近紅外光譜分析法預測小葉章營養(yǎng)價值的研究

殷秀杰，崔國文，胡國富，李景欣，洪銳民，王明君

（東北農(nóng)業(yè)大學動物科學技術(shù)學院，哈爾濱 150030）

近紅外光譜分析技術(shù)（Near Infrared Reflectance Spectroscopy，NIRS）是一種利用有機化學物質(zhì)在近紅外譜區(qū)內(nèi)的光學特性快速測定物質(zhì)化學組分含量的現(xiàn)代光譜技術(shù)。NIRS具有快速、準確、無破壞性、可同時測定多種成分等優(yōu)點，到目前，NIRS應用領域廣泛，其相關研究也有大量資料報道[1-9]。

小葉章（Deyeuxia angustifoliaL.）主要分布在我國東北、華北、內(nèi)蒙古等地區(qū)低濕地，尤以三江平原分布最為集中，是三江平原典型草甸、沼澤化草甸建群植物，它高產(chǎn)優(yōu)質(zhì)、再生能力強、耐踐踏、既可青貯、更易于調(diào)制干草，對于各種家畜均具有較高適口性。

在生產(chǎn)實踐中，及時測定小葉章營養(yǎng)價值對于指導放牧家畜飼養(yǎng)與營養(yǎng)搭配具有重要意義，本文運用近紅外漫反射技術(shù)快速測定小葉章營養(yǎng)成分中粗蛋白（Crude protein，CP）、粗脂肪（Ether ex?tract，EE）中性洗滌纖維（Neutral detergent fiber，NDF）和酸性洗滌纖維（Acid detergent fiber，ADF）的含量進行探討。

1 材料和方法

1.1 樣品制備

在黑龍江省寶清縣三江平原小葉章草場，于2010年6～8月，每月中旬采集小葉章全株樣品80份，共計240份。符合Windham所提最低樣品數(shù)為50個要求[10]。樣品經(jīng)晾曬風干，用鋼磨粉碎過0.25 mm（60目）篩，其用低密度的聚乙烯包裝袋密封好作為待測樣品。

1.2 樣品測定

1.2.1 樣品的常規(guī)分析

小葉章樣品CP含量采用凱氏定氮法測定（AOAC），EE含量采用浸提法測定，ADF和NDF含量測定按Van Soest方法進行[11]。

1.2.2 樣品光譜的采集

選用由美國Thermo Nicolet公司生產(chǎn)的AN?TARISⅡ型傅立葉變換近紅外分析儀，儀器工作參數(shù)為：光譜采集范圍4 000～10 000 cm-1；掃描次數(shù)64次；分辨率8 cm-1；數(shù)據(jù)形式：log（1/R）。

每次開機掃描光譜前，儀器預熱60 min，首先進行背景光譜掃描，盡可能消除背景對光譜干擾。采用旋轉(zhuǎn)樣品臺以增加采樣面積，樣品杯為5 cm內(nèi)徑，旋轉(zhuǎn)后實際采集光譜樣品面積為18.84 cm2。測定時樣品杯自動旋轉(zhuǎn)，以獲得較多樣品的近紅外光譜信息。積分球直徑為10 cm，大體積積分球可以對樣品漫反射譜進行平均，以得到好的光譜重現(xiàn)性。旋轉(zhuǎn)樣品杯中的樣品高度、緊實度、均勻度盡量做到一致，樣品深度不得低于2 mm。每個樣品重復掃描6次，計算其平均光譜，樣品的近紅外漫反射光譜見圖1。

圖1 小葉章營養(yǎng)價值的近紅外光譜Fig.1 Near infrared spectrometer picture of the Nutrition value in Deyeuxia angustifolia.

1.2.3 建立NIRS數(shù)學模型的方法

在將樣品按某個指標含量大小順序排列后，以3∶1比例將全部樣品劃分成建模樣品集和檢驗樣品集（建模樣品180份，檢驗樣品60份）。先用校正樣品集建立預測模型，根據(jù)R2和SD/RMSEP等指標對模型進行優(yōu)化，并最終確定模型。最后用驗證集樣品對模型進行外部驗證，采用TQ Analyst（6.2）光譜定量分析軟件對模型再進行操作。

2 結(jié)果與分析

2.1 小葉章樣品營養(yǎng)成分的化學分析結(jié)果

表1是240個小葉章樣品中各營養(yǎng)成分常規(guī)分析結(jié)果。

表1 樣品的營養(yǎng)含量Table 1 Nutrition contents of the samples (%)

從表1可以看出各營養(yǎng)成分含量的變幅比較大，其含量范圍基本上可以覆蓋小葉章的常態(tài)含量分布，可用于建立小葉章樣品營養(yǎng)成分含量的近紅外校正模型。

