春秋季對近紅外光譜模型預測奶牛場糞水氮磷含量結果的影響

孫 迪，楊仁杰，李夢婷，牟美睿，李明堂，張克強，趙 潤

春秋季對近紅外光譜模型預測奶牛場糞水氮磷含量結果的影響

孫 迪1，楊仁杰2，李夢婷3，牟美睿2，李明堂1，張克強3，趙 潤3※

（1. 吉林農業(yè)大學資源與環(huán)境學院，長春 130118；2. 天津農學院工程技術學院，天津 300384；3. 農業(yè)農村部環(huán)境保護科研監(jiān)測所，天津 300191）

為研究季節(jié)因素對規(guī)?；膛黾S水氮磷含量及其近紅外光譜模型預測結果的影響，該研究采集了天津市春秋雙季27家規(guī)?；膛黾S水處理全過程的250個糞水樣品，解析了季節(jié)對糞水氮磷含量分布特征的影響，同時采集了所有樣品的近紅外光譜并進行主成分分析。采用偏最小二乘法（Partial Least Squares，PLS）建立了糞水氮磷季節(jié)內預測模型，包括春秋單季和雙季融合模型以及季節(jié)間的相互預測模型。結果表明，糞水氮磷含量隨季節(jié)變化呈現出差異性，季節(jié)內模型總體的預測效果較好，優(yōu)于季節(jié)間模型；其中春季模型表現最佳，驗證相關系數分別為0.98和0.90，剩余預測偏差（Residual Predictive Deviation，RPD）分別為4.67和2.03。研究表明，季節(jié)因素對糞水中氮磷含量的模型預測結果存在不同程度的影響，該研究可為建立全季節(jié)要素的綜合模型提供依據。

氮；磷；糞水；規(guī)?；膛觯唤t外光譜；偏最小二乘；季節(jié)內模型；季節(jié)間模型

0 引 言

現階段，中國奶牛養(yǎng)殖業(yè)在規(guī)?；焖侔l(fā)展的同時也面臨諸多環(huán)境問題，其中每天產生的大量糞水和沼液的出路問題尤為突出且日趨嚴峻[1-3]，是阻礙奶業(yè)綠色健康發(fā)展的重要瓶頸。還田農用是糞水和沼液的最佳出路，氮磷是重要的養(yǎng)分衡量指標。然而受溫度、風速、降雨等自然環(huán)境因素的影響，糞水中氮磷組分含量差異大[4-8]，難以在現場快速準確定量，導致糞水還田難。近期中國職能部委發(fā)布的指導意見[9-12]中明確要求，要健全糞水還田利用和檢測方法標準體系，科學確定有害物質限量。為此，研究典型季節(jié)對規(guī)?；膛鰪碗s糞水體系中氮磷含量變化及其快速定量方法的影響機制，為建立糞水還田檢測方法標準體系進而指導糞水安全、科學還田并降低環(huán)境風險提供依據，具有重要的理論和實踐意義。

相比傳統(tǒng)的實驗室化學分析方法，近紅外光譜（Near Infrared Spectroscopy，NIRS）技術具有快速、高效、對樣品無損、重現性好等優(yōu)點，被廣泛應用于環(huán)境[13-16]、石油化工[17-18]、食品[19-21]等諸多領域，在畜牧環(huán)境工程中主要應用于糞便、堆肥和有害氣體等的檢測[22-25]，許多學者融合多元校正方法建立了近紅外光譜定量分析模型實現未知樣品濃度的預測，然而受不同情境下多種因素的相互作用，樣品性狀特征會發(fā)生改變，從而影響模型預測性能。如Finzi等[26]應用NIRS分析了奶牛場和豬場中共36個糞漿和沼渣樣品中的總固體、凱氏氮、氨氮和揮發(fā)性脂肪酸，評估樣品制備方法、樣品杯材質及溫度對模型性能的影響，結果表明對糞漿和沼渣采取過濾的方式有利于獲得更好的預測結果，皮式培養(yǎng)皿做樣品杯的效果要優(yōu)于光學纖維，10～35 ℃的變溫區(qū)間內模型預測結果沒有顯著差異。此外，本課題組利用近紅外光譜技術對23家規(guī)模化奶牛場糞水氮磷含量建立了定量分析模型[27]，指出受養(yǎng)殖規(guī)模、清糞方式和處理工藝等因素影響，模型適用性和穩(wěn)定性有待進一步提升，應將開展典型季節(jié)對模型預測性能的影響分析，建立適合于不同情境下規(guī)模化奶牛場糞水氮磷的定量分析模型，為糞水還田提供理論依據。

