基于中紅外光譜的規(guī)?；膛黾S水總氮快速預測方法

趙 潤，楊仁杰，牟美睿，孫 迪，王 鵬，朱文碧，劉海學，張克強

基于中紅外光譜的規(guī)模化奶牛場糞水總氮快速預測方法

趙 潤1，楊仁杰2※，牟美睿3，孫 迪1，王 鵬2，朱文碧3，劉海學3，張克強1

（1. 農業(yè)農村部環(huán)境保護科研監(jiān)測所，天津 300191； 2. 天津農學院工程技術學院，天津 300384；3. 天津農學院農業(yè)分析測試中心，天津 300384）

為建立適用于規(guī)?；膛黾S水中總氮含量的快速預測方法，以天津市23家種養(yǎng)結合型規(guī)?；膛黾S水治理全過程環(huán)節(jié)的樣品為研究對象，探討了基于中紅外衰減全反射光譜技術快速預測糞水總氮含量的可行性。以偏最小二乘法分別建立了同一奶牛場糞水總氮含量的全程定標模型和不同奶牛場糞水總氮含量的全局定標模型，并采用獨立的預測集驗證了模型有效性。結果表明：全程模型總氮預測含量與實測含量的線性擬合相關系數(shù)為0.98，預測均方根誤差RMSEP為130.18 mg/L，剩余預測偏差為4.97，可用于某一奶牛場糞水運移全過程環(huán)節(jié)總氮含量的快速預測；全局模型總氮預測含量與實測含量的線性擬合相關系數(shù)為0.97，預測均方根誤差RMSEP為191.66 mg/L，剩余預測偏差為3.83，可用于不同奶牛場多元因素條件下總氮含量的快速預測。研究表明，基于中紅外衰減全反射光譜可以實現(xiàn)對不同類型規(guī)?；膛黾S水治理全過程環(huán)節(jié)樣品總氮含量的即時監(jiān)測和跟蹤。

光譜分析；氮；糞水；規(guī)模化奶牛場；快速預測；中紅外衰減全反射光譜；偏最小二乘法

0 引 言

糞水管理是中國規(guī)模化奶牛場在環(huán)保問題上亟需破解的瓶頸。國內外實踐經驗表明，還田農用是解決規(guī)?；膛龃罅考S水的根本出路，是種養(yǎng)結合的核心環(huán)節(jié)，氮素是糞水還田時重要的養(yǎng)分衡量標準，現(xiàn)實問題在于大量高濃度糞水中的氮素含量難以在現(xiàn)場快速定量造成“還田難”。常規(guī)實驗室化學檢測方法時效性低、準確度偏差、成本高，無法即時監(jiān)測糞水治理全過程氮素含量的變化；而且現(xiàn)階段規(guī)模化奶牛場在養(yǎng)殖規(guī)模、清糞方式、治理工藝等方面各不相同，實際作業(yè)情境變化差異大，如產水量大時采用固液篩分后的水循環(huán)回沖集糞溝，產水量小時則直接干清出舍外堆儲；有些奶牛場只有泌乳牛舍的糞水進入處理系統(tǒng)，有些則將后備牛舍的糞尿也并入系統(tǒng)；擠奶車間多股廢水輸排至不同設施等，諸多做法均容易影響糞水在流經過程中氮素含量的變化差異[1-4]，導致無法快速預知任意環(huán)節(jié)糞水還田時的氮素含量。為此，現(xiàn)階段亟需開發(fā)適用于現(xiàn)場多元、多變因素條件下不同類型規(guī)?；膛黾S水治理全過程環(huán)節(jié)氮素含量的快速預測分析方法。近期中國密集發(fā)布的政策性文件[5-7]中均明確指出要健全畜禽糞污還田利用和檢測方法標準體系，制定畜禽糞水、沼液還田利用技術規(guī)范，推動液體糞污還田使用。因此，建立適用于不同類型規(guī)?；膛黾S水中氮素含量的現(xiàn)場快速預測分析方法，可有效指導奶牛場糞水安全科學還田，同時避免環(huán)境污染風險，具有重要的應用價值。

