近红外光谱技术在反刍动物营养中的应用

史艳丽，郭 涛，代露茗，王 力，李 飞，刘保仓

（1.草地农业生态系统国家重点实验室 / 兰州大学农业农村部草牧业创新重点实验室 / 兰州大学草地农业科技学院,甘肃 兰州 730020；2.阿克苏泰昆饲料有限责任公司, 新疆 阿克苏 842008）

20 世纪60 年代，美国的Norris 等[1]首次利用近红外光谱技术分析谷物中的水分、蛋白质、脂肪等成分的含量。随着与化学计量学和计算机技术相结合的近红外仪器的迅速发展，使近红外光谱技术在食品、医药、畜牧等领域的应用研究陆续展开[2-4]。近红外光谱技术(near-infrared reflectance spectroscopy,NIRS)是一种根据样品中有机分子含氢基团在近红外区有特异吸光度，结合偏最小二乘法(partial least square, PLS)、人工神经网络和支持向量机等机器学习构建样本光谱与湿化学分析值之间线性或非线性关系的预测模型，从而实现生物材料中养分含量的快速测定[5]；每种化合物中的氢键和其他分子键都有独特的近红外光谱[6]，如同指纹图谱，为各个营养成分的定性和定量分析奠定了基础。对于待测样品，扫描其光谱，即可根据已建的NIR 预测模型得到其组成成分的含量或性质参数[7]。与其他光谱技术相比，近红外光谱波长(780～2 500 nm)范围短，穿透能力强[8]，为各类生物材料提供了一种既无需复杂的样品前处理，也不消耗化学试剂的快速分析方法；与实验室湿化学分析方法相比，近红外光谱技术分析样品具有快速、便捷、低成本、无污染等优点[9]。虽然近红外光谱法很大程度取决于参考方法的准确性和精密度，但其预测具有更好的重现性[8]。

目前，近红外光谱技术已被广泛应用于畜牧业，除了用于饲料中干物质(dry matter, DM)、粗蛋白(crude protein, CP)、粗 脂 肪(ether extract, EE)、中性洗涤纤维(neutral detergent fiber, NDF)、酸性洗涤纤维(acid detergent fiber, ADF)等常规营养成分含量的测定[10-11]，也用于饲料中矿物元素、淀粉、非蛋白氮以及霉菌毒素等的定量和定性分析[6,12-13]。此外，还可利用近红外光谱技术结合体外和体内动物代谢试验，预测饲料在瘤胃的降解率、动物体内的消化率以及舍饲和放牧家畜的采食量等[14-16]，在家畜的实时营养监测中展现了广阔的应用前景。本文通过查阅归纳国内外文献资料，将近红外光谱技术在反刍动物营养领域中的应用现状进行综述，以为本领域研究提供借鉴和参考。

1 近红外光谱技术在预测反刍动物饲料营养成分中的应用

由于饲料原料短缺、成本走高，如何在满足动物营养需求的同时提高养殖场的经济效益是当前畜牧从业者面临的一个严峻考验。在实际生产中，需要快速评定生产过程中饲料的营养价值，以减少饲料原料的浪费和不合格饲料产品的数量，精准合理配制日粮，以满足动物的营养需求[17]。近几年，有关机构颁布了一系列有关饲料养分含量测定的近红外光谱规程，包括行业标准《饲料的近红外光谱分析应用指南》、《鱼粉和反刍动物精料补充料中肉骨粉快速定性检测 近红外反射光谱法 (NY/T 1423–2007)》、地方标准《饲料中粗灰分、钙、总磷和氯化钠快速测定的近红外光谱法 (DB36/T 1127–2019)》、《饲料中氨基酸的测定 近红外法 (DB43/T 1065–2015)》、《饲料中粗蛋白、粗脂肪、粗纤维、水分、钙、总磷、粗灰分、水溶性氯化物、氨基酸的测定 近红外光谱法 (DB21/T 2048–2012)》。