因此，本研究以春秋季天津市27家種養(yǎng)結合型規(guī)?；膛黾S水處理全過程的樣品作為研究對象，從化學值統(tǒng)計分析、近紅外漫反射光譜的主成分分析以及季節(jié)內和季節(jié)間模型比對分析3個方面，系統(tǒng)研究季節(jié)因素對糞水氮磷定量分析模型的影響機制，為建立全季節(jié)要素下規(guī)?；膛黾S水氮磷含量的現場速測方法提供理論依據。

1 材料與方法

1.1 研究區(qū)概況

選取天津市5大奶業(yè)優(yōu)勢產區(qū)（寧河、濱海、武清、靜海、寶坻）共27家種養(yǎng)結合型規(guī)模化奶牛場開展監(jiān)測采樣，各場所在地區(qū)、養(yǎng)殖規(guī)模、清糞方式、處理工藝等情況如表1所示，所選奶牛場全面覆蓋天津市中型、大型和特大型3種存欄規(guī)模，5種清糞方式及5種糞水處理工藝，代表全市奶牛養(yǎng)殖整體情況。

表1 27家種養(yǎng)結合型規(guī)?；膛銮闆r信息表

注：中型（200~999頭）、大型（1000~4999頭）、特大型（＞5000頭），引自《規(guī)模畜禽養(yǎng)殖場污染防治最佳可行技術指南（試行）（HJ-BAT-10）》。

Note：Medium type (200-999 headage), large type (1000-4999 headage), super type (＞5000 headage), which was quoted from the().

1.2 糞水樣品采集

1.2.1 奶牛場位置和采樣數量分布

天津屬季風氣候，四季分明，春季多風，干旱少雨，降雨量約占全年總量的12%；秋季氣候溫和，降水量較春季多，約占全年總量的14%。分別于糞水集中還田前的4月和10月到各場采樣，每天到達某一地區(qū)的2～7家奶牛場，共采集13～31個樣品不等，每家奶牛場2～10個樣品不等，27家奶牛場位置和采樣數量分布如圖1所示。

注：黑色圓點為采樣奶牛場位置。

1.2.2 樣品采集位點

樣品采集于春秋雙季天津市27家奶牛場糞水處理過程中的各個環(huán)節(jié)，樣品采集參照《GB/T 27522-2011畜禽養(yǎng)殖污水采樣技術規(guī)范》[28]，從奶牛場糞水收儲設施原點集糞溝或集污池開始，到糞水還田前節(jié)點氧化塘或貯存池為止，其中包含集糞溝、集污池、分離池、調節(jié)池、沉淀池、貯存池和氧化塘等，共采集了250個糞水樣品，即時送至實驗室測定樣品氮磷含量，同時掃描近紅外漫反射光譜。糞水處理路線及采樣位點分布如圖2所示。

注：?為采樣位點。

1.3 測試方法

參照國標GB 11891-1989《水質-凱氏氮的測定》[29]方法測定糞水樣品中總氮（Total Nitrogen，TN）的含量。儀器選用全自動凱氏定氮儀（Foss kjeltec 8400型，Denmark）。按照 GB 11893-1989《水質-總磷的測定-鉬酸銨分光光度法》[30]中規(guī)定方法測定糞水中總磷（Total Phosphorus，TP）的含量，儀器選用紫外可見光分光光度計（722E型，China）。表2為250個糞水樣品TN和TP含量測定結果，濃度范圍跨度很大。

表2 樣品總氮和總磷測定結果

1.4 樣品光譜信息采集

實驗儀器為美國PerkinElmer（PE）公司的傅立葉變換近紅外光譜儀，InGaAs檢測器，儀器自帶積分球附件，光譜掃描范圍為4 000～12 000 cm-1。光譜掃描參數：分辨率8 cm-1，掃描間隔2 cm-1，掃描次數64。具體操作如下：將糞水樣品裝入樣品杯中，規(guī)?；膛黾S水樣品裝入樣品杯中，并放置在積分球旋轉樣品臺上，以積分球內置參比為背景，分別采集每一個樣品的近紅外漫反射光譜。