光譜檢測技術作為一種快速的分析手段，已被廣泛應用于畜禽糞便或堆肥樣品組分的檢測[8-16]。Chen等[8-11]詳細地論述了近紅外光譜技術在檢測動物糞污中總氮、總磷和干物質等方面的應用。王曉燕等[12]基于近紅外光譜技術定量分析了雞糞中的氮磷鉀含量，驗證了該方法的有效性。Hsu等[13]采用FTIR技術對豬糞堆肥過程中有機質轉化進行了研究，指出FTIR光譜可提供與堆肥成熟度相關的特征信息。Lü等[14]采用FTIR光譜方法對牛糞堆肥過程中水溶解性有機物的演變進行了表征，指出堆肥過程降解了木質素、脂肪族、醇類和蛋白質類物質，增加了水溶性芳香化合物和腐殖類物質的含量，提高了牛糞的腐殖化程度。Provenzano等[15]研究了豬糞堆肥過程中紅外特性的變化，指出厭氧處理后，堆肥基質芳香度增加，多糖含量減少。于子旋等[16]利用FTIR技術對牛糞和豬糞的堆肥過程進行研究，指出在堆肥過程中脂肪化合物和多糖含量降低，芳香化合物增加，腐殖作用增強?，F(xiàn)有研究多是在單一因素條件下，面向相對靜態(tài)的糞便或堆肥樣品進行檢測分析，但無法預知不同類型規(guī)模化奶牛場的糞水在動態(tài)運移過程中各環(huán)節(jié)總氮含量，源于奶牛場所處環(huán)境、養(yǎng)殖規(guī)模、牛群劃分、清糞方式和糞水治理工藝等復合因素，實時并交互影響著糞水流經過程中各環(huán)節(jié)組分和濃度的變化，從而對模型的預測分析結果造成影響，因此需要建立適用于不同奶牛場糞水運移全程氮素含量的通用預測模型，實現(xiàn)對任意環(huán)境條件下任意環(huán)節(jié)的即時分析。

本研究從天津市5個奶業(yè)優(yōu)勢產區(qū)中選取了23家采用種養(yǎng)結合模式的典型規(guī)模化奶牛場，圍繞從牛舍內糞水匯集點開始截至還田農用前糞水治理全鏈條，針對其中1家奶牛場糞水治理全過程環(huán)節(jié)，建立全程定量分析模型，以適用現(xiàn)場對各環(huán)節(jié)動態(tài)變化的糞水樣品中總氮含量的快速預測；綜合考量23家奶牛場所處地區(qū)、養(yǎng)殖規(guī)模、清糞方式、糞水治理工藝等多種因素的影響，建立全局定量分析模型，以適用現(xiàn)場情境中不同類型奶牛場糞水總氮含量的快速預測，探討多因素交匯作用下紅外光譜法快速分析規(guī)?；膛黾S水總氮含量的可行性。該研究為普適化現(xiàn)場快速檢測技術裝備的研發(fā)提供理論依據(jù)，為逐步破解奶牛場糞水還田難的難題，推進種養(yǎng)匹配和奶業(yè)綠色轉型發(fā)展提供技術支撐。

1 材料、儀器與方法

1.1 研究區(qū)對象概況

1.1.1 典型奶牛場篩選

從2018年10月普查調研的天津市共85家規(guī)?；膛鲋羞x取23家作為全局全要素條件下的研究對象，從中選取濱海新區(qū)1家團隊常年開展試驗研究的奶牛場作為糞水處理全鏈條環(huán)節(jié)條件下的研究對象，同時開展樣品采集、數(shù)據(jù)處理及模型構建。所選奶牛場分布在5個奶業(yè)優(yōu)勢產區(qū)（圖1），其中80%有10 a以上經營歷史，周年穩(wěn)定運轉；全群自繁自養(yǎng)中國荷斯坦品種的奶牛，糞水治理采用種養(yǎng)結合模式或具備種養(yǎng)結合基礎條件，整體情況如表1所示。所選研究對象全面覆蓋天津市4種清糞方式、5種糞水治理工藝，所采集的糞水樣品包含了天津市規(guī)模化奶牛場糞水治理現(xiàn)實作業(yè)條件下的綜合要素。

圖1 23家規(guī)模化奶牛場位置分布圖

表1 23家規(guī)?；膛龈艣r

1.1.2 樣品采集

取樣點布設在23家規(guī)?；膛鰞燃S水流經的所有設施（圖2五角星），自牛舍和奶廳糞水收儲源頭位點（收集池、集糞溝）起始，到回田農用前的末端糞水貯存位點（貯存池、氧化塘）為止。2018年12月下旬連續(xù)6 d采集濱海新區(qū)同一奶牛場各環(huán)節(jié)設施中的糞水樣品，接著采集5個地區(qū)共23家不同奶牛場各環(huán)節(jié)設施中的糞水樣品。糞水治理工藝路線和采樣位點分布如圖2所示，采樣點包括收集池、集糞溝、集污池、分離池和氧化塘等，奶廳廢水的收儲設施為收集池，牛舍糞水的收儲設施為集糞溝；水處理方式不同則采樣點位置略有區(qū)別。全天采集3～6家奶牛場共14～31個樣品不等，每家奶牛場4～8個樣品不等。

注：為采樣位點。 Note: is sampling site.

