基于人工神經(jīng)網(wǎng)絡(luò)的狼尾草屬牧草品質(zhì)近紅外光譜預(yù)測(cè)研究

摘要： "本研究利用近紅外光譜通過(guò)人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）建立狼尾草屬（Pennisetum Rich）牧草水分、粗蛋白、木質(zhì)素、酸性/中性洗滌纖維及灰分含量的預(yù)測(cè)模型。結(jié)果表明：基于人工神經(jīng)網(wǎng)絡(luò)的狼尾草屬牧草品質(zhì)預(yù)測(cè)模型總體優(yōu)于全光譜偏最小二乘法（PLS）模型效果。在人工神經(jīng)網(wǎng)絡(luò)的方向傳播（BP）網(wǎng)絡(luò)模型中，6項(xiàng)表征牧草品質(zhì)指標(biāo)的校正均方根誤差（RMSEC）、預(yù)測(cè)均方根誤差（RMSEP）均顯著低于PLS模型，同時(shí)校正集決定系數(shù)（R2C）、預(yù)測(cè)集決定系數(shù)（R2P）顯著提高，除灰分含量預(yù)測(cè)不理想外，其他預(yù)測(cè)效果均理想。同時(shí)人工神經(jīng)網(wǎng)絡(luò)的BP網(wǎng)絡(luò)對(duì)于近紅外光譜的非線(xiàn)性數(shù)據(jù)具有良好的擬合能力，其預(yù)測(cè)模型對(duì)于指導(dǎo)狼尾草屬牧草品質(zhì)預(yù)測(cè)和分級(jí)管理研究具有廣闊的應(yīng)用前景。

關(guān)鍵詞： 狼尾草屬；常規(guī)營(yíng)養(yǎng)成分；近紅外光譜；人工神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：S541 """文獻(xiàn)標(biāo)識(shí)碼：A """"文章編號(hào)： 1007-0435（2024）02-0527-08

Research on Nutritional Components of Pennisetum Rich. Forage by Near

Infrared Spectroscopy Model based on Artificial Neural Network

ZHU Rui-fen1，2， XU Yuan-dong1，2， SUN Wan-bin1，2， LIU Chang1，2， YAO Bo1，2， CHEN Ji-shan1，2*

（1.Institute of Pratacultural Science， Chongqing Academy of Animal Sciences， Chongqing 402460， China;

2. Pratacultural Engineering and technology research center of Chongqing， Chongqing 402460， China）

Abstract： In order to determine the nutrient content of Pennisetum Rich. forage rapidly by Near Infrared Spectroscopy，the prediction models of moisture content，crude protein content，lignin content，acid detergent fibe，neutral detergent fibe and crude ash content of Pennisetum Rich. forage were established by using artificial neural network （ANN）. The results showed that the quality prediction model of Pennisetum Rich forage based on ANN was better than the partial least squares （PLS） model. In the back propagation （BP） network model of ANN，the calibration root mean square error and prediction root mean square error are significantly reduced，and the calibration set determination coefficient and the prediction set determination coefficient were significantly improved. Except the ash content prediction，the other prediction results were ideal. Meanwhile，the BP of ANN algorithm had good fitting ability for the nonlinear data of near-infrared spectrum. The prediction model in this study has application prospects for guiding forage quality classification management and scientific research.

Key words： "Pennisetum Rich.;Quality components;Near infrared spectroscopy;Artificial neural network （ANN）

近紅外光譜（Near infrared spectroscopy，NIRS）分析方法已在諸如食品、制藥、化工、農(nóng)牧、飼料、煙草等多方面領(lǐng)域獲得廣泛應(yīng)用。近年來(lái)，隨著智慧農(nóng)業(yè)的發(fā)展，便攜式微型近紅外光譜儀被普遍使用在現(xiàn)場(chǎng)檢測(cè)中，因此，預(yù)測(cè)模型的建立并應(yīng)用成為當(dāng)前近紅外光譜研究中的熱點(diǎn)［1-2］。