2 結果與分析

2.1 季節(jié)對糞水氮磷含量變化的影響

27家奶牛場糞水TN和TP含量整體分布如圖3所示。TN、TP含量總體呈正偏態(tài)（右偏）分布，其中TN質量濃度范圍為14.16～6 207.40 mg/L，均值1 846.04 mg/L，標準差1 370.49 mg/L，變異系數0.74。TN濃度出現在1 000 mg/L左右的頻數最高。100～3 000 mg/L濃度區(qū)間的樣品較多，而高濃度區(qū)間3 000～6 000 mg/L的樣品較少，與中型奶牛場及其樣品量占比較高的現實情況相吻合，同時側面反映出糞水處理過程諸多環(huán)節(jié)存在氮素損失。TP質量濃度范圍為0.04～209.73 mg/L，均值72.73 mg/L，標準差42.51 mg/L，變異系數0.58。TP濃度出現在50 mg/L左右的頻數最高。3～80 mg/L濃度區(qū)間的樣品較多，而高濃度區(qū)間80～200 mg/L的樣品較少，總體變異性相比TN小，說明糞水中TP濃度變化相對TN穩(wěn)定。上述結果表明，糞水處理過程中氮磷含量呈動態(tài)變化，且存在不同程度的差異。

注：樣品數n=250。

典型季節(jié)糞水中TN和TP含量變化特征如圖4所示。春季TN含量數值分布較為離散，變異性較大，平均值在2 250 mg/L左右，與中位值相差較大；而秋季TN含量數值分布相對集中，平均值在1 500 mg/L左右，與中位值幾乎重疊，且明顯低于春季?？赡苁怯捎谔旖蚴写杭練夂蚨囡L、干旱、少雨，日平均氣溫不高，奶牛場各環(huán)節(jié)用水量總體較少，糞水處理系統(tǒng)運行相對穩(wěn)定，氮素得以留存在水體中；而秋季降雨量相比春季多，日平均環(huán)境溫度依然較高，氮素揮發(fā)量較大，同時由于奶牛舍區(qū)、擠奶車間仍然有噴淋水混入糞水處理系統(tǒng)，以及奶牛飲水量相對較大，灑落地面易混入系統(tǒng)，稀釋了糞水中的氮素含量。

秋季TP含量數值分布相對均勻，平均值在80 mg/L左右，與中位值接近；而春季TP含量數值分布較為離散，平均值在65 mg/L左右，與中位值相差較大，且相比秋季略低。推測可能是由于整個夏季糞水儲存期的磷素多被留存于秋季還田前，大多沉積在水體中下層，從而造成秋季糞水樣品中的TP含量相對較高。綜上，TN平均含量春季高于秋季，而TP平均含量相反，春秋季的TN和TP含量變化趨勢差異較為明顯，說明季節(jié)對糞水氮磷含量變化具有不同程度的影響。張帥等[31]研究中也指出奶牛場糞水氮磷含量受季節(jié)因素影響明顯，與本研究結果相吻合。

注：箱線圖箱體中的橫線表示中位值，實心圓表示均值，箱體兩側為正態(tài)曲線和數據點，箱體外存在異常值（▲）。春季樣品數n=121，秋季樣品數n=129。

2.2 近紅外光譜主成分分析

2.2.1 近紅外漫反射光譜

圖5為從天津市27家規(guī)模化奶牛場糞水處理過程各環(huán)節(jié)采集的250個樣品在4 000～12 000 cm-1范圍內的原始近紅外漫反射光譜。糞水樣品含有C-H、N-H、O-H化學鍵的官能團，合頻譜帶位于5 210～4 200 cm-1處，一級倍頻位于7 140～5 550 cm-1處，二級倍頻位于10 400～8 200 cm-1處[32]。雖然待分析樣品來自春秋2個季節(jié)的不同奶牛場，但近紅外漫反射光譜在全波長范圍內整體輪廓相似，僅在強度上存在差別，表明通過近紅外漫反射光譜建立快速定量分析糞水氮磷含量的數學模型具有可行性。

圖5 糞水樣品近紅外漫反射光譜

2.2.2 主成分分析

為進一步明確2個季節(jié)不同奶牛場糞水處理過程中糞水樣品之間的關聯(lián)和特性差異，以及對于定量分析模型的影響，對天津市27家規(guī)?；膛龅拇呵锛竟?50個糞水樣品的近紅外漫反射光譜進行主成分分析（Principal Component Analysis，PCA）。在主成分得分圖上，樣品之間的距離越近，表明樣品間的性質、組分越相似；距離越遠，表明樣品間性質、組分差異越大。因此，通過分析圖上的樣品分布，可推斷奶牛場糞水樣品組分含量隨季節(jié)的變化。