參照GB/T 27522-2011《畜禽養(yǎng)殖污水采樣技術規(guī)范》[17]和DB12/T 655-2016《規(guī)?；膛霏h(huán)境監(jiān)測技術規(guī)程》[18]取送樣，用自制不銹鋼材質提桶、水舀等工具在各設施內采樣點垂直液面下10～20 cm處隨機采集3個位點的水樣，在大水桶中用水舀混合攪勻后取500 mL置于集水瓶中，送回實驗室即時檢測。共計采集同一奶牛場糞水樣品57個，不同奶牛場糞水樣品141個。

1.2 儀器與分析條件

1.2.1 中紅外光譜采集

Spectrum Two型FTIR光譜儀，美國PerkinElmer公司。儀器采用氘化三甘氨酸硫酸酯（deuterated triglycine sulfate detector，DTGS）作為檢測器，使用中紅外衰減全反射（attenuated total reflectance，ATR）方式，掃描范圍為650～4 000 cm-1。儀器參數(shù)為：分辨率8 cm-1，掃描間隔2 cm-1，每個樣品重復掃描64次。

1.2.2 總氮測定

按照GB 11891-1989《水質凱氏氮的測定》[19]中規(guī)定的方法來測定糞水中總氮（total nitrogen，TN）的含量，儀器選用全自動凱氏定氮儀（Foss kjeltec 8400型，Denmark）。測定結果表明，濱海新區(qū)某規(guī)?；膛?7個糞水樣品中TN的質量濃度范圍為：69.38～4570.77 mg/L，平均值為1 453.23 mg/L，標準差為812.28 mg/L；23家規(guī)?；膛?41個糞水樣品中TN的質量濃度范圍為：45.31～5 262.29 mg/L，平均值為1 682.99 mg/L，標準差為1 238.79 mg/L。

1.3 建模方法建立

1.3.1 建模樣品選擇

由于待分析的樣品同時包括全程和全局環(huán)境樣品，其中包含了所處地區(qū)、養(yǎng)殖規(guī)模、清糞方式、治理工藝、糞水流經環(huán)節(jié)等在內的眾多影響因素，從采樣到實驗室光譜和化學值的測定結果之間的差異可能較為明顯，因此在建模前需要剔除異常樣品。本研究采用蒙特卡洛采樣方法[20-21]進行異常樣品剔除，圖3為隨機采樣1000次，對全程57個樣品（圖3a）和全局141個樣品（圖3b）的預測均方根誤差（root mean square error of prediction，RMSEP）統(tǒng)計分布圖設定閾值范圍：均值為1200，標準偏差為300。對于全程樣品，剔除1和16這2個異常樣品；對于全局樣品，剔除1、16、31、68、72和75共6個異常樣品，分別得到55個、135個有效樣品用于分析。

Kenard-Stone（K-S）法[22-24]是通過計算所有樣品的歐式距離，將代表性樣品的光譜作為校正集，將剩余光譜作為預測集，通過選擇將糞水治理整個過程環(huán)節(jié)中的代表性樣品納入校正集。對剔除異常樣品后的樣品集，采用K-S法選擇校正集和預測集，其結果如表2所示。

1.3.2 建模預處理方法選擇

由于試驗用糞水樣品中多混有固體糞渣和草芥，分析體系較為復雜，光的散射性較強。原始光譜數(shù)據(jù)包含樣品化學信息的同時還摻雜了許多外界干擾信息，因此建模前需要采用適合的預處理方法消除原始數(shù)據(jù)中的干擾因素和無關信息，以提高模型的適用性、穩(wěn)定性和可靠性[25]。表3為不同預處理方法所建偏最小二乘（partial least squares，PLS）模型的預測結果。從表3中可以看出，對于TN的中紅外光譜PLS回歸模型最佳預處理方法為去噪+基線校正。

圖3 均值-方差分布圖

表2 K-S法劃分的校正集和預測集樣品信息

表3 不同預處理方法PLS回歸結果

1.3.3 建模波段選擇

二維相關譜表征的是研究體系隨外擾變化的信息，常被用于建模變量的選擇[26-30]。對天津市的23家規(guī)?；膛黾S水治理過程中135個糞水樣品的一維中紅外光譜進行同步二維相關譜計算（圖4），從圖上可以看出糞水樣品的中紅外光譜在1 300～1 600 cm-1范圍內發(fā)生了明顯的變化?；貧w系數(shù)圖能直觀地給出每一個光譜變量對因變量的重要程度，同樣常用于建模波段的選擇[31-32]。圖5為糞水樣品中紅外光譜PLS模型回歸系數(shù)圖，從圖上同樣可以觀察到1 300～1 600 cm-1是糞水樣品中TN含量有效特征信息最為豐富的波數(shù)范圍，因此選擇在1 300～1 600 cm-1范圍內建立定量分析糞水樣品TN含量數(shù)學模型。

