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王成章, 田玮, 杨雨鑫, 等. 国内外10种紫花苜蓿引种试验研究[J]. 西北农林科技大学学报(自然科学版), 2004, 32(3):28-32.

WANG C Z, TIAN W, YANG Y X, et al. Introducing research on ten alfalfa varieties home and abroad[J]. Journal of Northwest A&F University (Natural Science Edition), 2004, 32(3):28-32. (in Chinese)

[2]
董宽虎, 王常慧, 牧原. 干燥方法对苜蓿草粉营养价值的影响[J]. 草地学报, 2003, 11(4):334-337.

DOI

DONG K H, WANG C H, MU Y. Effects of different drying methods on the nutritive value of alfalfa meal[J]. Acta Agrestia Sinica, 2003, 11(4):334-337. (in Chinese)

[3]
郑建仙, 李璇. 高活性苜蓿膳食纤维的制备、性质与应用[J]. 粮食与饲料工业, 1997(7):41-43.

ZHENG J X, LI X. Studies on the preparation,property and application of highly active dietary fibre from alfalfa leaf residue[J]. Cereal & Feed Industry, 1997(7):41-43. (in Chinese)

[4]
张春梅, 王成章, 胡喜峰, 等. 紫花苜蓿的营养价值及应用研究进展[J]. 中国饲料, 2005(1):15-17.

ZHANG C M, WANG C Z, HU X F, et al. Research advance in nutritional value of alfalfa and its application[J]. China Feed, 2005(1):15-17. (in Chinese)

[5]
杨玉芬, 卢德勋, 许梓荣, 等. 日粮纤维对肥育猪消化道发育和消化酶活性的影响[J]. 福建农业学报, 2003, 18(1):34-37.

YANG Y F, LU D X, XU Z R, et al. Effects of dietary fiber on development of digestive tract and activity of digestive enzyme in finishing pigs[J]. Fujian Journal of Agricultural Sciences, 2003, 18(1):34-37. (in Chinese)

[6]
NORRIS K H, BARNES R F, MOORE J E, et al. Predicting forage quality by infrared replectance spectroscopy[J]. Journal of Animal Science, 1976, 43(4):889-897.

[7]
MARTEN G C, BRINK G E, BUXTON D R, et al. Near infrared reflectance spectroscopy analysis of forage quality in four legume species[J]. Crop Science, 1984, 24(6):1179-1182.

[8]
COZZOLINO D, MORON A. Exploring the use of near infrared reflectance spectroscopy (NIRS) to predict trace minerals in legumes[J]. Animal Feed Science and Technology, 2004, 111(1/4):161-173.

[9]
FONSECA C E L, HANSEN J L, THOMAS E M, et al. Near infrared reflectance spectroscopy prediction and heritability of neutral detergent-soluble fiber in alfalfa[J]. Crop Science, 1999, 39(5):1265-1270.

[10]
SHANG C, ZHANG Y X, LI Y, et al. Near-infrared reflectance spectroscopy analytic models established for the crude protein and crude fiber of alfalfa property[J]. Spectroscopy and Spectral Analysis, 2009, 29(12):3250-3253.

[11]
GIBERTONI G, LENZINI N, FERRARI L, et al. Design and performance of a near-infrared spectroscopy measurement system for in-field alfalfa moisture measurement[J]. 2022, 9(3):178.

[12]
WU X, WU G, WANG B, et al. Classification of alfalfa hay based on infrared spectroscopy[J]. BioResources, 2023, 18(3):5399-5416.

[13]
ZHANG G J, WANG Y, YAN Y H, et al. Comparison of two in situ reference methods to estimate indigestible NDF by near infrared reflectance spectroscopy in alfalfa[J]. Heliyon, 2021, 7(6):e07313.

[14]
PUTNAM D. Recommended principles for proper hay sampling[M]. California, USA: University of California, 2003:1-3.

[15]
ÅKERLIND M, WEISBJERG M, ERIKSSON T, et al. Feed analyses and digestion methods[M]. Wageningen: Wageningen Academic Publishers, 2011:41-54.

[16]
YUN Y H, LI H D, DENG B C, et al. An overview of variable selection methods in multivariate analysis of near-infrared spectra[J]. Trends in Analytical Chemistry, 2019, 113:102-115.

[17]
BEĆ K B, GRABSKA J, SIESLER H W, et al. Handheld near-infrared spectrometers:where are we heading?[J]. NIR news, 2020, 31(3/4):28-35.