圖6為春秋2個季節(jié)250個糞水樣品第一主成分（Principal Component 1，PC1）和第二主成分（Principal Component 2，PC2）的得分圖，PC1和PC2解釋光譜總變量的97.56%，其中PC1解釋85.08%的光譜總變量，PC2解釋12.48%的光譜總變量，表明PC1和PC2已提取了糞水樣品的主要組分光譜信息。

注：CJ、QJ分別代表春季、秋季，MD為某一家奶牛場簡稱縮寫；數字代表樣品所在樣品集的編號。下同。

由圖6可知，除春季9號樣品外，其余249個樣品分布在PC1 [?150，150]范圍內；除秋季216號樣品外，其余249個樣品主要分布在PC2[?60，60]之間。樣品在PC1和PC2得分圖上的分布結果表明，249個樣品的近紅外漫反射光譜差異較大，即樣品之間存在較大的差異性，說明季節(jié)因素對糞水樣品的組分和含量均存在影響。由圖6還可以觀察到，同一奶牛場2個季節(jié)的糞水樣品在PC1和PC2得分圖上分布在不同區(qū)域，如QJ-MD（秋季-某一家奶牛場）的糞水樣品主要分布在PC1<0和PC2<0的區(qū)域，而CJ-MD（春季-某一家奶牛場）的糞水樣品主要分布在PC1<0和PC2>0的區(qū)域。上述分析結果進一步表明，季節(jié)因素對糞水樣品的有機組分及含量存在影響。

為進一步探究季節(jié)因素對糞水樣品近紅外漫反射光譜的影響，分別對春秋2個季節(jié)樣品進行獨立的PCA分析。圖7和圖8分別為春秋2個季節(jié)糞水樣品的近紅外漫反射光譜PC1和PC2的得分圖。春季PC1和PC2解釋光譜總變量的98.76%，其中PC1解釋89.79%的光譜總變量，PC2解釋8.97%的光譜總變量；秋季PC1和PC2解釋光譜總變量的96.72%，其中PC1解釋83.76%的光譜總變量，PC2解釋12.96%的光譜總變量。春季MD奶牛場在秋季PC1和PC2得分圖上都位于PC1﹤0和PC2﹥0區(qū)域，在春季位于PC1﹥0和PC2﹤0區(qū)域，表明季節(jié)因素對糞水樣品的組成和性質都存在影響，這與圖6中春秋2個季節(jié)糞水樣品融合PCA分析結果一致。

圖7 春季121個糞水樣品近紅外光譜第一主成分與第二主成分得分圖

圖8 秋季129個樣品近紅外光譜第一主成分與第二主成分得分圖

2.3 模型效果分析及適用性評價

2.3.1 季節(jié)內模型預測效果分析

為研究季節(jié)因素對TN和TP定量分析結果的影響，首先建立了季節(jié)內模型，即校正集和預測集包含相同季節(jié)的樣品。將校正集樣品的近紅外光譜矩陣與對應的氮磷濃度矩陣采用偏最小二乘（Partial Least Squares，PLS）算法[33-34]建立定量分析模型，并將預測集未知樣品的近紅外光譜矩陣代入所建立的PLS定量分析模型中，得到預測集未知樣品中氮磷的濃度。圖9和圖10分別是春季、秋季和春秋融合模型對糞水中氮磷含量的預測結果。

對于糞水中的TN：春季模型校正集的均方根誤差（Root Mean Square Error of Calibration，RMSEC）為335.32 mg/L、預測集的均方根誤差（Root Mean Squared Error of Prediction，RMSEP）為338.26 mg/L、驗證相關系數p=0.98、剩余預測偏差（Residual Predictive Deviation，RPD）為4.67（圖9a）；秋季模型RMSEC=331.55 mg/L、RMSEP=334.23 mg/L、p=0.94、RPD=2.83（圖9b）；春秋季融合模型RMSEC=325.35 mg/L、RMSEP= 382.29 mg/L、p=0.96、RPD=3.56（圖9c）。

對于糞水中的TP：春季模型RMSEC=19.28 mg/L、RMSEP=20.04 mg/L、p=0.90，RPD=2.03（圖10a）；秋季模型RMSEC=23.42 mg/L、RMSEP=22.73 mg/L、p=0.81、RPD=1.68（圖10b）；春秋季融合模型RMSEC=24.91 mg/L、RMSEP =23.51 mg/L、p=0.83、RPD=1.80（圖10c）。

