贮备饲料近红外光谱模型快速预测青绿饲料营养成分含量

陈华舟，许丽莉，林 彬，乔涵丽，辜 洁，温江北

贮备饲料近红外光谱模型快速预测青绿饲料营养成分含量

陈华舟1,2，许丽莉3，林 彬1，乔涵丽1，辜 洁1,2，温江北2

（1. 桂林理工大学理学院，桂林 541004；2. 广东星创众谱仪器有限公司，广州 510663；3. 北部湾大学海洋学院，钦州 535011）

为快速检测饲料的营养成分，该研究利用贮备饲料的近红处技术（near-infrared，NIR）快速分析模型预测青绿饲料的营养成分含量。基于贮备饲料的NIR定标模型，将建模优化模式转移应用到青绿饲料的营养成分定量检测，以判断模型转移能力。在实验室环境下扫描并记录新鲜的青绿饲料样本和储存的贮备饲料样本的近红外反射光谱，利用230个贮备饲料样本进行光谱定标训练，以修正偏最小二乘（modified-partial least squares，M-PLS）建模方法，结合随机局部样本、局部选参、局部非连续性可调、交叉检验等技术相结合的方式建立局部优化模型，分别测试120个贮备饲料样本和120个青绿饲料样本中的氮（nitrogen，N）、中性洗涤纤维（neutral detergent fiber，NDF）、酸性洗涤纤维（acid detergent fiber，ADF）含量。将贮备饲料的定标校正模型应用于贮备饲料验证样本的营养成分测定，其标准误差（square error of prediction，SEP）：N为1.02、NDF为16.56和ADF为13.47，相关系数均在0.9以上，相对预测偏差（relative prediction derivation，RPD）均大于3；该模型具有对青绿饲料样本的营养成分预测能力，其预测SEP：N为0.90、NDF为14.11和ADF为9.98，预测相关系数均在0.9以上，预测RPD均大于3，达到快速检测误差标准。由于局部建模过程中考虑了数据的潜在非线性结构和具有近似光谱响应的样本之间的不均匀性，相对全局建模方式而言具有更好的数据驱动性质，其建模效果优于全局建模方法。结果表明，基于贮备饲料样本建立的NIR定标校正模型可以用于青绿饲料营养成分的预测，特别是局部分析模型的应用能够提高NIR快速分析的预测精度。

农产品；近红外光谱；贮备饲料；青绿饲料；局部模型；全局模型

0 引 言

动物喂养的饲料来源和动物饲料的营养成分密切相关。青绿饲料和贮备饲料是食草家畜的主要食物来源，对饲料化学成分的估计能够间接反应动物喂养的营养供给，饲料的营养配比分析是农业和畜牧业在线饲养过程的一个重要环节[1-2]。实验室研究发现，许多理化学科的统计建模方法能够预测动物饲料的营养价值[3-4]，通过检测化学成分来估计饲料营养价值仍然是最常用的实验室方法，然而这种方法需要人工操作、消耗化学试剂，试验时间长[5-6]。近红外反射光谱（near-infrared，NIR）是一种定量预测物质成分的快速检测技术，它具有快速简便、无试剂、多组分同时测定、过程无污染等优点[7-8]；利用NIR技术定量预测青绿饲料和贮备饲料的营养成分，对于动物饲料的在线营养成分检测具有重要的意义。

很多实验室采用NIR技术来估计化学营养成分的相关数据[9-10]，由于贮备饲料的NIR响应比较简单、容易分析，大部分的定标预测模型都只是利用贮备饲料样本建立的。虽然青绿饲料和贮备饲料的化学性质具有极大的相似性，但青绿饲料为新鲜绿草样本，包含丰富的水分和可溶性碳水化合物，关于青绿饲料的NIR在线检测分析模型的优化仍然处于研究阶段。而贮备饲料是对青绿饲料经过厌氧处理、去水处理所形成的干燥饲料，其纤维素的分解和蛋白的水解过程都会导致饲料成分的变化[11-12]，其NIR光谱也相应地产生了差异[13]。关于贮备饲料营养成分的NIR光谱定量分析已经得到了广泛的应用，但将贮备饲料的光谱定标模型直接应用于青绿饲料的快速检测分析尚未有类似研究。