1.1 饲料中常规营养成分的预测

目前，近红外光谱技术已从单一饲料原料的成分检测发展到多种原料的混合物、配合饲料的营养成分预测(表1)。在单一饲料原料预测模型中，李军涛[18]建立了玉米(Zea mays)和小麦(Triticum aestivum)中常规营养成分含量的NIR 预测模型。结果表明，不同地区来源的玉米和小麦中养分含量相差较大，玉米中水分、CP、EE、NDF、ADF 预测模型的验证决 定 系 数(coefficient of determination for validation,RSQV)为0.85～0.95，验证相对分析误差(ratio of performance to deviation for validation, RPDV)为2.67～3.20，小麦中水分、CP、EE、ADF 预测模型的RSQV值为0.84～0.90，RPDV为2.51～3.16，NIRS 预测模型均可用于实际生产中的预测。研究者认为小麦预测模型准确性较低的一个原因是建模的样本数量太少，只用了58 个样本建模。杨金芬等[19]建立了301 份天然混合牧草中CP、NDF 和ADF 的NIR 预测模型，验证决定系数R2V均高于0.90，RPDV均大于3.00，预测准确性较高。Mentink 等[20]利用NIRS分析了110 份TMR 中的常规养分，CP、NDF、Starch的预测模型的R2＞ 0.85，EE 和非纤维碳水化合物模型的R2值分别为0.81和0.83，预测标准误差较低。曹明月等[25]利用NIRS技术建立了奶牛全混合日粮 (total mixed ration, TMR)中DM、CP、EE、NDF、ADF、Starch、Total AA 的预测模型。其中，EE 模型只能用于粗略的筛选分析，Starch 模型预测效果差，不能用于实际预测，DM、CP、NDF、ADF、total AA含量的NIRS 模型预测准确性较高，为实际生产中TMR 的快速测定提供了理论依据与技术支撑。郝勇等[21]基于3 种变量选择方法对饲料光谱变量进行选择和优化，结合偏最小二乘法建立了饲料中粗脂肪和粗纤维的NIR 定量预测模型，可用于实际生产的预测，且模型的稳健性和准确性较好。综上所述，NIRS 在预测饲料养分含量方面已逐渐成熟且有良好的预测效果。

表1 近红外光谱技术在预测饲料常规营养成分和微量元素中的应用Table 1 Application of near-infrared spectroscopy in predicting conventional nutrients and trace elements in feed

1.2 饲料中元素的预测

矿物元素对反刍动物具有双重作用，不仅是自身生长代谢所必需，也是瘤胃微生物增殖必不可少的营养素。因此，满足反刍动物对矿物元素的需要，对提高饲料转化率有重要作用[26]。矿物元素在近红外区域没有吸收带，但由于矿物元素和有机成分之间具有一定的相关性，NIRS 可以通过其与有机分子的结合或形成盐的形式来影响样品中的氢键或其他分子键，从而间接测定矿物元素[23,27-28]。Johnson 等[22]利用漫反射红外光谱法对水稻(Oryza sativa)秸秆和谷物中6 种常量元素和7 种微量元素的含量进行评估，采用偏最小二乘回归 (partial least squares regression, PLSR)建模方法确定了13 种元素的最佳建模光谱波段。研究结果表明，漫反射红外光谱法能准确预测水稻植株中7 种元素 (N、P、K,、Ca、Mg、Mn、Cu)的含量，R2P＞ 0.75，使用NIR 和MIR组合建模比NIR、MIR 单独建模对N、K、P、Ca、Mg 模型性能的提高是明显的，而NIR 单独建模对Mn 和Cu 有最佳预测效果。因此，多源数据融合可能是提高模型预测性能的方式之一。

Miao 等[23]利用近红外光谱法结合不同化学计量学分别建立了水稻样品中铬 (Cd)元素的NIR 预测模型。结果表明，通过后向区间偏最小二乘法(backward interval partial least squares, BiPLS)建 模 得到最佳预测模型，预测集的RMSEP和RP分别为0.21 和0.90。Ikoyi 和 Younge[7]研究了饲料的粉碎粒度和残余水分含量对牧草中常量元素 (Ca、P、Mg、K、S、Na) NIR 预测模型精度的影响。将样品粉碎粒度从1 mm 减少到0.5 mm，通过烘箱干燥去除样品中残留的自由水可以改进模型的性能。以上结果表明适当减小样品颗粒大小和样品水分含量可以改善矿物元素定标模型的性能。因此，建议样品在储存前立即进行干燥、粉碎和光谱的扫描。这是因为即使将样品储存在“密封”的容器中也可能会从环境中重新吸收水分，改变近红外光谱仪的读数。余恩[24]用NIRS 技术分析了不同地区种植的288 份棉籽粉中20 种无机元素的含量。结果表明，Mn 和Cr 的NIRS 预测模型的最好，R2P＞ 0.90,RPD＞ 3.00，可以替代传统湿化学分析方法；K 的R2P＞ 0.80、RPD＞ 2.00，可用于实际预测；P、S 和Mg 的R2P 分别 为0.68、0.72、0.66，RPD值 分 别 为1.67、1.84、1.69，无法进行精准预测，但可用于大量样品的筛选工作；Ca、Ni、Se 和Sr 模型的R2C 值较高，分别为0.86、0.82、0.81、0.81，而RPD值较低，均小于0.40，研究者认为可通过增加具有代表性的样本来提高模型的预测性能；Cu、Na、Fe、Zn、Al、B、Co、Cd、As 和Pb 等无机元素的模型性能差，R2C 和值均较低，不能用于实际生产中的测定。NIRS 预测矿物元素准确性较常规养分低，一方面是由于矿物元素在饲料中含量很少，另一方面是由于生物体中的矿物元素除与有机物结合外，还有一部分是游离状态，故NIRS 不能用于这部分矿物元素的检测。