從上述模型性能指標來看，春季氮磷含量預測模型總體優(yōu)于秋季模型，說明不同季節(jié)對模型預測效果影響突出。

圖9 季節(jié)內模型對糞水總氮含量的預測結果

圖10 季節(jié)內模型對糞水總磷含量的預測結果

2.3.2 季節(jié)間模型預測效果分析

為進一步明確季節(jié)對模型的影響，建立了季節(jié)間模型，即校正集和預測集包含不同季節(jié)的樣品。圖11和圖12分別是春秋季相互預測模型對糞水TN和TP的分析結果。對于糞水中TN：春季預測秋季模型RMSEP= 934.57 mg/L、p=0.92、RPD=2.28（圖11a）；秋季預測春季模型RMSEP=845.82 mg/L、p=0.97、RPD=2.58（圖11b）；對于糞水中TP：春季預測秋季模型RMSEP= 50.06 mg/L、p=0.48、RPD=0.94（圖12a）；秋季預測春季模型RMSEP=24.81 mg/L、p=0.84、RPD=1.64（圖12b）。以上結果表明，季節(jié)間的模型預測效果并不理想。

2.3.3 不同模型的性能比較及因素分析

將季節(jié)內、季節(jié)間模型的預測性能評價指標列于表3，季節(jié)內模型預測效果總體優(yōu)于季節(jié)間模型。其中，糞水TN 春季預測秋季模型的RMSEP達到了934.57 mg/L（圖11a），秋季預測春季模型的RMSEP達到了845.82 mg/L（圖11b），均高于單季模型和春秋融合模型；糞水 TP春季預測秋季模型的Rp僅為0.48（圖12a），無法應用于糞水 TP 的預測；究其原因可能是春秋季節(jié)糞水樣品的物質組成存在明顯差異，氮磷含量分布不均勻，與2.1節(jié)中化學值的統(tǒng)計分析結果相吻合；且季節(jié)間校正集樣品未完全覆蓋預測集樣品的濃度或性質，從而降低了模型的預測性能，造成預測結果較差。

圖11 季節(jié)間模型對糞水總氮含量的預測結果

圖12 季節(jié)間模型對糞水總磷含量的預測結果

表3 不同模型的性能比較

從上述分析結果中可以得出，季節(jié)因素對定量分析規(guī)?；膛黾S水樣品中的氮磷含量存在不同程度的影響，這與2.2節(jié)主成分分析結果一致。因此，需要建立全季節(jié)要素下的綜合預測模型，以增強模型的適用性和穩(wěn)定性，為普適型現場快速檢測裝備的研發(fā)提供技術支撐，破解眾多規(guī)?；膛霾煌榫诚录S水氮磷現場快速定量化分析的技術難題，指導糞水安全科學還田的同時防控奶牛規(guī)模養(yǎng)殖環(huán)境污染風險。

3 結 論

本研究采用近紅外光譜技術，對天津市春秋季27家規(guī)模化奶牛場糞水氮磷含量測定分析，通過對春季、秋季、春秋融合雙季糞水樣品進行化學值統(tǒng)計分析，近紅外漫反射光譜主成分分析以及對季節(jié)內和季節(jié)間糞水氮磷模型預測結果進行定量分析，得出以下結論：

1）春秋雙季對糞水氮磷含量存在不同程度的影響。

2）春秋單季和春秋融合模型均呈現出較好的預測結果，尤其春季模型，總氮預測均方根誤差（Root Mean Squared Error of Prediction，RMSEP）為338.26 mg/L，驗證相關系數p為0.98，剩余預測偏差（Residual Predictive Deviation，RPD）為4.67；總磷RMSEP為20.04 mg/L，p為0.90，RPD為2.03。

3）季節(jié)間糞水氮磷模型預測效果不及季節(jié)內和春秋融合模型，說明季節(jié)因素對糞水氮磷模型預測效果存在影響，下一步擬拓展全季節(jié)要素下的綜合模型，建立實時跟蹤監(jiān)測糞水中氮磷含量的標準體系，為糞水安全還田提供技術支撐。

[1] 廖新俤. 歐美養(yǎng)殖廢棄物管理對策比較及對我國養(yǎng)殖廢棄物治理的啟示[J]. 中國家禽，2017，39(4)：1-3.

Liao Xindi. Comparison of management countermeasures on animal wastes between Europe and US and enlightenment to Chinese animal wastes management[J]. China Poultry, 2017, 39(4): 1-3. (in Chinese with English abstract)

[2] Ma Luning, Zhang Weifeng, Ma Wenqi, et al. An analysis of developments and challenges in nutrient management in China[J]. Journal of Environmental Quality, 2013, 42(4): 951-961.

