近红外光谱分析法预测小叶章营养价值的研究

殷秀杰，崔国文，胡国富，李景欣，洪锐民，王明君

（东北农业大学动物科学技术学院，哈尔滨 150030）

近红外光谱分析技术（Near Infrared Reflectance Spectroscopy，NIRS）是一种利用有机化学物质在近红外谱区内的光学特性快速测定物质化学组分含量的现代光谱技术。NIRS具有快速、准确、无破坏性、可同时测定多种成分等优点，到目前，NIRS应用领域广泛，其相关研究也有大量资料报道[1-9]。

小叶章（Deyeuxia angustifoliaL.）主要分布在我国东北、华北、内蒙古等地区低湿地，尤以三江平原分布最为集中，是三江平原典型草甸、沼泽化草甸建群植物，它高产优质、再生能力强、耐践踏、既可青贮、更易于调制干草，对于各种家畜均具有较高适口性。

在生产实践中，及时测定小叶章营养价值对于指导放牧家畜饲养与营养搭配具有重要意义，本文运用近红外漫反射技术快速测定小叶章营养成分中粗蛋白（Crude protein，CP）、粗脂肪（Ether ex⁃tract，EE）中性洗涤纤维（Neutral detergent fiber，NDF）和酸性洗涤纤维（Acid detergent fiber，ADF）的含量进行探讨。

1 材料和方法

1.1 样品制备

在黑龙江省宝清县三江平原小叶章草场，于2010年6～8月，每月中旬采集小叶章全株样品80份，共计240份。符合Windham所提最低样品数为50个要求[10]。样品经晾晒风干，用钢磨粉碎过0.25 mm（60目）筛，其用低密度的聚乙烯包装袋密封好作为待测样品。

1.2 样品测定

1.2.1 样品的常规分析

小叶章样品CP含量采用凯氏定氮法测定（AOAC），EE含量采用浸提法测定，ADF和NDF含量测定按Van Soest方法进行[11]。

1.2.2 样品光谱的采集

选用由美国Thermo Nicolet公司生产的AN⁃TARISⅡ型傅立叶变换近红外分析仪，仪器工作参数为：光谱采集范围4 000～10 000 cm-1；扫描次数64次；分辨率8 cm-1；数据形式：log（1/R）。

每次开机扫描光谱前，仪器预热60 min，首先进行背景光谱扫描，尽可能消除背景对光谱干扰。采用旋转样品台以增加采样面积，样品杯为5 cm内径，旋转后实际采集光谱样品面积为18.84 cm2。测定时样品杯自动旋转，以获得较多样品的近红外光谱信息。积分球直径为10 cm，大体积积分球可以对样品漫反射谱进行平均，以得到好的光谱重现性。旋转样品杯中的样品高度、紧实度、均匀度尽量做到一致，样品深度不得低于2 mm。每个样品重复扫描6次，计算其平均光谱，样品的近红外漫反射光谱见图1。

图1 小叶章营养价值的近红外光谱Fig.1 Near infrared spectrometer picture of the Nutrition value in Deyeuxia angustifolia.

1.2.3 建立NIRS数学模型的方法

在将样品按某个指标含量大小顺序排列后，以3∶1比例将全部样品划分成建模样品集和检验样品集（建模样品180份，检验样品60份）。先用校正样品集建立预测模型，根据R2和SD/RMSEP等指标对模型进行优化，并最终确定模型。最后用验证集样品对模型进行外部验证，采用TQ Analyst（6.2）光谱定量分析软件对模型再进行操作。

2 结果与分析

2.1 小叶章样品营养成分的化学分析结果

表1是240个小叶章样品中各营养成分常规分析结果。

表1 样品的营养含量Table 1 Nutrition contents of the samples (%)

从表1可以看出各营养成分含量的变幅比较大，其含量范围基本上可以覆盖小叶章的常态含量分布，可用于建立小叶章样品营养成分含量的近红外校正模型。

2.2 小叶章CP、EE、NDF和ADF模型的建立与优化

试验采用偏最小二乘回归（PLS）方法建立定标模型，在使用传统线性回归模型之前，先对所需合适变量数进行预测并去除噪音干扰。利用TQ Analyst 6.2分析软件通过多元信号修正（MSC）消除由于样品大小、均匀性等对光程的干扰。采用Nor⁃ris Derivative和Savitzky Golay滤波方法对光谱进行平滑处理，然后采用一阶导数和二阶导数净化光谱图，选择谱区范围，并确定主因子数，以达到优化模型目的。小叶章CP、EE、NDF和ADF的最佳光谱处理方法和谱区范围见表2。