1.3 饲料掺假鉴别与定量分析

反刍动物由于其独特的瘤胃，能利用饲料中的一些非蛋白氮合成菌体蛋白并消化吸收，节约一部分日粮蛋白质[29]，但非蛋白氮含量过高会导致瘤胃氨中毒[30]，且有些非蛋白氮类物质具有毒性，如三聚氰胺。因此，有必要对反刍动物饲料中非蛋白氮进行定量和定性分析，而常规方法检测这些物质往往具有一定局限性。近红外光谱技术在饲料掺假和定量分析方面的应用如表2 所列。González-Martín等[31]利用近红外光谱技术和远程反射光纤探针对苜蓿(Medicago sativa)中添加的尿素、双缩脲和家禽排泄物进行了分析。使用偏最小二乘算法判别分析 (discriminant analysis partial least squares, PLS-DA)建立了每种添加物的判别方程，对苜蓿中是否存在尿素、双缩脲和家禽排泄物进行分类和预测，预测准确率分别为96.9%、100%、100%。用改良偏最小二乘法 (modified partial least squares, MPLS)结合光纤探针法建立了苜蓿中尿素、双缩脲和家禽排泄物的定量NIRS 预测模型，3 种添加物模型的RSQ值分 别 为0.99、 0.99和0.93，SEP值 分 别 为0.28%、0.29%和2.08%，定性和定量NIRS 模型的预测准确性较高，可用于实际测定。此外，使用光线探针可直接采集地面上的苜蓿样品的近红外光谱，快速、无污染、无需样品制备，可用于苜蓿中尿素、双缩脲和家禽排泄物的瞬时和同时测定。冯莉等[35]用NIRS 分析了奶牛精料补充料和奶牛浓缩料中的尿素含量，结果具有良好重现性。三聚氰胺事件表明，传统的靶向检测只能检测出特定的掺假物和有害物，为了应对饲料中掺假物种类的不断变化，Shen 等[32]研究了一种基于近红外光谱成像的局部异常检测 (local anomaly detection, LAD)的非靶向检测方法，用6 种非蛋白氮污染物和两种近红外光谱成像对非靶向LAD 法检测和半定量污染物的性能进行评价，，检测限度低于0.01%，这表明非靶向检测新策略在饲料安全检测方面有从被动转向主动的潜力。

表2 近红外光谱技术在饲料掺假鉴别中的应用Table 2 Application of near-infrared spectroscopy in feed adulteration identification

