燕麦草常规营养成分含量近红外预测模型的建立

张书阅 熊安然 潘予琮 余诗强 蒋林树* 熊本海

(1.北京农学院动物科学技术学院，奶牛营养学北京市重点实验室，北京102206；2.中国农业科学院北京畜牧兽医研究所，北京100193)

燕麦草是反刍动物优质的粗饲料来源之一，然而燕麦草品质易受品种、产地、加工方式、成熟度及刈割时期等因素的影响，不同来源的燕麦草营养成分及含量差异较大[1-3]。传统化学方法测定饲料常规营养成分需要大量人力、物力和财力，过程耗时长、危险性大，在实际生产中应用不够便捷，因此，寻求燕麦草常规营养成分含量的高效、快速、准确地测定方法显得尤为重要[4]。近红外光谱(near infrared spectrum，NIRS)分析技术是1970年发展起来结合传统湿化学方法、化学计量学以及近红外光谱技术的高新分析技术[5]。NIRS在原料样品的分子水平上提供了光谱特征，可用于预测样品成分信息，与传统化学分析与物理分析方法相比，具有检测速度快、效率高、环保无污染、检测水平较为稳定等优势[6]。此外，NIRS测定具有定量分析优势，在操作过程中不需要进行样品称量，就可以连续进行无限次的样品分析[7]。NIRS分析技术的快速发展，为饲料品质快速鉴定、饲料消化参数预测、饲料常规营养成分快速测定、饲料产地溯源等提供了技术途径[8-16]。研究利用NIRS分析技术快速、简便地检测燕麦草常规营养成分含量的可行性是非常必要的。本试验拟通过对燕麦草的常规营养成分含量测定和NIRS扫描，建立燕麦草常规营养成分含量的近红外预测模型，为生产中快速高效测定燕麦草常规营养成分含量提供技术支撑。

1 材料与方法

1.1 样品采集与处理

本试验于2017—2019年期间，从我国京津翼地区的牛场及种植基地收集了80份不同品种、不同产地和不同成熟度的燕麦草样品。将80份燕麦草样品经烘箱干燥(65 ℃，48 h)后用旋风磨进行粉碎，然后用四分法缩分至400 g并将其分为3部分：一部分用于燕麦草常规营养成分含量的湿化学检测；一部分用于NIRS的扫描；一部分留样保存。使用密封袋密封样品然后置于-18 ℃的冰箱中待用，在扫描样品光谱图和检测样品的营养成分含量前把燕麦草拿出置于26 ℃下平衡温度1 d左右再对其进行检测。试验技术路线如图1所示。

图1 模型构建流程图

1.2 燕麦草常规营养成分含量的检测

燕麦草中水分(MSTR)含量参照GB/T 6435—2014方法测定；粗蛋白质(CP)含量参照GB/T 6432—2018方法(KDY-9830凯氏定氮仪、KXL-1010温控消煮炉)测定；中性洗涤纤维(NDF)含量参照GB/T 20806—2006方法(ANKOM 2000i全自动纤维分析仪)测定；酸性洗涤纤维(ADF)含量参照NY/T 1459—2007方法(ANKOM 2000i全自动纤维分析仪)测定；粗脂肪(EE)含量参照GB/T 6433—2006方法(DFA-2型分布式脂肪测定仪)测定；粗灰分(Ash)含量参照GB/T 6438—2007方法(SX2-2 5-12A数显箱式电炉)测定。每个样品的每项指标重复检测3次，取平均值作为最终理化测定值，所有营养成分含量均以干物质(DM)为基础。

1.3 燕麦草的NIRS分析

1.3.1 燕麦草的NIRS采集

使用MPA型多功能NIRS仪(德国BRUKER公司)进行燕麦草光谱图的采集，测定条件为积分球附件，扫描光谱范围为4 000～12 800 cm-1，分辨率为16 cm-1，旋转扫描次数是64次，以logl/R形式记录数据。每份燕麦草重复装样及扫描2次，控制2次装样深度，表面平整度尽量保持一致，取平均值作为建模参比值。80份燕麦草样品的近红外原始光谱图见图2，不同燕麦草样品中所含碳氢键、氧氢键、氮氢键的含量多少不一，其所对应的吸收峰也存在差异，根据每个样品的吸收峰来判定其营养成分含量。