圖4 同步二維紅外相關譜

圖5 PLS模型的回歸系數(shù)圖

2 結果與討論

2.1 奶牛場糞水中紅外光譜特性

圖6為天津市23家規(guī)?；膛黾S水治理過程中各環(huán)節(jié)的135個樣品在400～4 000 cm-1范圍內的中紅外光譜。從圖上可以觀察到，1 080 cm-1的波峰主要與C-O鍵振動有關，1 370～1 500 cm-1的波帶主要由飽和烴C-H彎曲振動吸收引起；3 000 cm-1為=C-H伸縮振動吸收引起；1 570～1 515 cm-1的波帶主要是氨基化合物的N-H變形和C=N伸縮。值得一提的是，雖然所有樣品的中紅外ATR光譜整體輪廓相似，但由于待分析的樣品來自于不同奶牛場，清糞方式和糞水治理工藝環(huán)節(jié)各不相同，因此，樣品間的紅外吸收峰的強度、位置和數(shù)量存在差異，表明樣品化學組成隨空間（不同奶牛場）和時間（不同環(huán)節(jié)）的變化。

圖6 奶牛場糞水樣品的中紅外衰減全反射光譜

2.2 糞水總氮全程模型構建

2.2.1 主成分分析

對濱海新區(qū)某規(guī)模化奶牛場糞水治理過程各環(huán)節(jié)的55個糞水樣品，包括收集池、集污池和氧化塘的中紅外ATR光譜進行主成分分析聚類。圖7為全程環(huán)節(jié)樣品前2個主成分的得分圖。由圖所示，樣品明顯分為3類，結合實際采樣環(huán)節(jié)，可知3類樣品分別來自收集池、集污池和氧化塘，3個環(huán)節(jié)樣品都具有較好的聚合度。

圖7 55個樣品前2個主成分得分圖

收集池樣品主要聚集在第三象限（PC1<0，PC2<0），氧化塘樣品主要聚集在第一象限（PC1>0，PC2>0），而集污池大部分樣品聚集在第四象限（PC1>0，PC2<0），表明前2個主成分對糞水治理全程中不同環(huán)節(jié)的樣品具有較好的聚類效果。上述結果表明：糞水治理過程中不同環(huán)節(jié)樣品中的有機組分發(fā)生了變化。

2.2.2 全程模型建立

將1.3節(jié)所處理的采集同一奶牛場糞水中紅外ATR光譜矩陣（55×151）作為自變量，凱氏定氮儀測定的糞水樣品TN含量矩陣作為因變量，依據(jù)交叉驗證均方根誤差（root mean square error of cross validation，RMSECV）選擇4個主成分，建立定量分析全程糞水樣品中TN含量的PLS數(shù)學模型。圖8a為校正集樣品交叉驗證結果，其交叉驗證相關系數(shù)cv為0.91，RMSECV為261.66 mg/L，剩余預測偏差（residual predictive deviation，RPD）為3.44。

圖8 全程PLS模型校正和預測結果

圖8b為所建立的TN模型對預測集21個未知樣品（3個收集池樣品，13個集污池樣品，5個氧化塘樣品）TN含量預測結果與實測含量的線性擬合，擬合相關系數(shù)p為0.98，擬合線與45°線重合度高，其預測均方根誤差RMSEP為130.18 mg/L，RPD為4.97，表明模型效果好。上述結果表明，基于中紅外光譜實現(xiàn)同一奶牛場糞水治理全程樣品中TN的定量預測是可行的。

2.3 糞水總氮全局模型構建

2.3.1 主成分分析

對天津市23家規(guī)模化奶牛場糞水治理過程不同環(huán)節(jié)的135個糞水樣品，包括收集池、集糞溝、集污池、分離池、調節(jié)池、沉淀池、貯存池和氧化塘的中紅外ATR光譜進行主成分分析聚類。圖9為135個樣品ATR光譜前2個主成分的得分圖，前2個主成分累計解釋變量98%。從圖中可觀察到雖然大部分樣品聚合度較好，但并未按環(huán)節(jié)進行聚類，其原因主要是樣品采自天津市5個不同區(qū)域23家不同奶牛場，每家奶牛場又包括不同的處理環(huán)節(jié)，所以樣品的差異性較大。同時可觀察到：部分來自同一奶牛場的樣品距離較近，可聚為一類。

注：圖中DX、RF、SC等符號代表不同奶牛場。

結合實際采樣情況，在圖中標出了8個橢圓，其包含的樣品分別來自8家不同奶牛場，其中包含樣品數(shù)最多的橢圓為2.2節(jié)分析的濱海新區(qū)某規(guī)?；膛?。