[18]
MORAIS C L M, SANTOS M C D, LIMA K M G, et al. Improving data splitting for classification applications in spectrochemical analyses employing a random-mutation Kennard-Stone algorithm approach[J]. Bioinformatics, 2019, 35(24):5257-5263.

DOI PMID

[19]
FERGUSON N S, GATES R S, TARABA J L, et al. The effect of dietary crude protein on growth,ammonia concentration,and litter composition in broilers[J]. Poultry Science, 1998, 77(10):1481-1487.

[20]
AKDENIZ H, HOSAFLIOGLU I, KOÇ A, et al. Evaluation of herbage yield and nutritive value of eight forage crop species[J]. Applied Ecology and Environmental Research, 2019, 17(3):5571-5581.

[21]
AYDEMIR S K, TURHAL K. Correlation analyses of herbage yield and quality components in certain Sorghum×Sudangrass (Sorghum bicolor L.×Sorghumsudanense Staph.) hybrid cultivars[J]. Turkish Journal of Agriculture:Food Science and Technology, 2018, 6(4):495-499.

[22]
PARRINI S, ACCIAIOLI A, FRANCI O, et al. Near infrared spectroscopy technology for prediction of chemical composition of natural fresh pastures[J]. Journal of Applied Animal Research, 2019, 47(1):514-520.

[23]
ANDUEZA D, PICARD F, AUFRERE J. Ability of local and global fresh permanent grassland calibrations to predict the chemical composition and nutritive value of permanent grassland hays using NIRS[C]// International Conference on Near Infrared Spectroscopy.Montpellier, France:NIRS, 2013:hal-01607122.

[24]
SINNAEVE G, DARDENNE P, AGNEESSENS R, et al. The use of near infrared spectroscopy for the analysis of fresh grass silage[J]. Journal of Near Infrared Spectroscopy, 1994, 2(2):79-84.

[25]
MITCHELL R B, VOGEL K P, KLOPFENSTEIN T J, et al. Grazing evaluation of big bluestems bred for improved forage yield and digestibility[J]. Crop Science, 2005, 45(6):2288-2292.

[26]
CARREIRA E, SERRANO J, SHAHIDIAN S, et al. Real-time quantification of crude protein and neutral detergent fibre in pastures under montado ecosystem using the portable NIR spectrometer[J]. Applied Sciences, 2021, 11(22):10638.

[27]
SERVA L, MARCHESINI G, CHINELLO M, et al. Use of near-infrared spectroscopy and multivariate approach for estimating silage fermentation quality from freshly harvested maize[J]. Italian Journal of Animal Science, 2021, 20(1):859-871.

[28]
MURPHY D J, O’ BRIEN B, O’ DONOVAN M, et al. A near infrared spectroscopy calibration for the prediction of fresh grass quality on Irish pastures[J]. Information Processing in Agriculture, 2022, 9(2):243-253.

[29]
BERZAGHI P, CHERNEY J H, CASLER M D. Prediction performance of portable near infrared reflectance instruments using preprocessed dried, ground forage samples[J]. Computers and Electronics in Agriculture, 2021, 182:106013.

[30]
CHERNEY J H, DIGMAN M F, CHERNEY D J. Handheld NIRS for forage evaluation[J]. Computers and Electronics in Agriculture, 2021, 190:106469.

[31]
TACOMA F R, BOGGESS M, CHERNEY J H, et al. Hand-held NIR devices used to predict grass percentage in alfalfa-grass mixtures[EB/OL]. 2022:74-81(2022-10-18)[2024-04-20]. https://hdl.handle.net/1813/111881.

[32]
赵珍. 浅谈概率论在医学中的应用[J]. 卫生职业教育, 2005, 23(4):23-25.

ZHAO Z. A brief discussion on the application of probability theory in medicine[J]. Health Vocational Education, 2005, 23(4):23-25. (in Chinese)

[33]
CHEN J S, ZHU R F, XU R X, et al. Evaluation of Leymus chinensis quality using near-infrared reflectance spectroscopy with three different statistical analyses[J]. PeerJ, 2015, 3:e1416.

[34]
唐开婷. 便携式近红外光谱仪预测苜蓿干草品质模型建立与应用[D]. 博士学位论文. 石河子: 石河子大学, 2018.

TANG K T. Establishment and application of portable near infrared spectrometer data model for alfalfa hay[D]. Ph.D. Thesis. Shihezi: Shihezi University, 2018. (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.