李 潔，王建福，吳建平，張昌吉，王欣榮

（甘肅農(nóng)業(yè)大學(xué)動(dòng)物科學(xué)技術(shù)學(xué)院，甘肅蘭州730070）

20世紀(jì)70年代以來，隨著近紅外檢測(cè)技術(shù)（Near Infrared Reflectance Spectroscopy）的日臻成熟，化學(xué)計(jì)量學(xué)的發(fā)展以及計(jì)算機(jī)軟件處理技術(shù)的不斷進(jìn)步，使得近紅外光譜中蘊(yùn)含的C－H、O－H、NH 等倍頻和合頻吸收的豐富結(jié)構(gòu)信息得以準(zhǔn)確分析，這一快速、無損的分析技術(shù)應(yīng)用范圍不斷擴(kuò)大，被稱為分析領(lǐng)域的巨人［1］。目前，這一技術(shù)已成功的應(yīng)用于農(nóng)業(yè)、食品、化工、飼料和生物等領(lǐng)域。在飼草營養(yǎng)成分的研究方面，自從Norris等［2］人利用近紅外分析技術(shù)成功的建立了8種成分為基礎(chǔ)的牧草營養(yǎng)品質(zhì)快速檢測(cè)模型以來，國內(nèi)外的學(xué)者在利用這一技術(shù)測(cè)定牧場牧草營養(yǎng)品質(zhì)［3－4］、人工牧草營養(yǎng)成分［5－6］等方面做了大量研究，建立了許多效果良好的定標(biāo)檢測(cè)模型。然而，國內(nèi)外學(xué)者前期的研究多是對(duì)自然條件下的混合牧草營養(yǎng)成分進(jìn)行實(shí)驗(yàn)室檢測(cè)結(jié)合近紅外光譜技術(shù)建立定標(biāo)模型，或者是對(duì)人工種植的單一牧草品種進(jìn)行測(cè)定和定標(biāo)，不同草場，甚至同一草場的不同區(qū)域、不同季節(jié)各種牧草的含量可能大不相同，而且近紅外定標(biāo)模型建立之后還需要不斷的擴(kuò)充完善才有可能有效的應(yīng)用于生產(chǎn)。而且，利用同一草場不同月份的單一品種牧草和混合牧草結(jié)合建立近紅外定標(biāo)檢查模型的相關(guān)研究未見有報(bào)道。本研究按照新疆昭蘇草原的主要放牧季節(jié)，按不同月份采集主要牧草單一樣品和混合樣品參與定標(biāo)，研究混合定標(biāo)的可行性，可為以后模型的簡單有效擴(kuò)充提供參考資料。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)材料包括從新疆伊犁昭蘇草原5～10月份采集的混合草樣中分離出的主要牧草品種5個(gè)（百里香、黃花苜蓿、針茅、羊茅和苔草）各33份以及混合樣品87份，合計(jì)252份。全部樣品材料經(jīng)過60℃烘干、粉碎后過40目篩用于測(cè)定營養(yǎng)成分和掃描近紅外光譜。

1.2 主要儀器及軟件

FOSS公司XDS－RCA 可見／近紅外快速成分分析儀，波長范圍：400－2500nm；雙檢測(cè)器系統(tǒng)：硅檢測(cè)器（400－1100nm），硫化鉛檢測(cè)器（1100－2 500 nm）；數(shù)據(jù)采樣頻率：2 掃描／s；光譜分辨率：2nm；波長準(zhǔn)確度：＜0.05nm；WinISIⅢ定標(biāo)軟件。

1.3 試驗(yàn)方法

1.3.1 化學(xué)成分測(cè)定方法 粗蛋白（CP）測(cè)定采用凱氏定氮法；干物質(zhì)（DM）測(cè)定采用烘干稱重法；粗脂肪（EE）測(cè)定采用索氏抽提法；磷（P）測(cè)定采用酸溶－釩鉬黃比色法［7］。

1.3.2 樣品光譜測(cè)定 將采集的牧草粉碎樣品裝入圓形固定樣品杯中上機(jī)掃描。每個(gè)樣品重復(fù)裝樣掃描6次，計(jì)算其平均光譜并存儲(chǔ)。

