青贮玉米不同部位(组织)养分含量近红外预测模型的构建

唐德富，陈志刚，李 飞，郭 涛，潘发明，郝生燕，徐琳娜, 4

（1.甘肃农业大学动物科学技术学院，甘肃 兰州 730070；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 ；3.甘肃省农业科学院畜草与绿色农业研究所，甘肃 兰州 730070；4.甘肃省畜牧技术推广总站，甘肃 兰州 730030）

玉米(Zea mays)是动物饲料中主要的能量来源，按其收获物和用途可划分为籽粒玉米、鲜食玉米和青贮玉米3 类[1]。青贮玉米作为反刍动物重要的粗饲料来源，是支撑我国畜牧业发展的“标杆性”饲料，其营养价值高、适口性好，也是制作青贮饲料的优质原材料[2-3]。与普通玉米相比，虽然青贮玉米可利用能量仅为普通籽实玉米的一半，但产量却较是普通玉米的4～5 倍[4]。影响青贮玉米饲用品质的原因较多，品种和收获期是非常重要的两个因素[5]。不同品种的青贮玉米在生长过程中营养成分变异较大[6]，而且相同品种不同部位(组织)由于组织结构和化学组成不同，营养价值也不尽相同，其中茎秆中纤维和木质素含量较高；叶片和苞叶组织柔软，适口性好且含有丰富的糖和粗蛋白；籽粒的营养价值最高，是优质能量饲料[7]。薛红枫等[8]研究发现，玉米秸秆各部位间碳水化合物含量存在极显著差异，其中茎皮部分主要含有可溶性糖和有机酸，而苞叶部分含有大量淀粉和果胶。玉米秸秆不同部位瘤胃干物质消失率也存在明显差异，叶片最高，苞叶次之，茎秆最低[9]，因此，将青贮玉米不同部位(组织)按比例混合青贮，有利于提高青贮饲料品质和秸秆的整体利用率。然而青贮饲料制作前如何快速评定青贮玉米营养价值是一个亟待解决的生产难题。

传统的湿化学分析方法花费大量的人力、物力、财力，并且所用试剂会污染环境[10]。近红外光谱分析技术(near infrared spectrum instrument, NIRS)是将光谱测量技术与化学计量学方法有机结合，测定有机物中高能键(C-H、N-H、O-H 等)在中红外光谱区基频吸收的倍频、合频和差频叠加而成的吸收带，再采用主成分分析(principal component analysis,PCA)、改良偏最小二乘法(modified partial least squares,MPLS)和 人 工 神 经 网 络(artificial neural networks,ANN)等化学计量学方法建立待测物质营养成分含量和物质光谱之间的线性或非线性模型[11]。NIRS具有测试重现性好、分析速度快(3～4 min)、效率高、适用范围广、成本低等特点[12-13]，已被广泛应用于饲料行业。向娜娜等[14]利用NIRS 构建了大豆皮粗纤维、中性洗涤纤维(neutral detergent fiber,NDF)和酸性洗涤纤维(acid detergent fiber, ADF)含量的检测模型，模型决定系数(R2)大于0.9，检测精确度和准确度均较好，能够应用于生产实际。何云等[15]利用NIRS 建立了苜蓿(Medicago sativa)干草常规养分的近红外预测模型，其中干物质、粗蛋白、NDF 和ADF 含量的近红外预测模型较好，能够用于生产，类似的结果郭涛等[16-17]均有报道。本研究通过测定青贮玉米原料中不同部位(组织)样品中干物质、有机物、粗蛋白、粗脂肪、NDF、ADF 和酸性洗涤木质素(acid detergent lignin, ADL)的含量，结合NIRS 建立青贮玉米各部位(组织)营养成分的预测模型，为快速准确评定青贮玉米原料营养价值和生产优质青贮饲料提供技术参考。

