基于中红外光谱的规模化奶牛场粪水总氮快速预测方法

赵 润，杨仁杰，牟美睿，孙 迪，王 鹏，朱文碧，刘海学，张克强

基于中红外光谱的规模化奶牛场粪水总氮快速预测方法

赵 润1，杨仁杰2※，牟美睿3，孙 迪1，王 鹏2，朱文碧3，刘海学3，张克强1

（1. 农业农村部环境保护科研监测所，天津 300191； 2. 天津农学院工程技术学院，天津 300384；3. 天津农学院农业分析测试中心，天津 300384）

为建立适用于规模化奶牛场粪水中总氮含量的快速预测方法，以天津市23家种养结合型规模化奶牛场粪水治理全过程环节的样品为研究对象，探讨了基于中红外衰减全反射光谱技术快速预测粪水总氮含量的可行性。以偏最小二乘法分别建立了同一奶牛场粪水总氮含量的全程定标模型和不同奶牛场粪水总氮含量的全局定标模型，并采用独立的预测集验证了模型有效性。结果表明：全程模型总氮预测含量与实测含量的线性拟合相关系数为0.98，预测均方根误差RMSEP为130.18 mg/L，剩余预测偏差为4.97，可用于某一奶牛场粪水运移全过程环节总氮含量的快速预测；全局模型总氮预测含量与实测含量的线性拟合相关系数为0.97，预测均方根误差RMSEP为191.66 mg/L，剩余预测偏差为3.83，可用于不同奶牛场多元因素条件下总氮含量的快速预测。研究表明，基于中红外衰减全反射光谱可以实现对不同类型规模化奶牛场粪水治理全过程环节样品总氮含量的即时监测和跟踪。

光谱分析；氮；粪水；规模化奶牛场；快速预测；中红外衰减全反射光谱；偏最小二乘法

0 引 言

粪水管理是中国规模化奶牛场在环保问题上亟需破解的瓶颈。国内外实践经验表明，还田农用是解决规模化奶牛场大量粪水的根本出路，是种养结合的核心环节，氮素是粪水还田时重要的养分衡量标准，现实问题在于大量高浓度粪水中的氮素含量难以在现场快速定量造成“还田难”。常规实验室化学检测方法时效性低、准确度偏差、成本高，无法即时监测粪水治理全过程氮素含量的变化；而且现阶段规模化奶牛场在养殖规模、清粪方式、治理工艺等方面各不相同，实际作业情境变化差异大，如产水量大时采用固液筛分后的水循环回冲集粪沟，产水量小时则直接干清出舍外堆储；有些奶牛场只有泌乳牛舍的粪水进入处理系统，有些则将后备牛舍的粪尿也并入系统；挤奶车间多股废水输排至不同设施等，诸多做法均容易影响粪水在流经过程中氮素含量的变化差异[1-4]，导致无法快速预知任意环节粪水还田时的氮素含量。为此，现阶段亟需开发适用于现场多元、多变因素条件下不同类型规模化奶牛场粪水治理全过程环节氮素含量的快速预测分析方法。近期中国密集发布的政策性文件[5-7]中均明确指出要健全畜禽粪污还田利用和检测方法标准体系，制定畜禽粪水、沼液还田利用技术规范，推动液体粪污还田使用。因此，建立适用于不同类型规模化奶牛场粪水中氮素含量的现场快速预测分析方法，可有效指导奶牛场粪水安全科学还田，同时避免环境污染风险，具有重要的应用价值。

光谱检测技术作为一种快速的分析手段，已被广泛应用于畜禽粪便或堆肥样品组分的检测[8-16]。Chen等[8-11]详细地论述了近红外光谱技术在检测动物粪污中总氮、总磷和干物质等方面的应用。王晓燕等[12]基于近红外光谱技术定量分析了鸡粪中的氮磷钾含量，验证了该方法的有效性。Hsu等[13]采用FTIR技术对猪粪堆肥过程中有机质转化进行了研究，指出FTIR光谱可提供与堆肥成熟度相关的特征信息。Lü等[14]采用FTIR光谱方法对牛粪堆肥过程中水溶解性有机物的演变进行了表征，指出堆肥过程降解了木质素、脂肪族、醇类和蛋白质类物质，增加了水溶性芳香化合物和腐殖类物质的含量，提高了牛粪的腐殖化程度。Provenzano等[15]研究了猪粪堆肥过程中红外特性的变化，指出厌氧处理后，堆肥基质芳香度增加，多糖含量减少。于子旋等[16]利用FTIR技术对牛粪和猪粪的堆肥过程进行研究，指出在堆肥过程中脂肪化合物和多糖含量降低，芳香化合物增加，腐殖作用增强。现有研究多是在单一因素条件下，面向相对静态的粪便或堆肥样品进行检测分析，但无法预知不同类型规模化奶牛场的粪水在动态运移过程中各环节总氮含量，源于奶牛场所处环境、养殖规模、牛群划分、清粪方式和粪水治理工艺等复合因素，实时并交互影响着粪水流经过程中各环节组分和浓度的变化，从而对模型的预测分析结果造成影响，因此需要建立适用于不同奶牛场粪水运移全程氮素含量的通用预测模型，实现对任意环境条件下任意环节的即时分析。