目前，大量學(xué)者在研究中對(duì)于偏最小二乘法（Partial least square method，PLS）進(jìn)行了深入探索與應(yīng)用，不同的算法分析可以建立較好的定量模型，已成為智慧農(nóng)業(yè)的發(fā)展方向［3-4］。通過(guò)不同學(xué)習(xí)算法來(lái)簡(jiǎn)化模型具有良好的魯棒性和相對(duì)較強(qiáng)的預(yù)測(cè)能力［5-6］。目前研究表明，普遍采用偏最小二乘法（PLS）建模成為共識(shí)［7-8］。同時(shí)近年來(lái)大量研究表明，通過(guò)人工神經(jīng)網(wǎng)絡(luò)處理非線(xiàn)性變量，簡(jiǎn)化模型，也可獲得的良好的魯棒性和相對(duì)較強(qiáng)的預(yù)測(cè)能力［9-10］。人工神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)與其它學(xué)科領(lǐng)域聯(lián)系日益緊密，人們通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)的探索和改進(jìn)來(lái)解決各個(gè)領(lǐng)域的問(wèn)題。劉小英等［11］開(kāi)展人工神經(jīng)網(wǎng)絡(luò)的葡萄干等級(jí)檢測(cè)方法研究，徐亮等［12］開(kāi)展人工神經(jīng)網(wǎng)絡(luò)在風(fēng)干臘腸加工過(guò)程模擬控制中的應(yīng)用，姚蘭等［13］研究基于人工神經(jīng)網(wǎng)絡(luò)的工業(yè)供應(yīng)鏈銷(xiāo)售預(yù)測(cè)方法。人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于各種重要領(lǐng)域已是時(shí)代科學(xué)發(fā)展的內(nèi)在需要［14-16］。目前，融合現(xiàn)代化技術(shù)，采用神經(jīng)元之間的交叉互動(dòng)，實(shí)現(xiàn)信息的收集、存儲(chǔ)、分析應(yīng)用，改善人工智能識(shí)別技術(shù)的識(shí)別靈敏性與分辨率，將神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步深入融合到智能識(shí)別領(lǐng)域，已在許多科學(xué)領(lǐng)域得以成功應(yīng)用［17-19］。研究表明，將人工神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜技術(shù)的分析方法有極高應(yīng)用價(jià)值［20-21］。反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)（ANN）中的一種，常用的神經(jīng)網(wǎng)絡(luò)有誤差BP徑向基函數(shù)（Radial basis function，RBF）、自組織映射網(wǎng)絡(luò)（Self-Organizing map，SOM）、反饋型神經(jīng)網(wǎng)絡(luò)（Hopfield）等等，其功能不盡相同［22］。誤差反向傳播是一種靜態(tài)的多層前饋神經(jīng)網(wǎng)絡(luò)，在預(yù)測(cè)方面是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于其逼近能力，分類(lèi)能力和學(xué)習(xí)速度等方面優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。反饋型神經(jīng)網(wǎng)絡(luò)（Hopfield）是一種單層反饋神經(jīng)網(wǎng)絡(luò)，從輸出到輸入有反饋連接。該網(wǎng)絡(luò)可以作為聯(lián)想存儲(chǔ)器，又稱(chēng)為聯(lián)想記憶網(wǎng)絡(luò)。在近紅外光譜定量分析中，分析樣品在組成及其相對(duì)分子較大時(shí)，它們的性質(zhì)與其近紅外光譜信息之間往往存在非線(xiàn)性關(guān)系，所以利用線(xiàn)性方法處理分析產(chǎn)生較大誤差，而采用人工神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)可以得到較好的預(yù)測(cè)結(jié)果［23-24］。

狼尾草屬（Pennisetum Rich）牧草是禾本科多年生C4植物，適應(yīng)于熱帶、亞熱帶地區(qū)，是我國(guó)目前南方栽培面積最大且生物產(chǎn)量也較大的優(yōu)良牧草［25-28］。狼尾草屬牧草包括雜交狼尾草、紫色象草、華南象草、美洲狼尾草等品種。狼尾草屬牧草屬于高大禾草，根系發(fā)達(dá)，葉量豐富，病蟲(chóng)害少，草地管理成本低，每年刈割3～5次，年畝產(chǎn)鮮草10～15 t，一次栽培可利用6～8年。因此，狼尾草屬牧草在草食畜牧、食用菌栽培、造紙、板材生產(chǎn)、生物質(zhì)能源、環(huán)境綠化和水土保持等方面都具有較好的開(kāi)發(fā)前景［29-31］。特別是近年來(lái)草食畜牧業(yè)健康養(yǎng)殖中，狼尾草屬牧草的品質(zhì)定量預(yù)測(cè)和分級(jí)評(píng)價(jià)備受關(guān)注。

本文探討B(tài)P神經(jīng)網(wǎng)絡(luò)在近紅外光譜預(yù)測(cè)狼尾草屬牧草常規(guī)營(yíng)養(yǎng)成分含量的魯棒性，以明確近紅外光譜快速測(cè)定狼尾草屬牧草品質(zhì)預(yù)測(cè)模型是否穩(wěn)定可靠，為科學(xué)準(zhǔn)確評(píng)價(jià)狼尾草屬牧草品質(zhì)、促進(jìn)狼尾草高效率生產(chǎn)加工和儲(chǔ)存利用提供技術(shù)依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)于2021年在重慶市草業(yè)試驗(yàn)基地開(kāi)展。選擇不同品種的狼尾草屬牧草3個(gè)，包括‘熱研1號(hào)’雜交狼尾草（由中國(guó)熱帶農(nóng)業(yè)科學(xué)院熱帶作物品種資源研究所提供）、‘桂牧1號(hào)’雜交狼尾草（由中國(guó)熱帶農(nóng)業(yè)科學(xué)院熱帶作物品種資源研究所提供），‘邦德1號(hào)’美洲雜交狼尾草（廣西綠邦生物技術(shù)公司提供）。3份狼尾草屬牧草品種于2018年春統(tǒng)一種植在雙河草業(yè)科研基地。行距1 m×1 m，株距0.5 m，每個(gè)品種15 m2，3次重復(fù)，隨機(jī)排列，不施肥不灌水，其他措施等同大田管理。重慶市畜牧科學(xué)院草業(yè)所雙河科研基地位于重慶市榮昌區(qū)雙河鎮(zhèn)九峰山，地理坐標(biāo)29.32 N，105.59 E，海拔約256 m，屬中亞熱帶濕潤(rùn)東南季風(fēng)氣候，年平均降水量1 099 mm，年平均氣溫17.8℃，年總積溫6 482℃，無(wú)霜期327 d以上。該區(qū)域土種有水稻土、沖積土、紫色土和黃壤四大土類(lèi)及六個(gè)亞類(lèi)。土壤總體貧氮富鉀偏酸性。3年來(lái)各品種的田間越冬率及其適應(yīng)性表明其適應(yīng)在本區(qū)域低海拔推廣種植，但其牧草品質(zhì)的監(jiān)測(cè)和評(píng)價(jià)工作相對(duì)滯后，為此開(kāi)展狼尾草屬牧草品質(zhì)的近紅外預(yù)測(cè)研究。為構(gòu)建模樣本的空間和時(shí)間差異性，不同品種的樣品在植株高度為1.5～3 m之間采集作為建模樣本，此過(guò)程處在5—11月間，屬于狼尾草屬牧草正常生長(zhǎng)時(shí)期。每個(gè)品種采集4次（植株高度分別在1.5 m，2.0 m，2.5 m，3 m時(shí)），3個(gè)樣品共計(jì)采集12次，每個(gè)品種采集重復(fù)樣品8份，共采集到98份樣品。每份樣品生物量鮮重500 g， 置入紗網(wǎng)袋中，于當(dāng)天在實(shí)驗(yàn)室用烘箱（Thermo Scientific Heratherm OGS60）干燥（105℃下殺青30 min，再在65℃下烘干48 h）。烘干樣品切成短節(jié)再用粉碎機(jī)粉碎，二次細(xì)磨（過(guò)1.0 mm篩（新鄉(xiāng)市大漢振動(dòng)機(jī)械有限公司生產(chǎn)φ200 mm的18目篩））后編號(hào)裝入自封袋常溫（25℃）避光保存?zhèn)溆谩?/p>

