黄土高原13种栽培牧草营养成分NIRS模型分析

杨天辉，常生华，莫本田，侯扶江

(1.草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州730020;2.宁夏农林科学院动物科学研究所，宁夏 银川 750002; 3.贵州省草业研究所，贵州 贵阳 550006)

黄土高原13种栽培牧草营养成分NIRS模型分析

杨天辉1,2，常生华1，莫本田3，侯扶江1

(1.草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州730020;2.宁夏农林科学院动物科学研究所，宁夏 银川 750002; 3.贵州省草业研究所，贵州 贵阳 550006)

对2012-2013年黄土高原种植的13个牧草品种、780份干草样品的营养成分建立了近红外光谱(near infrared reflectance spectroscopy,NIRS)的检测模型。豆科牧草的粗脂肪(EE)、酸性洗涤纤维(ADF)和粗灰分(Ash)建模结果最好，其定标决定系数(RSQ)>0.94,交叉验证相关系数(1-VR)>0.7最高，定标标准分析误差(SEC)在0.071～0.713，交叉校验定标标准分析误差(SECV)在0.160～2.751。禾本科牧草的EE和可溶性糖(WSC)建模结果最好，RSQ分别达0.916和0.859，1-VR分别为0.609和0.810，SEC和SECV分别是0.250、1.488和0.505、3.172。菊科和车前科牧草的模型，除ADF外，其它指标预测的稳定性和准确性较为理想，RSQ在0.85以上，1-VR在0.70以上，SEC和SECV分别在0.361～3.557和0.495～4.602。NIRS对豆科粗蛋白(CP)和WSC的数值预测较差，RSQ仅>0.55，对禾本科CP、ADF、中性洗涤纤维(NDF)、Ash及菊科和车前科的ADF的预测稍差，RSQ>0.7。

粗蛋白；粗脂肪；酸性洗涤纤维；中性洗涤纤维；粗灰分；菊苣；车前

随着计算机技术和化学计量学的进步，近红外检测技术(near infrared reflectance spectroscopy,NIRS)因对样品无损伤、用量少、速度快、精度高而应用范围不断扩大[1]，目前已成功应用于动物、植物、微生物、土壤等生物和非生物样品的成分检测[2]。近红外光谱数据分析的主旨是定量光谱数据与样品成分含量之间的关系，核心是模型的建立与评价[3]。最小二乘法(PLS)是NIRS数学建模中应用最多的方法[4]；模型建立后，其校正和评价的主要参数包括定标决定系数、交叉验证决定系数、外部验证决定系数、交叉验证标准差等，而且决定系数越大，标准差越小，模型的定标及预测效果越好[3]。

NIRS 技术在牧草常规营养成分分析的应用虽然起步较晚，但是已经成为一个重要分支[5]。1976年，Norris等[6]利用NIRS技术测定了牧草的粗蛋白(CP)。此后，该技术相继用于分析紫花苜蓿(Medicagosativa)[7]、红三叶(Trifoliumpretense)[8]、多年生黑麦草(Loliumperenne)[9]和紫羊茅(Festucarubra)[10]等牧草的营养成分检测上，NIRS技术分析样品粗蛋白含量的相关系数均在0.90以上。而且，青贮饲料样品连续4年营养成分建模的决定系数均大于0.90[11]。国外学者[3]对牧草、秸秆类粗饲料中CP、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)和其它成分均成功建立了NIRS 预测模型。20 世纪末，我国先后对紫花苜蓿[12]、燕麦(Avenasativa)[13]、黑麦草[14]、羊草(Leymuschinense)[15]等牧草的常规营养指标，建立了效果良好的NIRS定标模型。以往研究多对天然草原牧草混合样品的营养成分进行实验室检测，结合近红外光谱技术建立定标模型，或者对单一的栽培牧草品种进行测定和定标[2]。不同生态区域和生长季节，各种牧草的养分含量可能大不相同，而在不同生育期，对多种利用方式的栽培牧草和混播草地的样品建立近红外定标检查模型的研究鲜有报道。为此，本研究选取13种优质牧草，通过定期刈割模拟轮牧，采集牧草单一样品和混合样品参与定标，研究混合定标的可行性，以期为NIRS技术的改进、应用范围的扩展提供基础数据。