表2 建立近红外光谱预测模型的最佳条件Table 2 Optimal conditions for establishing NIRS prediction models

2.3 模型的建模效果分析

根据相对分析误差RPD（SD/RMSEP）值对模型进行详细评价。如果RPD≥3，说明定标效果良好，建立的定标模型可以用于实际检测；如果2.5＜RPD＜3，说明利用NIRS对该成分进行定量分析可行，但预测精度有待进一步提高；如果RPD＜2.5，说明该成分难于进行NIRS定量分析[12-13]。

表3为在选择最佳建模光谱范围和光谱预处理方法后，得到的小叶章干草各指标含量校正模型的建模参数和验证效果，其中CP、EE、NDF和ADF含量的校正模型的建模相关系数R2分别为0.9587、0.9654、0.9638和0.9553，均达到0.95以上，RMSEP分别为0.24、0.31、0.82和0.84，接近化学分析的准确度，并且这4项指标的RPD值均大于3，说明近红外校正模型具有较好预测效果，能较好地满足实际生产中对分析精度的要求。

表3 CP、EE、NDF和ADF预测模型的优化结果Table 3 Optimization results for the calibration of Prediction model CP,EE,NDF and ADF contents

校正模型建立后，采用外部验证的方法对所建模型的预测效果进行验证。表4为用预测模型对60个小叶章样品CP、EE、NDF和ADF含量预测结果。从表中可以看出预测样品各指标预测值与常规分析值之间差异不显著。预测均方差（RMSEP）分别为0.55（CP）、0.42（EE）、1.46（NDF）和 1.23（ADF）。散点图2表明，小叶章CP、EE、NDF和ADF预测值与化学值之间的相关系数（R2）分别为0.952 3、0.953 7、0.955 5和0.952 0，表明预测值与化学值比较接近，检测误差小、结果准确可靠，可用NIRS技术来对小叶章样品中的CP、EE、NDF和ADF含量进行实际预测。

表4 校正模型的验证Table 4 Evaluation of the calibration models with validation sets

图2 CP、EE、NDF、ADF测量值与预测值的相关性Fig.2 Correlation between measured and predicted values CP,EE,NDF and ADF

3 讨论

目前，国内关于NIRS技术分析青贮饲料、紫花苜蓿化学成分研究较多。董苏晓等研究表明，近红外漫反射光谱法可测定新鲜青贮饲料中干物质DM、NDF、ADF和粗灰分（CA）含量；CP含量测定效果较好，需要通过扩大样品CP含量变异范围进一步验证；可粗略估测酸性洗涤木质素（ADL）和可溶性碳水化合物（WSC）含量，测定精度有待于提高[14]。齐晓等采用FT-NIRS，结合PLS，建立紫花苜蓿茎组分CP、NDF、ADF、CA和体外可消化干物质（IVDDM）含量预测模型，除NDF含量的预测模型外，其他4个指标预测模型建模效果和实际预测均较好[8]。滑荣等运用PLS建立紫花苜蓿草颗粒CP、NDF和ADF含量近红外光谱预测模型，表明近红外光谱分析技术可准确预测紫花苜蓿草颗粒的营养价值[13]。陈鹏飞等应用PLS、傅里叶变换近红外光谱技术（FT-NIRS）和液氮冷冻制样技术，建立适合于不同品种、不同生育期、不同茬次和不同青贮方法即时测定青贮苜蓿鲜样中DM、CP、NDF、ADF的模型，结果表明采用适当的样品处理方法和光谱分析技术可实现近红外光谱技术对苜蓿青贮鲜样营养价值评定[15]。尚晨以152个来源不同的紫花苜蓿样品建立粗蛋白和粗纤维含量近红外定量分析校正模型，表明利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状可行[16]。