本研究从天津市5个奶业优势产区中选取了23家采用种养结合模式的典型规模化奶牛场，围绕从牛舍内粪水汇集点开始截至还田农用前粪水治理全链条，针对其中1家奶牛场粪水治理全过程环节，建立全程定量分析模型，以适用现场对各环节动态变化的粪水样品中总氮含量的快速预测；综合考量23家奶牛场所处地区、养殖规模、清粪方式、粪水治理工艺等多种因素的影响，建立全局定量分析模型，以适用现场情境中不同类型奶牛场粪水总氮含量的快速预测，探讨多因素交汇作用下红外光谱法快速分析规模化奶牛场粪水总氮含量的可行性。该研究为普适化现场快速检测技术装备的研发提供理论依据，为逐步破解奶牛场粪水还田难的难题，推进种养匹配和奶业绿色转型发展提供技术支撑。

1 材料、仪器与方法

1.1 研究区对象概况

1.1.1 典型奶牛场筛选

从2018年10月普查调研的天津市共85家规模化奶牛场中选取23家作为全局全要素条件下的研究对象，从中选取滨海新区1家团队常年开展试验研究的奶牛场作为粪水处理全链条环节条件下的研究对象，同时开展样品采集、数据处理及模型构建。所选奶牛场分布在5个奶业优势产区（图1），其中80%有10 a以上经营历史，周年稳定运转；全群自繁自养中国荷斯坦品种的奶牛，粪水治理采用种养结合模式或具备种养结合基础条件，整体情况如表1所示。所选研究对象全面覆盖天津市4种清粪方式、5种粪水治理工艺，所采集的粪水样品包含了天津市规模化奶牛场粪水治理现实作业条件下的综合要素。

图1 23家规模化奶牛场位置分布图

表1 23家规模化奶牛场概况

1.1.2 样品采集

取样点布设在23家规模化奶牛场内粪水流经的所有设施（图2五角星），自牛舍和奶厅粪水收储源头位点（收集池、集粪沟）起始，到回田农用前的末端粪水贮存位点（贮存池、氧化塘）为止。2018年12月下旬连续6 d采集滨海新区同一奶牛场各环节设施中的粪水样品，接着采集5个地区共23家不同奶牛场各环节设施中的粪水样品。粪水治理工艺路线和采样位点分布如图2所示，采样点包括收集池、集粪沟、集污池、分离池和氧化塘等，奶厅废水的收储设施为收集池，牛舍粪水的收储设施为集粪沟；水处理方式不同则采样点位置略有区别。全天采集3～6家奶牛场共14～31个样品不等，每家奶牛场4～8个样品不等。

注：为采样位点。 Note: is sampling site.

参照GB/T 27522-2011《畜禽养殖污水采样技术规范》[17]和DB12/T 655-2016《规模化奶牛场环境监测技术规程》[18]取送样，用自制不锈钢材质提桶、水舀等工具在各设施内采样点垂直液面下10～20 cm处随机采集3个位点的水样，在大水桶中用水舀混合搅匀后取500 mL置于集水瓶中，送回实验室即时检测。共计采集同一奶牛场粪水样品57个，不同奶牛场粪水样品141个。

1.2 仪器与分析条件

1.2.1 中红外光谱采集

Spectrum Two型FTIR光谱仪，美国PerkinElmer公司。仪器采用氘化三甘氨酸硫酸酯（deuterated triglycine sulfate detector，DTGS）作为检测器，使用中红外衰减全反射（attenuated total reflectance，ATR）方式，扫描范围为650～4 000 cm-1。仪器参数为：分辨率8 cm-1，扫描间隔2 cm-1，每个样品重复扫描64次。