1 材料与方法

1.1 栽培管理与取样

2012年4月29日，12种多年生牧草品种和燕麦在兰州大学榆中草地农业实验站播种(表1)，完全随机区组设计，每小区面积4 m×10 m，每个品种4次重复。每组小区间距1.5 m，组内小区间隔0.5 m。播种前翻耕，耕深30～40 cm，施二胺150 kg·hm-2、尿素300 kg·hm-2作为底肥。每小区平均分为两个裂区，设置两个处理，用定期刈割来模拟轮牧，生长季末收获一次干草。2012年6月29日开始首次轮牧，牧草株高30 cm左右，此后每20 d刈割一次，留茬高度8 cm，末次齐地面刈割，全年共计刈割6次。每次模拟轮牧后，追肥7.5 g·m-2尿素，并灌水，灌溉量约为42.24 m3·hm-2。收获干草的裂区刈割时间与模拟轮牧裂区末次刈割时间相同，齐地面刈割，施肥、灌溉的时间和量同模拟刈割。2013年，燕麦品种Makura复播，方法均与2012年相同；根据其它他牧草长势，模拟轮牧的首次刈割时间为6月1日，末次为10月1日，共7次，其它管理均与2012年相同。所有草样经过60 ℃烘干，粉碎后过0.37 mm筛，用于测定营养成分和扫描近红外光。

1.2 测定方法

1.2.1 化学成分测定方法 CP含量采用PROXIMA流动分析仪测定，粗脂肪(EE)采用ANKOMAXT15i型全自动脂肪分析仪滤袋法测定，NDF和ADF采用ANKOMA220型半自动纤维素分析仪进行测定，粗灰分(Ash)采用TM-O91OP型马弗炉进行测定[16-18]；可溶性糖(WSC)采用FOSS流动分析仪测定[19]。

表1 牧草品种试验材料

1.2.2 样品光谱测定 用Foss公司XDS-RCA可见/近红外光谱仪扫描牧草样品[2]，光谱波长范围400-2 498 nm，光谱分辨率2 nm，波长准确度<0.05 nm，数据采样频率2 f·s-1。每样品重复装样扫描3次，计算其平均值，用软件自动合并各处理重复和相似数值以增加精确度。双检测器系统：硅检测器(400-1 100 nm)，硫化铅检测器(110-2 500 nm)。WinISⅢ光谱处理软件建立牧草成分的标准曲线并验证。

1.2.3 定标和校验 把全部样品分成两份，其中585份作为定标集，195份作为预测集，在WinISⅢ定标软件中对585份样品先进行聚类分析，筛选出具有代表性的样品514份，测定营养成分后输入。采用软件自动合并各处理重复值，将牧草干草分为豆科、禾本科和其它科，先用定标样品集建立预测模型，再做交叉检验，根据交叉验证相关系数(1-VR)、交叉校验定标标准分析误差(SECV)和定标标准分析误差(SEC)等指标对模型进行优化，并最终确定最佳定标方式和模型。然后，利用195份预测样品集对模型进行外部验证，检测其预测效果，评价模型的外部验证能力。

2 结果与分析

2.1 牧草营养成分分析结果

对定标样品各营养成分NIRS模型进行随机样品验证(表2)，豆科牧草、禾本科和其它科牧草验证集的预测值与化学测定值间的平均偏差(Bias)分别为-0.10～0.21、-0.16～0.24和-0.06～0.05，牧草定标模型预测效果较为理想。

2.2 可见/近红外校正模型的建立与优化

用WinISⅢ定标软件对光谱数据进行预处理，选择全谱范围(400―2 500 nm)，确定主因子数。采用NIRS处理软件自带的共12种回归、光谱和数学处理方法组合对定标集样品光谱进行定标[2](表3)。

