花生，属蔷薇目，豆科草本植物，我国种植面积约450万hm²，占总油料作物面积的33%左右，每年花生秧产量约3 000万t^[1]，且富含营养成分，是值得开发的粗饲料资源。研究表明，花生秧中粗蛋白质(CP)含量仅次于紫花苜蓿^[2]。虽然已有研究证明了花生秧较高的饲用价值，但对其常规营养成分的检测仅局限于湿化学方法，国内外还没有学者建立花生秧近红外反射光谱(near infrared reflectance spectroscopy, NIRS)技术快速检测模型。因此，研究利用NIRS技术快速、简便地检测花生秧的营养成分的可行性是非常必要的。

NIRS技术自1800年被发现以来，随着相关光谱预处理方法和化学计量方法的不断改进，逐步发挥其快速、简便、实时检测的优点。目前，NIRS技术研究已经深入农业领域^[3-8]。NIRS技术应用在饲料行业，能够准确预测多种饲料原料的营养成分，改善饲料原料分析中过程繁琐、耗时、费力的现象，而且减少化学试剂的使用对环境造成的污染。因此，本试验从河南省各地区牧场及农户中收集了107个花生秧样品，分别进行不同的光谱预处理方法分析，探究NIRS技术对检测花生秧的常规营养成分的适用性。

1 材料与方法 1.1 试验样品的制备

于2016年10—12月期间，采集来自河南省各个地区不同品种、不同收割时间的107个花生秧样品，随机分成定标集(n=83)和验证集(n=24)。花生秧样品于65 ℃烘箱(DHG-9246A，上海精宏实验设备有限公司)烘干48 h后用植物粉碎机(FZ102，天津泰斯特仪器有限公司)粉碎成过40目筛样品。将制好的样品室温保存，用于NIRS扫描和常规营养成分的测定。

1.2 光谱的采集

试验用近红外光谱仪(Spectrastar 1400XL-3，美国Unity公司)利用漫反射方式进行样品光谱扫描及信息采集，每次开机前预热30~60 min，填装量为样品杯的2/3，保持样品杯和仪器周围清洁干净，保证每次样品填装都不受杂质干扰。每个样品填装3次，每次填装扫描100次，最终光谱为3次重新填装由Inferstar软件平均处理后的光谱图。

1.3 常规营养成分的测定

干物质(DM)含量用烘干法，按照GB/T 6435—2006测定(试验仪器：DHG-9246A鼓风干燥箱，上海精宏实验设备有限公司)。钙(Ca)含量用乙二胺四乙酸络合滴定法，按照GB/T 6436—2002测定。磷(P)含量用分光光度法，按照GB/T 6437—200(试验仪器：TU-1810紫外可见分光光度计，北京普析通用仪器有限责任公司)。粗灰分(Ash)含量用灼烧法，按照GB/T 6438—2007测定(试验仪器：SX2-4-10箱式电阻炉找，江苏泰州市天泰电热仪器厂)。粗脂肪(EE)含量用索氏抽提法，按照GB/T 6433—2006测定。CP含量用凯氏定氮法，按照GB/T 6432—1994测定(试验仪器：K9860全自动凯氏定氮仪，海能仪器股份有限公司)。中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)含量用滤袋技术法，按照GB/T 20806—2006和NY/T 1459—2007测定(试验仪器：A2000i型全自动纤维素分析仪，美国ANKOM公司)。

1.4 预测模型的建立

试验所测得的花生秧常规营养成分含量经过Excel 2010软件进行计算整理，与近红外光谱仪采集的样品光谱信息对应导入Unity公司的建模软件Ucal内，剔除异常样本后，在建模软件中用不同光谱预处理方法进行计算，选出最优预测模型。

1.5 预测模型的验证

将样本扫描的光谱运用不同的化学计量学方法进行预处理后，运用偏最小二乘法建立相关预测模型。由建模软件对预测模型进行内部验证，以定标相关系数(RSQcal)、交叉验证相关系数(1-VR)、定标验证误差(SEC)、交叉验证误差(SECV)表示模型预测能力，具体计算公式参考文献[10]。其中RSQcal、1-VR值越接近1代表模型预测能力越强，SEC、SECV值越小代表模型预测误差越小，一般认为当RSQcal越大，SECV越小时，模型定标效果越好^[9]。然后进行外部验证，运用模型预测24个预测集，观察预测值和实测值之间的拟合程度，以决定系数(RSQv)表示外部验证结果，一般认为当RSQv > 0.80时，模型可以用于实际预测；当RSQv在0.66~0.80时，模型可以进行估略的预测；当RSQv < 0.66时，模型不能用于实际预测^[10-12]。

2 结果与分析 2.1 各花生秧样品的常规营养成分含量

表 1显示了全集107个各花生秧样品的常规营养成分含量的最大值、最小值、平均值和标准差。可以看出，试验所用花生秧DM、EE、ADF、NDF、Ash、Ca、P、CP含量的变幅分别为97.90%~87.51%、0.74%~4.29%、29.87%~62.87%、36.21%~70.84%、6.33%~27.46%、0.46%~4.44%、0.06%~0.52%、6.60%~12.80%，各营养成分含量分布范围较大，样品数量丰富，适合建立NIRS模型。

