近紅外反射光譜技術評定棉籽粕營養(yǎng)價值和蛋公雞代謝能

李玉鵬　年　芳　李愛科　王薇薇　陸　輝　王　麗

(1.甘肅農業(yè)大學動物科學與技術學院，蘭州730070；2.國家糧食局科學研究院，北京100037；3.甘肅農業(yè)大學理學院，蘭州730070)

?

近紅外反射光譜技術評定棉籽粕營養(yǎng)價值和蛋公雞代謝能

李玉鵬1，2年芳3*李愛科2王薇薇2陸輝2王麗2

(1.甘肅農業(yè)大學動物科學與技術學院，蘭州730070；2.國家糧食局科學研究院，北京100037；3.甘肅農業(yè)大學理學院，蘭州730070)

摘要：本試驗旨在探討利用近紅外反射光譜技術測定棉籽粕常規(guī)營養(yǎng)成分含量和蛋公雞代謝能的可行性。從全國范圍內收集76個不同產地、年份、加工方式的棉籽粕樣品，測定其常規(guī)營養(yǎng)成分含量，并通過蛋公雞強飼試驗測定其表觀代謝能和真代謝能。隨機選取定標集(n=56)和外部驗證集(n=20)樣品，建立近紅外定標模型。結果表明：1)不同來源棉籽粕的營養(yǎng)成分和蛋公雞代謝能變異較大，變異系數為2.52%～84.75%，其中水分、粗脂肪、粗纖維、表觀代謝能和真代謝能的變異系數超過10%；粗蛋白質、粗灰分和總能的變異系數分別為9.58%、9.81%和2.52%。2)水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的定標決定系數為0.923 5～0.975 8，交互驗證決定系數為0.824 7～0.930 3，外部驗證決定系數為0.879～0.896；表觀代謝能和真代謝能的定標決定系數為0.969 0和0.926 8，交互驗證決定系數為0.917 0和0.905 7，外部驗證決定系數為0.911和0.892。因此，常規(guī)營養(yǎng)成分和代謝能的定標方程均可用于日常分析。

關鍵詞：近紅外反射光譜；棉籽粕；常規(guī)營養(yǎng)成分；代謝能

我國是世界上最大的棉籽生產國，有巨大的植物蛋白質資源[1]，近年棉籽年產量均在4 000萬t以上。棉籽粕是棉籽經脫絨、脫殼和仁殼分離后，經預壓浸提或直接溶劑浸提取油后獲得的副產品，或由棉籽餅浸提取油獲得的副產品。棉籽粕中含有大量的蛋白質，是世界上僅次于大豆的重要植物蛋白質來源[2]。目前，實際生產中配制家畜飼料配方時，棉籽粕的常規(guī)營養(yǎng)成分需要主要是以NRC(2012)[3]及《中國飼料成分及營養(yǎng)價值表(2014年第25版)》所推薦的數值為基準，這些標準均提供的是棉籽粕常規(guī)營養(yǎng)成分的平均值。然而，受產地、品種、加工工藝、儲存方式和種植年份等因素的影響，不同來源棉籽粕的營養(yǎng)成分存在較大的變異。為了在動物飼糧實際配制過程中更加有效地利用棉籽粕資源，在設計配方前有必要對每一批不同來源棉籽粕的營養(yǎng)成分含量進行檢測，并以實測值配制飼糧，從而提高原料利用效率，以達到精準配制飼糧的目的[4-8]。

利用近紅外反射光譜技術可以根據被測樣品的近紅外光譜特征求得樣品特定成分含量、偽劣辨識、產地溯源等，該技術有測量過程快速高效、低成本、無污染和多組分同時檢測等優(yōu)點，已被廣泛應用于動物飼料原料及飼糧營養(yǎng)成分的快速預測[9]。

本試驗以棉籽粕為研究對象，在全國范圍內廣泛收集樣品，測定常規(guī)營養(yǎng)成分含量，并通過蛋公雞強飼試驗測定表觀代謝能和真代謝能，評價其營養(yǎng)價值及變異；同時，利用FOSS近紅外光譜儀采集棉籽粕樣品近紅外光譜數據，構建棉籽粕近紅外光譜量化數據與常規(guī)營養(yǎng)成分指標和代謝能的關聯模型，以服務于飼料行業(yè)的品質監(jiān)管和實時監(jiān)測。