2.2 小葉章CP、EE、NDF和ADF模型的建立與優(yōu)化

試驗采用偏最小二乘回歸（PLS）方法建立定標模型，在使用傳統(tǒng)線性回歸模型之前，先對所需合適變量數(shù)進行預測并去除噪音干擾。利用TQ Analyst 6.2分析軟件通過多元信號修正（MSC）消除由于樣品大小、均勻性等對光程的干擾。采用Nor?ris Derivative和Savitzky Golay濾波方法對光譜進行平滑處理，然后采用一階導數(shù)和二階導數(shù)凈化光譜圖，選擇譜區(qū)范圍，并確定主因子數(shù)，以達到優(yōu)化模型目的。小葉章CP、EE、NDF和ADF的最佳光譜處理方法和譜區(qū)范圍見表2。

表2 建立近紅外光譜預測模型的最佳條件Table 2 Optimal conditions for establishing NIRS prediction models

2.3 模型的建模效果分析

根據(jù)相對分析誤差RPD（SD/RMSEP）值對模型進行詳細評價。如果RPD≥3，說明定標效果良好，建立的定標模型可以用于實際檢測；如果2.5＜RPD＜3，說明利用NIRS對該成分進行定量分析可行，但預測精度有待進一步提高；如果RPD＜2.5，說明該成分難于進行NIRS定量分析[12-13]。

表3為在選擇最佳建模光譜范圍和光譜預處理方法后，得到的小葉章干草各指標含量校正模型的建模參數(shù)和驗證效果，其中CP、EE、NDF和ADF含量的校正模型的建模相關系數(shù)R2分別為0.9587、0.9654、0.9638和0.9553，均達到0.95以上，RMSEP分別為0.24、0.31、0.82和0.84，接近化學分析的準確度，并且這4項指標的RPD值均大于3，說明近紅外校正模型具有較好預測效果，能較好地滿足實際生產(chǎn)中對分析精度的要求。

表3 CP、EE、NDF和ADF預測模型的優(yōu)化結(jié)果Table 3 Optimization results for the calibration of Prediction model CP,EE,NDF and ADF contents

校正模型建立后，采用外部驗證的方法對所建模型的預測效果進行驗證。表4為用預測模型對60個小葉章樣品CP、EE、NDF和ADF含量預測結(jié)果。從表中可以看出預測樣品各指標預測值與常規(guī)分析值之間差異不顯著。預測均方差（RMSEP）分別為0.55（CP）、0.42（EE）、1.46（NDF）和 1.23（ADF）。散點圖2表明，小葉章CP、EE、NDF和ADF預測值與化學值之間的相關系數(shù)（R2）分別為0.952 3、0.953 7、0.955 5和0.952 0，表明預測值與化學值比較接近，檢測誤差小、結(jié)果準確可靠，可用NIRS技術(shù)來對小葉章樣品中的CP、EE、NDF和ADF含量進行實際預測。

表4 校正模型的驗證Table 4 Evaluation of the calibration models with validation sets

圖2 CP、EE、NDF、ADF測量值與預測值的相關性Fig.2 Correlation between measured and predicted values CP,EE,NDF and ADF

3 討論

目前，國內(nèi)關于NIRS技術(shù)分析青貯飼料、紫花苜蓿化學成分研究較多。董蘇曉等研究表明，近紅外漫反射光譜法可測定新鮮青貯飼料中干物質(zhì)DM、NDF、ADF和粗灰分（CA）含量；CP含量測定效果較好，需要通過擴大樣品CP含量變異范圍進一步驗證；可粗略估測酸性洗滌木質(zhì)素（ADL）和可溶性碳水化合物（WSC）含量，測定精度有待于提高[14]。齊曉等采用FT-NIRS，結(jié)合PLS，建立紫花苜蓿莖組分CP、NDF、ADF、CA和體外可消化干物質(zhì)（IVDDM）含量預測模型，除NDF含量的預測模型外，其他4個指標預測模型建模效果和實際預測均較好[8]。滑榮等運用PLS建立紫花苜蓿草顆粒CP、NDF和ADF含量近紅外光譜預測模型，表明近紅外光譜分析技術(shù)可準確預測紫花苜蓿草顆粒的營養(yǎng)價值[13]。陳鵬飛等應用PLS、傅里葉變換近紅外光譜技術(shù)（FT-NIRS）和液氮冷凍制樣技術(shù)，建立適合于不同品種、不同生育期、不同茬次和不同青貯方法即時測定青貯苜蓿鮮樣中DM、CP、NDF、ADF的模型，結(jié)果表明采用適當?shù)臉悠诽幚矸椒ê凸庾V分析技術(shù)可實現(xiàn)近紅外光譜技術(shù)對苜蓿青貯鮮樣營養(yǎng)價值評定[15]。尚晨以152個來源不同的紫花苜蓿樣品建立粗蛋白和粗纖維含量近紅外定量分析校正模型，表明利用近紅外漫反射光譜法測定紫花苜蓿內(nèi)在主要品質(zhì)性狀可行[16]。