2.3 牧草养分的最佳光谱处理和数学处理方法

豆科牧草定标集样品进行NIRS扫描后，分别采用改进偏最小二乘法、最小二乘法建立模型，选择最优模型和光谱处理模式(表4)；其中EE、ADF和Ash的定标决定系数(RSQ)均在0.9以上，交叉验证相关系数(1-VR)在0.7以上，定标标准分析误差(SEC)在0.071～0.713，交叉校验定标标准分析误差(SECV)在0.160～2.751，说明豆科牧草所建模型在EE、ADF和Ash数值的预测具有较高的稳定性和准确性；所建定标模型在NDF数值预测方面稍差，RSQ达0.831，1-VR为0.631，SEC和SECV分别是3.331和4.624，需对定标集进一步扩充和完善以进一步提高预测准确度；模型对CP和WSC的预测能力最差，RSQ分别仅为0.557和0.559，1-VR分别为0.543和0.404，SEC和SECV分别为1.889、2.017和2.461、2.224。

表2 牧草定标和预测样品集牧草营养成分分析结果

注：Lab Mean为实验室分析结果平均值；NIR Mean为近红外预测结果平均值； Bias为验证集预测值与化学分析值的平均偏差。样品为随机选取，用“刈割年份+品种代号+茬次”表示，品种代号同表1所示。

Note: Lab Mean，mean value of calibration sample lab date; NIR Mean，mean value of forecast sample lab date; Bais, average deviation between calibration sample lab date and forecast sample lab date. Sample were randomly selected, and represent as sampling year+variety abbreviation+the cutting times, the varieties abbreviation are the same as Table 1.

表3 定标集样品的回归、光谱和数学处理方法

注：Modified PLS为改进最小二乘法；PLS为最小二乘法；SNV+Detrend为标准正常化+去散射处理；2，4，4，1为二阶导数处理，数据间隔点为4，平滑处理间隔点为4，二次平滑处理间隔点为1。下表同。

Note: Modified PLS， Modified Partial Least Squares; PLS， Partial Least Squares; SNV + Detrend， standard normal variant+Detred; 2, 4, 4, 1， 2 derivative processing, 4 Gap, 4 Smooth, 1 Smooth 2. similarly for Table 4.

禾本科牧草定标集样品处理参数及模型选择方法与豆科相同(表4)；其中EE和WSC的RSQ分别达到0.916和0.859，1-VR分别为0.609和0.810，SEC和SECV分别是0.250、1.488和0.505、3.172；说明所建模型在EE和WSC数值的预测较为稳定和准确；定标模型在CP、ADF、NDF和Ash的数值预测方面稍差，RSQ在0.75～0.78，1-VR在0.62～0.65，SEC和SECV分别在0.744～3.472和0.909～5.378。

其它科牧草定标集样品所建模型的处理参数和模型选择方式与上述两类相同(表4)；除ADF数值预测方面稍差RSQ为0.708，1-VR为0.801，SEC和SECV分别是2.799和4.709；其它指标数值预测稳定性和准确性较为理想，RSQ在0.85以上，1-VR在0.70以上，SEC和SECV分别在0.361～3.557和0.495～4.602。

表4 牧草各营养成分的最佳光谱处理和数学处理

注：RSQ，定标决定系数；SEC，定标标准分析误差；SECV，交叉校验定标标准分析误差；1-VR，交叉验证相关系数。

Note: RSQ，determination coefficient of Standard curve; SEC，Standard Error of Calibration; SEVC，Standard Error of cross validation; 1-VR，1 minus the variance ratio.

3 讨论与结论

牧草和饲料的常规养分分析是NIRS技术的传统应用领域[3]，国际上建立了系统的NIRS模型库[20]。NIRS技术测定反刍家畜粗饲料、多年生黑麦草和紫羊茅(F.rubra)的CP含量，模型的相关系数在0.97～0.98[8，21]。NIRS技术还可以测定多花黑麦草的CF、NDF、ADF含量[22]，玉米秸秆的NDF和ADF含量[23]，紫花苜蓿的Ash等[7，24]。但是，由于牧草种类构成、营养成分含量以及环境等诸多因素的差异，目前还没有一个较为完善的NIRS模型可以适应于各种牧草的生产和多种草地类型[25]。本研究建立了2012-2013年模拟轮牧条件下，13种优质牧草品种干草营养成分的NIRS模型；各品种牧草营养成分的NIRS模型，除豆科CP和WSC外，定标决定系数均在0.7以上，交叉验证相关系数均在0.63以上(表4)，均达实用标准，这与Marten等的结果较为一致[10]，他们虽然建立了4种豆科牧草常规营养成分的NIRS 模型，并证实NIRS 可分析混合牧草营养成分，但未涉及不同科牧草NIRS模型的比较。本研究发现，将NIRS模型运用于不同科牧草品种营养成分的预测效果较为理想，也表明定标模型对样品集的变异描述能力较强，定标模型建立较为成功。