对于NIRS应用于小叶章营养价值快速定量检测尚属首例，本试验采用PLS方法，建立小叶章CP、EE、NDF和ADF含量的预测模型，检测误差小、结果准确可靠，与化学分析方法无明显差异且重现性好，表明近红外漫反射光谱法可快速并准确测定小叶章中CP、EE、NDF和ADF含量。同时，本试验使用TQ Analyst 6.2分析软件进行光谱预处理，在建模之前对建模光谱信息进行选择，提高了建模光谱数据有效信息率，获得小叶章营养价值最佳的光谱处理方法和谱区范围。同时，本试验采用较大的样品量，在一定程度上提高近红外建模准确性。后续研究中，可增加有代表性样品，增大样品品种、地域、年际变化、物理形态等变异条件，拓宽预测范围，既能建立包括大量变异宽范围预测模型，也可以用少量样品建立准确专用模型。

4 结论

采用偏最小二乘法（PLS）建立小叶章CP、EE、NDF和ADF含量的近红外光谱定量分析校正模型，小叶章CP的预测相关系数（R2）达到0.9523、SD/RMSEP达到3.51；EE的预测相关系数0.9537、SD/RMSEP达到3.05；NDF预测相关系数达0.9555、SD/RMSEP达到3.12；ADF预测相关系数0.9520、SD/RMSEP达到3.15，表明近红外漫反射光谱法可快速并准确的测定小叶章中CP、EE、NDF和ADF含量。

[1] 燕昌江,李锋,徐良梅,等.近红外光谱技术在畜牧生产中的应用[J].东北农业大学学报,2008,39(11):140-144.

[2] Norris K H,Barnes R F,Moore J.E,et al.Predicting forage quali⁃ty by infrared replectance spectroscopy[J].Journal of Animal Sci⁃ence,1976,43:889-897.

[3] Brown W F,Moore J E,Kunkle W E,et al.Forage testing using near infrared reflectance spectoscopy[J].Journal of Animal Sci⁃ence,1990,68:1416-1472.

[4] Flinn,P C,Heazlewood P G.A uniform objective system for quali⁃ty description of australian fodder products[R].Canberra:Rural Industries Research and Development Corporation,2000.

[5] 彭玉魁,李菊英.NIRs法同时测定小麦种子水分、粗蛋白、赖氨酸和粗淀粉含量研究[J].西北农业科学,1996,5(3):31-34.

[6] 魏良明,严衍禄,戴景瑞.近红外反射光谱测定玉米完整籽粒蛋白质和淀粉含量的研究[J].中国农业科学,2004,37(5):630-633.

[7] 李君霞,张洪亮,严衍禄,等.水稻蛋白质近红外定量模型的创建及在育种中的应用[J].中国农业科学,2006,39(4):836-841.

[8] 齐晓,韩建国,聂志东,等.利用近红外漫反射光谱法预测紫花苜蓿茎组分营养价值的研究[J].光谱学与光谱分析,2008,28(9):2062-2066.

[9] 白琪林,陈绍江,严衍禄,等.近红外漫反射光谱法测定青贮玉米品质性状的研究[J].中国农业科学,2006,39(7):1346-1351.

[10] Windham W R,Mertens D R,Barton F E.Protocol for NIRS cali⁃bration:sample selection and equation development and validation[M]//.marten G C.Near infrared reflectance spectroscopy(NIRS):analysis of forage quality.USDA agricultural handbook 643.Washington,D C:US Government Printing Office,1989.

[11] 杨胜.饲料分析及饲料质量检测技术[M].北京:北京农业大学出版社,1993.

[12] Murray I.Forage analysis by near infrared spectroscopy,in sward measurement handbook(2nd Edition)[M].Washington D C:The British Grassland Society,1993.

[13] 滑荣,韩建国,齐晓,等.近红外漫反射光谱法预测紫花苜蓿草颗粒营养价值[J].光谱学与光谱分析,2008,28(12):2826-2829.

[14] 董苏晓,刘贤,韩鲁佳.近红外漫反射光谱法快速测定新鲜青贮饲料化学成分含量[J].中国农业大学学报,2007,12(6):85-88.

[15] 陈鹏飞,戎郁萍,韩建国,等.近红外光谱法测定紫花苜蓿青贮鲜样的营养价值[J].光谱学与光谱分析,2007,27(7):1304-1307.

[16] 尚晨,张月学,李炎,等.紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立[J].光谱学与光谱分析,2009,29(12):3250-3253.