貯備飼料近紅外光譜模型快速預測青綠飼料營養成分含量

陳華舟，許麗莉，林 彬，喬涵麗，辜 潔，溫江北

貯備飼料近紅外光譜模型快速預測青綠飼料營養成分含量

陳華舟1,2，許麗莉3，林 彬1，喬涵麗1，辜 潔1,2，溫江北2

（1. 桂林理工大學理學院，桂林 541004；2. 廣東星創眾譜儀器有限公司，廣州 510663；3. 北部灣大學海洋學院，欽州 535011）

為快速檢測飼料的營養成分，該研究利用貯備飼料的近紅處技術（near-infrared，NIR）快速分析模型預測青綠飼料的營養成分含量?；谫A備飼料的NIR定標模型，將建模優化模式轉移應用到青綠飼料的營養成分定量檢測，以判斷模型轉移能力。在實驗室環境下掃描并記錄新鮮的青綠飼料樣本和儲存的貯備飼料樣本的近紅外反射光譜，利用230個貯備飼料樣本進行光譜定標訓練，以修正偏最小二乘（modified-partial least squares，M-PLS）建模方法，結合隨機局部樣本、局部選參、局部非連續性可調、交叉檢驗等技術相結合的方式建立局部優化模型，分別測試120個貯備飼料樣本和120個青綠飼料樣本中的氮（nitrogen，N）、中性洗滌纖維（neutral detergent fiber，NDF）、酸性洗滌纖維（acid detergent fiber，ADF）含量。將貯備飼料的定標校正模型應用于貯備飼料驗證樣本的營養成分測定，其標準誤差（square error of prediction，SEP）：N為1.02、NDF為16.56和ADF為13.47，相關系數均在0.9以上，相對預測偏差（relative prediction derivation，RPD）均大于3；該模型具有對青綠飼料樣本的營養成分預測能力，其預測SEP：N為0.90、NDF為14.11和ADF為9.98，預測相關系數均在0.9以上，預測RPD均大于3，達到快速檢測誤差標準。由于局部建模過程中考慮了數據的潛在非線性結構和具有近似光譜響應的樣本之間的不均勻性，相對全局建模方式而言具有更好的數據驅動性質，其建模效果優于全局建模方法。結果表明，基于貯備飼料樣本建立的NIR定標校正模型可以用于青綠飼料營養成分的預測，特別是局部分析模型的應用能夠提高NIR快速分析的預測精度。

農產品；近紅外光譜；貯備飼料；青綠飼料；局部模型；全局模型

0 引 言

動物喂養的飼料來源和動物飼料的營養成分密切相關。青綠飼料和貯備飼料是食草家畜的主要食物來源，對飼料化學成分的估計能夠間接反應動物喂養的營養供給，飼料的營養配比分析是農業和畜牧業在線飼養過程的一個重要環節[1-2]。實驗室研究發現，許多理化學科的統計建模方法能夠預測動物飼料的營養價值[3-4]，通過檢測化學成分來估計飼料營養價值仍然是最常用的實驗室方法，然而這種方法需要人工操作、消耗化學試劑，試驗時間長[5-6]。近紅外反射光譜（near-infrared，NIR）是一種定量預測物質成分的快速檢測技術，它具有快速簡便、無試劑、多組分同時測定、過程無污染等優點[7-8]；利用NIR技術定量預測青綠飼料和貯備飼料的營養成分，對于動物飼料的在線營養成分檢測具有重要的意義。

很多實驗室采用NIR技術來估計化學營養成分的相關數據[9-10]，由于貯備飼料的NIR響應比較簡單、容易分析，大部分的定標預測模型都只是利用貯備飼料樣本建立的。雖然青綠飼料和貯備飼料的化學性質具有極大的相似性，但青綠飼料為新鮮綠草樣本，包含豐富的水分和可溶性碳水化合物，關于青綠飼料的NIR在線檢測分析模型的優化仍然處于研究階段。而貯備飼料是對青綠飼料經過厭氧處理、去水處理所形成的干燥飼料，其纖維素的分解和蛋白的水解過程都會導致飼料成分的變化[11-12]，其NIR光譜也相應地產生了差異[13]。關于貯備飼料營養成分的NIR光譜定量分析已經得到了廣泛的應用，但將貯備飼料的光譜定標模型直接應用于青綠飼料的快速檢測分析尚未有類似研究。