研究者普遍认为，疯牛病是由于动物采食了含有低水平动物源性蛋白的饲料[36]，饲料原料的可追溯性分析对饲料质量和人类健康至关重要。有研究者通过比较豆粕、鱼粉和肉骨粉的光谱特征，发现豆粕和动物蛋白粉光谱的最大差异位于与脂肪含量相关的吸收带[6]，进一步对光谱进行主成分分析发现，在一些特定波段有更多的差异，这表明近红外光谱法在饲料蛋白质的定性或定量分析方面有较强的光谱基础。在肉骨粉的检测中，杨增玲等[37]利用NIRS 结合偏最小二乘回归建立了225 个反刍动物精料补充中肉骨粉的定量分析模型。用独立的外部验证样品进行验证 (r= 0.97，SEP= 1.76%，RPD=5.99)，预测准确性较高。Perez-Marin 等[33]用317 份无肉骨粉的配合饲料和116 份有肉骨粉的配合饲料建立了NIRS 定性和定量模型，鉴别出了所有的掺假样品，且肉骨粉含量的预测准确性较高 (R2=0.94，SECV= 0.68%)。此外，利用NIRS 进一步对未经粉碎处理的完整配合饲料中的肉骨粉进行检测和定量分析，并且证明了模型在两台NIRS 仪器间的可传递性[34]。这些结果表明，NIRS 可用于商业饲料的掺假检测，而无需前处理，在检测速度和易于分析上有很大优势。在植物蛋白粉的掺假检测中，Neves 等[38]利用NIRS 结合一类偏最小二乘法 (one class partial least squares, OC-PLS)和偏最小二乘判别分析 (PLS-DA)对植物蛋白粉中的掺假物质进行分析；用OC-PLS 模型对掺假物进行鉴别，用PLS-DA模型对掺假物质进行分类。结果表明，该研究提出的方法可以用于掺假物质占比10%～40%的样品的分析，来验证植物蛋白粉的真实性，并将掺假物质分为大豆、乳清和小麦。以上研究结果均表明，NIRS 不仅能鉴别常见的掺假饲料并进行定量分析，还能结合化学计量学和微型仪器对饲料中未来可能出现的掺假物进行检测。

2 近红外光谱技术在预测饲粮瘤胃降解特性中的应用

反刍动物原位培育法是测定饲粮瘤胃降解特性的最常用的方法，该方法耗时费力且需要大量瘘管动物试验，因此需要一种更快速简便的方法。多项研究表明，NIRS 在预测动物饲料的饲喂价值上有很大潜力[39-40]。Krieg 等[41]利用近红外光谱评估了谷物蛋白和淀粉的瘤胃降解，R2为0.9，结果较为理想，在扩充数据库开发更稳健的模型后可用于实际生产。Nordheim 等[42]利用NIRS 预测温带牧草和三叶草中中性洗涤纤维(NDF)的瘤胃降解特性，可消化NDF 外部验证过程中的R2P 为0.92，RPD为3.4；NDF 降解速率常数的R2P 为0.51,RPD为1.7；初始瘤胃滞留时间的R2P 为0.02，RPD为1.0。结果表明，建立的NIRS 定标模型对牧草中可消化NDF 部分预测准确性较高，可用于实际生产；对NDF 降解速率常数的预测精度较低，而无法预测瘤胃滞留时间，主要原因是原位试验时尼龙袋间隙过大，导致样品颗粒损失而引起分析误差。De Boever 等[43]研究发现，用NIRS 可较准确地测定玉米青贮的瘤胃可发酵有机物、过瘤胃蛋白和淀粉比例。此外，通过66 种配合饲料饲喂奶牛和育肥牛的试验得出，NIRS 在预测小肠可消化蛋白、瘤胃降解蛋白质平衡以及过瘤胃蛋白在肠道的蛋白质消化率和可发酵有机物时具有可接受的精度[44]。Foskolos 等[45]利用NIRS 预测了反刍动物常用饲料样品的瘤胃降解参数和有效降解率。结果表明，DM、CP 和NDF 的有效降解率、快速可降解部分和慢速可降解部分的预测模型可用于实际生产中的筛选分析 (R2＞ 0.77，RPD为2.0～2.9)和定量分析 (R2＞ 0.84，RPD为3.1～4.7)，CP 和DM 降解速率的方程可用于筛选分析，NDF 降解速率的方程不能用于准确预测，需要更大的数据库建立NDF 降解特性模型。另外，Herrero 等[46]通过NIRS 预测牧草的体外产气量来评估牧草的营养价值。结果表明，NIRS 可成功预测6～48 h 内产生的气体体积，R2为0.60～0.78，而3 h 和96 h 的产气量和指数方程参数的预测结果较差。该研究只能预测特定时间的累计产气量。在此基础上，Herrero等[47]用NIRS 预测牧草产气动力学模型的指数参数，监测饲草的动态降解特性，但结果并不理想，只有渐近线参数得到了较好的预测效果。与饲料营养成分相比，NIRS 预测饲料瘤胃降解特性精度较低，可能是由于以上研究大多是基于偏最小二乘法建立的样品光谱和化学参考值之间的多元线性模型，对于建立饲料瘤胃降解特性这样的非线性模型会比较困难，用支持向量机和人工神经网络等非线性建模方法可能会提高模型的性能。以上研究结果表明，NIRS 可以用于饲料瘤胃降解率的测定，从而减少瘘管动物试验，增进动物福利。