2.3.2 全局模型建立

將1.3節(jié)所處理的采集不同奶牛場糞水中紅外ATR光譜矩陣（135×151）作為自變量，凱氏定氮儀測定的糞水樣品TN含量矩陣作為因變量，依據(jù)交叉驗證均方根誤差（RMSECV）選擇4個主成分，建立定量分析23家不同奶牛場糞水治理過程中各環(huán)節(jié)糞水樣品TN含量的PLS數(shù)學模型。圖10 a為校正集樣品交叉驗證結果，其交叉驗證相關系數(shù)cv為0.96，RMSECV為352.31 mg/L，RPD為3.50。

圖10 全局PLS模型校正和預測結果

圖10b為所建立的TN模型對預測集44個未知樣品（17家奶牛場的5個收集池樣品，20個集污池樣品，7個分離池樣品，12個氧化塘樣品）TN含量預測結果與實測含量的線性擬合，擬合相關系數(shù)p為0.97，擬合線與45°線重合度較高，其預測均方根誤差RMSEP為191.66 mg/L，RPD為3.83，表明模型效果較好。上述結果表明，基于中紅外光譜可同時實現(xiàn)天津市不同類型奶牛場糞水治理過程中各環(huán)節(jié)樣品TN的定量預測。

2.4 影響因素分析

不同區(qū)域奶牛場、不同清糞方式和不同環(huán)節(jié)的糞水樣品特征均存在差異。因此，要實現(xiàn)同時對天津市不同區(qū)域、不同奶牛場在糞水治理過程的不同環(huán)節(jié)樣品中TN含量的快速分析，在采集并選擇定標模型樣品時，須涵蓋上述因素條件下足量的代表性樣品。本研究采用K-S法選擇定標模型樣品，全程建模依托同一奶牛場糞水治理全過程各環(huán)節(jié)的代表性樣品，全局建?；谌?3家典型規(guī)?；膛黾S水治理全過程中代表性樣品，因此所建模型能夠提供適用范圍廣泛且更穩(wěn)定的預測結果。

雖然全程模型和全局模型都取得較好的預測結果，但從2個模型預測值與實測值擬合線偏離45°線程度而言，全局模型的預測結果更偏離45°線，究其原因主要是全局模型受到更多因素的影響（地區(qū)、養(yǎng)殖規(guī)模、牛群配比、清糞方式、糞水處理工藝等），從而降低了模型的預測性能。

3 結 論

本研究以天津市23家規(guī)?；膛黾S水治理全過程環(huán)節(jié)樣品為研究對象，探討了基于中紅外ATR光譜技術快速測定TN含量的可行性。

1）以偏最小二乘法分別建立了同一奶牛場不同治理環(huán)節(jié)糞水TN含量的全程定標模型和不同奶牛場糞水中TN含量的全局定標模型，并采用獨立的預測集驗證了模型的有效性。基于中紅外ATR光譜技術和偏最小二乘法對同一、不同規(guī)?；膛黾S水處理全鏈條各環(huán)節(jié)樣品中的TN含量進行定量預測分析完全可行。

2）全程模型TN預測含量與實測含量的相關系數(shù)為0.98，RMSEP為130.18 mg/L，RPD為4.97；全局模型TN預測含量與實測含量的相關系數(shù)為0.97，RMSEP為191.66 mg/L，RPD為3.83。相比全局模型，全程模型能提供更好的預測結果，源于不同奶牛場在飼喂、清糞和糞水治理工藝等多元復合因素條件下樣品的變異性更加顯著。

3）基于中紅外ATR光譜技術可以實現(xiàn)對不同類型規(guī)?；膛黾S水治理全鏈條各環(huán)節(jié)樣品中TN含量的即時監(jiān)測和跟蹤。

研究團隊目前剛采集了2019年春季不同奶牛場的糞水樣品，并將繼續(xù)采集夏季和秋季樣品，下一步擬開展不同季節(jié)對全局模型的影響分析，進一步優(yōu)化穩(wěn)定適合全市范圍內種養(yǎng)結合型規(guī)?；膛黾S水總氮的快速預測分析方法體系，為糞水安全科學還田提供技術支撐。

[1] Zhaohai B, Lin M, Shuqin J, et al. Nitrogen, phosphorus, and potassium flows through the manure management chain in China[J]. Environmental Science Technology, 2016, 50: 13409－13418.

[2] 曹玉博，邢曉旭，柏兆海，等. 農牧系統(tǒng)氨揮發(fā)減排技術研究進展[J]. 中國農業(yè)科學，2018，51(3)：566－580.

Cao Yubo, Xing Xiaoxu, Bai Zhaohai, et al. Review on ammonia emission mitigation techniques of crop-livestock production system[J]. Scientia Agricultura Sinica, 2018, 51(3): 566－580. (in Chinese with English abstract)

[3] Nannan Z, Zhaohai B, Jiafa L, et al. Nutrient losses and greenhouse gas emissions from dairy production in China: Lessons learned from historical changes and regional differences[J]. Science of the Total Environment, 2017, 598: 1095－1105.