然而，单一牧草样品建模较混合样品更准确[26]。本研究中，豆科牧草NIRS模型，CP和WSC的决定系数较其它模型小，RSQ仅>0.55，禾本科CP、ADF、NDF和Ash及其它牧草的ADF的预测稍差，RSQ>0.7(表4)，既可能与混合样品有关，也可能因为实验室中样品测定值存在误差，需要扩充样本量、降低实验室化学分析的误差等，以校正定标方程。

References:

[1] Givens D I,de Boever J L,Deaville E R.The principles,practices and some future applications of near infrared spectroscopy for predicting the nutritive value of foods for animals and humans.Nutrition Research Reviews,1997,10(1):83-114.

[2] 李洁,王建福,吴建平,张昌吉,王欣荣.可见/近红外漫反射光谱分析法测定牧草营养成分研究.家畜生态学报,2014,35(4):54-58. LI J,Wang J F,Wu J P,Zhang C J,Wang X R.Study on the determination of nutritional ingredient in native grass with visible/near infrared reflectance spectroscopy.Journal of Domestic Animal Ecology,2014,35(4):54-58.(in Chinese)

[3] 杜雪燕,王迅,柴沙驼,刘书杰.近红外光谱技术在天然草地牧草营养价值评价中的应用及展望.中国农学通报,2014,30(35):1-6. Du X Y,Wang X,Chai S T,Liu S J.Application of near infrared reflectance spectroscopy (NIRS) in assessing nutritional value of natural grassland pasture and its prospect.Chinese Agricultural Science Bulletin,2014,30(35):1-6.(in Chinese)

[4] 张琳,张黎明,李燕,刘丙萍,王晓斐,王俊德.偏最小二乘法在傅里叶变换红外光谱中的应用及进展.光谱学与光谱分析,2005,25(10):1610-1613. Zhang L,Zhang L M,Li Y,Liu B P,Wang X F,Wang J D.Application and improvement of partial-least-squares in fourier transform infrared spectroscopy.Spectroscopy and Spectral Analysis,2005,25(10):1610-1613.(in Chinese)

[5] 胡超,白史且,张玉,鄢家俊,游明鸿,李达旭,白玲,张劲.近红外光谱技术(NIRS)及其在牧草品质检测中的应用.草业与畜牧,2013(4):40-46. Hu C,Bai S Q,Zhang Y,Yan J J,You M H,Li D X,Bai L,Zhang J.Near-infrared reflectance spectroscopy analytic model established for the IVDMD ofCichoriumintybusL.Prataculture & Animal Husbandry,2013(4):40-46.(in Chinese)

[6] Norris K H,Barnes R F,Moore J E,Shenk J S.Predicting forage quality by infrared replectance spectroscopy.Journal of Animal Science,1976,43(4):889-897.

[7] Alexandrov A N,Atanassova S L,Peltekova V D,Broderick G A,Todorov N A.The use of near infrared spectroscopy for estimation of microbial contamination of in sacco forage residues and protein and dry matter degradability in the rumen.Publication-European Association for Animal Production,1995,81:133-140.

[8] Gislum R,Micklander E,Nielsen J P.Quantification of nitrogen concentration in perennial ryegrass and red fescue using near-infrared reflectance spectroscopy (NIRS) and chemometrics.Field Crops Research,2004,88(2):269-277.

[9] Hansen J L,Viands D R,Steffens J C,Sniffen C J.Heritability and improvement of protein and nitrogen concentrations in wilted alfalfa forage.Crop Science,1992,32(4):879-883.

[10] Marten G C,Brink G E,Buxton D R,Halgerson J L,Hornstein J S.Near infrared reflectance spectroscopy(NIRS):Analysis of forage quality.Crop Science,1984,24(6):1179-1182.