1材料與方法

1.1棉籽粕樣品的收集和制備

收集我國新疆、山東、北京、陜西和湖北等不同種植地區(qū)的76個色澤和氣味正常的棉籽粕樣品為試驗材料，樣品來源見表1。每個樣品使用低溫粉碎機粉碎過40目篩(0.42 mm)，四分法進行縮分，將縮分后大約500 g樣品分為4份，分別用于實驗室化學分析、近紅外光譜掃描、蛋公雞強飼和留樣。樣品用自封袋密封，儲存于-18 ℃冰柜中。樣品常規(guī)營養(yǎng)成分分析及近紅外掃描前，自冰柜取出，置于室溫平衡約1 h。

表1　不同來源棉籽粕樣品Table 1　Different sources of cottonseed meal samples

1.2試驗方法

1.2.1常規(guī)營養(yǎng)成分測定儀器和方法

水分含量用智能溫度控制儀(精宏XMTD-8222)按照GB/T 6435—2006方法測定；粗蛋白質含量用全自動凱氏定氮儀(FOSS-8400)按照GB/T 6432—1994方法測定；粗脂肪含量用全自動索氏抽提系統(tǒng)(FOSS SoxtecTM-2050)按照GB/T 10359—2008方法測定；粗纖維含量用全自動纖維分析系統(tǒng)(FOSS-2010)按照GB/T 6433—2006方法測定；粗灰分含量智能箱式電阻爐(天津中環(huán)SX2-5-12)按照GB/T 6438—1992方法測定；總能用全自動氧彈量熱儀(Parr6300，美國)測定。

所有營養(yǎng)成分含量均以風干基礎表示。每個樣品平均分析2次，取平均值作為近紅外光譜分析的參比值，嚴格按照國標的化學法進行測定。

1.2.2試驗雞處理和飼養(yǎng)管理

采用單因素籠養(yǎng)隨機區(qū)組試驗設計，選擇健康、體重為(2.5±0.3) kg的28周齡海蘭褐蛋公雞72只，分成12組，每組6個重復，每組蛋公雞測定1種棉籽粕的表觀代謝能和真代謝能，試驗分7期完成，每期留1組設為內源組。每2期之間留15 d恢復期，恢復期內自由采食和飲水，供給充足商品蛋雞料。試驗前剪盡蛋公雞肛門周圍羽毛，縫合帶洞瓶蓋，適應2周，正試前3 d準備相應的集糞袋收集排泄物。

1.2.3試驗方法和操作

采用排空強飼法，排空期12 h，其間斷料不斷水，排空期后進行強飼，每只蛋公雞強飼30 g風干棉籽粕，強飼后馬上裝上集糞袋收集排泄物36 h。內源組為對照組，除不強飼外，其他操作均相同。

1.2.4排泄物處理

排泄物收集后倒入相應培養(yǎng)皿中，并添加10%鹽酸10 mL，置于105 ℃烘箱中15 min滅酶和微生物，調至65 ℃連續(xù)烘72 h后在實驗室回潮24 h后稱重，粉碎過40目(0.42 mm)分析篩，密封保存?zhèn)溆谩?/p>

1.2.5代謝能測定方法

測定風干飼料樣中的干物質、總能和排泄物中的總能。干物質按照GB/T 6435—2006方法測定；總能用全自動氧彈量熱儀(Parr6300，美國)測定。

1.2.6表觀代謝能和真代謝能的計算方法

表觀代謝能=(食入總能-

排泄物總能)/食入總干物質；

真代謝能=表觀代謝能+內源排泄能。

1.2.7近紅外儀儀器參數及光譜采集

使用FOSS XDS型近紅外光譜分析儀進行棉籽粕的光譜采集，掃描范圍400～2 650 nm，分辨率8 cm-1，掃描次數64次，波長間隔2 nm，每個樣品重復裝樣及掃描2次，取平均值，并轉化為log1/R形式記錄光譜數據。儀器配備移動式樣品池及標準蓋片。