由于贮备饲料是由青绿饲料加工而成，除了水分含量有明显差异之外，贮备饲料在一定程度上仍然保留有青绿饲料的大部分成分特征，因此，其营养成分仍然保留相似的光谱响应信号，这是贮备饲料的NIR分析模型能够转移应用到青绿饲料营养成分分析的根本原因。本文讨论利用贮备饲料的光谱响应信息来预测青绿饲料的成分含量，研究NIR光谱建模分析的计量学方法，希望能够利用现有的贮备饲料的定标模型来预测青绿饲料的营养价值，将有利于饲料营养的快速在线检测。

NIR光谱分析是基于数据驱动的建模技术，需要利用大量样本训练优选模型参数，测试光谱响应特征的稳定性和光谱信息的多重重叠性[14]。本文通过试验研究讨论NIR局部建模方法和全局建模方法的特点，比较2种建模方法的预测结果。全局建模方法是一次性对验证集的全体样本进行预测，对建模参数进行连续调试，利用特定模型评价指标来权衡NIR全局建模效果；而局部建模方法是在建模过程中采用随机方法选择局部样本进行定标训练，选择参与建模的样本数量可调试，同时在建模参数调试中采用非连续性取值（如等步长、匀变步长等方法），结合交叉检验的方式，利用特定模型评价指标进行建模参数的调试，以达到模型优化的效果。由于局部建模过程中考虑了数据的潜在非线性结构和具有近似光谱响应的样本之间的不均匀性[15]，使得模型的应用范围更广泛，有利于模型推广适用于不同生态气候区的样本或者不同类型的样本[16-17]。

本次试验是基于贮备饲料样本建立NIR定标模型，经过对部分贮备样本进行建模训练，确定模型优选参数，将定标模型及其优选参数分别应用于贮备饲料样本和青绿饲料样本进行验证，验证样本集之间两两相互独立，分别使用近红外全局定标策略和局部定标策略来预测其营养成分含量，对比建模效果。试验结果表明，局部建模方法能够获得比全局建模方法更好的预测效果。在实际应用中，在局部光波频率范围内采用非线性方法改变定标策略。一方面验证局部模型相对于全局模型的建模优势，同时考察NIR光谱快速检测对于贮备饲料定标模型转移预测青绿饲料的可行性。

1 材料与方法

1.1 样本采集与化学检测

试验样本为普通青草样本，选择在早春时节采集，采集地域为中国广西自治区境内，在青草地上以阵列方式等间隔标定35个采样点，相邻采样点间隔5 m，以每个采样点作为圆心、2 m半径的圆形区域内随机采集10株青草，共采集350株（即350个样本），每个样本质量约200 g。将每个样本按质量分为2等份，其中100 g及时完成贮备处理，转化为贮备青草饲料；另外100 g保留为青绿饲料；形成350个青绿饲料样本和相应的350个贮备饲料样本。

每个样本分为4等份（每份约25 g），其中1份用于NIR光谱检测，其余3份用于常规化学检测，分别测定样本中的氮（nitrogen，N）、中性洗涤纤维（neutral detergent fiber，NDF）、酸性洗涤纤维（acid detergent fiber，ADF）的含量，作为近红外光谱分析的化学参考值。实验室常用测量方法：N含量采用Dumas快速测氮法测定[18]；NDF和ADF的测定是利用Van Soest氏方法[19]，对饲料样本分别利用中性洗涤剂和酸性洗涤剂进行处理，剩余的不溶解残渣分别是NDF和ADF，将残渣烘干、冷却、称质量后换算即得到对应NDF和ADF的含量。

1.2 NIR光谱测定和数据判断

将每个饲料样品的一小份研磨至粉末状，过40目筛，充分混合均匀以后，装入直径30 mm的环形陶瓷装样器皿中，采用Foss NIR Systems 5 000可见近红外光谱仪进行逐个样本扫描，测量的光谱波段为400～2 500 nm，相邻波长间隔为2 nm。每个样本由光谱仪自动扫描32次，取平均谱线作为该样本的测定光谱。光谱测定环境为恒温恒湿条件，保持温度为(25±1)℃，相对湿度为45%±1%。在测量每个样本之前均测量1次空样本器皿作为背景光谱。光谱数据采用ISIscan软件进行记录。同时，将化学试验测定的营养成分含量参考值录入软件平台。