1.3.3 定標(biāo)和校驗(yàn) 把全部樣品分成2 份，其中198份作為定標(biāo)集，54 份作為預(yù)測(cè)集，在WinISIⅢ定標(biāo)軟件中對(duì)198個(gè)樣品先進(jìn)行聚類分析，篩選出具有代表性的樣品122 份，測(cè)定營養(yǎng)成分后輸入。先用定標(biāo)樣品集建立預(yù)測(cè)模型，再做交叉檢驗(yàn)，根據(jù)1－VR，SECV，SEC等指標(biāo)對(duì)模型進(jìn)行優(yōu)化，并最終確定最佳定標(biāo)方式和模型。然后，利用54個(gè)預(yù)測(cè)樣品集對(duì)模型進(jìn)行外部驗(yàn)證，檢測(cè)其預(yù)測(cè)效果，評(píng)價(jià)模型的外部驗(yàn)證能力。

2 結(jié)果與分析

2.1 牧草營養(yǎng)成分化學(xué)分析結(jié)果

對(duì)定標(biāo)樣品集和預(yù)測(cè)樣品集牧草營養(yǎng)成分的實(shí)驗(yàn)室化學(xué)分析結(jié)果見表1。

表1 定標(biāo)和預(yù)測(cè)樣品集牧草營養(yǎng)成分實(shí)驗(yàn)室化學(xué)分析結(jié)果Table 1 The lab data of the calibration sample ＆forecast sample set forage grass

2.2 樣品光譜測(cè)定結(jié)果

4個(gè)隨機(jī)牧草樣品的可見／近紅外光譜見圖1。從圖1可以看出，測(cè)定牧草在可見／近紅外光譜區(qū)域內(nèi)均有多處吸收峰，不同的牧草樣品吸收峰高低不同，在可見和近紅外光譜區(qū)域的區(qū)分度較好，所以，可見／近紅外光譜可以作為其營養(yǎng)成分定量測(cè)定的依據(jù)［5］。

2.3 可見／近紅外校正模型的建立與優(yōu)化

試驗(yàn)用WinISIⅢ定標(biāo)軟件對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，選擇全譜范圍（400～2500nm），確定主因子數(shù)。共采用12種回歸、光譜和數(shù)學(xué)處理方法組合對(duì)定標(biāo)集樣品光譜進(jìn)行定標(biāo)（表2），CP、DM、EE 和P的最佳光譜處理和數(shù)學(xué)處理方法見表3。

從表3可以看出，建立的牧草CP可見／近紅外光譜定標(biāo)模型具有較好的驗(yàn)證效果，交叉驗(yàn)證相關(guān)系數(shù)1－VR 為0.9836，在0.9以上；交叉驗(yàn)證相對(duì)分析誤差RPD 和外部驗(yàn)證相對(duì)分析誤差RPD 分別為，8.5782和5.0575，均在3以上。說明所建立的牧草CP可見／近紅外分析模型具有較高的穩(wěn)定性和良好的預(yù)測(cè)能力；所建立的可見／近紅外預(yù)測(cè)模型對(duì)于牧草DM 的預(yù)測(cè)能力稍差，但是1－VR 為0.8878，在0.85以上，外部驗(yàn)證RPD 大于3，需要對(duì)定標(biāo)集進(jìn)一步擴(kuò)充和完善以進(jìn)一步提高預(yù)測(cè)準(zhǔn)確度；模型對(duì)P的交叉驗(yàn)證結(jié)果相對(duì)較差，對(duì)于EE 的交叉驗(yàn)證結(jié)果最差，1－VR 只有0.3715，交叉驗(yàn)證RPD 和外部驗(yàn)證RPD 均未超過2。

圖1 4個(gè)隨機(jī)牧草樣品的可見／近紅外光譜圖Fig.1 The spectrum of four random forage samples

表2 定標(biāo)集樣品的回歸、光譜和數(shù)學(xué)處理方法Table 2 The calibration methods evaluated

表3 CP、DM、EE和P的最佳光譜處理和數(shù)學(xué)處理結(jié)果Table 3 The best calibration methods evaluated for CP，DM，EE and P