1.2 試驗(yàn)用儀器

主要試驗(yàn)儀器為瑞典波通公司（Perten）生產(chǎn)的近紅外漫反射光譜儀（DA7200）。DA7200多功能近紅外分析儀采用鹵鎢燈和汞燈光源，雙光束同時(shí)檢測(cè)，具有最穩(wěn)定的光學(xué)系統(tǒng)。獨(dú)特的固定全息光柵份光和銦葭砷二極管陣列檢測(cè)技術(shù)（電制冷恒溫）全光譜同時(shí)掃描，無(wú)波長(zhǎng)漂移。DA7200多功能近紅外分析儀主要技術(shù)參數(shù)包括數(shù)據(jù)光譜收集速率為100次·s-1，波長(zhǎng)范圍為950～1 650 nm，工作電源為220 V，50/60 Hz，700 W4，重量為21 kg，尺寸為556 mm×375 mm×370 mm（包括觸摸屏）。福斯公司生產(chǎn)的索式粗纖維測(cè)定儀Fibertec1020和全自動(dòng)凱氏定氮儀（特卡托2300）；水分測(cè)定儀為美國(guó)丹佛IR35全自動(dòng)快速水分儀；樣品烘干用烘箱德國(guó)賽默飛（Thermo）大容量通用型烘箱。

1.3 光譜采集

將所有待測(cè)樣品逐個(gè)放入試樣杯，分別置于近紅外光譜儀上連續(xù)掃描3次光譜，分析過(guò)程中取3次掃描光譜的平均值光譜。所得掃描光譜數(shù)據(jù)以文本形式錄入存儲(chǔ)在計(jì)算機(jī)。篩選處理采集的光譜數(shù)據(jù)，波長(zhǎng)范圍為900～1 700 nm，分辨率為8 cm-1。所有樣品的光譜見(jiàn)圖1。

1.4 化學(xué)測(cè)定

將采集樣品送蘭州測(cè)試中心測(cè)定相關(guān)指標(biāo)。測(cè)定狼尾草屬牧草的指標(biāo)為水分（Moisture content）、酸性洗滌木質(zhì)素（Acid detergent lignin，ADL）、粗蛋白（Crude protein，CP）和粗灰分（Crude ash）。水分的測(cè)定依照GB/T 6435-2014標(biāo)準(zhǔn)方法進(jìn)行［32］，粗蛋白的測(cè)定依照GB/T 6432-2018標(biāo)準(zhǔn)方法進(jìn)行［33］，GB/T 20805-2006飼料中酸性洗滌木質(zhì)素（ADL）的測(cè)定［34］。測(cè)定均以干物質(zhì)為基礎(chǔ)，以百分計(jì)（%）表示。

1.5 數(shù)據(jù)分析與模型建立

1.5.1 "數(shù)據(jù)分析工具 ""本試驗(yàn)采用MATLAB構(gòu)建狼尾草屬牧草水分、粗蛋白、木質(zhì)素和粗灰分間的間接關(guān)系模型。MATLAB軟件為美國(guó)MathWorks公司開(kāi)發(fā)并提供大量的算法程序。近紅外光譜透射光譜都是以向量和矩陣的形式存儲(chǔ)的，采用MATLAB語(yǔ)言編程的編程更方便快捷，同時(shí)該軟件除了提供各種算法工具外，還具有直觀(guān)友好、容易使用的圖形界面。主要操作借助MATLAB工具箱（iToolbox），并采用決定系數(shù)（R2）和均方根誤差（RMSE）參數(shù)評(píng)價(jià)新建模型。