利用马氏距离（值）计算校正集的样本中心位置。如果某个待测样本到训练集中心的距离太大（值大于3），则认为该待测样本超出了训练模型的可预测范围，说明该定标校正模型不适用于该待测样本[20]。

1.3 校正模型建模设计

将350个贮备饲料样本随机划分为230个校正集样本和120个验证集样本，把对应的光谱吸光度和化学参考值数据进行划分；类似地，对350个青绿饲料样本也采用相同的方法做样本集划分和相应的光谱预处理。利用去趋势标准正态变换（detrend-standard normal variate，detrend-SNV）方法结合一阶导数进行光谱散射校正预处理；结合改进偏最小二乘法（modified-partial least squares，M-PLS）建立光谱定标训练模型，M-PLS算法结构如图1所示[21]。以此作为NIR分析的算法基底，分别运用局部方法和全局方法建立光谱定标分析模型并进行对比讨论。

注：X表示光谱矩阵；Y表示参考值；N表示光谱变量数；Nm表示主成分变量数；U表示光谱载荷矩阵；P表示光谱得分矩阵；V表示参考值载荷矩阵；Q表示参考值得分矩阵；a, b表示回归系数。

NIR定标预测过程需要对光谱数据训练进行模型参数的优选，分别针对全局建模方法和局部建模方法对青绿饲料的NIR数据建模进行研究。全局建模方法是一次性对验证集的全体样本进行预测，partial least squares (PLS)的因子数调试从1连续变化到10，利用校正标准误差（square error of calibration，SEC）、校正决定系数（determination coefficient of calibration，2C）和相对预测偏差（relative prediction derivation，RPD）来评价全局建模效果，其中RPD作为相对性指标，是标准差（standard deviation，SD）与SEC的比值，在光谱分析领域，RPD>3说明该模型适用于光谱快速分析，RPD>4.5则说明该模型适用于快速精准预测[22-23]；而局部方法是在校正集中随机选取部分样本进行定标训练，每次选择样本的数量从60变化到200（步长为10）；PLS因子数从10变化到40（步长为5）。采用交叉检验的方式，利用交叉验证标准误差（square error of cross validation，SECV）、交叉验证决定系数（determination coefficient of cross validation，2CV）和相对预测偏差（RPD）来评价局部建模效果。由于不同样本的模型优选参数的差异，得到不同的M-PLS回归模型。根据最小SECV优选参数，对验证集样本进行预测，采用外部检验的方式，计算预测决定系数（determination coefficient of prediction，2P）和预测标准误差（square error of prediction，SEP）来评价局部模型和全局模型的预测效果。

2 结果与分析

2.1 数据描述性结果分析

基于全局建模方法和局部建模方法对样本中的营养成分（N、NDF、ANF）做基本统计分析，针对校正集和2个独立的验证集分别计算待测指标的最大值（Max）、最小值（Min）、均值（Ave）、标准偏差（SD）和变异系数（CV）如表1所示。由表1可见，校正集样本的数据覆盖范围大于所有验证集，这在一定程度上可以保证建模的精确度和准确度。

表1 校正和验证样本集中的N、NDF、ANF质量分数的描述性分析

由于贮备饲料是青绿饲料经过直接贮备处理而成，其营养成分所对应的NIR光谱具备一定的关联性，因此，可以通过计算2种饲料的差值谱线来分析其光谱特征。随机选取10个贮备饲料样本和10个青绿饲料样本，分别计算各自10个样本的平均光谱和一阶导数平均光谱，进一步计算青绿饲料样本和贮备饲料样本平均光谱之间的差值谱线和一阶导数差值谱线（见图2）。由图2可见，青绿饲料和贮备饲料的NIR光谱原谱差异明显的局部最大值点出现在550、710、1 100、1 300、2 050、2 280 nm附近，而明显的局部最小值点出现在460、650、800、1 400、1 550、1 800、2 130、2 420 nm附近；青绿饲料和贮备饲料的一阶导数谱差异明显的局部最大值点出现在480、590、700、1 780、2 190 nm附近，而明显的局部最小值点出现在440、560、630、780、1 170、1 680、2 100、2 280 nm附近。这些光谱波长点可被考虑作为光谱局部分析建模优化的参考特征波长。