1.2.2 总氮测定

按照GB 11891-1989《水质凯氏氮的测定》[19]中规定的方法来测定粪水中总氮（total nitrogen，TN）的含量，仪器选用全自动凯氏定氮仪（Foss kjeltec 8400型，Denmark）。测定结果表明，滨海新区某规模化奶牛场57个粪水样品中TN的质量浓度范围为：69.38～4570.77 mg/L，平均值为1 453.23 mg/L，标准差为812.28 mg/L；23家规模化奶牛场141个粪水样品中TN的质量浓度范围为：45.31～5 262.29 mg/L，平均值为1 682.99 mg/L，标准差为1 238.79 mg/L。

1.3 建模方法建立

1.3.1 建模样品选择

由于待分析的样品同时包括全程和全局环境样品，其中包含了所处地区、养殖规模、清粪方式、治理工艺、粪水流经环节等在内的众多影响因素，从采样到实验室光谱和化学值的测定结果之间的差异可能较为明显，因此在建模前需要剔除异常样品。本研究采用蒙特卡洛采样方法[20-21]进行异常样品剔除，图3为随机采样1000次，对全程57个样品（图3a）和全局141个样品（图3b）的预测均方根误差（root mean square error of prediction，RMSEP）统计分布图设定阈值范围：均值为1200，标准偏差为300。对于全程样品，剔除1和16这2个异常样品；对于全局样品，剔除1、16、31、68、72和75共6个异常样品，分别得到55个、135个有效样品用于分析。

Kenard-Stone（K-S）法[22-24]是通过计算所有样品的欧式距离，将代表性样品的光谱作为校正集，将剩余光谱作为预测集，通过选择将粪水治理整个过程环节中的代表性样品纳入校正集。对剔除异常样品后的样品集，采用K-S法选择校正集和预测集，其结果如表2所示。

1.3.2 建模预处理方法选择

由于试验用粪水样品中多混有固体粪渣和草芥，分析体系较为复杂，光的散射性较强。原始光谱数据包含样品化学信息的同时还掺杂了许多外界干扰信息，因此建模前需要采用适合的预处理方法消除原始数据中的干扰因素和无关信息，以提高模型的适用性、稳定性和可靠性[25]。表3为不同预处理方法所建偏最小二乘（partial least squares，PLS）模型的预测结果。从表3中可以看出，对于TN的中红外光谱PLS回归模型最佳预处理方法为去噪+基线校正。

图3 均值-方差分布图

表2 K-S法划分的校正集和预测集样品信息

表3 不同预处理方法PLS回归结果

1.3.3 建模波段选择

二维相关谱表征的是研究体系随外扰变化的信息，常被用于建模变量的选择[26-30]。对天津市的23家规模化奶牛场粪水治理过程中135个粪水样品的一维中红外光谱进行同步二维相关谱计算（图4），从图上可以看出粪水样品的中红外光谱在1 300～1 600 cm-1范围内发生了明显的变化。回归系数图能直观地给出每一个光谱变量对因变量的重要程度，同样常用于建模波段的选择[31-32]。图5为粪水样品中红外光谱PLS模型回归系数图，从图上同样可以观察到1 300～1 600 cm-1是粪水样品中TN含量有效特征信息最为丰富的波数范围，因此选择在1 300～1 600 cm-1范围内建立定量分析粪水样品TN含量数学模型。

图4 同步二维红外相关谱

图5 PLS模型的回归系数图

2 结果与讨论

2.1 奶牛场粪水中红外光谱特性

图6为天津市23家规模化奶牛场粪水治理过程中各环节的135个样品在400～4 000 cm-1范围内的中红外光谱。从图上可以观察到，1 080 cm-1的波峰主要与C-O键振动有关，1 370～1 500 cm-1的波带主要由饱和烃C-H弯曲振动吸收引起；3 000 cm-1为=C-H伸缩振动吸收引起；1 570～1 515 cm-1的波带主要是氨基化合物的N-H变形和C=N伸缩。值得一提的是，虽然所有样品的中红外ATR光谱整体轮廓相似，但由于待分析的样品来自于不同奶牛场，清粪方式和粪水治理工艺环节各不相同，因此，样品间的红外吸收峰的强度、位置和数量存在差异，表明样品化学组成随空间（不同奶牛场）和时间（不同环节）的变化。