由于貯備飼料是由青綠飼料加工而成，除了水分含量有明顯差異之外，貯備飼料在一定程度上仍然保留有青綠飼料的大部分成分特征，因此，其營養成分仍然保留相似的光譜響應信號，這是貯備飼料的NIR分析模型能夠轉移應用到青綠飼料營養成分分析的根本原因。本文討論利用貯備飼料的光譜響應信息來預測青綠飼料的成分含量，研究NIR光譜建模分析的計量學方法，希望能夠利用現有的貯備飼料的定標模型來預測青綠飼料的營養價值，將有利于飼料營養的快速在線檢測。

NIR光譜分析是基于數據驅動的建模技術，需要利用大量樣本訓練優選模型參數，測試光譜響應特征的穩定性和光譜信息的多重重疊性[14]。本文通過試驗研究討論NIR局部建模方法和全局建模方法的特點，比較2種建模方法的預測結果。全局建模方法是一次性對驗證集的全體樣本進行預測，對建模參數進行連續調試，利用特定模型評價指標來權衡NIR全局建模效果；而局部建模方法是在建模過程中采用隨機方法選擇局部樣本進行定標訓練，選擇參與建模的樣本數量可調試，同時在建模參數調試中采用非連續性取值（如等步長、勻變步長等方法），結合交叉檢驗的方式，利用特定模型評價指標進行建模參數的調試，以達到模型優化的效果。由于局部建模過程中考慮了數據的潛在非線性結構和具有近似光譜響應的樣本之間的不均勻性[15]，使得模型的應用范圍更廣泛，有利于模型推廣適用于不同生態氣候區的樣本或者不同類型的樣本[16-17]。

本次試驗是基于貯備飼料樣本建立NIR定標模型，經過對部分貯備樣本進行建模訓練，確定模型優選參數，將定標模型及其優選參數分別應用于貯備飼料樣本和青綠飼料樣本進行驗證，驗證樣本集之間兩兩相互獨立，分別使用近紅外全局定標策略和局部定標策略來預測其營養成分含量，對比建模效果。試驗結果表明，局部建模方法能夠獲得比全局建模方法更好的預測效果。在實際應用中，在局部光波頻率范圍內采用非線性方法改變定標策略。一方面驗證局部模型相對于全局模型的建模優勢，同時考察NIR光譜快速檢測對于貯備飼料定標模型轉移預測青綠飼料的可行性。

1 材料與方法

1.1 樣本采集與化學檢測

試驗樣本為普通青草樣本，選擇在早春時節采集，采集地域為中國廣西自治區境內，在青草地上以陣列方式等間隔標定35個采樣點，相鄰采樣點間隔5 m，以每個采樣點作為圓心、2 m半徑的圓形區域內隨機采集10株青草，共采集350株（即350個樣本），每個樣本質量約200 g。將每個樣本按質量分為2等份，其中100 g及時完成貯備處理，轉化為貯備青草飼料；另外100 g保留為青綠飼料；形成350個青綠飼料樣本和相應的350個貯備飼料樣本。

每個樣本分為4等份（每份約25 g），其中1份用于NIR光譜檢測，其余3份用于常規化學檢測，分別測定樣本中的氮（nitrogen，N）、中性洗滌纖維（neutral detergent fiber，NDF）、酸性洗滌纖維（acid detergent fiber，ADF）的含量，作為近紅外光譜分析的化學參考值。實驗室常用測量方法：N含量采用Dumas快速測氮法測定[18]；NDF和ADF的測定是利用Van Soest氏方法[19]，對飼料樣本分別利用中性洗滌劑和酸性洗滌劑進行處理，剩余的不溶解殘渣分別是NDF和ADF，將殘渣烘干、冷卻、稱質量后換算即得到對應NDF和ADF的含量。

1.2 NIR光譜測定和數據判斷

將每個飼料樣品的一小份研磨至粉末狀，過40目篩，充分混合均勻以后，裝入直徑30 mm的環形陶瓷裝樣器皿中，采用Foss NIR Systems 5 000可見近紅外光譜儀進行逐個樣本掃描，測量的光譜波段為400～2 500 nm，相鄰波長間隔為2 nm。每個樣本由光譜儀自動掃描32次，取平均譜線作為該樣本的測定光譜。光譜測定環境為恒溫恒濕條件，保持溫度為(25±1)℃，相對濕度為45%±1%。在測量每個樣本之前均測量1次空樣本器皿作為背景光譜。光譜數據采用ISIscan軟件進行記錄。同時，將化學試驗測定的營養成分含量參考值錄入軟件平臺。