[4] 靳紅梅，付廣青，常志州，等. 豬、牛糞厭氧發(fā)酵中氮素形態(tài)轉化及其在沼液和沼渣中的分布[J]. 農業(yè)工程學報，2012，28(21)：208－214.

Jin Hongmei, Fu Guangqing, Chang Zhizhou, et al. Distribution of nitrogen in liquid and solid fraction of pig and dairy manure in anaerobic digestion reactor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(21): 208－214. (in Chinese with English abstract)

[5] 農業(yè)農村部辦公廳. 2019年畜牧獸醫(yī)工作要點（農辦牧[2019]14號）[Z]. 2019.

[6] 農業(yè)農村部辦公廳. 畜禽養(yǎng)殖廢棄物資源化利用2019年工作要點（農辦牧[2019]33號）[Z]. 2019.

[7] 農業(yè)部. 畜禽糞污資源化利用行動方案（2017－2020年）（農牧發(fā)[2017]11號）[Z]. 2017.

[8] Chen L, Xing L, Han L. Review of the application of near-infrared spectroscopy technology to determine the chemical composition of animal manure[J]. Journal of Environmental Quality, 2013, 42(4): 1015－1028.

[9] 黃光群，韓魯佳，樊霞，等. 近紅外光譜分析技術在畜禽糞便堆肥研究中的應用[J]. 中國農業(yè)大學學報，2006，111(3)：93－97.

Huang Guangqun, Han Lujia, Fan Xia, et al. Application survey of analytical technique of near infrared spectroscopy on studies of livestock manure compost[J]. Journal of China Agricultural University, 2006, 111(3): 93－97. (in Chinese with English abstract)

[10] 嚴旭，杜周和，白史且，等. 動物糞便近紅外光譜的應用潛力[J]. 光譜學與光譜分析，2015，35(12)：3382－3387.

Yan Xu, Du Zhouhe, Bai Shiqie, et al. Potential applicability of fecal NIRs: Areview[J]. Spectroscopy and Spectral Analysis, 2015, 35(12): 3382－3387. (in Chinese with English abstract)

[11] 渠清博，楊鵬，翟中葳，等. 規(guī)模化畜禽養(yǎng)殖糞便主要污染物產生量預測方法研究進展[J]. 農業(yè)資源與環(huán)境學報，2016，33(5)：397－406.

Qu Qingbo, Yang Peng, Zhai Zhongwei, et al. Prediction methods of major pollutants production in manure from large-scale livestock and poultry farms: A review[J]. Journal of Agricultural Resources and Environment, 2016, 33(5): 397－406. (in Chinese with English abstract)

[12] 王曉燕，黃光群，韓魯佳. 雞糞工廠化堆肥主要營養(yǎng)成分含量近紅外光譜分析研究[J]. 光譜學與光譜分析，2010，30(3)：677－680.

Wang Xiaoyan, Huang Guangqun, Han Lujia. Rapid evaluation of primary nutrients during plant-field chicken manure composting using near-infrared reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2010, 30(3): 677－680. (in Chinese with English abstract)

[13] Hsu J H, Lo S L. Chemical and spectroscopic analysis of organic matter transformations during composting of pig manure[J]. Environmental Pollution, 1999, 104(2): 189－196.

[14] Lü B, Xing M, Yang J, et al. Chemical and spectroscopic characterization of water extractable organic matter during vermicomposting of cattle dung[J]. Bioresource Technology, 2013, 132: 320－326.

[15] Provenzano M R, Malerba A D, Pezzolla D, et al. Chemical and spectroscopic characterization of organic matter during the anaerobic digestion and successive composting of pig slurry[J]. Waste Management, 2014, 34(3): 653－660.

[16] 于子旋，楊靜靜，王語嫣，等. 畜禽糞便堆肥的理化腐熟指標及其紅外光譜[J]. 應用生態(tài)學報，2016，27(6)：2015－2023.

Yu Zixuan, Yang Jingjing, Wang Yuyan, et al. Physical and chemical maturity indexes and Fourier transform infrared (FTIR) spectroscopy of animal manures during composting[J]. The Journal of Applied Ecology, 2016, 27(6): 2015－2023. (in Chinese with English abstract)

[17] 中國農業(yè)科學院農業(yè)環(huán)境與可持續(xù)發(fā)展研究所，農業(yè)部畜牧環(huán)境設施設備質量監(jiān)督檢驗測試中心（北京）. 畜禽養(yǎng)殖污水采樣技術規(guī)范：GB/T 27522-2011[S]. 北京：中國標準出版社，2011.