1.5.2 光譜預(yù)處理與建模 ""光譜預(yù)處理方法及其組合可以除光譜背景的干擾，通過(guò)前期研究確定一階導(dǎo)數(shù)（1st Derivative）+標(biāo)準(zhǔn)正?；⊿tandard normal variant，SNV）進(jìn)行預(yù)處理加強(qiáng)光譜圖的特征。數(shù)據(jù)集采用SPXY（Sample Set Partitioning Based on Joint X-Y Distance，SPXY）法劃分為校正集和驗(yàn)證集。在Matlab代碼指令下進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模，將該模型與偏最小二乘法（PLS）的算法進(jìn)行對(duì)比分析預(yù)測(cè)模型的優(yōu)劣。

2 結(jié)果與分析

2.1 品質(zhì)成分描述

通過(guò)化學(xué)值測(cè)定的狼尾草屬牧草營(yíng)養(yǎng)品質(zhì)成分有6項(xiàng)，其中狼尾草屬牧草水分含量、粗蛋白、木質(zhì)素、粗灰分、酸性洗滌纖維和中性洗滌纖維分別為5.44%，12.6%，13.0%，9.37%，41.17%和65.87%。所有測(cè)定化學(xué)值滿(mǎn)足近紅外定標(biāo)要求。均值及中位數(shù)見(jiàn)表1。

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化

一般而言，對(duì)于神經(jīng)網(wǎng)絡(luò)對(duì)于非線(xiàn)性問(wèn)題的逼近和分析能力，三層神經(jīng)網(wǎng)絡(luò)的分析處理結(jié)果精度較高［20］，所以本文中的ANN設(shè)置為單隱藏層和輸入輸出層共同組成三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。 在神經(jīng)元數(shù)量的選取上，輸入層神經(jīng)元數(shù)量對(duì)應(yīng)于自變量的數(shù)據(jù)維度個(gè)數(shù)，本文中為801。對(duì)于一般的非線(xiàn)性回歸問(wèn)題，隱藏層神經(jīng)元個(gè)數(shù)的不確定性，通常情況下采取試湊法和經(jīng)驗(yàn)法來(lái)選取隱藏層節(jié)點(diǎn)個(gè)數(shù)時(shí)［21］。為了非線(xiàn)性問(wèn)題能夠獲得最優(yōu)模型擬合效果，本文中選擇tanh函數(shù)和relu函數(shù)分別應(yīng)用于輸入層與隱藏層之間，隱藏層與輸出層之間；同時(shí)為防止relu激活函數(shù)產(chǎn)生梯度消失現(xiàn)象，本文設(shè)置學(xué)習(xí)率為0.001并進(jìn)行初始化。

2.3 預(yù)測(cè)結(jié)果對(duì)比分析

2.3.1 水分含量 ""在測(cè)定狼尾草屬牧草水分含量的模型中，光譜預(yù)處理通過(guò)用一階導(dǎo)數(shù)法處理狼尾草樣品的近紅外光譜，進(jìn)而進(jìn)行BP算法對(duì)光譜信息建模，表2中列舉得出預(yù)測(cè)模型的相關(guān)結(jié)果。BP與PLS模型比較看來(lái)，前者突出降低了RMSEC，RMSEP，同時(shí)提高了R2C，R2P。BP測(cè)定狼尾草屬牧草水分含量的校正集及預(yù)測(cè)集得出的R2C，R2P分別為0.962 4和0.849 1。

通過(guò)驗(yàn)證集的狼尾草屬牧草水分含量的近紅外預(yù)測(cè)值與實(shí)測(cè)化學(xué)值進(jìn)行比較，BP模型測(cè)定狼尾草屬牧草水分含量的散點(diǎn)如圖2所示，基本集中分布在擬合線(xiàn)附近。狼尾草屬牧草水分含量的預(yù)測(cè)集斜率（Slope）為0.882 8、截距（Offset）為0.601 2、均方根誤差（RMSE）為0.282 1、決定系數(shù)（R-sqare）為0.882 8；交叉驗(yàn)證集斜率（Slope）為0.839 4、截距（Offset）為0.823 9、均方根誤差（RMSE）為0.352 0、決定系數(shù)（R-square）為0.821 9，其預(yù)測(cè)效果理想。

2.3.2 "粗蛋白含量 ""同樣地，采用一階導(dǎo)數(shù)法在狼尾草屬牧草粗蛋白含量的預(yù)測(cè)模型中預(yù)處理近紅外光譜，然后使用BP算法對(duì)光譜數(shù)據(jù)進(jìn)行建模，獲得預(yù)測(cè)模型的相關(guān)結(jié)果見(jiàn)表3。結(jié)果表明，與PLS模型相較，BP明顯降低了RMSEC和RMSEP，同時(shí)提高了R2C和R2P。BP模型算法預(yù)測(cè)狼尾草屬牧草粗蛋白含量的校正集及預(yù)測(cè)集的R2C和R2P分別為0.852 1，0.835 4。

通過(guò)驗(yàn)證集的狼尾草屬牧草粗蛋白含量的近紅外預(yù)測(cè)值和化學(xué)值的散點(diǎn)圖見(jiàn)圖3，由圖3可知，采用BP預(yù)測(cè)的狼尾草屬牧草粗蛋白含量的數(shù)據(jù)分布的集中度明顯。狼尾草粗蛋白含量的預(yù)測(cè)集斜率（Slope）為0.952 6、截距（Offset）為0.484 3、均方根誤差（RMSE）為0.880 3、決定系數(shù)（R-sqare）為0.952 6；交叉驗(yàn)證集斜率（Slope）為0.891 1、截距（Offset）為1.108 8、均方根誤差（RMSE）為1.588 2、決定系數(shù)（R-square）為0.849 2，其預(yù)測(cè)效果理想。