3 近红外光谱技术在预测反刍动物体内营养物质消化代谢中的应用

反刍动物饲料营养物质消化率的测定方法主要有全收粪法、指示剂法、半体内法和体外法，这些方法工作量大、成本高、试验周期长[48]。目前，近红外光谱技术以其快速、简便的特点已被广泛应用于反刍动物营养物质消化代谢研究中(表3)。如近红外光谱技术结合内源指示剂测定营养物质消化率，Brogna 等[50]用NIRS 建立了粪便中不可消化NDF的预测模型，通过预测粪便中排出的不可消化NDF(uNDF)含量，可以获得饲料实际在体内消化的NDF的信息。结果表明，除去灰分的NDF (aNDFom)、240 h 体外不可消化NDF (uNDF 240)和240 h 的体外瘤胃aNDFom 消化率 (IVNDFD240)方程的R2分别为0.92、0.92 和0.90，RPD 值分别为2.80、2.57 和2.53，这些方程均具有较好的预测效果。Righi 等[51]也建立了饲喂TMR 奶牛的130 份粪便样品的uNDF 240 含量预测模型，但模型的预测精度较低。有研究表明，反刍动物粪便的NIR 光谱不仅包含未消化饲粮的信息，还包含了饲粮在消化道的全过程和动物间变异的信息，用粪便近红外光谱更能反映家畜的消化代谢情况。Boval 等[15]将粪便NIRS 应用于奥尔牛的围栏饲养试验中，建立了热带牧草有机物消化率 (OMD)预测模型，SEC为0.021，R2为0.72，与饲料NIRS 模型预测OMD 相比，粪便NIRS 预测能力较高。Decruyenaere 等[52]用饲料NIR 光谱和粪便NIR 光谱分别或相结合的方式 (相减、串联)建立了放牧动物OMD 的预测模型，结果表明单独用粪便NIR 或用饲料和粪便NIR 串联的方式建模有最优的预测效果，OMD 的交叉验证标准误 (standard error of cross-validation,SECV)为0.021，R2大 于0.80，进一步证实粪便NIRS是管理放牧动物、提高其生产性能的一种有效工具。Mentink 等[20]利用NIRS结合原位试验建立了TMR 干物质和有机物消化率的预测模型，R2分别为0.85 和0.80。Decruyenaere等[53]用粪便NIRS 预测放牧奶牛体内有机物消化率，并与2 种粪便氮指示剂 (FNI)法作了比较。结果表明，粪便NIRS 预测值和2 种FNI 估计值之间的偏差分别为0.08 和0.06，利用粪便NIRS 可以快速、简便地测定放牧奶牛采食的牧草消化率。Decruyenaere等[54]评估了粪便NIRS 在预测反刍动物牧草有机物消化率的准确性和重现性，通过校正参考方法误差，SEP值可减小至0.015 5，且预测的鲁棒性良好，证明粪便NIRS 可以精准的预测OMD。以上研究结果均表明，NIRS 可以用于反刍动物营养物质消化代谢情况的监测，粪便NIRS 比饲草NIRS 提供更多的动物实际采食的信息。开发一个具有代表性且准确性和稳健性较高的放牧动物消化率预测模型，需要通过获得大量体内试验获得可靠和准确的定标参考值。

表3 近红外光谱技术在营养物质消化代谢情况和采食量中的应用Table 3 Application of near-infrared spectroscopy in the determination of nutrient digestion and metabolism and feed intake of animals