图6 奶牛场粪水样品的中红外衰减全反射光谱

2.2 粪水总氮全程模型构建

2.2.1 主成分分析

对滨海新区某规模化奶牛场粪水治理过程各环节的55个粪水样品，包括收集池、集污池和氧化塘的中红外ATR光谱进行主成分分析聚类。图7为全程环节样品前2个主成分的得分图。由图所示，样品明显分为3类，结合实际采样环节，可知3类样品分别来自收集池、集污池和氧化塘，3个环节样品都具有较好的聚合度。

图7 55个样品前2个主成分得分图

收集池样品主要聚集在第三象限（PC1<0，PC2<0），氧化塘样品主要聚集在第一象限（PC1>0，PC2>0），而集污池大部分样品聚集在第四象限（PC1>0，PC2<0），表明前2个主成分对粪水治理全程中不同环节的样品具有较好的聚类效果。上述结果表明：粪水治理过程中不同环节样品中的有机组分发生了变化。

2.2.2 全程模型建立

将1.3节所处理的采集同一奶牛场粪水中红外ATR光谱矩阵（55×151）作为自变量，凯氏定氮仪测定的粪水样品TN含量矩阵作为因变量，依据交叉验证均方根误差（root mean square error of cross validation，RMSECV）选择4个主成分，建立定量分析全程粪水样品中TN含量的PLS数学模型。图8a为校正集样品交叉验证结果，其交叉验证相关系数cv为0.91，RMSECV为261.66 mg/L，剩余预测偏差（residual predictive deviation，RPD）为3.44。

图8 全程PLS模型校正和预测结果

图8b为所建立的TN模型对预测集21个未知样品（3个收集池样品，13个集污池样品，5个氧化塘样品）TN含量预测结果与实测含量的线性拟合，拟合相关系数p为0.98，拟合线与45°线重合度高，其预测均方根误差RMSEP为130.18 mg/L，RPD为4.97，表明模型效果好。上述结果表明，基于中红外光谱实现同一奶牛场粪水治理全程样品中TN的定量预测是可行的。

2.3 粪水总氮全局模型构建

2.3.1 主成分分析

对天津市23家规模化奶牛场粪水治理过程不同环节的135个粪水样品，包括收集池、集粪沟、集污池、分离池、调节池、沉淀池、贮存池和氧化塘的中红外ATR光谱进行主成分分析聚类。图9为135个样品ATR光谱前2个主成分的得分图，前2个主成分累计解释变量98%。从图中可观察到虽然大部分样品聚合度较好，但并未按环节进行聚类，其原因主要是样品采自天津市5个不同区域23家不同奶牛场，每家奶牛场又包括不同的处理环节，所以样品的差异性较大。同时可观察到：部分来自同一奶牛场的样品距离较近，可聚为一类。

注：图中DX、RF、SC等符号代表不同奶牛场。

结合实际采样情况，在图中标出了8个椭圆，其包含的样品分别来自8家不同奶牛场，其中包含样品数最多的椭圆为2.2节分析的滨海新区某规模化奶牛场。

2.3.2 全局模型建立

将1.3节所处理的采集不同奶牛场粪水中红外ATR光谱矩阵（135×151）作为自变量，凯氏定氮仪测定的粪水样品TN含量矩阵作为因变量，依据交叉验证均方根误差（RMSECV）选择4个主成分，建立定量分析23家不同奶牛场粪水治理过程中各环节粪水样品TN含量的PLS数学模型。图10 a为校正集样品交叉验证结果，其交叉验证相关系数cv为0.96，RMSECV为352.31 mg/L，RPD为3.50。

图10 全局PLS模型校正和预测结果

图10b为所建立的TN模型对预测集44个未知样品（17家奶牛场的5个收集池样品，20个集污池样品，7个分离池样品，12个氧化塘样品）TN含量预测结果与实测含量的线性拟合，拟合相关系数p为0.97，拟合线与45°线重合度较高，其预测均方根误差RMSEP为191.66 mg/L，RPD为3.83，表明模型效果较好。上述结果表明，基于中红外光谱可同时实现天津市不同类型奶牛场粪水治理过程中各环节样品TN的定量预测。