1.2.8模型的建立

使用儀器自帶計量學軟件WinISI4進行光譜數據分析。樣品按照3∶1的比例，隨機分成定標集(n=56)和驗證集(n=20)，分別用于定標模型的建立和外部驗證。

使用改進偏最小二乘法建立定標模型。定標前，使用6種去散射方法(無散射、標準正態(tài)變量校正結合去除趨勢校正、標準正態(tài)變量校正、去趨勢校正、標準多元去散射校正和加權多元去散射校正)和3種導數處理(0,0,1,1；1,4,4,1；2,4,4,1)相結合，共18種方法對原始光譜進行預處理，提高信噪比，進而優(yōu)化模型的預測性能。其中，3種導數處理的4個數值依次代表導數處理的階數、導數的數據間隔、一次平滑點數及二次平滑點數。

1.2.9模型的驗證

使用全局距離(global hood,GH)和t檢驗進行2輪異常值的剔除，其中GH≥10作為剔除光譜異常值的標準，t>2.5作為剔除化學異常值的標準。

模型的內部驗證采用交互驗證法。衡量定標效果的參數包括定標決定系數(coefficient of determination for calibration,RSQcal)、定標標準差(standard error of calibration,SEC)、交互驗證決定系數(coefficient of determination for cross-validation,1-VR)和交互驗證標準差(standard error of cross-validation,SECV)，其中以RSQcal最高和SECV最低的模型確定為最佳定標模型[10]。

定標模型建立后，采用獨立的驗證集對模型進行外部驗證。衡量模型預測效果的統(tǒng)計參數為驗證決定系數(coefficient of determination for validation,RSQv)和預測標準偏差(standard error of prediction,SEP)。依據AACC[11]規(guī)定，本試驗選擇RSQv≥0.84[10]時認為模型適用于日常分析。

2結果

2.1棉籽粕常規(guī)營養(yǎng)成分含量及其變異

由表1、表2和表5可知，本試驗中所采集的棉籽粕樣品來源于不同年份、種植地區(qū)和加工工藝，常規(guī)營養(yǎng)成分和代謝能的含量分布范圍較寬，變異較大，具有較強的近紅外取樣代表性。棉籽粕樣品基本分為黃色、褐色、紅色和黑色。山東的棉籽粕偏黃色，尤其是德州的脫酚棉籽粕；新疆產棉籽粕大部分都是棕紅色，部分產地的棉籽粕棉絨較少，粗蛋白質含量較高；其他棉籽粕樣品多為褐色，個別樣品為紅色，可能是加工過程中加熱過度，棉酚變性所致；本研究未有采集到黑色棉籽粕樣品。飼料生產企業(yè)主要通過粗蛋白質含量來評定棉籽粕品質。本試驗中粗蛋白質含量最低、粗纖維含量最高的棉籽粕樣品來自河北，且此樣品棉絨、棉殼成分較多；粗蛋白質含量最高的樣品來自新疆，棉絨、棉殼成分較少。

由表2和表5可知，棉籽粕常規(guī)營養(yǎng)成分平均含量與《中國飼料成分及營養(yǎng)價值表(2014年第25版)》數據相比，粗脂肪、粗纖維和真代謝能的變異較大，粗蛋白質、粗灰分和表觀代謝能的平均含量均在《中國飼料成分及營養(yǎng)價值表(2014年第25版)》中棉籽粕相關數據的范圍內。所測棉籽粕常規(guī)營養(yǎng)成分和代謝能間變異系數為2.52%～84.75%。變異系數由小到大依次為總能、粗蛋白質、粗灰分、水分、真代謝能、表觀代謝能、粗纖維和粗脂肪，其中水分、粗脂肪、粗纖維、表觀代謝能和真代謝能的變異系數均大于10%。

由表2、表3、表4和表5比較可知，棉籽粕全集、定標集及驗證集各指標的含量范圍、平均值及變異系數相近，且外部驗證的各常規(guī)營養(yǎng)成分含量均在定標集范圍內，說明3個樣品集具有相似的樣品分布，有利于定標模型的建立和外部驗證分析。

表2　棉籽粕全集營養(yǎng)成分含量及變異范圍(風干基礎)Table 2　Nutrient contents and variation ranges of all cottonseed meal (air-dry basis, n=76)　%

棉籽粕數據來源于《中國飼料成分及營養(yǎng)價值表(2014年第25版)》。下表同。

Cottonseed meal data were from Tables of Feed Composition and Nutritive Value in China,25th ed,2014. The same as below.