對于NIRS應用于小葉章營養(yǎng)價值快速定量檢測尚屬首例，本試驗采用PLS方法，建立小葉章CP、EE、NDF和ADF含量的預測模型，檢測誤差小、結(jié)果準確可靠，與化學分析方法無明顯差異且重現(xiàn)性好，表明近紅外漫反射光譜法可快速并準確測定小葉章中CP、EE、NDF和ADF含量。同時，本試驗使用TQ Analyst 6.2分析軟件進行光譜預處理，在建模之前對建模光譜信息進行選擇，提高了建模光譜數(shù)據(jù)有效信息率，獲得小葉章營養(yǎng)價值最佳的光譜處理方法和譜區(qū)范圍。同時，本試驗采用較大的樣品量，在一定程度上提高近紅外建模準確性。后續(xù)研究中，可增加有代表性樣品，增大樣品品種、地域、年際變化、物理形態(tài)等變異條件，拓寬預測范圍，既能建立包括大量變異寬范圍預測模型，也可以用少量樣品建立準確專用模型。

4 結(jié)論

采用偏最小二乘法（PLS）建立小葉章CP、EE、NDF和ADF含量的近紅外光譜定量分析校正模型，小葉章CP的預測相關系數(shù)（R2）達到0.9523、SD/RMSEP達到3.51；EE的預測相關系數(shù)0.9537、SD/RMSEP達到3.05；NDF預測相關系數(shù)達0.9555、SD/RMSEP達到3.12；ADF預測相關系數(shù)0.9520、SD/RMSEP達到3.15，表明近紅外漫反射光譜法可快速并準確的測定小葉章中CP、EE、NDF和ADF含量。

[1] 燕昌江,李鋒,徐良梅,等.近紅外光譜技術(shù)在畜牧生產(chǎn)中的應用[J].東北農(nóng)業(yè)大學學報,2008,39(11):140-144.

[2] Norris K H,Barnes R F,Moore J.E,et al.Predicting forage quali?ty by infrared replectance spectroscopy[J].Journal of Animal Sci?ence,1976,43:889-897.

[3] Brown W F,Moore J E,Kunkle W E,et al.Forage testing using near infrared reflectance spectoscopy[J].Journal of Animal Sci?ence,1990,68:1416-1472.

[4] Flinn,P C,Heazlewood P G.A uniform objective system for quali?ty description of australian fodder products[R].Canberra:Rural Industries Research and Development Corporation,2000.

[5] 彭玉魁,李菊英.NIRs法同時測定小麥種子水分、粗蛋白、賴氨酸和粗淀粉含量研究[J].西北農(nóng)業(yè)科學,1996,5(3):31-34.

[6] 魏良明,嚴衍祿,戴景瑞.近紅外反射光譜測定玉米完整籽粒蛋白質(zhì)和淀粉含量的研究[J].中國農(nóng)業(yè)科學,2004,37(5):630-633.

[7] 李君霞,張洪亮,嚴衍祿,等.水稻蛋白質(zhì)近紅外定量模型的創(chuàng)建及在育種中的應用[J].中國農(nóng)業(yè)科學,2006,39(4):836-841.

[8] 齊曉,韓建國,聶志東,等.利用近紅外漫反射光譜法預測紫花苜蓿莖組分營養(yǎng)價值的研究[J].光譜學與光譜分析,2008,28(9):2062-2066.

[9] 白琪林,陳紹江,嚴衍祿,等.近紅外漫反射光譜法測定青貯玉米品質(zhì)性狀的研究[J].中國農(nóng)業(yè)科學,2006,39(7):1346-1351.

[10] Windham W R,Mertens D R,Barton F E.Protocol for NIRS cali?bration:sample selection and equation development and validation[M]//.marten G C.Near infrared reflectance spectroscopy(NIRS):analysis of forage quality.USDA agricultural handbook 643.Washington,D C:US Government Printing Office,1989.

[11] 楊勝.飼料分析及飼料質(zhì)量檢測技術(shù)[M].北京:北京農(nóng)業(yè)大學出版社,1993.

[12] Murray I.Forage analysis by near infrared spectroscopy,in sward measurement handbook(2nd Edition)[M].Washington D C:The British Grassland Society,1993.

[13] 滑榮,韓建國,齊曉,等.近紅外漫反射光譜法預測紫花苜蓿草顆粒營養(yǎng)價值[J].光譜學與光譜分析,2008,28(12):2826-2829.

[14] 董蘇曉,劉賢,韓魯佳.近紅外漫反射光譜法快速測定新鮮青貯飼料化學成分含量[J].中國農(nóng)業(yè)大學學報,2007,12(6):85-88.

[15] 陳鵬飛,戎郁萍,韓建國,等.近紅外光譜法測定紫花苜蓿青貯鮮樣的營養(yǎng)價值[J].光譜學與光譜分析,2007,27(7):1304-1307.

[16] 尚晨,張月學,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].光譜學與光譜分析,2009,29(12):3250-3253.