[18] 農業(yè)部環(huán)境保護科研監(jiān)測所，天津市畜牧業(yè)發(fā)展服務中心.規(guī)?；膛霏h(huán)境監(jiān)測技術規(guī)程：DB 12/T 655-2016[S]. 天津：天津市市場監(jiān)督管理委會，2016.

[19] 杭州市環(huán)境保護監(jiān)測站.水質凱氏氮的測定：GB 11891-1989[S]. 北京：中國質檢出版社，1989.

[20] 劉智超，蔡文生，邵學廣. 蒙特卡洛交叉驗證用于近紅外光譜奇異樣品的識別[J]. 中國科學：化學，2008，38(4)：316－323.

Liu Zhichao, Cai Wensheng, Shao Xueguang. Monte carlo cross-validation for singular sample recognition in near infrared spectrum[J]. Scientia Sinica: Chimica, 2008, 38(4): 316－323. (in Chinese with English abstract)

[21] 劉翠玲，孫曉榮，吳靜珠，等. 基于NIR的小麥粉異常樣品剔除方法研究[J]. 農機化研究，2014，36(4)：46－48，56.

Liu Cuiling, Sun Xiaorong, Wu Jingzhu, et al. Study on elimination of abnormal wheat powder samples based on NIR[J]. Journal of Agricultural Mechanization Research, 2014, 36(4): 46－48, 56. (in Chinese with English abstract)

[22] 劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗證集樣品分布優(yōu)選方法研究[J]. 光譜學與光譜分析，2014，34(4)：947－951.

Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(4): 947－951. (in Chinese with English abstract)

[23] Knadel M, Peng Y, Schelde K, et al. Optimal sampling and sample preparation for NIR-based prediction of field scale soil properties[C]//EGU General Assembly, 2013.

[24] Zhang Xiaodong, Chen Long, Sun Yangbo, et al. Determination of zinc oxide content of mineral medicine calamine using near-infrared spectroscopy based on MIV and BP-ANN algorithm[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 193: 133－140.

[25] 褚小立，袁洪福，陸婉珍. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展，2004，16(4)：528－542.

Chu Xiaoli, Yuan Hongfu, Lu Wanzhen. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Progress in Chemistry, 2004, 16(4): 528－542. (in Chinese with English abstract)

[26] 楊仁杰，劉蓉，徐可欣. 二維相關光譜結合偏最小二乘法測定牛奶中的摻雜尿素[J]. 農業(yè)工程學報，2012，28(6)：259－263.

Yang Renjie, Liu Rong, Xu Kexin. Detection of urea in milk using two-dimensional correlation spectroscopy and partial least square method[J]. Transactions of the Chinese Societyof Agricultural Engineering (Transactions of the CSAE), 2012, 28(6): 259－263. (in Chinese with English abstract)

[27] Wang C, Xiang B, Wei Z. Application of two-dimensional near-infrared (2D-NIR) correlation spectroscopy to the discrimination of three species of[J]. Journal of Chemometrics, 2010, 23(9): 463－470.

[28] Gu C, Xiang B, Xu J. Direct detection of phoxim in water by two-dimensional correlation near-infrared spectroscopy combined with partial least squares discriminant analysis[J]. Spectrochim Acta AMol Biomol Spectrosc, 2012, 97(6): 594－599.

[29] Balabin R M, Smirnov S V. Variable selection in near-infrared spectroscopy: Benchmarking of feature selection methods on biodiesel data[J]. Analytica Chimica Acta, 2011, 692(1/2): 63－72.

[30] Wang Y, Tsenkova R, Amari M, et al. Potential of two-dimensional correlation spectroscopy in analyses of NIR spectra of biological fluids. I. Two-dimensional correlation analysis of protein and fat concentration-dependent spectral variations of milk[J]. Analusis, 1998, 26(4): 64－68.

[31] 洪明堅，溫志渝. 一種多模型融合的近紅外波長選擇算法[J].光譜學與光譜分析，2010，30(8)：2088－2092.

Hong Mingjian, Wen Zhiyu. A new wavelength selection algorithm based on the fusion of multiple models[J]. Spectroscopy and Spectral Analysis, 2010, 30(8): 2088－2092. (in Chinese with English abstract)

[32] 張世芝，胡樹青，張明錦. 基于回歸系數(shù)的變量篩選方法用于近紅外光譜分析[J]. 計算機與應用化學，2012，29(2)：227－230.