图2 贮备饲料和青绿饲料的NIR差值光谱及一阶导数差值光谱

利用定标校正模型测定验证集样本的营养成分含量，首先通过计算验证集中单个样本和校正样本集中心值的马氏距离（值）来评价定标校正模型对于不同验证集样本的适用情况。在统计学角度，马氏距离（值）是通过计算2个样本集的协方差来衡量这2个样本集之间的相似程度[24]。在NIR光谱分析中，本文使用马氏距离的原理，充分利用其算法简单、运算速度快的特点，通过计算值来判别基于2个待测样本集（特别是不同种类的样本集）是否能够适用于模型相互传递和转移应用，通常以=3为临界值，如果<3，则表示基于2个样本集所建立的定标模型可以相互转移，否则不可以[25]。经过计算，全局模型的贮备饲料定标集和验证集之间的值为0.91，局部模型的贮备饲料校正集（校正集I）和贮备饲料验证集（验证集I）之间的值为1.37；全局模型的校正集I和青绿饲料验证集（验证集II）之间的值为0.98，局部模型的校正集I和验证集II之间的值为1.53。这些均值都小于3，说明在验证过程中，以贮备饲料为校正集样本，分别预测贮备饲料验证集和青绿饲料验证集，均没有出现异常验证结果。结果表明，基于贮备饲料的定标模型适用于贮备饲料和青绿饲料的预测。然而，青绿饲料校正集（校正集II）和验证集I的值大于3（全局模型的值为6.24，局部模型的值得均值为7.59）。这说明，采用青绿饲料进行训练的NIR光谱校正模型不适用于对贮备饲料的预测。

2.2 NIR建模结果分析

利用贮备饲料训练样本（定标集I）的NIR模型分别对贮备饲料验证集样本（验证集I）和青绿饲料验证集样本（验证集II）进行预测，关于N、NDF、ADF含量的定标校正结果见表2。不管是全局模型还是局部模型，所有的待测成分的模型训练结果，全局方法中的2C和局部方法中的2CV均大于0.9，且2种方法的RPD均高于4.5，能够满足NIR快速精准预测的要求。

基于贮备饲料定标集样本对NIR定量分析模型进行参数优选，进一步用于对验证集样本（验证集I和验证集II）的预测，全局方法和局部方法的验证预测结果也列于表2中。

在预测贮备饲料样本的营养成分时，局部模型采用了随机方法选择定标训练样本，设置了参与建模的样本数量可调试，并且采用了非连续性取值进行建模选参，获得验证集I（贮备饲料）的预测结果SEP为1.02（N）、16.56（NDF）和13.47（ADF），2P均达到了0.9以上，RPD均大于3。相比之下，关于大部分对象的各个指标的预测，局部模型的SEP值均低于全局模型。唯一例外的是，对于NDF含量的预测，全局建模方法获得了比局部模型更低的SEP值。

表2 全局方法和局部方法关于N、NDF、ADF含量的定标校正结果及其验证预测结果

注：N表示氮含量；NDF表示中性洗涤纤维含量；ADF表示酸性洗涤纤维含量；SEC表示校正标准误差；SEP表示预测标准误差；SECV表示交叉验证标准误差；2C表示校正决定系数；2P表示预测决定系数；2CV表示交叉验证决定系数RPD表示相对预测偏差。

Note: N represents nitrogen content; NDF represents neutral detergent fiber content; ADF represents acid detergent fiber content; SEC represents the square error of calibration; SEP represents the square error of prediction; SECV represents the square error of cross validation;2Crepresents the determination coefficient of calibration;2Prepresents the determination coefficient of prediction;2CVrepresents the determination coefficient of cross validation; RPD represents the relative prediction derivation.

