近红外反射光谱法（NIRS）分析奶牛精料补充料营养成分的研究

2010-03-09白扎嘎尔薛树媛曹玉梅

饲料工业 2010年9期

白扎嘎尔薛树媛金海曹玉梅

精料补充料是反刍动物饲料中不可缺少的一部分，其营养成分的检测对于畜牧业生产具有重要的意义。目前，由于奶牛精料补充料加工厂家对原料选用的不同以及加工工艺的不同，不同地区、不同厂家加工的精料补充料营养成分含量也有所不同。而用传统的测定方法检测需要耗费大量的人力物力，不能即时得知饲料的营养成分含量，而且对测定人员有着严格的操作技术要求。近红外反射光谱分析技术（NIRS）则具有测定速度快，样品制备简单，不耗费化学试剂，环境污染小，操作简便，同时能测多种成分含量等优点，应用于奶牛养殖行业，不仅有利于对奶牛饲料营养质量控制体系的建立，也有利于即时监控和快速诊断奶牛的营养摄取状况及健康状况，为现代化精细养牛提供了必要的条件。由于现代NIRS分析技术所独具的特点，NIRS已成为近年来发展最快的快速分析测试技术，被广泛应用于各个领域。但是，在我国近红外光谱分析技术的应用在单一饲料的营养成分测定中比较完善，而对混合饲料营养成分含量的测定只是在起步阶段。根据上述情况本研究利用近红外光谱分析技术探索了对奶牛精补料常规营养成分的快速测定并进行可消化总养分的评价，以期对奶牛饲料快速检测研究提供了基础数据。

1 材料与方法

1.1 精料补充料样品的采集与制备

供试样品采集自内蒙古不同地区的各饲料公司以及饲料加工厂、奶牛养殖小区、奶站、饲料销售门市部的奶牛不同时期的不同牌子的粉状以及颗粒状的精料补充料样品，共计105份。样品经博力飞SM100立式粉碎机粉碎，过1 mm筛，分别装入密封塑料袋中封口备用，一个样品备两份，一份用于实验室分析，另一份用于近红外分析。

1.2 奶牛精料补充料样品成分含量的实验室化学分析

样品的粗蛋白、中洗不溶氮（NDICP）、酸洗不溶氮（ADICP）用凯氏定氮法测定，粗脂肪用油重法测定，粗灰分含量按AOAC方法测定；NDF、ADF和酸性洗涤木质素（ADL）含量的测定采用Van Soest方法，TDN（可消化总养分）按以下公式计算：

式中：tdNFC——真可消化非纤维碳水化合物；

tdFA——真可消化脂肪酸，tdFA=EE－1，如果EE小于1，tdFA等于零；

tdCPc——精料真可消化粗蛋白；

tdNDF——真可消化中性洗涤纤维；

PAF——精料补充料加工校正系数=1.00。

每个试样取两个平行样测定，取平均值，成分含量均在干物质基础上表示为百分比。

1.3 近红外反射光谱仪与样品的光谱扫描

近红外光谱仪采用瑞典Perten仪器公司生产的滤光片型8620近红外反射分析仪，包括20个窄波干涉滤光片（20个波长），可容纳63个校准的内部校准贮存器，大型的LCD液晶阿拉伯数字显示器，标准RS－232C数据通讯口。仪器工作谱区范围1100～2300 nm，粉状样品装在样品门里，用样品压紧器压实后上机扫描。每个样品重复装样至少3次，其光谱存入计算机中。奶牛精料补充料样品的近红外反射光谱如图1所示。

1.4 近红外光谱定量分析模型的建立方法

利用分析软件（PICS近红外软件，瑞典Perten公司）进行近红外光谱定量分析模型的建立。首先根据样品化学成分含量的大小，从中选出20个样品作为外部验证样品，其它为校正集样品。采用主成分回归法结合差值、平均值、MSC(多元散射校正)和SNVT(标准归一化处理)等方法对光谱进行校正，确定模型的主成份数，并通过独立验证集样品进行模型的外部验证。校正模型的建立过程中采用马氏距离(Mahalanobis' distance)和化学值绝对误差（residual）,分别对光谱和化学值进行异常值检验。最后根据校正模型相关系数R2、校正标准差SEC、验证相关系数r2、预测标准差SEP值对模型进行评价。另外根据相对分析误差RPD(SD/SEP)值对模型进行更为详细的评价。如果RPD＞3说明定标效果良好，建立的定标模型可以用于实际检测；如果2.5＜RPD＜3,说明利用NIRS对该成分进行定量分析是可行的，但预测精度有待于进一步提高；如果RPD＜2.5，则说明该成分难于进行NIRS定量分析。

图1 105个样品的光谱扫描结果

2 结果与分析

2.1 精料补充料样品的成分含量的实验室分析结果（见表1）

表1 奶牛精料补充料6种常规化学成分及TDN含量的范围（%）

表1为105个样品成分含量的平均值（Mean）、最小值（Min）、最大值（Max）和标准偏差（SD）。由表1可以看出所选用精料补充料样品的成分含量变化幅度较大，基本上可以涵盖典型精料补充料的成分含量，具有很好的代表性。

2.2 奶牛精料补充料成分含量的近红外光谱校正模型的建立

2.2.1 异常值的剔除和模型参数优化

利用PICS定量分析软件，采用马氏距离，即光谱影响值和化学值绝对误差分别对光谱和化学值进行异常值检验，即根据Outlier test的结果剔除异常样品，然后筛选建模的最佳预处理方法，确定特定滤光片（波长）、主成分维数。剔除异常样品后各成分含量的校正集和检验集的样品数分别如表2中所示。