表3　棉籽粕定標集營養(yǎng)成分含量及變異范圍(風干基礎)Table 3　Nutrient contents and variation ranges of calibration set of cottonseed meal (air-dry basis, n=56)　%

表4　棉籽粕驗證集營養(yǎng)成分含量及變異范圍(風干基礎)Table 4　Nutrient contents and variation ranges of validation set of cottonseed meal (air-dry basis, n=20)　%

表5　棉籽粕代謝能及變異范圍(干物質基礎)Table 5　Metabolizable energy and variation ranges of cottonseed meal (DM basis)

2.2最優(yōu)定標模型的建立和驗證

全集棉籽粕樣品的原始近紅外光譜如圖1所示，橫坐標為波長，縱坐標為吸光度。樣品原始光譜在近紅外區(qū)出現了明顯的吸收峰，但其吸收峰較寬，基線漂移(垂直偏移)較為嚴重。如圖2所示，通過二階導數處理后，樣品吸收峰得到增強，光譜差異更加明顯，基線漂移現象也得到了校正。76個棉籽粕樣品的有機物中含有C—H、O—H、N—H和S—H等含氫基團的成分，這些成分含量的不同影響其吸收峰的大小，各個樣品之間的光譜不完全重合，根據光譜間的差異可判斷樣品的化學成分和成分含量[12]。

圖1　棉籽粕樣品原始圖譜和二階導數處理2,4,4,1Fig.1　The original picture of cottonseed meal samples and second derivative processing 2,4,4,1 (n=76)

試驗采用改進最小二乘法回歸(MPLS)搭配不同光譜預處理方法建立定標模型，最優(yōu)模型的定標、交互驗證和外部驗證結果分別如表6、表7和表8所示。對于各常規(guī)營養(yǎng)成分而言，水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的RSQcal為0.923 5～0.975 8，1-VR為0.824 7～0.930 3，取得了良好的定標效果。水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的RSQv為0.879～0.896。表觀代謝能和真代謝能的RSQcal分別為0.969 0和0.926 8，1-VR分別為0.917 0和0.905 7，RSQv分別為0.911和0.892。

本試驗選用400～2 650 nm波長段建模，最優(yōu)定標模型中，水分、粗蛋白質、粗脂肪、粗纖維、粗灰分、總能、表觀代謝能和真代謝能的波長均在408～2 492.8 nm。

表6　不同來源棉籽粕常規(guī)營養(yǎng)成分的最優(yōu)定標模型(風干基礎)Table 6　Optimal calibration models for common nutrients of cottonseed meal from different sources (air-dry basis)

表7　常規(guī)營養(yǎng)成分最優(yōu)定標模型的外部驗證(風干基礎)Table 7　Optimal calibration models of common nutrients for external validation (air-dry basis)

表8　代謝能最優(yōu)定標模型的內部交互驗證和外部驗證(干物質基礎)Table 8　Optimal calibration models of metabolizable energy for internal cross validation and external validation (DM basis)

圖2為驗證集棉籽粕常規(guī)營養(yǎng)成分及代謝能實測值與近紅外光譜預測值之間的相關圖，圖中縱坐標為化學實驗室實測值，橫坐標為近紅外光譜預測值，應用所建近紅外光譜模型對驗證集棉籽粕樣品進行水分、粗蛋白質、粗脂肪、粗纖維、灰分、總能及代謝能的預測顯示，所有預測結果均在回歸線附近，在報警限以內。

圖2　驗證集棉籽粕常規(guī)營養(yǎng)成分及代謝能實測值與近紅外光譜預測值相關圖Fig.2　The correlation picture between measured value of common nutrients & metabolizable energy in validation set cottonseed meal and predicted value by near infrared spectrum

3討論

棉籽粕由于品種、產地、年份和加工工藝不同，其營養(yǎng)成分變異較大[4]。不同的種植環(huán)境，包括降雨量、溫度、日照時長和土壤條件等的差異，都影響棉籽的飽滿度，從而影響棉籽粕的質量。有研究表明，棉籽因品種和生長環(huán)境的不同會造成其品質差異較大，生長期的長短影響棉籽的成熟度，棉籽的成熟度好則棉籽粕蛋白質含量高[13]。