[3] 劉玉滿. 中國奶牛養(yǎng)殖業(yè)成長的煩惱：成也土地，敗也土地[J]. 中國乳業(yè)，2018，203(11)：2-7.

Liu Yuman. Growing trouble of dairy farming industry in China: Land for success and land for failure[J]. China Dairy Industry, 2018, 203(11): 2-7. (in Chinese with English abstract)

[4] Tariq M K, Claudio O S, Bryan R C, et al. Dairy-CropSyst: Gaseous emissions and nutrient fate modeling tool[J]. Computers and Electronics in Agriculture, 2019, 162: 962-978.

[5] Balde, H, VanderZaag A C, Burtt S D, et al. Ammonia emissions from liquid manure storages are affected by anaerobic digestion and solid-liquid separation[J]. Agricultural and Forest Meteorology. 2018, 258: 80-88.

[6] 張麗萍，劉紅江，盛婧，等. 發(fā)酵周期、貯存時間和過濾對沼液養(yǎng)分和理化性狀變化的影響[J]. 農業(yè)資源與環(huán)境學報，2018，35(1)：32-39.

Zhang Liping, Liu Hongjiang, Sheng Jing, et al. Influence of anaerobic fermentation periods, storage time and filtration on the changes of nutrients and physical and chemical properties of biogas slurry[J]. Journal of Agricultural Resources and Environment, 2018, 35(1): 32-39. (in Chinese with English abstract)

[7] Chadwick D, Jia W, Tong Y A, et al. Improving manure nutrient management towards sustainable agricultural intensification in China[J]. Agriculture, Ecosystems & Environment, 2015, 209(1): 34-46.

[8] Bai Zhaohai, Ma Luning, Oenema Oene, et al. Nitrogen and phosphorus use efficiencies in dairy production in China[J]. Journal of Environment Quality, 2013, 42(4): 990-1001.

[9] 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.

[10] 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.

[11] 農業(yè)農村部. 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.

[12] 農業(yè)農村部辦公廳，生態(tài)環(huán)境部辦公廳. 關于促進畜禽糞污還田利用依法加強養(yǎng)殖污染治理的指導意見（農辦牧[2019] 84號）[Z]. 2019.

[13] Amani M, Mobasheri M R, Mahdavi S. Contemporaneous estimation of leaf area index and soil moisture using the red-NIR spectral space[J]. Remote Sensing Letters, 2017, 9(3): 265-274.

[14] 陳奕云，齊天賜，黃穎菁，等. 土壤有機質含量可見-近紅外光譜反演模型校正集優(yōu)選方法[J]. 農業(yè)工程學報，2017，33(6)：107-114.

Chen Yiyun, Qi Tianci, Huang Yingjing, et al. Optimization method of calibration dataset for VIS-NIR spectral inversion model of soil organic matter content[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(6): 107-114. (in Chinese with English abstract)

[15] She Chongchong, Li Min, Hou Yunhui, et al. Near infrared spectroscopy as an alternative method for rapid determination of the solidification point of 2,4,6-trinitrotoluene in production[J]. Journal of Near Infrared Spectroscopy, 2019, 27(4): 286-292.

[16] Nawar S, Mouazen A M. On-line vis-NIR spectroscopy prediction of soil organic carbon using machine learning[J]. Soil and Tillage Research, 2019, 190: 120-127.

[17] 陳彬，劉閣，張賢明. 連續(xù)投影算法的潤滑油中含水量的近紅外光譜分析[J]. 紅外與激光工程，2013，42(12)：3168-3174.

Chen Bin, Liu Ge, Zhang Xianming. Analysis on near infrared spectroscopy of water content in lubricating oil using successive projections algorithm[J]. Infrared and Laser Engineering, 2013, 42(12): 3168-3174. (in Chinese with English abstract)

[18] 榮海騰，宋春風，袁洪福，等. 近紅外光譜法快速測定車用汽油中多種添加劑含量[J]. 光譜學與光譜分析，2015，35(10)：2757-2760.

Rong Haiteng, Song Chunfeng, Yuan Hongfu, et al. Rapid quantitative analysis of content of the additive in gasoline for motor vehicles by near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2015, 35(10): 2757-2760. (in Chinese with English abstract)

[19] 李鴻強，孫紅，李民贊. 基于可見/短波近紅外光譜檢測結球甘藍維生素C含量[J]. 農業(yè)工程學報，2018，34(8)：269-275.