利用馬氏距離（值）計算校正集的樣本中心位置。如果某個待測樣本到訓練集中心的距離太大（值大于3），則認為該待測樣本超出了訓練模型的可預測范圍，說明該定標校正模型不適用于該待測樣本[20]。

1.3 校正模型建模設計

將350個貯備飼料樣本隨機劃分為230個校正集樣本和120個驗證集樣本，把對應的光譜吸光度和化學參考值數據進行劃分；類似地，對350個青綠飼料樣本也采用相同的方法做樣本集劃分和相應的光譜預處理。利用去趨勢標準正態變換（detrend-standard normal variate，detrend-SNV）方法結合一階導數進行光譜散射校正預處理；結合改進偏最小二乘法（modified-partial least squares，M-PLS）建立光譜定標訓練模型，M-PLS算法結構如圖1所示[21]。以此作為NIR分析的算法基底，分別運用局部方法和全局方法建立光譜定標分析模型并進行對比討論。

注：X表示光譜矩陣；Y表示參考值；N表示光譜變量數；Nm表示主成分變量數；U表示光譜載荷矩陣；P表示光譜得分矩陣；V表示參考值載荷矩陣；Q表示參考值得分矩陣；a, b表示回歸系數。

NIR定標預測過程需要對光譜數據訓練進行模型參數的優選，分別針對全局建模方法和局部建模方法對青綠飼料的NIR數據建模進行研究。全局建模方法是一次性對驗證集的全體樣本進行預測，partial least squares (PLS)的因子數調試從1連續變化到10，利用校正標準誤差（square error of calibration，SEC）、校正決定系數（determination coefficient of calibration，2C）和相對預測偏差（relative prediction derivation，RPD）來評價全局建模效果，其中RPD作為相對性指標，是標準差（standard deviation，SD）與SEC的比值，在光譜分析領域，RPD>3說明該模型適用于光譜快速分析，RPD>4.5則說明該模型適用于快速精準預測[22-23]；而局部方法是在校正集中隨機選取部分樣本進行定標訓練，每次選擇樣本的數量從60變化到200（步長為10）；PLS因子數從10變化到40（步長為5）。采用交叉檢驗的方式，利用交叉驗證標準誤差（square error of cross validation，SECV）、交叉驗證決定系數（determination coefficient of cross validation，2CV）和相對預測偏差（RPD）來評價局部建模效果。由于不同樣本的模型優選參數的差異，得到不同的M-PLS回歸模型。根據最小SECV優選參數，對驗證集樣本進行預測，采用外部檢驗的方式，計算預測決定系數（determination coefficient of prediction，2P）和預測標準誤差（square error of prediction，SEP）來評價局部模型和全局模型的預測效果。

2 結果與分析

2.1 數據描述性結果分析

基于全局建模方法和局部建模方法對樣本中的營養成分（N、NDF、ANF）做基本統計分析，針對校正集和2個獨立的驗證集分別計算待測指標的最大值（Max）、最小值（Min）、均值（Ave）、標準偏差（SD）和變異系數（CV）如表1所示。由表1可見，校正集樣本的數據覆蓋范圍大于所有驗證集，這在一定程度上可以保證建模的精確度和準確度。

表1 校正和驗證樣本集中的N、NDF、ANF質量分數的描述性分析

由于貯備飼料是青綠飼料經過直接貯備處理而成，其營養成分所對應的NIR光譜具備一定的關聯性，因此，可以通過計算2種飼料的差值譜線來分析其光譜特征。隨機選取10個貯備飼料樣本和10個青綠飼料樣本，分別計算各自10個樣本的平均光譜和一階導數平均光譜，進一步計算青綠飼料樣本和貯備飼料樣本平均光譜之間的差值譜線和一階導數差值譜線（見圖2）。由圖2可見，青綠飼料和貯備飼料的NIR光譜原譜差異明顯的局部最大值點出現在550、710、1 100、1 300、2 050、2 280 nm附近，而明顯的局部最小值點出現在460、650、800、1 400、1 550、1 800、2 130、2 420 nm附近；青綠飼料和貯備飼料的一階導數譜差異明顯的局部最大值點出現在480、590、700、1 780、2 190 nm附近，而明顯的局部最小值點出現在440、560、630、780、1 170、1 680、2 100、2 280 nm附近。這些光譜波長點可被考慮作為光譜局部分析建模優化的參考特征波長。