本研究中不同年份的棉籽粕均長期保存在4 ℃下，未有發(fā)熱和霉變現象發(fā)生，干物質和粗蛋白質含量在試驗期間變化不大，礦物質含量幾乎不發(fā)生變化。不過，由于制油工藝的不同，本試驗棉籽粕樣品中粗脂肪和粗蛋白質含量相差較大，與前人研究結果[14]一致。此外，棉籽品質及加工工藝對棉籽粕品質影響較大[13]。高溫壓榨時嚴重破壞棉籽粕中的蛋白質，且出油率低，但作為飼料原料使用時消化能含量高。低溫壓榨時易造成棉籽粕中游離棉酚含量高；而膨化浸出法成功解決了傳統(tǒng)壓榨法生產的棉籽粕中棉酚高的問題，但蛋白質和氨基酸的消化率會受影響[15]。預榨浸出法生產的棉籽粕出油率高，呈棕黃色粉末狀[5]。在棉籽加工中，棉籽蛋白質由棉籽或棉籽粕生產的粗蛋白質含量在50%以上的產品組成，是一類蛋白質含量較高的棉籽加工產品的總稱[2]。本試驗共計有13個棉籽蛋白質樣品，大部分來自新疆。試驗發(fā)現，蛋白質含量高的棉籽粕，棉絨棉殼和粗纖維含量則較低；蛋白質含量低的棉籽粕，棉絨棉殼和粗纖維含量則較高，這與侯彩云等[16]研究結果一致。棉籽粕中的纖維成分與有效能值呈高度負相關[17]。與王安平等[18]和與張鋮鋮等[19]研究報道相比，本試驗得出棉籽粕水分、粗蛋白質、粗脂肪和粗灰分含量的變幅均較大，但粗纖維含量偏低。這可能是由于棉籽粕在生產過程中，棉籽的去殼與脫絨程度有差異，以及棉籽粕生產加工工藝(壓榨法、預榨浸出法和浸出法)的不同而導致[5,20]，具體影響因素還有待進一步研究。

近紅外光譜除含有樣品自身的化學信息外，還包含有其他無關信息和噪聲，如電噪聲、樣品背景和雜散光等[10]，因此，要對光譜進行預處理，如圖1所示，通過二階導數處理后，樣品吸收峰得到增強，光譜差異更加明顯，基線漂移現象也得到了校正。研究結果表明，在常用的3種近紅外建模方法中，以MPLS建立的校正模型的預測效果較好，肖昕等[21]、舒慶堯等[22]采用MPLS、最小二乘法回歸(PLS)和主成分分析回歸(PCR)3種回歸技術建立稻谷種子、精米粉直鏈淀粉含量的定標模型，發(fā)現采用MPLS建立的回歸方程，其校正標準誤差和檢驗標準誤差明顯小于其他2種方法，其決定系數大于其他2種方法。本試驗同樣采用MPLS搭配不同光譜預處理建立棉籽粕樣品常規(guī)營養(yǎng)成分定標模型，水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的RSQcal為0.923 5～0.975 8，1-VR為0.824 7～0.930 3，取得了良好的定標效果。目前，國外知名的近紅外儀生產企業(yè)有FOSS、Bruker、Thermo和ABB等，國內的生產企業(yè)有聚光科技和尼爾光電等。以FOSS為例，商業(yè)化檢測小麥和玉米粗蛋白質和水分的近紅外儀，配套模型的相關系數均大于0.95，是分別采集相應樣品近2萬個基礎之上得到的，但實際應用中企業(yè)之間基本不共享公共數據庫，技術相對封閉。國內聚光科技股份有限公司與中國農業(yè)科學院和中糧集團等單位合作，已有檢測大豆、菜籽粕和豆粕等營養(yǎng)價值模型，其中豆粕水分、粗蛋白質和粗纖維的預測模型相關系數均大于0.9，在中糧集團和益海集團等一些大型企業(yè)中已應用。目前未發(fā)現企業(yè)中棉籽粕的營養(yǎng)指標近紅外定標模型，本研究中棉籽粕的定標模型數據庫會繼續(xù)更新和擴充，以應用于企業(yè)。本試驗中，水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的RSQv為0.879～0.896，外部驗證結果理想，結果表明，應用近紅外光譜技術快速分析棉籽粕中的常規(guī)營養(yǎng)成分含量是可行的，這為飼料原料的快速分析提供了技術借鑒。