2.4 校正模型對(duì)于CP、DM、EE和P的預(yù)測(cè)效果

校正模型建立后，采用外部驗(yàn)證的方法對(duì)所建立模型的預(yù)測(cè)效果進(jìn)行驗(yàn)證，結(jié)果見表4。外部驗(yàn)證結(jié)果說明所建立的可見／近紅外預(yù)測(cè)模型對(duì)于牧草CP的預(yù)測(cè)結(jié)果最好，其次是DM，對(duì)于EE 的預(yù)測(cè)效果最差。定標(biāo)樣品營養(yǎng)成分的可見／近紅外預(yù)測(cè)值與化學(xué)值相關(guān)性的散點(diǎn)圖（圖2）說明牧草CP的化學(xué)測(cè)定值與預(yù)測(cè)模型的預(yù)測(cè)值具有很好的相關(guān)性，DM 和P 的化學(xué)測(cè)定值與預(yù)測(cè)模型的預(yù)測(cè)值相關(guān)性稍差，EE 的化學(xué)測(cè)定值與預(yù)測(cè)模型的預(yù)測(cè)值相關(guān)性最差。

3 討論

自1976年Norris［2］首次對(duì)牧草8種營養(yǎng)成分進(jìn)行近紅外法成功測(cè)定后，對(duì)于牧草營養(yǎng)成分的近紅外檢測(cè)的相關(guān)資料已有很多，主要檢測(cè)成分包括CP、EE、粗灰分（Ash）、鈣（Ca）、磷（P）、干物質(zhì)（DM）、酸性洗滌纖維（ADF）、中性洗滌纖維（NDF）、酸性洗滌木質(zhì)素（ADL）、體外消化率（Digestibility）等，也建立了一些效果較好且對(duì)于部分地區(qū)或部分牧草適用的預(yù)測(cè)模型［8－9］。但是，由于不同草地的牧草種類構(gòu)成、營養(yǎng)成分含量以及氣候、土壤等環(huán)境因素的多種差異，使得目前還沒有一個(gè)較為完善的模型可以應(yīng)用于各地的牧草生產(chǎn)和草原管理［4］。所以，要真正意義上實(shí)現(xiàn)近紅外光譜分析技術(shù)在評(píng)定不同地區(qū)草場飼草營養(yǎng)品質(zhì)，從而為放牧家畜實(shí)現(xiàn)營養(yǎng)精準(zhǔn)管理提供技術(shù)支撐，就必須對(duì)不同地區(qū)、不同類型的草原牧草分別建立更為準(zhǔn)確的近紅外快速檢測(cè)模型，然后逐年的增加數(shù)據(jù)進(jìn)行校正，最后的廣泛應(yīng)用還需要各個(gè)研測(cè)機(jī)構(gòu)通力合作建立起完善的數(shù)據(jù)庫交流共享機(jī)制。本研究的測(cè)定結(jié)果也表明，不同季節(jié)的牧草營養(yǎng)成分含量相差顯著，如何快速、準(zhǔn)確的建立起不同牧場牧草營養(yǎng)成分快速測(cè)定的近紅外預(yù)測(cè)模型非常重要。

圖2 飼草樣品的CP、DM、P和EE化學(xué)值與預(yù)測(cè)值相關(guān)性Fig.2 The correlation of calibration samples CP、DM、P and EE between NIR value and chemical value

