利用近红外光谱技术快速分析全株玉米青贮营养成分

王新基，郭 涛，潘发明，李 飞

(1.民勤县畜牧兽医站，甘肃 民勤 733300; 2.兰州大学 草地农业生态系统国家重点实验室/兰州大学农业农村部草牧业创新重点实验室/兰州大学草地农业科技学院，甘肃 兰州 730020)

全株玉米青贮是一种优于秸秆青贮的新的常规饲料，在一定程度上还可以代替部分精料[1]，已作为奶牛日粮中使用的主要粗饲料[2]。近几年，随着近红外光谱技术的快速发展，已广泛的应用于食品[3-4]、饲料[5]、医药[6]等各个领域。Norris等[7]利用近红外光谱技术建立了苜蓿，高羊茅，苜蓿和菠萝草混合物常规营养成分的近红外预测模型，证实了利用近红外光谱技术可以快速预测饲草营养成分的可行性。迄今为止，主要利用湿化学分析测定和近红外光谱技术预测这两种方式测定玉米青贮营养价值。传统的湿化学分析耗时耗力，并且所用的化学试剂对环境有一定污染。本研究利用近红外光谱技术评定玉米青贮的营养品质，以期在实际生产中为玉米青贮的合理有效利用提供参考。

1 材料与方法

1.1 样品的采集和制备

样品于2018年12月至2019年12月于甘肃、宁夏、青海等5个省份共采集玉米青贮80份样品。采集的玉米青贮样品立即用真空包装袋封存，带回实验室后采用4分法每个样品称取500 g，放入烘箱105 ℃烘48 h之后，置于外界回潮24 h，称重记录，粉碎过1 mm筛，装入自封袋以备湿化学分析和近红外仪器扫描用。

1.2 玉米青贮营养成分的测定

干物质(DM)和粗灰分(Ash)采用全自动水分灰分仪(340prepASH,瑞士)测定；粗蛋白(CP)采用全自动凯氏定氮仪 (FOSS-8400,丹麦)测定；中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)采用全自动纤维仪(Ringbio R-2000,中国)测定；粗脂肪(EE)采用全自动脂肪仪(ANKOM XT-15i,中国)测定。

1.3 玉米青贮近红外分析

1.3.1 玉米青贮近红外光谱图的采集 本研究所用近红外光谱仪由丹麦福斯(FOSS)公司生产，仪器型号为DS2500F，波长范围为400～2 500 nm，光谱分辨率为0.5 nm。粉碎装入自封袋留存的样品在扫描之前，仪器开机预热15～30 min，待硬件测试与软件测试通过之后，使用监控样品杯 (Check sample)扫描，检查仪器热稳定性，待扫描通过之后开始扫描样品。样品装入大杯(装入样品量约为样品杯容积的2/3)，每个样品重复扫描3次，取3次扫描得到的平均光谱为该样品的原始光谱。

1.3.2 玉米青贮近红外预测模型的建立和验证 使用WinISI Ⅲ软件处理扫描得到的光谱图，结合湿化学分析值建立定标模型。在结合改良偏最小二乘法(MPLS)建立预测模型的过程中，将80份样品的每一种营养成分按照其湿化学分析值升序排列，按4∶1 (隔5选1)将样品分为定标集(N=64)和验证集(N=16)。为了消除噪声和其他因素的影响，使用3种导数和7种光谱处理相结合的方式，共计21种处理方式对原始光谱进行预处理。其中3种导数处理分别为0,0,1,1；1,4,4,1；2,4,4,1。4个数值依次代表导数处理阶数，导数的数据间隔，一次平滑点数和二次平滑点数。7种光谱处理分别为无处理(none),标准正常化和散射处理(SNV and Detrend),标准正常化处理(SNV only),去散射处理(Detrend only),标准多元离散校正处理(Standard MSC), 反向多元离散校正处理(Inverse MSC), 加权多元离散校正处理(Weighted MSC)。

定标模型建立之后，采用交叉验证相关系数(1-VR),定标标准分析误差(SEC)和交互验证标准分析误差(SECV)这三个指标确定预测模型预测的准确性，若1-VR越接近于1，SEC和SECV值越小，表明建立的预测模型的准确性越好。对建立的预测模型准确性进一步验证，利用验证集样品湿化学分析值对其定标模型验证，若预测标准误差SEP越小，RSQ和RPD值越大，表明建立的预测模型预测的准确性越好。