Zhang Shizhi, Hu Shuqing, Zhang Mingjin. A variable stepwise selection method based on regression coefficient and its applications in near infrared spectroscopic data analysis[J]. Computers and Applied Chemistry, 2012, 29(2): 227－230. (in Chinese with English abstract)

Rapid prediction method of total nitrogen in slurry of large-scale dairy farm by mid-infrared spectroscopy

Zhao Run1, Yang Renjie2※, Mou Meirui3, Sun Di1, Wang Peng2, Zhu Wenbi3, Liu Haixue3, Zhang Keqiang1

(1.,,300191,; 2.,,300384,; 3.,300384,)

How to treat the high amount and concentration of slurry has been the unprecedented challenge for the intensive dairy farms in China for now. Recycling to the farmland is the fundamental way out in line with the long-term practical experiences from many developed countries. But the nitrogen content in the slurry was hard to rapidly and accurately predict on spot that caused the difficulty of recycling. Many characteristics, such as the breeding scale, layout of dairy barns, breeding modes, approaches of manure collection and treatment that influence on the variation of nitrogen content in the links of slurry movement route between China and western countries were mostly different. And the conventional regular monitoring process was normally time-consuming and costly that throughout the sample collection, transfer, preservation, pre-treatment, measurement and so forth. Therefore, it was extremely urgent and meaningful to develop rapid quantitative analysis method which was appropriate for the complicated on-spot factors and conditions. In recent, Ministry of Agriculture and Rural Affairs of China has intensively issued a series of action plans to clearly indicate the importance of improving the testing method and criteria system for recycling the slurry to the farmland. So, 23 typical large-scale dairy farms from 5 predominant dairy industry areas of Tianjin with the farming-breeding combination mode were selected, the whole process analysis of the total nitrogen (TN) in one farm, encompassing the whole chain of slurry management, was carried out. Meanwhile, the overall analysis of TN in 23 different types of dairy farms was implemented, as well that integrating with comprehensive factors including the district, scale, manure collection and treatment ways and so forth. Main objective of the research was to establish the mathematical models available to rapidly predict the TN content under the conditions of the whole process of slurry management together with the on-spot complex situations, and to provide the practical technology for criteria setting in order to help recycling the slurry to the farmland. The feasibility of fast and accurately measurement of the TN contents by means of the mid-infrared attenuated total reflectance (ATR) technology was studied in this research. Calibration model of whole process for TN contents of slurry from the identical dairy farm and calibration model of overall situation for TN contents of slurry from different dairy farms were respectively established using the partial least squares (PLS). The model availability was verified by the independent prediction set. And the principal component analysis (PCA) clustering towards the mid-infrared ATR was also used in this study. The results showed that the characteristics of slurry samples from different dairy farms were different. Linear fitting correlation coefficient between the predicted TN contents in the whole process model and measured contents was 0.98, while the root mean square error of prediction (RMSEP) and residual predictive deviation (RPD) was 130.18 mg/L and 4.97, respectively. In the global model, linear fitting correlation coefficient was 0.97, while the RMSEP and RPD was 191.66 mg/L and 3.83, respectively. Prediction results with extensive application and better stability would be achieved via the established models. Instantaneous monitoring and tracing on the TN contents of samples from the whole management course and sections in different types of large-scale dairy farms based on the mid-infrared ATR could be realized. The research would provide a reference for the development of generalized rapid and accurate prediction technology and equipment in TN content for large scale farm management.

spectroscopy analysis; nitrogen; slurry; large-scale dairy farm; rapidly prediction; mid-infrared attenuated total reflectance; partial least squares (PLS)

10.11975/j.issn.1002-6819.2019.15.027

X713

A

1002-6819(2019)-15-0217-08

2019-05-11

2019-07-23

國家重點研發(fā)計劃（2018YFD0800100）；中央級公益性科研院所基本科研業(yè)務費專項（Y2019GH14）；天津市現(xiàn)代奶牛產業(yè)技術體系創(chuàng)新團隊建設專項（ITTCRS2017006）；國家自然科學基金（41771357，21607114，81471698）和天津市自然科學基金（18JCYBJC96400，16JCQNJC08200）聯(lián)合資助

趙潤，助研，博士生，研究方向為規(guī)?；膛霏h(huán)境監(jiān)測。Email：15900389657@163.com

楊仁杰，教授，博士，主要從事光譜檢測技術研究。Email：rjyang1978@163.com

趙 潤，楊仁杰，牟美睿，孫 迪，王 鵬，朱文碧，劉海學，張克強. 基于中紅外光譜的規(guī)模化奶牛場糞水總氮快速預測方法[J]. 農業(yè)工程學報，2019，35(15)：217－224. doi：10.11975/j.issn.1002-6819.2019.15.027 http://www.tcsae.org

Zhao Run, Yang Renjie, Mou Meirui, Sun Di, Wang Peng, Zhu Wenbi, Liu Haixue, Zhang Keqiang. Rapid prediction method of total nitrogen in slurry of large-scale dairy farm by mid-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 217－224. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.027 http://www.tcsae.org