圖2 貯備飼料和青綠飼料的NIR差值光譜及一階導數差值光譜

利用定標校正模型測定驗證集樣本的營養成分含量，首先通過計算驗證集中單個樣本和校正樣本集中心值的馬氏距離（值）來評價定標校正模型對于不同驗證集樣本的適用情況。在統計學角度，馬氏距離（值）是通過計算2個樣本集的協方差來衡量這2個樣本集之間的相似程度[24]。在NIR光譜分析中，本文使用馬氏距離的原理，充分利用其算法簡單、運算速度快的特點，通過計算值來判別基于2個待測樣本集（特別是不同種類的樣本集）是否能夠適用于模型相互傳遞和轉移應用，通常以=3為臨界值，如果<3，則表示基于2個樣本集所建立的定標模型可以相互轉移，否則不可以[25]。經過計算，全局模型的貯備飼料定標集和驗證集之間的值為0.91，局部模型的貯備飼料校正集（校正集I）和貯備飼料驗證集（驗證集I）之間的值為1.37；全局模型的校正集I和青綠飼料驗證集（驗證集II）之間的值為0.98，局部模型的校正集I和驗證集II之間的值為1.53。這些均值都小于3，說明在驗證過程中，以貯備飼料為校正集樣本，分別預測貯備飼料驗證集和青綠飼料驗證集，均沒有出現異常驗證結果。結果表明，基于貯備飼料的定標模型適用于貯備飼料和青綠飼料的預測。然而，青綠飼料校正集（校正集II）和驗證集I的值大于3（全局模型的值為6.24，局部模型的值得均值為7.59）。這說明，采用青綠飼料進行訓練的NIR光譜校正模型不適用于對貯備飼料的預測。

2.2 NIR建模結果分析

利用貯備飼料訓練樣本（定標集I）的NIR模型分別對貯備飼料驗證集樣本（驗證集I）和青綠飼料驗證集樣本（驗證集II）進行預測，關于N、NDF、ADF含量的定標校正結果見表2。不管是全局模型還是局部模型，所有的待測成分的模型訓練結果，全局方法中的2C和局部方法中的2CV均大于0.9，且2種方法的RPD均高于4.5，能夠滿足NIR快速精準預測的要求。

基于貯備飼料定標集樣本對NIR定量分析模型進行參數優選，進一步用于對驗證集樣本（驗證集I和驗證集II）的預測，全局方法和局部方法的驗證預測結果也列于表2中。

在預測貯備飼料樣本的營養成分時，局部模型采用了隨機方法選擇定標訓練樣本，設置了參與建模的樣本數量可調試，并且采用了非連續性取值進行建模選參，獲得驗證集I（貯備飼料）的預測結果SEP為1.02（N）、16.56（NDF）和13.47（ADF），2P均達到了0.9以上，RPD均大于3。相比之下，關于大部分對象的各個指標的預測，局部模型的SEP值均低于全局模型。唯一例外的是，對于NDF含量的預測，全局建模方法獲得了比局部模型更低的SEP值。

表2 全局方法和局部方法關于N、NDF、ADF含量的定標校正結果及其驗證預測結果

注：N表示氮含量；NDF表示中性洗滌纖維含量；ADF表示酸性洗滌纖維含量；SEC表示校正標準誤差；SEP表示預測標準誤差；SECV表示交叉驗證標準誤差；2C表示校正決定系數；2P表示預測決定系數；2CV表示交叉驗證決定系數RPD表示相對預測偏差。

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.