1.4 数据处理

数据采用Excel2010进行整理统计。

2 结 果

2.1 玉米青贮定标集和验证集营养成分含量

玉米青贮定标集和验证集各营养成分含量见表1。由表1可知，玉米青贮各营养成分含量有较大的梯度，定标集和验证集各营养成分含量都有足够大的变异性，完全满足建立近红外预测模型的要求，并且保证了所建立的各营养成分预测模型具有较广的预测范围。

表1 玉米青贮定标集和验证集各营养成分含量(干物质基础)Table 1 Nutrient contents in the corn silage calibration set and validation set (dry matter basis) %

2.2 玉米青贮定标模型的优化

在建立定标模型的过程中，每种营养成分建立的定标模型相互独立。经过7种光谱处理和3种导数处理之后，各营养成分的最佳定标模型如表2所列。由表2可见，定标标准分析误差和交叉验证标准误差值越小，交叉验证相关系数(1-VR)越大，建立的预测模型越好。

表2 玉米青贮各营养成分最佳定标模型Table 2 Optimal calibration models for nutritional components of corn silage

2.3 玉米青贮最优定标模型的验证

玉米青贮各营养成分最优定标模型建立之后，选择验证集样品各营养成分含量对建立的最优定标模型进行验证。由表3可知，DM最优定标模型外部验证预测决定系数(RSQ)和外部验证相对分析误差(RPD)分别为0.57和1.52，建立的定标模型可以粗略的筛选分析。CP，ADF和Ash各指标定标模型的RSQ和RPD值建立的定标模型可以用于实际生产中的预测。NDF，EE的RSQ和RPD建立的定标模型相关性较差。所建立的各营养成分预测模型预测准确性有一定的区别，不仅与定标集和验证集样品湿化学分析的准确性和仪器自身的影响有关，而且还与近红外吸收光谱有关，同一种待测物质因其有机物含量不同在近红外光谱区所得到的吸收光谱不同。

表3 玉米青贮最佳定标模型验证结果Table 3 Verification results of the best calibration model for corn silage

3 讨 论

迄今为止，有很多研究利用近红外光谱技术定量分析饲料营养成分，并且该技术也是一种快速评定其营养价值的方法之一。王芳彬[8]、闫佰鹏等[9]建立的油菜秸秆DM、CP、NDF、EE和ASH等指标预测模型的1-VR在0.90以上，可以用于实践生产中的分析。李国彰[10]建立的大麦秸秆CP、NDF和ADF等7个指标的预测模型1-VR在0.80以上，也可用于日常分析。此外，Boever等[11]利用近红外光谱技术建立的玉米青贮DM、CP、EE、ASH、NDF和ADF等指标的预测模型均可用于实际预测。

本研究建立的全株玉米青贮近红外各预测模型中，ADF含量预测模型最优，其次为DM、CP、ASH和EE，NDF含量预测模型最差。建立的ADF预测模型1-VR在0.90以上，并且RSQ为0.80，RPD大于2.0，与前人研究结果一致[11]。其中，DM含量预测模型的1-VR在0.80以上的原因可能有两个。第一，在测初水分的过程中，样品处理方式相同。都是称取500 g 左右的玉米青贮鲜样，在105 ℃烘干48 h，取出回潮24 h。第二，在测干物质的过程中使用preASH-340仪器，自动称重直至恒重为止，有较小的试验误差。CP含量预测模型为0.79，仅次于DM含量预测模型，原因可能为本试验测定CP才用的方法为凯氏定氮法，此方法测定的粗蛋白包括蛋白质，尿素，氨基酸等负三价氮，并不包括叠氮，联氮，偶氮和硝基氮等高价氮，而利用近红外光谱技术预测饲料营养价值时，近红外光扫描得到的为低价氮，因此建立的CP含量预测模型1-VR在0.80左右[12]。ASH含量预测模型1-VR为0.78，仅次于CP含量预测模型。原因可能为粗灰分虽然作为无机物质，在近红外光谱区内没有吸收，但是可以影响其他有机官能团在近红外光谱区的吸收，从而可以间接的预测其含量，因此拥有较准确的预测结果[13]。具体原因有待进一步研究。EE和NDF含量预测模型的1-VR分别为0.64和0.40，预测模型交叉验证相关系数低于0.80，原因可能有两个。第一，建立预测模型时，样本数量影响很大，在本研究中所用样本数量较少，从而影响预测模型的预测准确性。第二，湿化学分析准确性的影响，玉米青贮中脂肪含量低，NDF含量测定误差较大。因此建立的EE和NDF含量预测模型还需要进一步优化。

4 结 论

本研究建立的全株玉米青贮DM、CP、ADF和ASH含量近红外预测模型相关性较好，可以用于实际预测，EE和NDF含量预测模型相关性较差，模型还需要进一步优化。