[11] Villamarín B,Fernández E,Mendéz J.Analysis of grass silage from northwestern spain by near-infrared reflectance spectroscopy.Journal of AOAC International,2002,85(3):541-545.

[12] 赵环环,胡跃高,赵其波,张鹏.近红外光谱分析技术在黑麦草粉粗蛋白测定中的应用.动物营养学报,2001,13(4):40-43. Zhao H H,Hu Y G,Zhao Q B,Zhang P.Application of near infrared reflectance spectroscopy (NIRS) to analysis crude protein in ground rye hay.Chinese Journal of Animal Nutrition,2001,13(4):40-43.(in Chinese)

[13] 赵秀芳,李卫建,黄伟,曹喆,戎郁萍.燕麦干草品质的近红外光谱定量分析.光谱学与光谱分析,2008,28(9): 2094-2097. Zhao X F,Li W J,Huang W,Cao Z,Rong Y P.Near infrared determination of dry hay quality in oats.Spectroscopy and Spectral Analysis,2008,28(9):2094-2097.(in Chinese)

[14] 尚晨,张月学,李炎,蒿若超,唐凤兰,韩微波,刘杰淋.紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立.光谱学与光谱分析,2009,12(29):3250-3253. Shang C,Zhang Y X,Li Y,Hao R C,Tang F L,Han W B,Liu J L.Near-infrared reflectance spectroscopy analytic models established for the crude protein and crude fiber of alfalfa property.Spectroscopy and Spectral Analysis,2009,12(29):3250-3253.(in Chinese)

[15] 石丹,张英俊.近红外光谱法快速测定羊草干草品质的研究.光谱学与光谱分析,2011,31(10):2730-2733. Shi D,Zhang Y J.Determination ofLeymuschinensisquality by near-infrared reflectance spectroscopy.Spectroscopy and Spectral Analysis,2011,31(10):2730-2733.(in Chinese)

[16] 段倩雯,成慧,侯扶江.景泰绿洲3种小谷物的产草量与牧草营养成分预测.草业科学,2016,33(10):2041-2053. Duan Q W,Cheng H,Hou F J.Prediction off orage yield and nutrition of three small grains in Jingtai oasis.Pratacultural Science,2016,33(10):2041-2053.(in Chinese)

[17] 成慧,侯扶江,常生华,陈先江.黄土高原秋播时间对3种小谷物牧草生产性能的影响.草地学报,2013,21(6):1162-1168. Cheng H,Hou F J,Chang S H,Chen X J.Effects of fall sowing time on the forage productivity of small grain planted in the Loess Plateau.Acta Agrestia Sinica,2013,21(6):1162-1168.(in Chinese)

[18] 杨天辉,成慧,Eun J K,常生华,张瑜,莫本田,侯扶江.黄土高原模拟轮牧对高糖黑麦草生产性能的影响.草业科学，2015,32(9):1473-1481. Yang T H,Cheng H,Eun J K,Chang S H,Zhang Y,Mo B T,Hou F J.Responses of stimulated grazing to high-sugar ryegrass productive qualities on the Loess Plateau.Pratacultural Science,2015,32(9):1473-1481.(in Chinese)

[19] 张丽英.饲料分析及饲料质量检测技术.北京:中国农业大学出版社,1993:46-74.

[20] Park R S,Agnew R E,Gordon F J,Steen R W J.The use of near infrared reflectance spectroscopy (NIRS) on undried samples of grass silage to predict chemical composition and digestibility parameters.Animal Feed Science and Technology,1998,72(1):155-167.

[21] Barton F E,Windham W R.Determination of acid-detergent fiber and crude protein in forages by near-infrared reflectance spectroscopy:Collaborative study.Association of Official Analytical Chemists,1988,71(6):1162-1169.

[22] Bruno-Soares A M,Murray I,Paterson R M,Abreu J M F.Use of near infrared reflectance spectroscopy (NIRS) for the prediction of the chemical composition and nutritional attributes of green crop cereals.Animal Feed Science and Technology,1998,75(1):15-25.

[23] Cozzolino D,Fassio A,Gimenez A.The use of near-infrared reflectance spectroscopy (NIRS) to predict the composition of whole maize plants.Science of Food and Agriculture,2001,81(1):142-146.