对于验证集II（青绿饲料）样本的预测，获得SEP为0.90（N）、14.11（NDF）和9.98（ADF），待测含量指标预测比较准确，同时能够得到的决定系数（2P）均大于0.9，这与贮备饲料验证集的预测效果一致。全局模型预测贮备饲料和预测青绿饲料的结果并没有明显的差别，而采用局部方法的预测得比全局方法更低的SEP，预测效果有所改善，这说明，采用随机方法选择局部样本进行定标训练，选择参与建模的样本数量可调试，采用非连续性取值进行建模选参，能够有效地提高NIR光谱分析的预测精度。

经过定标集和验证集样本划分以后，尽管用于验证的贮备饲料和青绿饲料样本的待测成分也具有较大的变化范围，但该变化幅度仍然小于用于定标的贮备饲料样本集。由于贮备饲料的营养成分基本来源于其对应的原始青绿饲料的营养成分。但是将青绿饲料加工成贮备饲料的过程使得化学营养成分的含量发生了较大的变化。贮备饲料和青绿饲料的NIR光谱响应差别跟对应的化学成分有关[26-27]，如2 138 nm处的光谱响应差别跟非结构性碳水化合物的含量有关，在1 196、1 792、2 096、2 302 nm处的差别跟蛋白含量有关，在2 272、2 350 nm处的差别跟结构性碳水化合物有关。

利用全局模型对贮备饲料样本中NDF和ADF含量的预测的SEP值相对较大，为了克服显著的预测误差，有研究报道曾经提出从验证集中选择部分样本融合到定标集中进行重新训练，利用局部分析模式进一步修正模型，以便找到合适的定标模型。这种方法在对于提升全局模型的预测效果尤其重要。对所有的待测指标，全局模型中的2C和局部模型中的2CV均大于0.9，局部模型预测贮备饲料和预测青绿饲料的SEP没有明显的差别。结果表明，局部模型的结果优于全局模型的结果，普遍得到了更好的预测精度。针对于RPD值，局部建模比全局建模的效果至少提高了17%（NDF含量），最多提高了54%（N含量）。说明本次试验所采用的局部建模方法均适用于动物饲料的质量控制。

3 结 论

本文的研究通过对贮备饲料样本和青绿饲料样本建立NIR光谱定标模型预测N、NDF、ADF的含量。经过模型优化和参数选择，基于贮备饲料样本的NIR定标校正模型能够比较准确地预测贮备饲料和青绿饲料的验证集样本。在预测贮备饲料样本的营养成分时，局部模型采用了随机方法选择定标训练样本，设置了参与建模的样本数量可调试，并且采用了非连续性取值进行建模选参，获得验证集I（贮备饲料）的SEP为1.02（N）、16.56（NDF）和13.47（ADF），2P均达到了0.9以上，RPD均大于3；获得验证集II（青绿饲料）的SEP为0.90（N）、14.11（NDF）和9.98（ADF），2P和RPD也达到了要求。其局部模型的建模效果全局模型建模效果相当。这说明本次试验所采用的局部建模方法适用于饲料营养品质的鉴定，有望应用于动物喂养的食物质量监控。

另一方面，通过计算马氏距离（值大于3）验证了青绿饲料校正集（校正集II）的定标建模不适用于贮备饲料的预测，其原因在于青绿饲料为原生态样本，其成分结构更接近于在线检测的成分，光谱响应更为复杂，需要在计量学方法上深入研究，以寻找更合适的建模方案来针对青绿饲料的光谱分析进行优化，以获取更准确的预测。

[1] Flachowsky G, Schafft H, Meyer U. Animal feeding studies for nutritional and safety assessments of feeds from genetically modified plants: a review[J]. Journal of Consumer Protection and Food Safety, 2012, 7(3): 179－194.

[2] Gaggìa F, Mattarelli P, Biavati B. Probiotics and prebiotics in animal feeding for safe food production[J]. International Journal of Food Microbiology, 2010, 141: 15－28.

[3] Andueza D, Cruz P, Farruggia A, et al. Nutritive value of two meadows and relationships with some vegetation traits[J]. Grass and Forage Science, 2010, 65: 325－334.

[4] 陈华舟，陈福，石凯，等. 基于随机森林的鱼粉蛋白近红外定量分析[J]. 农业机械学报，2015，46(5)：233－238.

Chen Huazhou, Chen Fu, Shi Kai, et al. Near-infrared analysis of fishmeal protein based on random forest[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 46(5): 233－238. (in Chinese with English abstract)

[5] Gfrerer M, Chen S, Lankmayr E P, et al. Comparison of different extraction techniques for the determination of chlorinated pesticides in animal feed[J]. Analytical and Bioanalytical Chemistry, 2004, 378: 1861－1867.