在棉籽營養(yǎng)品質性狀分析中，已成功構建了棉籽蛋白質、油分、水分和棉酚含量等成分的定標模型[23-25]。近紅外光譜法與化學法測定棉籽粕的粗脂肪相對誤差較大，粗蛋白質、粗灰分和水分的測定結果[26]均無顯著差異。李靜[27]采集60個棉籽粕樣品，用傅立葉變換近紅外光譜儀建立預測棉籽粕化學成分的定標模型，水分、粗蛋白質、粗脂肪、中性洗滌纖維、酸性洗滌纖維和粗灰分含量的定標模型可用于定量分析，各項決定系數為0.852 1～0.997 2，但預測棉籽粕粗脂肪模型的效果較差，可能與樣品量較少和含量偏低有關，但水分、粗蛋白質、粗脂肪、粗纖維和粗灰分的預測模型可用于日常分析，與本試驗結果是一致的。本試驗中粗脂肪模型的RSQv為0.892，可用于日常分析。近紅外檢測技術中相關組分含量不應低于0.1%，樣品組分含量盡量寬[28]，相關組分含量高，樣品分布均勻，變異度大等有利于模型的建立。本試驗中樣品來源范圍廣，各組分含量差異較大，除粗脂肪外，其余各組分檢出量均大于1%；除總能外，其余各組分變異度均接近或大于10%，均有利于模型的建立。本試驗粗纖維的外部驗證相關系數最低，RSQv為0.879，其他指標的定標相關系數也均未大于0.9，這可能與試驗棉籽粕樣品數量相對較少有關，而增加定標樣本數量，可改善定標效果[23]。在建立定標模型的過程中，樣品集的數量和樣品成分的含量范圍，對模型的建立起著關鍵性的作用。同時，樣品代表性和實驗室化學分析誤差是影響近紅外分析準確性的主要因素。因此，在建立定標時，應嚴格按照標準方法的誤差要求對樣品的成分進行準確測定[29]。

目前還未見關于蛋公雞棉籽粕代謝能近紅外預測模型的研究報道。武洪慧等[30]采用排空-強飼法測定了29個棉籽粕樣品的代謝能值，表觀代謝能為7.89～12.02 MJ/kg，均值為10.25 MJ/kg，真代謝能為9.74～13.87 MJ/kg，均值為12.12 MJ/kg，均高于本試驗所測值，這可能是本試驗所采集的棉籽粕樣本量更大、范圍更廣所致。蛋公雞對棉籽粕的代謝能由各常規(guī)營養(yǎng)成分含量相互作用決定，所以其光譜信息更復雜。陳立業(yè)[31]用70個胡麻餅樣品建立的肉仔雞表觀代謝能近紅外預測模型的RSQv為0.964。李軍濤[28]用小麥和玉米樣品建立了豬的表觀代謝能近紅外預測模型，也得到了模型可用于日常分析的結果。Losada等[32]采用近紅外光譜法對蛋公雞能量飼料的氮校正表觀代謝能進行評定，其RSQv為0.952，由此表明，近紅外方法可用于飼料代謝能的評定。目前，在飼料行業(yè)中的應用評價標準，一般為相對分析誤差≥2.5，即RSQv≥0.84時，模型可用于實際檢測[25]。本試驗中的棉籽粕樣品盡可能涵蓋了將來要分析的未知樣品的范圍，并且在該范圍內分布均勻，具有較強的代表性，各指標的RSQv均大于0.84，因此各指標模型均可用于日常分析。

4結論

① 不同來源棉籽粕的營養(yǎng)成分和蛋公雞代謝能變異較大，常規(guī)營養(yǎng)成分和代謝能間變異系數為2.52%～84.75%，其中水分、粗脂肪、粗纖維、表觀代謝能和真代謝能的變異系數均大于10%。

② 棉籽粕近紅外光譜模型對水分、粗蛋白質、粗脂肪、粗纖維、粗灰分和總能的RSQcal為0.923 5～0.975 8，1-VR為0.824 7～0.930 3，RSQv為0.879～0.896；表觀代謝能和真代謝能的RSQcal分別為0.969 0和0.926 8，1-VR分別為0.917 0和0.905 7，RSQv分別為0.911和0.892。定標效果較理想，定標方程均可用于日常分析。

參考文獻：

[1]黃莊榮,陳進紅,劉海英,等.棉籽17種氨基酸含量的NIRS定標模型構建與測定方法研究[J].光譜學與光譜分析,2011,31(10):2692-2696.