图2 燕麦草原始光谱图

1.3.2 近红外预测模型建立

构建模型之前对得到的燕麦草NIRS进行预处理，使用多元散射校正(multiplicative scatter correction,MSC)、矢量归一化(vector normalization,SNV)、减去一条直线、最小-最大归一化、一阶导数(1st derivative)、二阶导数(2nd derivative)、一阶导数+SNV、一阶导数+减去一条直线、一阶导数+MSC这几种方法处理光谱图，并通过对比所建模型的均方根误差，确定最终的预处理方式，提高模型信噪比及准确性。利用化学计量学软件OPUS 7.5对80份燕麦草样品按3∶1进行随机分组，其中60份燕麦草样品作定标集(n=60)，用来建立定标模型；20份燕麦草样品作验证集(n=20)，用于对定标模型效果进行外部验证。使用OPUS 7.5中的偏最小二乘(partial least squares regression,PLS)化学计量学方法将燕麦草的光谱图和理化指标进行关联，交叉检验法评价预测模型效果。以校正决定系数(calibration decision coefficient,RSQcal)、校正均方根误差(calibration root mean square error,RMSEC)、交叉验证决定系数(cross-validation determination coefficient,1-VR)、交叉验证均方根误差(cross-validation root mean square error,RMSECV)、交叉验证相对分析误差(cross-validation relative analysis error,RPDCV)、平均偏差(Bias)6个指标对定标模型效果进行评估。RSQcal和1-VR越接近于1，所建模型效果越好；RMSEC和RMSECV越低，所建模型效果越好。当1-VR最大，RMSECV最小时的预测模型效果准确性相对较高。

1.3.3 近红外预测模型外部验证

对构建的燕麦草常规营养成分含量预测模型，使用验证集对定标模型进行外部验证，得到预测决定系数(prediction coefficient,RSQV)、预测均方根误差(prediction root mean squared error,RMSECP)和预测相对分析误差(ratio of performance to deviation for validation,RPDV)3种评定模型效果的参数，其中RSQV和RPDV越高，RMSECP越低，表明模型预测效果越好，模型的适用性较强。实际生产中，常设定RSQV>0.80时，定标模型可用于实际检测；0.66≤RSQV<0.80时，定标模型可用于粗略预测；RSQV<0.66时，模型不能用于实际检测；RPDV≥2.5时，定标模型可用于实际检测；2.0≤RPDV<2.5时，定标模型可用于样品的粗略筛选；RPDV<2.0时，定标模型的使用受到限制[17]。

2 结果与分析

2.1 燕麦草常规营养成分含量及变异

燕麦草全集、定标集以及验证集的常规营养成分含量见表1。80份燕麦草样品中各营养成分含量范围(DM基础)：MSTR 2.82%～9.54%、ADF 26.39%～44.53%、NDF 49.51%～70.28%、CP 5.23%～13.91%、EE 0.06%～3.10%以及Ash 1.23%～15.07%。燕麦草的各项常规营养成分含量的变异系数为7.3%～43.4%，其中MSTR、CP、EE和Ash的变异系数均大于10%，变异较大。

表1 燕麦草常规营养成分含量及变异范围(干物质基础)

2.2 燕麦草常规营养成分含量近红外预测模型的建立和优化

采用PLS分别对经过不同预处理的光谱进行建模分析，并以交叉验证的方式进行预测，具有最低RMSECV和最高的1-VR的模型作为最优模型，定标过程中根据全局距离(GH≥3)和T检验(T>2.5)进行异常值的剔除。最优定标模型评价参数如表2所示。对原始光谱施以不同的预处理方法可以使燕麦常规草营养成分含量模型达到理想的预测水平。其中，通过对原始光谱进行减去一条直线处理，MSTR含量定标结果RSQcal=0.968、RMSEC=0.317、1-VR=0.953、RMSECV=0.378、RPDCV=4.23；对原始光谱进行二阶导数处理，CP含量定标结果RSQcal=0.977、RMSEC=0.300、1-VR=0.948、RMSECV=0.410、RPDCV=4.18；对原始光谱进行MSC处理，NDF含量定标结果RSQcal=0.950、RMSEC=1.060、1-VR=0.927、RMSECV=1.180、RPDCV=3.70。上述3个指标定标模型较为精准(1-VR均>0.9，RPDCV均≥3)，可有效应用于实际检测中。ADF含量预测模型通过对原始光谱进行一阶导数+SNV处理，定标结果RSQcal=0.950、RMSEC=0.856、1-VR=0.893、RMSECV=1.160、RPDCV=3.00；Ash含量预测模型通过对原始光谱进行最小-最大归一化处理，定标结果RSQcal=0.886、RMSEC=1.300、1-VR=0.840、RMSECV=1.440、RPDCV=2.50。ADF和Ash含量预测模型效果较好(1-VR均>0.84，RSQcal均≥0.886)。EE含量预测模型通过对原始光谱进行二阶导数处理，定标结果为RSQcal=0.870、RMSEC=0.250、1-VR=0.772、RMSECV=0.316、RPDCV=1.80，其中1-VR<0.8，RPDCV<2，模型效果不理想，不能应用到实际检测中。