2.3.3 木質(zhì)素含量 ""狼尾草屬牧草的木質(zhì)素含量的測(cè)定模型中，同樣進(jìn)行了一階導(dǎo)數(shù)法處理狼尾草屬牧草樣品的近紅外光譜，獲得預(yù)測(cè)模型的相關(guān)結(jié)果見(jiàn)表4。與PLS模型比較，BP模型最佳，其測(cè)定狼尾草屬牧草木質(zhì)素含量的校正集及預(yù)測(cè)集的R2C和R2P分別為0.901 2，0.854 3。

圖4所示狼尾草屬牧草的木質(zhì)素含量近紅外預(yù)測(cè)值和化學(xué)值的數(shù)據(jù)分布情況，BP測(cè)定模型更顯著地集中在實(shí)測(cè)值附近。狼尾草屬牧草的木質(zhì)素含量的預(yù)測(cè)集斜率（Slope）為0.806 3、截距（Offset）為2.103 1、均方根誤差（RMSE）為1.752 6、決定系數(shù)（R-sqare）為0.806 3；交叉驗(yàn)證集斜率（Slope）為0.711 0、截距（Offset）為3.111 9、均方根誤差（RMSE）為2.199 1、決定系數(shù)（R-square）為0.703 4，其預(yù)測(cè)效果理想。

2.3.4 "酸性洗滌纖維含量 ""狼尾草屬牧草的酸性洗滌纖維含量的測(cè)定模型中，同樣進(jìn)行了一階導(dǎo)數(shù)法處理狼尾草屬牧草的樣品的近紅外光譜，獲得預(yù)測(cè)模型的相關(guān)結(jié)果見(jiàn)表5。與PLS模型比較，BP模型最佳，其測(cè)定狼尾草屬牧草的酸性洗滌纖維含量的校正集及預(yù)測(cè)集的R2C和R2P分別為0.890 5和0.850 3。

圖5所示狼尾草屬牧草的酸性洗滌纖維含量近紅外預(yù)測(cè)值和化學(xué)值的數(shù)據(jù)分布情況，BP測(cè)定模型更顯著地集中在實(shí)測(cè)值附近。狼尾草屬牧草的酸性洗滌纖維含量的預(yù)測(cè)集斜率（Slope）為0.862 1、截距（Offset）為5.960 5、均方根誤差（RMSE）為1.893 3、決定系數(shù)（R-sqare）為0.862 1；交叉驗(yàn)證集斜率（Slope）為0.844 5、截距（Offset）為6.7406、均方根誤差（RMSE）為2.158 9、決定系數(shù)（R-square）為0.823 7，其預(yù)測(cè)效果理想。

2.3.5 中性洗滌纖維含量 ""狼尾草屬牧草的中性洗滌纖維含量的測(cè)定模型中，同樣進(jìn)行了一階導(dǎo)數(shù)法處理狼尾草屬牧草的樣品的近紅外光譜，獲得預(yù)測(cè)模型的相關(guān)結(jié)果見(jiàn)表6。與PLS模型比較，BP模型最佳，其測(cè)定狼尾草屬牧草的木質(zhì)素含量的校正集及預(yù)測(cè)集的R2C和R2P分別為0.976 4和0.935 4。

圖6所示狼尾草屬牧草的中性洗滌纖維含量近紅外預(yù)測(cè)值和化學(xué)值的數(shù)據(jù)分布情況，BP測(cè)定模型更顯著地集中在實(shí)測(cè)值附近。狼尾草屬牧草的中性洗滌纖維含量的預(yù)測(cè)集斜率（Slope）為0.970 0、截距（Offset）為1.997 6、均方根誤差（RMSE）為1.576 8、決定系數(shù)（R-sqare）為0.970 0；交叉驗(yàn)證集斜率（Slope）為0.958 8、截距（Offset）為2.714 9、均方根誤差（RMSE）為2.302 7、決定系數(shù)（R-sqare）為0.936 1，其預(yù)測(cè)效果理想。

2.3.6 "灰分含量 ""狼尾草屬牧草的灰分含量的測(cè)定模型中，一階導(dǎo)數(shù)方法預(yù)處理狼尾草屬牧草樣品的近紅外光譜，得到預(yù)測(cè)模型的相關(guān)結(jié)果見(jiàn)表7。BP模型最佳，預(yù)測(cè)狼尾草屬牧草的粗灰分含量的校正集及預(yù)測(cè)集的R2C和R2P分別為0.773 6和 0.752 7，顯著高于PLS模型的預(yù)測(cè)值。

比較圖7狼尾草屬牧草的粗灰分含量的近紅外預(yù)測(cè)值和化學(xué)值的散點(diǎn)圖，預(yù)測(cè)效果更接近真實(shí)值。狼尾草屬牧草的粗灰分含量的預(yù)測(cè)集斜率（Slope）為0.786 9、截距（Offset）為1.850 6、均方根誤差（RMSE）為0.991 8、決定系數(shù)（R-sqare）為0.786 9；交叉驗(yàn)證集斜率 （Slope）為0.766 0、截距（Offset）為2.029 3、均方根誤差（RMSE）為1.084 0、決定系數(shù)（R-square）為0.750 5，其預(yù)測(cè)效果不理想。