[2]趙小龍,劉大川.棉籽蛋白資源開發(fā)研究進展[J].中國油脂,2014,391(1):23-26.

[3]National Research Council.Nutrient requirements of swine[M].11th ed.Washington,D.C.:National Academy Press,2012.

[4]KIM J C,MULLAN B P,SIMMINS P H,et al.Variation in the chemical composition of wheats in western Australia as influenced by variety,growing region,season,and post-harvest storage[J].Australian Journal of Agricultural Research,2003,54(6):541-550.

[5]李愛科.中國蛋白質飼料資源[M].北京:中國農業(yè)大學出版社,2013:107-125.

[6]沈維華,馬承融.棉籽制油工藝對棉籽蛋白品質的影響[J].中國油脂,1988(6):27-31.

[7]張艷.基因型和環(huán)境對我國冬播麥區(qū)小麥品質性狀的研究[D].碩士學位論文.北京:中國農業(yè)科學研究院,1997.

[8]TURNER J H,RAMEY H H,WORLEY S.Relationship of yield,seed quality,and fiber properties in upland cotton[J].Cropence,1976,16(4):578-580.

[9]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.

[10]褚小立.化學計量學方法與分子光譜分析技術[M].北京:化學工業(yè)出版社,2011:76-79.

[11]AACC.AACC Method 39—00.Near-infrared methods-guidelines for model development and maintenance[S].St.Paul,MN:American Association of Cereal Chemists,2000.

[12]張卉,宋妍,冷靜,等.近紅外光譜分析技術[J].光譜實驗室,2007,24(3):388-395.

[13]劉玉剛,王國才,楊杰.對影響棉粕蛋白含量因素的探討[J].中國油脂,2007,32(9):17-18.

[14]賈曉紅,WEDEGAERTNER T C.充分利用棉籽粕[J].中國畜牧獸醫(yī),1982(6):14-16.

[15]張鋮鋮.我國不同地區(qū)棉粕豬氨基酸回腸消化率的研究[D].碩士學位論文.長沙:湖南農業(yè)大學,2012.

[16]侯彩云,王海榮,敖長金,等.幾種棉粕飼料的質量評定[J].畜牧與飼料科學,2012,33(4):67-69.

[17]孫獻忠,熊本海.用飼料化學成分預測豬飼料能值的研究進展[J].中國畜牧獸醫(yī),2006,33(11):19-23.

[18]王安平,呂云峰,張軍民,等.我國棉粕和棉籽蛋白營養(yǎng)成分和棉酚含量調研[J].華北農學報,2010,25(增刊):301-304.

[19]張鋮鋮,張石蕊,賀喜,等.我國不同地區(qū)棉籽粕的豬氨基酸標準回腸消化率的測定[J].動物營養(yǎng)學報,2013,25(12):2844-2853.

[20]李思明,韋啟鵬,劉林秀,等.棉籽的高效利用研究進展[J].江西飼料,2010(3):26-28.

[21]肖昕,陳奕,羅文永,等.單?；铙w稻谷種子直鏈淀粉含量的近紅外透射光譜分析[J].中國水稻科學,2003,17(3):287-290.

[22]舒慶堯,吳殿星,夏英武,等.用近紅外反射光譜技術測定精米粉樣品表觀直鏈淀粉含量的研究[J].中國水稻科學,1999,13(3):189-192.

[23]郭婷婷.陸地棉棉籽蛋白質、油份含量近紅外分析模型的建立及其相關QTL的篩選、定位[D].碩士學位論文.南京:南京農業(yè)大學,2011.

[24]張曉芳,俞信,閆吉祥,等.近紅外反射技術開放式檢測棉籽中水分和油含量的研究[J].光譜學與光譜分析,2007,27(3):473-476.

[25]LORDELO M M,SHAABAN S A,DALE N M,et al.Near infrared reflectance spectroscopy for the determination of free gossypol in cottonseed meal[J].Journal of Applied Poultry Research,2008,17(2):243-248.

[26]檀其梅.NIRS對11種飼料原料常規(guī)成分測定結果的可靠性評估[D].碩士學位論文.合肥:安徽農業(yè)大學,2008.