[6] 祝秀梅，梁斌，唐煜，等. 饲料检测技术的研究进展[J]. 畜牧与饲料科学，2015，36(3)：47－49.

Zhu Xiumei, Liang Bin, Tang Yu, et al. The research progress of feed determination techniques[J]. Animal Husbandry and Feed Science, 2015, 36(3): 47－49. (in Chinese with English abstract)

[7] Ye M, Gao Z, Li Z, et al. Rapid detection of volatile compounds in apple wines using FT-NIR spectroscopy[J]. Food Chemistry, 2016, 190: 701－708.

[8] Abdanan S, Minaei S, Hancock N H. An intelligent system for egg quality classification based on visible-infrared transmittance spectroscopy[J]. Information Processing in Agriculture, 2014, 1(2): 105－114.

[9] Moros J, Iñón F A, Garrigues S, et al. Near-infrared diffuse reflectance spectroscopy and neural networks for measuring nutritional parameters in chocolate samples[J]. Analytica Chimica Acta, 2007, 584(1): 215－222.

[10] Rothman J M, Chapman C A, Hansen J L, et al. Rapid assessment of the nutritional value of foods eaten by mountain gorillas: Applying near-infrared reflectance spectroscopy to primatology[J]. International Journal of Primatology, 2009, 30(5): 729－742.

[11] Cai Y, Kumai S, Ogawa M, et al. Characterization and identification of Pediococcus species isolated from forage crops and their application for silage preparation[J]. Applied and Environmental Microbiology, 1999, 65(7): 2901－2906.

[12] Andueza D, Delgado I, Muñoz F. Effect of lucerne preservation method on the feed value of forage [J]. Journal of the Science of Food and Agriculture, 2009, 89: 1991－1996.

[13] 白琪林，陈绍江，严衍禄，等. 近红外漫反射光谱法测定青贮玉米品质性状的研究[J]. 中国农业科学，2006，39(7)：1346－1351.

Bai Qilin, Chen Shaojiang, Yan Yanlu, et al. Prediction of ensiled maize quality traits with near infrared diffuse reflectance spectroscopy (NIDRS)[J]. Scientia Agricultura Sinica. 2006, 39(7): 1346－1351. (in Chinese with English abstract)

[14] Chen H, Liu Z, Gu J, et al. Quantitative analysis of soil nutrition based on FT-NIR spectroscopy integrated with BP neural deep learning[J]. Analytical Methods, 2018, 10: 5004－5013.

[15] Tran H, Salgado P, Tillard E, et al. “Global” and “local” predictions of dairy diet nutritional quality using near infrared reflectance spectroscopy[J]. Journal of Dairy Science, 2010, 93(10): 4961－4975.

[16] Wetterlind J, Stenberg B, Söderström M. Increased sample point density in farm soil mapping by local calibration of visible and near infrared prediction models[J]. Geoderma, 2010, 156(3): 152－160.

[17] Andueza D, Picard F, Jestin M, et al. NIRS prediction of the feed value of temperate forages: Efficacy of four calibration strategies[J]. Animal, 2011, 5(7): 1002－1013.

[18] Etheridge R D, Pesti G M, Foster E H. A comparison of nitrogen values obtained utilizing the Kjeldahl nitrogen and Dumas combustion methodologies (Leco CNS 2000) on samples typical of an animal nutrition analytical laboratory[J]. Animal Feed Science and Technology, 1998, 73(1): 21－28.

[19] Van Soest P J, Robertson J B, Lewis B A. Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition[J]. Journal of Dairy Science, 1991, 74: 3583－3597.

[20] Long B, Tian S, Wang H. Feature vector selection method using Mahalanobis distance for diagnostics of analog circuits based on LS-SVM[J]. Journal of Electronic Testing-Theory and Applications, 2012, 28: 745－755.

[21] Wang G, Yin S. Quality-related fault detection approach based on orthogonal signal correction and modified PLS[J]. IEEE Transactions on Industrial Informatics, 2015, 11(2): 398－405.

[22] Fearn T. Assessing calibrations: SEP, RPD, RER and R2 [J]. NIR News, 2002, 13(6): 12－13.

[23] 王冬，王纪华，马智宏，等. 衰减全反射-中红外光谱法定量测定小麦粉中的石灰类添加物[J]. 农业工程学报，2012，28(4)：258－263.