3 討論

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬大腦神經(jīng)結(jié)構(gòu)和功能的人工網(wǎng)絡(luò)系統(tǒng)。它由大量而廣泛的神經(jīng)元連接而成，具有很強(qiáng)的非線(xiàn)性映射能力，能從己知數(shù)據(jù)中自動(dòng)歸納規(guī)則，進(jìn)而獲得這些數(shù)據(jù)的內(nèi)在信息規(guī)律［22］。近年來(lái)，神經(jīng)網(wǎng)絡(luò)理論得以迅速發(fā)展，也被成功地運(yùn)用在各種研究中，包括模式的識(shí)別、控制，信號(hào)的處理，數(shù)據(jù)的最優(yōu)化和預(yù)測(cè)等［9-10，23］。BP網(wǎng)絡(luò)于1985年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，也是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)之一?；谡`差反向傳播算法的多層前饋網(wǎng)絡(luò)，BP神經(jīng)網(wǎng) "絡(luò)不僅有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)，而且還有一層或多層隱含節(jié)點(diǎn)。隱含層的傳遞函數(shù)為非線(xiàn)性，因?yàn)榉蔷€(xiàn)性函數(shù)具有放大功能，具有捕捉微弱信號(hào)的能力［22，24］。

作為一種典型的間接檢測(cè)分析技術(shù)，近紅外光譜分析技術(shù)對(duì)待測(cè)樣品的精準(zhǔn)分析需要建立在一個(gè)十分成熟的科學(xué)的數(shù)學(xué)模型基礎(chǔ)上，這需要大量有代表性的原始樣本及其光譜數(shù)據(jù)。因此，近紅外光譜技術(shù)的應(yīng)用是一個(gè)不斷重視和注重原始樣品庫(kù)及其原始光譜擴(kuò)容、校正、維護(hù)提升的模型再建過(guò)程［35］。本研究旨在嘗試新的建模方法的可行性，試驗(yàn)結(jié)果表明，狼尾草屬牧草的水分含量、粗蛋含量、木質(zhì)素含量、酸性/中性洗滌纖維含量的預(yù)測(cè)能夠達(dá)到預(yù)測(cè)的效果，但灰分含量的預(yù)測(cè)仍然欠佳，推測(cè)其樣品數(shù)量的不足可能是導(dǎo)致預(yù)測(cè)精度較低的原因之一，今后該方法的普及應(yīng)用仍需進(jìn)一步擴(kuò)容樣品量。

以往研究表明，我國(guó)研究牧草品質(zhì)的近紅外預(yù)測(cè)幾乎統(tǒng)統(tǒng)應(yīng)用了PLS法，例如石丹等［36］建立了近紅外模型預(yù)測(cè)羊草品質(zhì)；劉哲等［37］采用PLS法對(duì)主要天然牧草建立的近紅外模型；白扎嘎?tīng)枺?8］在反芻動(dòng)物飼料建立的近紅外模型；陳積山等［39］在羊草品質(zhì)的預(yù)測(cè)中拓展了PLS法，并對(duì)特征波長(zhǎng)建立了羊草品質(zhì)的近紅外模型，但針對(duì)狼尾草屬牧草品質(zhì)的近紅外預(yù)測(cè)研究至今未見(jiàn)報(bào)道。試驗(yàn)結(jié)果表明，狼尾草屬牧草的水分含量、粗蛋含量、木質(zhì)素含量、酸性/中性洗滌纖維含量的預(yù)測(cè)均能達(dá)到預(yù)測(cè)的精度效果。為此，本研究涉及的狼尾草屬牧草的近紅外光譜研究豐富和補(bǔ)充了這一領(lǐng)域的現(xiàn)有工作基礎(chǔ)。

近紅外光譜與化學(xué)計(jì)量學(xué)是一對(duì)孿生技術(shù)，兩種在相互促進(jìn)中不斷發(fā)展。近些年，以人工神經(jīng)網(wǎng)絡(luò)（ANN）為代表的機(jī)器學(xué)習(xí)（Machine learning）算法，開(kāi)始用于近紅外光譜的定量和定性模型的建立。與傳統(tǒng)線(xiàn)性算法方法相比，非線(xiàn)性的機(jī)器學(xué)習(xí)算法在光譜分析中的應(yīng)用研究剛剛開(kāi)始，深度學(xué)習(xí)（Deep learning）是一種試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線(xiàn)性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的算法，也是機(jī)器學(xué)習(xí)的分支之一。深度學(xué)習(xí)憑借神經(jīng)網(wǎng)絡(luò)自動(dòng)對(duì)數(shù)據(jù)進(jìn)行高維抽象學(xué)習(xí)而提取數(shù)據(jù)特征，減少了特征工程的構(gòu)成，提高了算力。但還有諸如網(wǎng)絡(luò)規(guī)模、參數(shù)的優(yōu)化選擇、過(guò)擬合、模型的可解釋性等問(wèn)題仍值得進(jìn)一步研究［40］。本研究利用近紅外光譜法通過(guò)人工神經(jīng)網(wǎng)絡(luò)建立狼尾草水分含量、粗蛋白含量、木質(zhì)素含量、酸性/中性洗滌纖維含量的預(yù)測(cè)模型總體優(yōu) 于全光譜偏最小二乘法（PLS）模型效果，灰分含量的預(yù)測(cè)效果較差，仍需沿用實(shí)驗(yàn)室測(cè)定方法，同時(shí)通過(guò)深度學(xué)習(xí)提取特征光譜建立預(yù)測(cè)模型需要進(jìn)一步研究。因此，高質(zhì)量的建模方法對(duì)于提高牧草品質(zhì)的預(yù)測(cè)精度具有重要意義。