4 近红外光谱技术在预测反刍家畜采食量中的应用

反刍家畜采食量的测定方法有模拟采食法、差额法、指示剂法和三结合法(即食道瘘管法、两级离体消化法和Cr2O3外源指示剂三结合的方法)等[55]。这些方法步骤繁琐、需要专业人员操作、且容易产生野外分析和实验室分析误差。放牧动物由于选择性采食，收集具有代表性的饲粮样品具有很大挑战性，而通过粪便近红外光谱技术预测采食量只需收集粪便即可。目前，近红外光谱技术以其快速、简便、无需复杂的动物试验等特点已成为预测反刍动物采食量的研究热点(表3)。Decruyenaere 等[52]利用粪便NIRS 预测放牧家畜采食量时，交叉验证标准误差为4.51 g·kg-1BW0.75，与其他预测方法的误差相近。通过分析二阶导数处理之后的粪便光谱发现，当某种饲草消化率高且采食量较多时，在1 730、2 310 和2 350 nm 等 与 脂 肪 相 关 波 长 处 的 吸 收 率 较高。Johnson 等[56]用粪便NIRS 预测肉牛自由采食量，试验平均期DMI 和粪便收集期DMI 预测模型预测集的R2值分别为0.68 和0.69，与正构烷烃技术预测DMI 的结果相当[57-58]，且结果表明改进的DMI预测方程可以替代正构烷烃技术预测动物的DMI。Boval 等[15]通过围栏饲养试验，给克里奥尔阉牛饲喂从灌溉地收获的新鲜草，用粪便NIR 和饲养试验参考值建立了热带牧草有机物采食量的预测模型，SEC值和R2值分别为4.62 g·kg-1BW0.75和0.61，具有可接受的预测精度。结果还表明，通过将放牧动物圈养的围栏饲养试验比放牧试验能提供更准确的参考数据，来开发放牧动物DMI 的预测模型。Decruyenaere 等[53]用粪便近红外光谱法 (fecal NIRS,FNIRS)、两种比值法 (ratio method, RT)和3 种动物生 产 性 能 法 (animal production performance method,APM)分析了2 个放牧围场的泌乳奶牛牧草的干物质采食量 (DMI)，FNIRS 法和其他方法预测的DMI的相关系数在0.63～0.88，不同的估计方法，DMI 值范围为11.9～16.4 kg·d-1，FNIRS 和APM预测值相似，RT 对补充放牧奶牛来说DMI 估计值偏大，所有预测方法的DMI 值的牛之间和放牧围场之间的差异用变异系数表示为0.05～0.40，FNIRS 模型的SECV 值低于动物间和牧场间的差异，利用FNIRS可以快速、简便地预测放牧奶牛的采食量。Lahart等[16]利用牛奶MIRS 和粪便NIRS 结合457 头奶牛的DMI 数据，利用线性回归和偏最小二乘回归建立了DMI 预测方程。群内验证和跨群验证的结果表明，MIRS 和NIRS 组合建立的方程有最佳的预测效果，可用于实际预测，与群内验证相比，跨群验证更能评估预测方程的准确性和实用性。Hassoun 等[59]用聚乙二醇作为外源标志物，结合NIRS，测定了放牧绵羊的牧草采食量。另外，Casasús 和Albanell[49]也通过NIRS 分析2 种饲养水平下饲喂干草的奶牛粪便中的聚乙二醇浓度，测定牛的粪便产量和干草采食量。Ottavian 等[60]利用粪便光谱建立了2 种精料添加水平的偏最小二乘判别分类模型，模型拟合良好，对验证集样品的分类准确性大于90%，可作为高寒牧草夏季放牧中2 种精料补充水平的快速评估工具。Landau 等[61]通过FNIRS 预测放牧牛饲粮中的灰分含量，与牧场植物样本的灰分含量进行比较，判断牛是否过度采食土壤和禽粪，从而得出当前的动物饲养密度是否与牧场的植被相适应。结果表明，饲养密度高与牛过度吃土和禽粪相关，FNIRS可以作为确定动物饲养密度的一种辅助工具。虽然利用NIRS 建立的DMI 预测模型的准确性和稳健性与其他化学指标相比较低，但与通过动物试验和野外分析建立的经验模型相比，该方法还是有很大优势，且随着NIRS 研究的不断深入，其预测性能会逐渐提高。综上所述，近红外光谱技术不仅能预测舍饲家畜和放牧家畜的采食量，还可用于判断动物的补饲水平和饲养密度。

5 NIRS 模型的优化

为保证建立模型的预测性能，应注意以下几点：第一，建模样品数量足够多且具有代表性；第二，保证建模样本化学分析值的准确性，由专业技术人员参照国家标准方法进行测定；第三，不断扩充建模数据库，扩大模型预测范围；第四，应深入研究通用性强的模型转移方法，实现不同NIR 仪器之间的模型转移，提高模型的利用效率；第五，为避免离线分析滞后于生产，应加大微型便携式近红外仪器的研发，实现实时监测和在线分析。

6 结论与展望

近年来，随着数字化光谱仪器、计算机技术、化学计量学的发展以及NIR 光谱仪器和定标软件的改进，模型的预测性能大大提高并且拓宽了NIR 的应用前景。近红外光谱技术已被广泛应用于反刍动物的营养研究，建立了大量用于饲养实践的预测模型，逐渐成为反刍动物精准饲养中必不可少的一种工具。需要进一步对已有的模型进行改进和优化，建立新的预测模型，以适应快速发展的畜牧业。