[24] de Boever J L,Cottyn B G,de Brabander D L,Boucqué C V.Prediction of the feeding value of maize silages by chemical parameters,in vitro digestibility and NIRS.Animal Feed Science and Technology,1997,66(1-4):211-222.

[25] 聂志东,韩建国,张录达,李军会.近红外光谱技术(NIRS)在草地生态学研究中的应用.光谱学与光谱分析,2007,27(4):691-696. Nie Z D,Han J G,Zhang L D,Li J H.Application of near infrared reflectance spectroscopy technique(NIRS) to grassland ecology research.Spectroscopy and Spectral Analysis,2007,27(4):691-696.(in Chinese)

[26] Berardo N.Prediction of the chemical composition of white clover by near-infrared reflectance spectroscopy.Grass and Forage Science,1997,52(1):27-32.

(责任编辑 王芳)

Analysis of nutritional content in 13 forage crop varieties in the Loess Plateau based on visible/near infrared reflectance spectroscopy

Yang Tian-hui1,2, Chang Sheng-hua1, Mo Ben-tian3, Hou Fu-jiang1

(1.State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China;2.Institute of Animal Science, Ningxia Academy of Agricultural and Forestry Sciences, Yinchuan 750002, China;3.Guizhou Institute of Prataculture, Guiyang 550006, China)

A visible/near-infrared reflectance spectroscopy (visible/NIRS) model was developed to determine the forage cultivar nutritional composition of 780 hay samples under simulated rotational grazing. Hay samples (n=780) from 13 forage crop varieties under simulated grazing in Loess Plateau during the 2012 to 2013 growing season were evaluated using calibration methods for prediction of nutrient contents using NIRS. The following results were obtained. The optimal calibrations in Leguminosae were ether extract (EE), acid detergent fiber (ADF), and crude ash(Ash). The multiple correlation coefficients(RSQ) and 1-variance ratio (1-VR) were > 0.94 and > 0.7, and standard error of calibration (SEC) and standard error of cross validation (SECV) were 0.071～0.713 and 0.160～2.751, respectively. Optimal calibrations in Gramineae were EE and water-soluble carbohydrate content(WSC). RSQ were 0.916 and 0.859 and 1-VR were 0.609 and 0.810 for EE and WSC, respectively, and SEC was 0.250 and 1.488 and SECV was 0.505 and 3.172, respectively. For the other species, the results for nutrient predication were reasonably good, with the exception of ADF. RSQ and 1-VR were >0.85 and >0.70, and SEC and SECV were 0.361～3.557 and 0.495～4.602, respectively. These results indicate that the accuracy of prediction using NIRS was acceptable for 13 forage crop nutrients, although the crude protein(CP), ADF, neutral detergent fibre(NDF), Ash of Gramineae and the ADF of others species (RSQ > 0.7) may require further calibration. The accuracies of the predictions for CP and WSC in Leguminosae (RSQ > 0.55) were not acceptable and thus more samples and greater precision during measurement will be required in further investigations.

crude protein; ether extract; ADF; NDF; Ash;Cichoriumintybus；Plantagolanceolata

Hou Fu-jiang E-mail:cyhoufj@lzu.edu.cn

10.11829/j.issn.1001-0629.2016-0137

2016-03-18 接受日期：2016-05-18

长江学者和创新团队发展计划(IRT13019)；甘肃省2016年草牧业试验试点和草业技术创新联盟科技支撑(GCLM2016001)

杨天辉(1989-),男,宁夏同心人,助理研究员,硕士,研究方向为草地栽培。E-mali:1178981668@qq.com

侯扶江(1971-),男,河南扶沟人,教授,博导,博士,研究方向为草地资源利用与管理。E-mail:cyhoufj@lzu.edu.cn

S816.11

A

1001-0629(2017)3-0575-07*

杨天辉,常生华,莫本田,侯扶江.黄土高原13种栽培牧草营养成分NIRS模型分析.草业科学,2017,34(3)：575-581.

Yang T H,Chang S H,Mo B T,Hou F J.Analysis of nutritional content in 13 forage crop varieties in the Loess Plateau based on visible/near infrared reflectance spectroscopy.Pratacultural Science，2017,34(3)：575-581.