4 結(jié)論

通過(guò)采用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建狼尾草屬牧草品質(zhì)的預(yù)測(cè)模型總體優(yōu)于全光譜偏最小二乘法模型效果。在構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型中，6項(xiàng)表征牧草品質(zhì)指標(biāo)中，除灰分含量預(yù)測(cè)精度低之外，其余5項(xiàng)品質(zhì)指標(biāo)的預(yù)測(cè)效果理想。因此，灰分含量的預(yù)測(cè)仍需要進(jìn)一步優(yōu)化。

參考文獻(xiàn)

［1］ "陸婉珍，袁洪福，褚小立. 近紅外光譜儀器［M］. 北京：化學(xué)工業(yè)出版社，2010：75-78

［2］ 屈亞堃，宮元娟. 近紅外光譜技術(shù)在蘋(píng)果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用［J］. 農(nóng)業(yè)科技與裝備，2014（6）：32-33

［3］ 介鄧飛，謝麗娟，饒秀勤，等. 近紅外光譜變量篩選提高西瓜糖度預(yù)測(cè)模型精度［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（12）：264-270

［4］ 吳迪，吳洪喜，蔡景波，等. 基于無(wú)信息變量消除法和連續(xù)投影算法的可見(jiàn)-近紅外光譜技術(shù)白蝦種分類(lèi)方法研究［J］. 紅外與毫米波學(xué)報(bào)，2009，28（6）：423-427

［5］ 陳立旦，趙艷茹. 可見(jiàn)-近紅外光譜聯(lián)合隨機(jī)蛙跳算法檢測(cè)生物柴油含水量［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（8）：168-173

［6］ YAN H，LU D L，CHEN B， et al. Development of a hand-hled near infrared system based on an Android OS and MivroNIR，and its application in measuring soluble solids content in Fuji apples［J］. Spectroscopy and Spectral Analysis，2014，25（4）：16

［7］ ZOU X B，ZHAO J W，POCEY M J W， et al. Variables selection methods in near-infrared spectroscopy［J］. Analytica Chimica Acta，2010，667（1/2）：14-32

［8］ "LI H D，XU Q S，LIANG Y Z. Random frog：An efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification［J］. Analytica Chimica Acta，2012（740）：20-26

［9］ JIANG H，LIU G H，MEI C L，et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm［J］. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2012（97）：227-283

［10］ LI J B，GUO Z M，HUANG W Q，et al. Near-infrared spectra conbining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry［J］. Spectroscopy and Spectral Analysis，2015，35（2）：372-378

［11］ 劉小英，張健，楊蜀秦. 基于人工神經(jīng)網(wǎng)絡(luò)與VPMCD的葡萄干等級(jí)檢測(cè)方法研究［J］. 現(xiàn)代電子技術(shù)，2016，39（12）：18-21

［12］ 徐亮，程鏡蓉，張業(yè)輝，等. 人工神經(jīng)網(wǎng)絡(luò)在風(fēng)干臘腸加工過(guò)程模擬控制中的應(yīng)用［J］. 現(xiàn)代食品科技，2018，34（11）：151-156

［13］ 姚蘭，戎荷婷，褚超，等. 基于人工神經(jīng)網(wǎng)絡(luò)的工業(yè)供應(yīng)鏈銷(xiāo)售預(yù)測(cè)方法［J］. 計(jì)算機(jī)與數(shù)字工程，2021，49（10）：2057-2061

［14］ 李沁璘. 人工神經(jīng)網(wǎng)絡(luò)綜述［J］. 科學(xué)與信息化，2021（7）：181-182

［15］ 王祎，賈文雅，尹雪婷，等. 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及展望［J］. 智能城市，2021，7（8）：12-13

［16］ 張馳，郭媛，黎明. 人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展及應(yīng)用綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2021，57（11）：57-69

［17］ 姜鵬飛，鄭杰，陳瑤，等. 人工神經(jīng)網(wǎng)絡(luò)在水產(chǎn)領(lǐng)域中的應(yīng)用［J］. 食品與發(fā)酵工業(yè)，2021，47（19）：288-295

［18］ 姜鵬飛，于文靜，孫娜，等. 人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用［J］. 食品研究與開(kāi)發(fā)，2021，42（13）：188-196

［19］ 王良玉，張明林，祝洪濤，等. 人工神經(jīng)網(wǎng)絡(luò)及其在地學(xué)中的應(yīng)用綜述［J］. 世界核地質(zhì)科學(xué)，2021，38（1）：15-26

［20］ 馬明宇，王桂蕓，黃安民，等. 人工神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜用于木材樹(shù)種識(shí)別［J］. 光譜學(xué)與光譜分析，2012，32（9）：2377-2381