2.2 花生秧样品光谱图

图 1展示的是未经过处理的花生秧近红外原始光谱图，各样品吸收趋势相同，在特定波段都表现出相同形状吸收峰，表明了花生秧样本的同质性。不同的样本由于自身营养成分含量的不同，吸收曲线又上下波动，体现了样本的差异性。

2.3 不同化学计量学方法的花生秧光谱预处理定标结果的比较

由表 2可以看出，各营养成分需要进行不同的光谱预处理方式才能得到理想的定标结果。其中经过标准正态变换(SNV)+一阶导数(1st derivative，1st De)预处理后，花生秧DM含量定标结果RSQcal、1-VR、SEC、SECV值分别为0.989、0.976、0.236、0.233；经过SNV+去趋势校正+二阶导数(2nd derivative，2nd De)预处理后，花生秧CP含量定标结果RSQcal、1-VR、SEC、SECV值分别为0.923、0.755、0.300、0.505；经过SNV+去趋势校正+1st De预处理后，花生秧NDF含量定标结果RSQcal、1-VR、SEC、SECV值分别为0.966、0.825、1.189、2.600，RSQcal值最大，达到精准预测水平。经过不用的预处理方式以后，ADF、EE含量定标结果RSQv > 0.70、SECV较大，定标结果未达到精准预测水平；Ash、Ca、P含量定标结果RSQv < 0.70，定标结果较差。

2.4 花生秧近红外预测模型的验证

运用已建立的近红外预测模型预测集，将预测值和实测值进行相关性分析，结果如图2所示。其中横坐标代表化学测定的实测值，纵坐标代表预测模型的预测值，结果显示：花生秧中DM、EE、ADF、NDF、Ash、CP、Ca、P含量预测值与实测值之间的RSQv分别为0.968 2、0.752 4、0.738 9、0.937 3、0.001 4、0.903 6、0.642 1、0.218 1。由此进一步印证了近红外预测模型对于花生秧中DM、NDF、CP含量能准确预测，而对于花生秧中ADF、EE含量只能粗略的预测，不能预测花生秧中Ash、Ca、P含量。

3 讨论

近红外光在对样品进行近红外扫描时，不仅仅吸收了样品本身的信息，还会受环境温湿度、仪器稳定程度等影响，所以仪器采集的光谱就会掺杂很多干扰信息导致噪音污染，因此在利用光谱建模前，一般会对光谱进行预处理，其中包括求导、平滑、变换等，经过处理后的光谱将无用信息和噪音去除，使模型更加稳定，适用性更强^[13]。

不同产地、刈割时间、高度、品种都是影响花生秧的营养成分含量差异的因素^[14]，本试验花生秧样品来自河南省不同地区，存在地域、品种、刈割时间的差异，营养成分含量范围跨度大。NIRS分析建模时，定标集的基础数据直接影响分析结果的准确性，样品组成、性质的分布范围是关键点^[15-16]，本试验中花生秧样品营养成分含量影响因素覆盖度高，符合建模需求。

偏最小二乘法是建模时常采用的方法，有研究表明该方法具有较强的抗干扰能力，可在建模时选择全波或者相关性强的波段参与^[17]。NIRS分析过程中，光谱预处理是重要的步骤，所有定量和定性分析都是基于此，选择合适的预处理方法对于模型的预测能力和稳健型起决定性的作用。本试验中，对于花生秧DM、NDF、CP含量经过最佳预处理后模型适用性良好。薛祝林等^[17]对于紫花苜蓿草捆的研究中发现，NIRS技术对于预测NDF、CP含量效果良好，对于预测EE含量效果较差，这与本研究结果一致。Khaleduzzaman等^[18]运用NIRS技术分析蛋鸡混合饲粮的营养成分，发现CP、EE、P含量预测值和实际分析值之间的相关系数(R²) > 0.9，粗纤维(CF)、Ca含量预测值和实际分析值之间的R² > 0.8。李玉鹏等^[19]验证了运用NIRS技术预测棉籽粕营养成分和蛋公鸡代谢能，发现测定水分、CP、EE、CF、Ash含量的可行性。而本试验对于ADF、EE、Ash含量的检测效果与前人研究不一致，这可能是由于花生秧样本量较少，模型需要进行长期校正和维持^[15]。Ca、P含量预测效果不理想，可能由于这2种成分在花生秧中含量较低，因为普遍公认近红外预测天然产物的极限含量是0.1%^[20-21]，NIRS技术应用于饲草中微量元素的预测仍需进一步研究。

建模后，需要利用验证集来验证模型准确度、重复性、传递性、稳定性等^[8]。本试验验证集DM、CP、NDF含量都表现良好(RSQv > 0.90、RSQcal > 0.80)，印证了模型用来预测未知样本的准确性；ADF、EE含量的验证集表现一般(0.80>RSQv > 0.66、RSQcal > 0.70)，表明了模型能粗略预测该指标的可能性；而其余指标建模参数表现不理想，验证集验证结果依然较低。实际生产中，需要进一步扩充模型样本及验证指标，保证模型高精准度，才能确定模型的可应用性。

4 结论

① 经过SNV+1st De预处理后，花生秧DM含量预测效果最佳；经过SNV+去趋势校正+1st De预处理后，花生秧NDF含量预测效果较佳；经过SNV+去趋势校正+2nd De预处理后，花生秧CP含量预测效果最佳。

② NIRS技术对花生秧中DM、NDF、CP含量能精准预测，对EE、ADF含量能粗略预测，而对Ca、P、Ash含量不能预测。