Li Hongqiang, Sun Hong, Li Minzan. Detection of vitamin C content in head cabbage based on visible/near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(8): 269-275. (in Chinese with English abstract)

[20] Qiao Lu, Tang Xiuying, Dong Jun. A feasibility quantification study of total volatile basic nitrogen (TVB-N) content in duck meat for freshness evaluation[J]. Food Chemistry, 2017, 237: 1179-1185.

[21] Abdel G S, Shyam N J, Pranita J, et al. On-destructive quality monitoring of stored tomatoes using VIS-NIR spectroscopy[J]. Engineering in Agriculture Environment and Food, 2016, 9(2): 158-164.

[22] Nirea K G, Pérez de Nanclares M, Adrijana S, et al. Assessment of fecal near-infrared spectroscopy to predict feces chemical composition and apparent total-tract digestibility of nutrients in pigs[J]. Journal of Animal Science, 2018, 96(7): 2826-2837.

[23] Hassouna M, Robin P, Charpiot A, et al. Infrared photoacoustic spectroscopy in animal houses: Effect of non-compensated interferences on ammonia, nitrous oxide and methane air concentrations[J]. Biosystems Engineering, 2013, 114(3): 318-326.

[24] Decruyenaerea V, Planchonbc V, Dardenne P. Prediction error and repeatability of near infrared reflectance spectroscopy applied to faeces samples in order to predict voluntary intake and digestibility of forages by ruminants[J]. Animal Feed Science and Technology, 2015, 205: 49-59.

[25] Casale M, Oliveri P, Casolino C, et al. Characterization of PDO olive oilby non-selective (UV-visible, NIR and MIR spectroscopy) and selective (fatty acid composition) analytical techniques[J]. Analytica Chimica Acta, 2012, 712(27): 56-63.

[26] Finzi A, Oberti R, Negri A S, et al. Effects of measurement technique and sample preparation on NIR spectroscopy analysis of livestock slurry and digestates[J]. Biosystems Engineering, 2015, 134: 42-54.

[27] 趙潤，劉海學，王鵬，等. 基于近紅外漫反射光譜的規(guī)?；膛黾S水氮磷定量分析及模型構建[J]. 農業(yè)環(huán)境科學學報，2019，38(8)：1768-1776.

Zhao Run, Liu Haixue, Wang Peng, et al. Quantified analysis and model structure of nitrogen and phosphorus in the slurry of large-scale dairy farms based on near-infrared transmission-diffuse reflectance spectroscopy[J]. Journal of Agro-Environment Science, 2019, 38(8): 1768-1776. (in Chinese with English abstract)

[28] 國家質量監(jiān)督檢驗檢疫總局，國家標準化管理委員會. 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.

[29] 國家環(huán)境保護局標準處. 水質凱氏氮的測定：GB 11891-1989 [S]. 北京：中國質檢出版社，1989.

[30] 國家環(huán)境保護局標準處. 水質總磷的測定鉬酸銨分光光度法：GB 11893-1989 [S]. 北京：中國環(huán)境出版有限責任公司，1989.

[31] 張帥，陸鵬，陳碩，等. 京郊畜禽糞污氮磷含量特征及影響因素分析[J]. 農業(yè)工程學報，2018，34(8)：244-251.

Zhang Shuai, Lu Peng, Chen Shuo, et al. Characteristics of nitrogen and phosphorus content and analysis of its influencing factors in feces and wastewater of livestock farms in Beijing suburb[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(8): 244-251. (in Chinese with English abstract)

[32] 褚小立. 近紅外光譜分析技術實用手冊[M]. 北京：機械工業(yè)出版社，2016：4-7.

[33] Wold S, Sj?str?m M, Eriksson L. PLS-regression: A basic tool of chemometrics[J]. Chemometrics & Intelligent Laboratory Systems, 2001, 58(2): 109-130.

[34] Burns D A, Ciurczak E W. Handbook of Near-Infrared Analysis, Third Edition[M]. Boca Raton: CRC Press, 2007: 189-205.