［21］ 朱麗偉，嚴(yán)金欣，黃娟，等. 近紅外光譜和人工神經(jīng)網(wǎng)絡(luò)的金苦蕎氨基酸快速測(cè)定［J］. 光譜學(xué)與光譜分析，2022，42（1）：49-55

［22］ CAO N N，WANG J H，LI P F，et al. Study on variable selection of NIR spectral information based on GA and SCMWPLS［J］. Spectroscopy and Spectral Analysis，2010，30（4）：915-919

［23］ SUN T，XU W L，HU T. Determination of soluble solids content in Nanfeng Mandarin by Vis/NIR spectroscopy and UVE-ICA-LS-SVM［J］. Spectroscopy and Spectral Analysis，2013，33（12）：3235-3239

［24］ LI X L，SUN C J，LUO L B. Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques［J］. Computers and Electronics in Agriculture，2015，112（Sp. Iss. SI）：28-35

［25］ 周潔儀，趙文武，楊楊，等. 2種狼尾草屬牧草萌發(fā)期和苗期抗旱性綜合評(píng)價(jià)［J］. 中國(guó)草地學(xué)報(bào)，2023，45（8）：50-59

［26］ 侯新村，滕珂，郭強(qiáng)，等. 狼尾草屬牧草研究進(jìn)展［J］. 植物學(xué)報(bào)，2022，57（6）：814-825

［27］ 黃睿，羅佳佳，吳遠(yuǎn)航，等. 狼尾草屬象草PpPAPs基因的克隆及響應(yīng)低磷脅迫的表達(dá)模式分析［J］. 草地學(xué)報(bào)，2021，29（3）：425-433

［28］ 丁迪云，陳衛(wèi)東，陳杰雄，等. 狼尾草屬牧草品種比較試驗(yàn)［J］. 廣東農(nóng)業(yè)科學(xué)，2019，46（8）：8-13

［29］ 唐軍，周漢林，王文強(qiáng)，等. 狼尾草屬牧草育種及分子生物學(xué)研究進(jìn)展［J］. 熱帶作物學(xué)報(bào)，2018，39（11）：2313-2320

［30］ 吳娟子，錢(qián)晨，劉智微，等. 鎘脅迫下雜交狼尾草微量元素Fe、Zn、Mn、Cu的吸收和轉(zhuǎn)運(yùn)［J］. 草業(yè)科學(xué)，2023，40（1）：133-143

［31］ 甄峰，孫永明，孔曉英，等. 雜交狼尾草厭氧發(fā)酵的物質(zhì)與能量轉(zhuǎn)化率分析［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（19）：236-241

［32］ 農(nóng)業(yè)部飼料質(zhì)量監(jiān)督檢驗(yàn)測(cè)試中心（濟(jì)南），中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究所，中國(guó)飼料工業(yè)協(xié)會(huì). GB/T 6435-2014 飼料中水分的測(cè)定［S］. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2015：1-4

［33］ 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究所. GB/T 6432-2018 飼料中粗蛋白的測(cè)定-凱氏定氮法［S］. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2019：1-3

［34］ 內(nèi)蒙古畜牧科學(xué)院，浙江大學(xué)，內(nèi)蒙古農(nóng)業(yè)大學(xué)，等. GB/T 20805-2006，飼料中酸性洗滌木質(zhì)素（ADL）的測(cè)定［S］. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2007：1-3

［35］ 何娟，趙艷茹，何勇. 近紅外光譜結(jié)合偏最小二乘判別對(duì)硫熏浙貝母的無(wú)損鑒別［J］. 光譜學(xué)與光譜分析，2017，37（10）：3070-3073

［36］ 石丹，張英俊. 近紅外光譜法快速測(cè)定羊草干草品質(zhì)的研究［J］. 光譜學(xué)與光譜分析 2011，31（10）：2730-2733

［37］ 劉哲，王玉琴，薛樹(shù)媛，等. 近紅外漫反射光譜定量分析天然牧草營(yíng)養(yǎng)成分［J］. 草地學(xué)報(bào)，2018，26（1）：249-255

［38］ 白扎嘎?tīng)? 近紅外光譜分析技術(shù)（NIRS）在反芻動(dòng)物飼料分析中的應(yīng)用研究［D］. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010：58-60

［39］ 陳積山，朱瑞芬，張強(qiáng)，等. 建立近紅外特征波長(zhǎng)模型快速測(cè)定羊草常規(guī)營(yíng)養(yǎng)成分的研究［J］. 草地學(xué)報(bào)，2019，27（4）：867-873

［40］ 周志華. 機(jī)器學(xué)習(xí)［M］. 北京：清華大學(xué)出版社，2016：1-16

（責(zé)任編輯 劉婷婷）

收稿日期：2023-07-06；修回日期：2023-10-25

基金項(xiàng)目： "南方狼尾草品質(zhì)的近紅外光譜模型研究與應(yīng)用評(píng)價(jià)（21521）；重慶市現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)體系（草食牲畜：CQMAITS202313）資助

作者簡(jiǎn)介：

朱瑞芬（1982-），女，漢族，甘肅禮縣人，副研究員，主要從事牧草與草地管理研究，E-mail：75529693@qq.com；*通信作者Author for correspondence，E-mail：cjshlj@163.com