2.3 燕麦草最优定标模型的验证

燕麦草MSTR、CP、NDF、ADF、EE和Ash含量定标模型建立后，用验证集样品对这6个指标的最优定标模型进行外部验证，并将其预测值和实测值进行相关性分析，结果如表3、图4所示。结果表明：燕麦草中MSTR、CP、NDF、ADF和Ash含量实测值与预测值间的RSQv均大于0.80，分别为0.945、0.918、0.940、0.886、0.846，RPDV均大于2.5，表明上述所构建的NIRS预测能够有效地对燕麦草中的MSTR、CP、NDF、ADF和Ash含量进行预测且适用性良好；燕麦草中EE含量实测值与预测值间的RSQv为0.735，0.66≤RSQV<0.80，RPDV=1.95<2.0，定标模型暂不能应用于燕麦草中EE含量的实际检测

表2 燕麦草常规营养成分含量的最优定标模型

表3 燕麦草常规营养成分含量最优定标模型的外部验证(干物质基础)

3 讨 论

本试验中所收集的燕麦草常规营养成分含量变化幅度较大、覆盖面较为广泛，有利于NIRS模型的构建和预测；样品间的离散程度大，表明所选样品分布广泛，具有较强的代表性。燕麦草中MSTR、CP、NDF、ADF和Ash含量实测值与预测值间的RSQv均大于0.80，证明所构建的近红外预测模型能够有效地对燕麦草中MSTR、CP、NDF、ADF和Ash含量进行预测且适用性良好。通过对原始光谱进行二阶导数的处理得到的EE含量预测模型效果不理想，不能应用到实际检测中。NIRS预测天然产物的极限含量是0.1%，本试验中EE含量近红外预测模型效果较差可能是由于燕麦草中粗脂肪含量过低导致的[18]。刘哲等[19]采集了内蒙古锡林郭勒盟草原主要粗饲料及混合粗饲料样品共407份，用修正偏最小二乘回归 (modified partial least squares,MPLS)法对其常规营养成分含量构建近红外预测模型，EE含量的外部验证相对分析误差(relative prediction deviation，RPD)小于2.5，外部验证相关系数(coefficient of determination of external validation,RSQ)为0.806，无法用于生产中定量分析，而NDF、DM、CP、Ash含量等指标都取得了较好的定标效果，这与本研究的结果相类似。

图3 燕麦草常规营养成分含量预测值和实测值相关图

NIRS与化学计量学方法联用，包括光谱预处理、变量选择、多元校正和模型转移，一定程度上能够提高NIRS模型的可靠性和预测准确度[20]。Chen等[21]研究采用NIRS与多元线性回归(multivariable linear regression,MLR)、主成分回归(principal component regression,PCR)和PLS相结合的新技术，对黑龙江羊草(Leymuschinensis)的化学品质包括CP、ADF、NDF和氨基酸含量进行了较为可靠的预测。Xu等[14]使用主成分分析(principal component analysis,PCA)、判别分析(discriminant analysis,DA)和判别式偏最小二乘法(discriminant partial least-square,DPLS)回归方法，应用NIRS对浙杂205和浙杂207两个商品化番茄新品种进行了准确鉴别。本试验在构建燕麦草不同营养成分含量近红外预测模型中，对近红外原始光谱图进行了不同的预处理，在此基础上再结合PLS分析，将燕麦草的光谱图和理化指标进行关联，交叉检验法评价预测模型效果，最终得到准确度较高的MSTR、CP、NDF、ADF和Ash含量5个预测模型。

储存环境、刈割时期、来源产地、叶茎比等都会影响燕麦草的品质[22-24]。在本研究中构建的近红外预测模型能够快速对燕麦草中常规营养成分含量进行测算，但是本研究只选取了京津冀地区共80份不同来源的燕麦草，60份燕麦草作为校准集、20份燕麦草作为预测集，还不足以涵盖更广泛的营养特性。为提高燕麦草常规营养成分含量近红外预测模型的准确性和适用性，应在今后的研究中扩大建模样品的数量，进一步加强样品的代表性，获取更多更准确的数据完善模型的应用性。

4 结 论

本试验利用NIRS分析技术建立了燕麦草常规营养成分含量的近红外预测模型。其中除了EE含量预测模型暂不能应用以外，MSTR、CP、NDF、ADF以及Ash含量预测模型外部验证RSQV为0.846～0.945、RPDV为2.57～4.20，均可应用于实际检测中且适用性良好，其中MSTR、CP、NDF含量的定标模型效果更为准确和可靠。