1 材料与方法

1.1 样品采集与制备

试验青贮玉米样品于2018年5月 – 8月在甘肃省民勤县采集，采集的青贮玉米样品共包括23 个品种，主要有金岭1804、金岭1820、金岭1824、金岭1825、金岭17、金岭10、金岭27、金岭67、金岭1818、金岭37、金岭1815、金岭1819、金岭1821、金岭1823、宁和1506、铁研53、中单29、东单60、屯玉168、金刚50、宁青108、正大12 和渝青玉3 号。试验样品于玉米生长期第92、97、102、107、112、125、130 和135 天共8 个收获期采集，采样时按照茎、叶、果穗、整株分开采样，其中整株青贮玉米样品77份，茎、叶、果穗各50 份，共计227 份。采集的茎、叶样品切短至3～5 cm，果穗包含苞叶和玉米芯，切碎后直接装袋带回实验室65 ℃烘干48 h，取出置室内常温回潮24 h，粉碎过1 mm 筛，保存备用。

1.2 养分含量测定

青贮玉米样品中干物质、有机物、粗蛋白、粗脂肪、NDF、ADF 和ADL 含量的测定参考张丽英[18]所述方法。ADL 含量测定参考李泽民等[19]，具体方法如下：将测完ADF 的滤袋用72%浓硫酸室温下浸泡3 h，期间每30 min 搅拌一次，浸泡完成后用热蒸馏水反复冲洗，直至pH 达到中性值，然后放入烘箱105 ℃烘干，冷却，称重，然后将装有残渣的滤袋装入已知质量的坩埚中，先在电炉炭化至无烟，于马弗炉550 ℃灼烧4 h，取出后于干燥器冷却至室温，准确称量坩埚加灰分质量。计算公式：ADL(%) =[(m2–m1) – (m4–m3)]/m× 100%。式中：m1为空滤袋质量，m2为称取的样品质量，m3为坩埚质量，m4为坩埚加灰分质量。

1.3 青贮玉米的近红外分析

1.3.1 近红外光谱采集

试验样品扫描前，近红外光谱仪(FOSS DS2500F，丹麦)需开机预热15～20 min，待自检通过后，将待测样品混合均匀装入样品杯中，每次装样量不超过样品杯总容积的2/3，然后置于检测器中进行扫描。每份样品重复装样扫描3 次，扫描波长为850～2 500 nm, 光谱分辨率0.5 nm，最终得到227 份青贮玉米样品的近红外原始光谱图谱(图1a)。因为同一种物质含有不同的含氢基团，因此在整个近红外光谱图上存在多个吸收峰，为营养成分含量的定量分析奠定了基础。青贮玉米一阶导数处理主要是为了消除基线和背景干扰，提高光谱信噪比，消除光谱散射、背景干扰和基线漂移，尽可能提取图谱中的有效信息[20]。青贮玉米原始光谱图(图1a)经过一阶导数处理(图1b)和二阶导数处理(图1c)特征峰明显增多，说明建模条件较好。

图1 青贮玉米样品原始近红外光谱图(a)、一阶导数处理图(b)和二阶导数处理图(c)Figure 1 Near infrared original spectra (a), first derivative spectra (b), and second derivative spectra(c) of silage corn samples

1.3.2 青贮玉米定标集和验证集的划分

227 个青贮玉米样品采用浓度梯度法[15]，按照样本集每个指标化学分析值的大小进行排序，然后将所有样品按照4 ꞉ 1 的比例，选出182 个样品作为定标集用于模型构建，45 个样品作为验证集用于模型检验。

1.3.3 近红外预测模型的建立和验证

利用近红外光谱仪自带WinISI Ⅳ软件建立定标模型，在使用MPLS 模块建立定标模型的过程中，为了消除噪音、温度等无关因素对样品扫描的干扰，原始光谱采用3 种导数处理和10 种光谱散射校正处理相结合的方法进行预处理，其中3 种导数处理包括(0，0，1，1)、(1，4，4，1)、(2，4，4，1)，数值依次分别代表处理阶数、数据间隔、一次平滑点数和二次平滑点数[21]；10 种散射校正包括无处理、标准正常化处理、标准多元离散校正处理、加权多元离散校正处理、标准正常化和散射处理、反向多元离散校正处理、去散射处理、偏移处理、线性处理和二次处理。具体建模过程及方法参照郭涛[16]所述执行。