本研究對(duì)新疆昭蘇草原的主要放牧季節(jié)（5～10月）所采集的具有代表性的5種優(yōu)勢(shì)牧草品種單一和混合樣品共252個(gè)，進(jìn)行了CP、DM、EE 和P 四種實(shí)驗(yàn)室營養(yǎng)成分測(cè)定和可見／近紅外的定標(biāo)和檢校，所建立的定標(biāo)檢測(cè)模型對(duì)CP 的定標(biāo)和檢校結(jié)果最好，這與聶志東等［10］對(duì)紫花苜蓿青干草的CP所建立的定標(biāo)模型具有良好的準(zhǔn)確性和預(yù)測(cè)能力一致。DM 的定標(biāo)結(jié)果也具有較好的預(yù)測(cè)能力，1－VR為0.8878，且陳鵬飛等［11］研究表明近紅外光譜分析技術(shù)可用于青貯苜蓿鮮樣的DM 的檢測(cè)，可能是本研究實(shí)驗(yàn)室測(cè)定值有一定的誤差，如果進(jìn)一步提高樣品量和測(cè)定精度完全可以用于牧草DM 的測(cè)定。P的定標(biāo)和檢校1－VR 為0.8213，可能是由于P 屬于礦物質(zhì)與近紅外光譜所反映的有機(jī)物結(jié)構(gòu)信息關(guān)系稍差，但如果提高樣品測(cè)定量和精度也可以用于牧草P的測(cè)定，而且Shenk等［12］研究表明近紅外光譜技術(shù)可以用于牧草含P 量的測(cè)定。試驗(yàn)對(duì)于EE的定標(biāo)結(jié)果較差，Boever等［13］的研究表明近紅外測(cè)定青貯玉米的粗脂肪效果一般，所以對(duì)于牧草的EE能否用于近紅外測(cè)定尚需進(jìn)一步研究。在試驗(yàn)中選用優(yōu)勢(shì)種類的單一牧草和混合牧草共同參與定標(biāo)使預(yù)測(cè)的結(jié)果更具有代表性，且定標(biāo)過程也更為簡單，試驗(yàn)的結(jié)果也說明了這一點(diǎn)。但是，試驗(yàn)中對(duì)于DM、EE和P等幾個(gè)指標(biāo)的測(cè)定誤差還較大，而且對(duì)于評(píng)價(jià)牧草營養(yǎng)成分的ADF、NDF、ADL 以及Digestibility等指標(biāo)還沒有涉及，需要在以后的工作中進(jìn)一步通過測(cè)定多種指標(biāo)、逐步擴(kuò)充樣本量以及降低實(shí)驗(yàn)室化學(xué)成分測(cè)定的誤差等多種方法對(duì)定標(biāo)方程進(jìn)行逐步的校正，從而實(shí)現(xiàn)在草原生態(tài)監(jiān)測(cè)和草食家畜精準(zhǔn)管理等方面的準(zhǔn)確應(yīng)用。

［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［J］.Nutrition Research Reviews，1997，10（1）：83－114.

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

［3］Corson D，Waghorn G C，Ulyatt M J，et al.NIRS：Forage analysis and livestock feeding［C］／／Proceedings of the Conference New Zealand Association.1999：127－132.

［4］聶志東，韓建國，張錄達(dá)，等.近紅外光譜技術(shù)（NIRS）在草地生態(tài)學(xué)研究中的應(yīng)用［J］.光譜學(xué)與光譜分析，2007，27（4）：691－696.

［5］尚 晨，張?jiān)聦W(xué)，李 炎，等.紫花苜蓿粗蛋白和粗纖維近紅外分析模型的建立［J］.光譜學(xué)與光譜分析，2009，29（12）：3 250－3 253.

［6］趙環(huán)環(huán)，胡躍高，趙其波，等.近紅外光譜分析技術(shù)在黑麥草粉粗蛋白測(cè)定中的應(yīng)用［J］.動(dòng)物營養(yǎng)學(xué)報(bào)，2001，13（4）：40－43.

［7］張麗英.飼料分析及飼料質(zhì)量檢測(cè)技術(shù)［M］.北京：中國農(nóng)業(yè)大學(xué)出版社，1993：46－74.

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

［9］Boval M，Coates D B，Lecomte P，et al.Faecal near infrared

reflectance spectroscopy（NIRS）to assess chemical composition，in vivo digestibility and intake of tropical grass by Creole cattle［J］.Animal Feed Science and Technology，2004，114（1）：19－29.

［10］聶志東，韓建國，玉 柱，等.FT－NIR 光譜法測(cè)定紫花苜蓿青干草的6項(xiàng)品質(zhì)指標(biāo)［J］.光譜學(xué)與光譜分析，2007，27（7）：1 308－1 311.

［11］陳鵬飛，戎郁萍，韓建國，等.近紅外光譜法測(cè)定紫花苜蓿青貯鮮樣的營養(yǎng)價(jià)值［J］.光譜學(xué)與光譜分析，2007，27（7）：1 304－1 307.

［12］Shenk J S，Westerhaus M O，Hoover M R.Analysis of forages by infrared reflectance［J］.Journal of Dairy Science，1979，62（5）：807－812.

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