表2 确定精料补充料样品的7种化学成分的近红外定标模型的结果

2.2.2 校正模型的建立

采用表2中所确定的最佳预处理方法、主因子数、最佳滤光片，分别建立奶牛精料补充料中CP、EE、Ash、NDF、ADF、ADL等常规化学成分含量及TDN含量的近红外校正模型，所建立的模型其校正决定系数R2最大，交互验证标准差SECV最小。其中交互验证决定系数R2cv、交互验证标准差SECV、校正模型决定系数R2、校正标准差SEC、外部验证误差SEP、检验集样品的化学值和校正模型预测值之间相关关系决定系数r2、RPD值列于表3。

表3 近红外光谱校正模型及验证结果（%）

由表 3 中可以看出 CP、EE、Ash、NDF 的 R2分别为 0.9132、0.9016、0.9220、0.9171，均达到 0.9 以上。另根据Sinnaeve和Park报道，当RPD大于3.0时NIRS模型可用于实际检测。而ADF和TDN的R2分别为0.8928和0.8346，均0.8以上，RPD为大于2.5小于3.0，所建立的预测模型有定量分析的可行性，但还待于提高精度。ADL成分不仅R2才达到0.7083，RPD也小于2.5，说明该成分难于进行定量分析，而只有参考价值。

2.2.3 校正模型对 CP、EE、Ash、NDF、ADF、TDN 含量预测效果分析

校正模型建立后，采用外部验证的方法对所建模型的预测效果进行验证。图2为用预测模型对20个样品 CP、EE、Ash、NDF、ADF、TDN 含量的预测结果。预测样品各性状的预测值与常规分析值成对数据的双尾t测验未达到显著水平，表明预测值与常规分析值之间差异不显著,另外外部验证误差SEP分别为1.2（CP）、0.37(EE)、0.65(Ash)、0.95(NDF)、0.97(ADF)、1.12(TDN)，说明预测效果良好。散点图（图2）表明，预测值与化学值之间的相关关系r2为0.9042（CP）、0.9035(EE)、0.9075(Ash)、0.9138(NDF)、0.8801(ADF)、0.9027(TDN)。上述结果表明预测值与化学值比较接近，可用NIRS技术对未知样品中的 CP、EE、Ash、NDF、ADF、TDN含量进行实际预测。

图 2 精补料 CP、EE、Ash、NDF、ADF、TDN 预测相关关系

3 讨论

3.1 应用NIRS快速测定精料补充料、配合饲料营养成分含量的可行性

目前，在国内国外有很多关于这方面的研究报道，如Perez-Marin等用偏最小二乘（PLS）法建立了能够准确判别配合饲料中是否含有肉骨粉的分析模型，而中国的牛智友也利用偏最小二乘（PLS）法建立了测定鱼粉和精料补充料中肉骨粉含量的分析模型。另外，Murray等于2001年建立了能准确检测鱼粉和配合饲料中肉骨粉的近红外光谱分析模型，其决定系数（RSQ）和定标标准误差（SEC）分别达到0.94%和0.85%。但迄今尚未见有用NIRS测定奶牛精料补充料中常规成分的报道。与检测分析单一饲料原料相比，近红外光谱分析技术评价配合饲料以及精料补充料的营养品质特性，受到更多因素的影响和制约，如配合饲料以及精补料的原料配比组成会因市场供需关系和价格变化等因素而改变，且由于这些因素比较复杂和难以控制，极大地增加了近红外光谱分析技术测定配合饲料以及精补料营养指标的难度，但鉴于近红外光谱分析技术的众多优势，且随着仪器设备和数据处理分析软件的发展进步，研究者们也开始尝试将近红外光谱分析技术引入到配合饲料营养品质特性的评价中。所以本试验以NIRS技术为基础，建立了奶牛精料补充料定量分析数学模型，简化了常规分析程序，较好地解决了奶牛精料补充料分析方法难以解决的问题。

本试验所建立的NIRS测定奶牛精料补充料的CP、EE、Ash、NDF、ADF、ADL、TDN 含量的校正模型，除了ADL模型的校正模型相关系数（R2）和外部验证决定系数（r2）较低外，剩余6个成分含量的校正模型相关系数（R2）和外部验证决定系数（r2）均在0.8346～0.9220，相对分析误差均大于2.5。这表明本试验所建立的5个常规指标含量以及TDN含量的分析模型具有很好的质量，此外本试验所用的样品采集范围广，类型多，采样的时期不同，因而具有很好的代表性。

3.2 影响NIRS分析准确性的因素

NIRS作为一种间接测定技术，其分析准确性受一些因素影响，其中受样品因素的影响较大，如样品中化学成分间的交互作用、被测物质成分浓度的大小、化学指标测定的准确性以及样品收集范围的广泛度、所收集的样品的数量及代表性。

本试验在建立奶牛精料补充料样品酸性洗涤木质素（ADL）NIRS校正模型时，其交叉验证决定系数（R2cv）和校正模型验证系数（R2）较小，分别为0.765和0.7083。虽然在进行ADL测定时，全部测定均重复3次以上，测定相对误差全部控制在2%之内，但建模结果仍不尽如人意。其原因主要是：一方面奶牛精料补充料ADL含量太低，含量范围太窄，其它成分含量的吸收掩盖了ADL这个成分含量的吸收，因而所选择的波长或滤光片对低浓度或弱吸收的成分缺乏敏感性。因为这种交互关系的作用，从而影响其测定的准确度。另一方面样品收集信息中我们对于某一个个别的样品进行剔除处理，这种做法很可能导致某一个代表性比较强的样品被删除。这两个方面是本试验中奶牛精料补充料中ADL建模时交叉验证决定系数较低的可能原因，尽管如此该模型仍然有参考的意义，能够粗略地估计ADL成分的含量。