定标模型建立后，通常采用定标决定系数(coefficient of determination for calibration, RSQc)、定标标准分析误差(standard error of calibration, SEC)、交叉验证决定系数(1 minus the variance ratio, 1-VR)和交叉验证标准误差(standard error of cross-validation,SECV)等指标来综合判断模型优劣，其中1-VR 和RSQC越大、SEC 和SECV 越小，说明该定标模型越好，以最高的1-VR 和最低的SECV 确定为最优定标模型[22]。

为进一步确定模型预测结果的准确性，优化获得的最优定标模型还需采用验证集样品进行外部验证，主要参考验证决定系数RSQv 和预测相对分析误差(ratio of performance to deviation for validation, RPDV)进行判定，当RSQV值越接近1，模型预测结果越准确，而生产实际中当RSQV> 0.8 或当RPDV≥ 2.5 时，定标模型即可用于实际检测[23-24]。

2 结果与分析

2.1 青贮玉米养分含量的测定

除了干物质外，试验用青贮玉米样品其他营养物质(有机物、粗脂肪、粗蛋白、NDF、ADF 和ADL)含量的分布范围较广，数据变异较大，验证集养分含量范围包含在定标集内，样品分集符合建模要求(表1)。

表1 青贮玉米样品定标集和验证集养分含量(干物质基础)Table 1 Nutrient contents of the silage corn samples in the calibration and validation sets (DM basis)

2.2 青贮玉米近红外模型的建立和优化

通过全局距离剔除干物质、有机物、粗脂肪、粗蛋白、NDF、ADF 和ADL 等养分变异度较大数值个数分别为1、2、2、1、3、4 和2。以最高的1-VR 和最低的SECV 选择最优的定标模型。不同营养成分光谱预处理方式及定标结果存在较大差异，其中干物质、有机物、粗脂肪、粗蛋白、NDF、ADF 和ADL 最优光谱预处理和导数处理分别为反向多元离散校正处理(inverse MSC)和1，4，4，1；标准正常化处理(SNV only)和1 ，4 ，4 ，1；二次处理 (scale and quadratic)和1，4，4，1；去散射处理(detrend only)和2，4，4，1；标准正常化处理和1，4，4，1；标准多元离散校正处理(standard MSC)和1，4，4，1；加权多元离散校正处理(weighted MSC)。7 种营养成分对应的SECV 和1-VR 分别为：干物质为0.536 3 和0.610 6；有机物为0.521 3 和0.9766；粗脂肪为0.387 0 和0.758 3；粗蛋白为0.433 8 和0.971 9；NDF 为1.412 1和0.987 9；ADF 为0.793 9 和0.992 4；ADL 为0.822 1和0.623 0 (表2)。

表2 青贮玉米定标结果Table 2 Calibration results for silage corn

2.3 青贮玉米预测模型外部验证

有机物、粗蛋白、NDF 和ADF 4 种营养成分外部验证的RSQV和RPD 分别为0.935 和3.836；0.952和4.619；0.967 和5.398；0.995 和13.347，RSQV和RPD均大于0.80 和2.50，这4 种营养成分的定标模型能够用于实际生产中的准确预测。粗脂肪含量预测模型外部验证的RSQV和RPD 为0.701 和1.838，该定标模型只能用于粗略的筛选分析(表3)。

表3 青贮玉米养分含量的预测结果Table 3 Prediction results for nutrient content in silage corn

干物质和ADL 两种营养成分外部验证的RSQV和RPD 分别为0.525 和1.549、0.631 和1.602，这两种营养成分预测模型效果较差，不能用于生产中的实际分析(图2)。