Influences of spring and autumn on the nitrogen and phosphorus contents of the slurry predicted by near-infrared spectrum model on dairy farms

Sun Di1, Yang Renjie2, Li Mengting3, Mu Meirui2, Li Mingtang1, Zhang Keqiang3, Zhao Run3※

(1.,,130118; 2.,300384; 3.,300191)

Returning to the field was the optimal way out for the great deal of slurry from dairy farms in China at the moment. Nitrogen and phosphorus were important nutrient measurable indicators. Variation in nitrogen and phosphorus content was influenced by many natural factors involved in temperature, wind speed, and rainfall so that it was hard to quickly and accurately quantify, leading to the difficulty of returning the slurry to the field. Therefore, aimed at learning the influence of typical seasonal factors on the variation of nitrogen and phosphorus contents in the slurry of large-scale dairy farms together with the prediction results of near-infrared spectroscopy models, it was significantly meaningful that provide the basis of setting up the testing method and standard system for guiding them safely and scientifically returning the slurry to the field. 250 slurry samples were gathered in the whole process of slurry treatment from 27 large-scale dairy farms in Tianjin both in spring and autumn. The influence of season on the distribution characteristics of chemical values of nitrogen and phosphorus in the slurry was analyzed, meanwhile the near-infrared spectra of the whole samples were collected and subjected to the principal component analysis. Then the Partial Least Squares (PLS) was used to establish the seasonal models that involved the spring model, autumn model, and mixed model of both, as well as the demi-season models for the quantified analysis of the nitrogen and phosphorus contents in the slurry. The results showed that the nitrogen and phosphorus contents of the samples appeared varying degrees of variability with seasonal changes. In the seasonal models, the Root Mean Squared Error of prediction set (RMSEP) of three Total Nitrogen (TN) models was 338.26, 334.23, and 382.29 mg/L, respectively. The correlation coefficients of calibration set (p) was 0.98, 0.94, and 0.96, respectively. The Residual Predictive Deviations (RPD) was 4.67, 2.83, and 3.56, respectively. RMSEP of three Total Phosphorus (TP) models was 20.04, 22.73, and 23.51 mg/L, respectively.pwas 0.90, 0.81 and 0.83, respectively. RPD was 2.03, 1.68, and 1.80, respectively. As a whole, the spring model showed a better result than the autumn model, which highlighted the effect of seasonal influence on the prediction. RMSEP of two TN models for mutual prediction between spring and autumn was 934.57 and 845.82 mg/L, respectively.pwas 0.97 and 0.92, respectively. RPD was 2.28 and 2.58, respectively. RMSEP of two TP models for mutual prediction between spring and autumn was 50.06 and 24.81 mg/L, respectively.pwas 0.84 and 0.48, respectively. RPD was 0.94 and 1.64, respectively. The overall effect of the demi-season model was inferior compared to the seasonal models. And the performance of the demi-season model was too poor to be used for the determination of nitrogen and phosphorus content in the slurry. In summary, the interior seasonal model of nitrogen and phosphorus in the slurry was superior to the demi-season model and the prediction results of the nitrogen and phosphorus model in the slurry were influenced by the seasonal factors. All the results indicated that the nitrogen and phosphorus contents of slurry were influenced by the seasons. Further objective would be designed to establish the comprehensive forecast models with overall seasonal elements to enhance the feasibility and stability of models that providing the technical support for the development of portable measurement facilities, breaking through the dilemma of quantified analysis under the complicated situation in numerous intensive dairy farms, leading to the slurry recycling back to the field in safely and scientifically meanwhile controlling over the environmental pollution risk.

nitrogen; phosphorus; slurry; large-scale dairy farms; near-infrared spectroscopy; partial least squares; interior seasonal model; demi-season model

孫迪，楊仁杰，李夢婷，等. 春秋季對近紅外光譜模型預測奶牛場糞水氮磷含量結果的影響[J]. 農業(yè)工程學報，2020，36(10)：197-205.doi：10.11975/j.issn.1002-6819.2020.10.024 http://www.tcsae.org

Sun Di, Yang Renjie, Li Mengting, et al. Influences of spring and autumn on the nitrogen and phosphorus contents of the slurry predicted by near-infrared spectrum model on dairy farms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 197-205. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.10.024 http://www.tcsae.org

2020-03-06

2020-04-13

國家重點研發(fā)計劃（2018YFD0800100）；國家自然科學基金（41771357，21607114，81471698）；天津市現代奶牛產業(yè)技術體系創(chuàng)新團隊建設專項（ITTCRS2017006）；天津市自然科學基金（18JCYBJC96400，16JCQNJC08200）聯(lián)合資助

孫迪，主要從事固體廢棄物處理等方面研究。Email：sdi0825@126.com

趙潤，博士，助理研究員，主要從事規(guī)模化奶牛場環(huán)境監(jiān)測等方面研究。Email：15900389657@163.com

10.11975/j.issn.1002-6819.2020.10.024

X713

A

1002-6819(2020)-10-0197-09