[27]李靜.傅立葉近紅外測定麥麩、棉粕化學成分及適宜建模水分背景的選擇[D].碩士學位論文.雅安:四川農業(yè)大學,2007.

[28]李軍濤.近紅外反射光譜快速評定玉米和小麥營養(yǎng)價值的研究[D].博士學位論文.北京:中國農業(yè)大學,2014.

[29]史永剛,馮新滬,李子存,等.近紅外光譜分析中應考慮的幾個問題[J].光譜實驗室,2001,18(4):435-437.

[30]武洪慧,焦洪超,林海.棉粕家禽代謝能評定方法研究[C]//中國畜牧獸醫(yī)學會動物營養(yǎng)學分會第七屆中國飼料營養(yǎng)學術研討會論文集.北京:中國畜牧獸醫(yī)學會,2014:291.

[31]陳立業(yè).基于近紅外光譜技術胡麻餅肉仔雞營養(yǎng)價值研究部[D].碩士學位論文.蘭州:甘肅農業(yè)大學,2013.

[32]LOSADA B,GARCA-REBOLLAR P,LVAREZ C,et al.The prediction of apparent metabolisable energy content of oil seeds and oil seed by-products for poultry from its chemical components,in vitro analysis or near-infrared reflectance spectroscopy[J].Animal Feed Science and Technology,2010,160(1/2):62-72.

(責任編輯田艷明)

doi：10.3969/j.issn.1006-267x.2016.07.006

收稿日期：2016-01-12

基金項目：國家科技支撐計劃課題(2014BAD08B00)；“十二五”農村領域國家科技計劃課題(2014BAD08B11)

作者簡介：李玉鵬(1989—)，女，河南鶴壁人，碩士研究生，從事單胃動物營養(yǎng)研究。E-mail： 773062644@qq.com *通信作者：年芳，副教授，碩士生導師，E-mail： nianf@gsau.edu.cn

中圖分類號：S816

文獻標識碼：A

文章編號：1006-267X(2016)07-2013-11

*Corresponding author, associate professor, E-mail: nianf@gsau.edu.cn

Determination of Nutrient Value and Metabolizable Energy of Roosters in Cottonseed Meal by Near-Infrared Reflectance Spectroscopy

LI Yupeng1，2NIAN Fang3*LI Aike2WANG Weiwei2LU Hui2WANG Li2

(1. College of Animal Science and Technology, Gansu Agricultural University, Lanzhou 730070, China;2. Academy of State Administration of Grain, Beijing 100037, China; 3. College of Science,Gansu Agricultural University, Lanzhou 730070, China)

Abstract:This experiment aimed at exploring the possibility of determination of common nutrient contents and metabolizable energy of roosters in cottonseed meal by near-infrared reflectance spectroscopy (NIRS). A total of 76 cottonseed meal samples with different producing areas, years and processing methods were collected from all over China. The common nutrients of samples were analyzed, and apparent metabolizable energy and true metabolizable energy of roosters were measured by strong feeding experiment. All the samples were divided into calibration set (n=56) and external validation set (n=20) randomly. Then NIRS calibration models were established. The results showed that: 1) the variation ranges of common nutrients and metabolizable energy were large among different cottonseed meal samples, and coefficient of variation was ranged from 2.52% to 84.75%. Coefficient of variation for moisture, ether extract, crude fiber, apparent metabolizable energy and true metabolizable energy were exceeded 10%; coefficient of variation for crude protein, ash and gross energy were 9.58%, 9.81% and 2.52%, respectively. 2) The coefficient of determination for calibration, coefficient of determination for cross-validation and coefficient of determination for external validation for moisture, crude protein, ether extract, crude fiber, ash and gross energy were ranged from 0.923 5 to 0.975 8, 0.824 7 to 0.930 3 and 0.879 to 0.896, respectively. While the coefficient of determination for calibration, coefficient of determination for cross-validation and coefficient of determination for external validation of apparent metabolizable energy and true metabolizable energy were 0.969 0 and 0.926 8, 0.917 0 and 0.905 7, 0.911 and 0.892, respectively. It is concluded that calibration equation for common nutrients and metabolism can be used for routine analysis.[Chinese Journal of Animal Nutrition, 2016, 28(7)：2013-2023]

Key words:near-infrared reflectance spectroscopy; cottonseed meal; common nutrients; metabolizable energy