對于驗證集II（青綠飼料）樣本的預測，獲得SEP為0.90（N）、14.11（NDF）和9.98（ADF），待測含量指標預測比較準確，同時能夠得到的決定系數（2P）均大于0.9，這與貯備飼料驗證集的預測效果一致。全局模型預測貯備飼料和預測青綠飼料的結果并沒有明顯的差別，而采用局部方法的預測得比全局方法更低的SEP，預測效果有所改善，這說明，采用隨機方法選擇局部樣本進行定標訓練，選擇參與建模的樣本數量可調試，采用非連續性取值進行建模選參，能夠有效地提高NIR光譜分析的預測精度。

經過定標集和驗證集樣本劃分以后，盡管用于驗證的貯備飼料和青綠飼料樣本的待測成分也具有較大的變化范圍，但該變化幅度仍然小于用于定標的貯備飼料樣本集。由于貯備飼料的營養成分基本來源于其對應的原始青綠飼料的營養成分。但是將青綠飼料加工成貯備飼料的過程使得化學營養成分的含量發生了較大的變化。貯備飼料和青綠飼料的NIR光譜響應差別跟對應的化學成分有關[26-27]，如2 138 nm處的光譜響應差別跟非結構性碳水化合物的含量有關，在1 196、1 792、2 096、2 302 nm處的差別跟蛋白含量有關，在2 272、2 350 nm處的差別跟結構性碳水化合物有關。

利用全局模型對貯備飼料樣本中NDF和ADF含量的預測的SEP值相對較大，為了克服顯著的預測誤差，有研究報道曾經提出從驗證集中選擇部分樣本融合到定標集中進行重新訓練，利用局部分析模式進一步修正模型，以便找到合適的定標模型。這種方法在對于提升全局模型的預測效果尤其重要。對所有的待測指標，全局模型中的2C和局部模型中的2CV均大于0.9，局部模型預測貯備飼料和預測青綠飼料的SEP沒有明顯的差別。結果表明，局部模型的結果優于全局模型的結果，普遍得到了更好的預測精度。針對于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）。說明本次試驗所采用的局部建模方法均適用于動物飼料的質量控制。

3 結 論

本文的研究通過對貯備飼料樣本和青綠飼料樣本建立NIR光譜定標模型預測N、NDF、ADF的含量。經過模型優化和參數選擇，基于貯備飼料樣本的NIR定標校正模型能夠比較準確地預測貯備飼料和青綠飼料的驗證集樣本。在預測貯備飼料樣本的營養成分時，局部模型采用了隨機方法選擇定標訓練樣本，設置了參與建模的樣本數量可調試，并且采用了非連續性取值進行建模選參，獲得驗證集I（貯備飼料）的SEP為1.02（N）、16.56（NDF）和13.47（ADF），2P均達到了0.9以上，RPD均大于3；獲得驗證集II（青綠飼料）的SEP為0.90（N）、14.11（NDF）和9.98（ADF），2P和RPD也達到了要求。其局部模型的建模效果全局模型建模效果相當。這說明本次試驗所采用的局部建模方法適用于飼料營養品質的鑒定，有望應用于動物喂養的食物質量監控。

另一方面，通過計算馬氏距離（值大于3）驗證了青綠飼料校正集（校正集II）的定標建模不適用于貯備飼料的預測，其原因在于青綠飼料為原生態樣本，其成分結構更接近于在線檢測的成分，光譜響應更為復雜，需要在計量學方法上深入研究，以尋找更合適的建模方案來針對青綠飼料的光譜分析進行優化，以獲取更準確的預測。

[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] 陳華舟，陳福，石凱，等. 基于隨機森林的魚粉蛋白近紅外定量分析[J]. 農業機械學報，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. 飼料檢測技術的研究進展[J]. 畜牧與飼料科學，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, I?ón 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, Mu?oz 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，陳紹江，嚴衍祿，等. 近紅外漫反射光譜法測定青貯玉米品質性狀的研究[J]. 中國農業科學，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, S?derstr?m 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，王紀華，馬智宏，等. 衰減全反射-中紅外光譜法定量測定小麥粉中的石灰類添加物[J]. 農業工程學報，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] 劉賢，韓魯佳，楊增玲，等. 近紅外光譜快速分析青貯飼料pH值和發酵產物[J]. 分析化學，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

陳華舟，許麗莉，林 彬，喬涵麗，辜 潔，溫江北. 貯備飼料近紅外光譜模型快速預測青綠飼料營養成分含量[J]. 農業工程學報，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

國家自然科學基金（61505037）；廣西自然科學基金（2018GXNSFAA050045）；廣西科技基地和人才專項（2018AD19038）。

陳華舟，教授，博士，主要從事農業信息處理和光譜計量分析方面的研究。Email：hzchengut@foxmail.com

10.11975/j.issn.1002-6819.2020.02.038

O433.4; S816.11

A

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