Wang Dong, Wang Jihua, Ma Zhihong, et al. Quantitative determination of lime additives in wheat flour by mid-infrared spectroscopy combined with attenuated total reflection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(4): 258－263. (in Chinese with English abstract)

[24] Xiang S, Nie F, Zhang C. Learning a Mahalanobis distance metric for data clustering and classification[J]. Pattern Recognition, 2008, 41(12): 3600－3612.

[25] Nie L, Azarian M H, Keimasi M, et al. Prognostics of ceramic capacitor temperature-humidity-bias reliability using Mahalanobis distance analysis[J]. Circuit World, 2007, 33(3): 21－28.

[26] 刘贤，韩鲁佳，杨增玲，等. 近红外光谱快速分析青贮饲料pH值和发酵产物[J]. 分析化学，2007，35(9)：1285－1289.

Liu Xian, Han Lujia, Yang Zengling, et al. Rapid prediction of pH value and fermentation products in silage by near infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2007, 35(9): 1285–1289. (in Chinese with English abstract)

[27] Dobos R, Herd R. Spectral analysis of feeding patterns of steers divergent in residual feed intake[J]. Australian Journal of Experimental Agriculture, 2008, 48(7): 843－846.

Measuring nutrient content of green forage in silage using near-infrared spectroscopy

Chen Huazhou1,2, Xu Lili3, Lin Bin1, Qiao Hanli1, Gu Jie1,2, Wen Jiangbei2

(1.,,541004,; 2...,510663,; 3.,,535011,)

Real-time monitoring of nutrient content of green forage in silage is essential to understanding how the nutrition change with time. In this paper we present a method to estimate nutrient content of the green forage using near-infrared (NIR) spectroscopy. Based on calibrated NIR models, a optimization model was modified and applied to estimate the nutrient. All green forage samples were collected from a grassland and their spectroscopy scanning was conducted in laboratory under controlled temperature and humidity. The results of 230 samples were used to train the chemometric algorithmic model, and the local optimization model was constructed using the modified partial least squares (M-PLS) algorithm combined with local random sample technique, local optimization and discontinuous adjustment of model parameters, and cross validation. For both silage and green forages, we measured nitrogen content, neutral detergent fiber (NDF) and acid detergent fiber (ADF) in 120 samples each. As a comparison, a global calibration model was also constructed based on the full-length waveband and applied to validate against the silage forage samples. The results showed that the square error of the prediction was 1.02 for nitrogen, 16.56 for nutrient NDF and 13.47 for nutrient ADF. The standard prediction errors were small and the correlation coefficients were higher than 0.9, with the relative derivation greater than 3. The model calibrated against the silage forage samples was able to predict nutrient content in both silage samples and green forage samples with SEP being 0.90 for nitrogen, 14.11 for NDF and 9.98 for ADF. The associated correlation coefficients were higher than 0.9, with the RPD greater than 3. All these results meet the standard for fast detection. The model calibrated locally can deal with non-linear molecular structure and non-uniform response of NIR spectroscopy. Experimental examination revealed that the locally calibrated model was more effective than the global model, and we can thus conclude that the NIR calibration model against the silage samples is able to predict nutrient content of green forage samples, especially the locally calibrated model.

agricultural products; near-infrared spectroscopy; silage forage; cyan forage; local models; global models

陈华舟，许丽莉，林 彬，乔涵丽，辜 洁，温江北. 贮备饲料近红外光谱模型快速预测青绿饲料营养成分含量[J]. 农业工程学报，2020，36(2)：331－336.doi：10.11975/j.issn.1002-6819.2020.02.038 http://www.tcsae.org

Chen Huazhou, Xu Lili, Lin Bin, Qiao Hanli, Gu Jie, Wen Jiangbei. Measuring nutrient content of green forage in silage using near-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 331－336. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.038 http://www.tcsae.org

2019-06-05

2019-12-06

国家自然科学基金（61505037）；广西自然科学基金（2018GXNSFAA050045）；广西科技基地和人才专项（2018AD19038）。

陈华舟，教授，博士，主要从事农业信息处理和光谱计量分析方面的研究。Email：hzchengut@foxmail.com

10.11975/j.issn.1002-6819.2020.02.038

O433.4; S816.11

A

1002-6819(2020)-02-0331-06