图2 营养指标含量预测值与湿化学分析值相关性分析Figure 2 Correlations between the predicted values and the chemical measured values for the nutrition indexes

3 讨论

利用NIRS 在饲草料营养检测的研究和应用已经超过40年的历史。Norris 等[24]首次以苜蓿、高羊茅(Festuca arundinacea)为研究对象，将NIRS 技术应用于牧草营养成分测定，检测结果与湿化学分析值较为接近，证实利用NIRS 快速检测牧草营养成分方法的可行性。近红外光谱分析技术因其具有快速、方便、绿色环保等优点，已经被广泛应用于各个领域[25]。关于NIRS 在玉米秸秆品质的快速检测，前人做了大量研究。刘娜[26]利用NIRS 成功建立了全株玉米原料干物质、有机物、粗蛋白、粗脂肪、NDF、ADF 和ADL 共7 种营养成分含量的近红外预测模型，其决定系数均大于0.87。刘金明等[27]利用傅里叶近红外光谱分析仪，对玉米秸秆样品的纤维素和半纤维素的NIRS特征波长进行选择构建定标模型，结果表明通过波长优选构建的回归模型性能显著优于全光谱段建模。刘海燕等[28]利用近红外漫反射光谱技术测定了玉米秸秆不同部位(组织)的营养成分。穆怀彬等[29]建立了青贮玉米营养成分预测模型，均取得了较好的效果。

本研究采集227 个青贮玉米样品，发现除了干物质外，其余6 种营养成分包括有机物、粗脂肪、粗蛋白、NDF、ADF 和ADL 含量均差异较大，样品代表性好，主要原因是采集的青贮玉米样品来自于23 个品种、8 个收获期、4 个部位。在利用NIRS对青贮玉米样品干物质、有机物、粗脂肪、粗蛋白、NDF、ADF 和ADL 含量进行定标和验证过程中，其结果有所差异，这可能与物质本身的化学结构相关联[30]。另外，NIRS 属于间接分析技术，建立模型的优劣与湿化学分析方法的准确性有关。本研究中NDF 和ADF 的建模效果最好，这与白琪林[31]的研究结果一致，其发现建立的玉米秸秆NDF 和ADF 校正模型预测结果较好，校正决定系数均大于0.94，交叉验证和外部验证决定系数为0.92～0.96。产生这种建模效果的原因可能有：第一，ADF和NDF 含量较高，导致其主要的含氢基团能在近红外光谱区产生明显的吸收峰；第二，测定NDF和ADF 的仪器为ANKOM A200i 半自动纤维仪，平行测定重复数多达6 个，湿化学分析值较为准确。同时，本研究也发现粗蛋白的模型预测能力仅次于NDF 和ADF，这与王新基等[32]报道结果一致，认为此结果主要缘于试验中粗蛋白含量采用传统的凯氏定氮法测定所致，此方法所检测的氮元素为低价氮，而近红外光谱只能扫描吸收低价氮，两者匹配性较好[33]。粗脂肪和ADL 建模效果较差，这与郭涛[16]的结果相似。可能与粗脂肪和ADL 在青贮玉米中含量较低有关，具体原因有待进一步分析。在所测定的7 个指标中，干物质的定标及外部验证效果最差，主要因本研究所用青贮玉米样品干物质含量变异性较小所致，光谱中的有效信息重叠，相应建立的定标模型和外部验证结果均较差。

4 结论

本研究利用NIRS 建立了青贮玉米原料不同部位(组织)干物质、有机物、粗脂肪、NDF、ADF、ADL和粗蛋白含量这7 种营养成分的近红外预测模型。其中有机物、粗蛋白、NDF 和ADF 的预测模型可以用于实际生产中的准确分析，粗脂肪的预测模型只能用于样品的粗略筛选分析。干物质和ADL 的预测模型相关性较差，还需要进一步优化。