2.4 影响因素分析

不同区域奶牛场、不同清粪方式和不同环节的粪水样品特征均存在差异。因此，要实现同时对天津市不同区域、不同奶牛场在粪水治理过程的不同环节样品中TN含量的快速分析，在采集并选择定标模型样品时，须涵盖上述因素条件下足量的代表性样品。本研究采用K-S法选择定标模型样品，全程建模依托同一奶牛场粪水治理全过程各环节的代表性样品，全局建模基于全市23家典型规模化奶牛场粪水治理全过程中代表性样品，因此所建模型能够提供适用范围广泛且更稳定的预测结果。

虽然全程模型和全局模型都取得较好的预测结果，但从2个模型预测值与实测值拟合线偏离45°线程度而言，全局模型的预测结果更偏离45°线，究其原因主要是全局模型受到更多因素的影响（地区、养殖规模、牛群配比、清粪方式、粪水处理工艺等），从而降低了模型的预测性能。

3 结 论

本研究以天津市23家规模化奶牛场粪水治理全过程环节样品为研究对象，探讨了基于中红外ATR光谱技术快速测定TN含量的可行性。

1）以偏最小二乘法分别建立了同一奶牛场不同治理环节粪水TN含量的全程定标模型和不同奶牛场粪水中TN含量的全局定标模型，并采用独立的预测集验证了模型的有效性。基于中红外ATR光谱技术和偏最小二乘法对同一、不同规模化奶牛场粪水处理全链条各环节样品中的TN含量进行定量预测分析完全可行。

2）全程模型TN预测含量与实测含量的相关系数为0.98，RMSEP为130.18 mg/L，RPD为4.97；全局模型TN预测含量与实测含量的相关系数为0.97，RMSEP为191.66 mg/L，RPD为3.83。相比全局模型，全程模型能提供更好的预测结果，源于不同奶牛场在饲喂、清粪和粪水治理工艺等多元复合因素条件下样品的变异性更加显著。

3）基于中红外ATR光谱技术可以实现对不同类型规模化奶牛场粪水治理全链条各环节样品中TN含量的即时监测和跟踪。

研究团队目前刚采集了2019年春季不同奶牛场的粪水样品，并将继续采集夏季和秋季样品，下一步拟开展不同季节对全局模型的影响分析，进一步优化稳定适合全市范围内种养结合型规模化奶牛场粪水总氮的快速预测分析方法体系，为粪水安全科学还田提供技术支撑。

[1] Zhaohai B, Lin M, Shuqin J, et al. Nitrogen, phosphorus, and potassium flows through the manure management chain in China[J]. Environmental Science Technology, 2016, 50: 13409－13418.

[2] 曹玉博，邢晓旭，柏兆海，等. 农牧系统氨挥发减排技术研究进展[J]. 中国农业科学，2018，51(3)：566－580.

Cao Yubo, Xing Xiaoxu, Bai Zhaohai, et al. Review on ammonia emission mitigation techniques of crop-livestock production system[J]. Scientia Agricultura Sinica, 2018, 51(3): 566－580. (in Chinese with English abstract)

[3] Nannan Z, Zhaohai B, Jiafa L, et al. Nutrient losses and greenhouse gas emissions from dairy production in China: Lessons learned from historical changes and regional differences[J]. Science of the Total Environment, 2017, 598: 1095－1105.

[4] 靳红梅，付广青，常志州，等. 猪、牛粪厌氧发酵中氮素形态转化及其在沼液和沼渣中的分布[J]. 农业工程学报，2012，28(21)：208－214.

Jin Hongmei, Fu Guangqing, Chang Zhizhou, et al. Distribution of nitrogen in liquid and solid fraction of pig and dairy manure in anaerobic digestion reactor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(21): 208－214. (in Chinese with English abstract)

[5] 农业农村部办公厅. 2019年畜牧兽医工作要点（农办牧[2019]14号）[Z]. 2019.

[6] 农业农村部办公厅. 畜禽养殖废弃物资源化利用2019年工作要点（农办牧[2019]33号）[Z]. 2019.

[7] 农业部. 畜禽粪污资源化利用行动方案（2017－2020年）（农牧发[2017]11号）[Z]. 2017.

[8] Chen L, Xing L, Han L. Review of the application of near-infrared spectroscopy technology to determine the chemical composition of animal manure[J]. Journal of Environmental Quality, 2013, 42(4): 1015－1028.

[9] 黄光群，韩鲁佳，樊霞，等. 近红外光谱分析技术在畜禽粪便堆肥研究中的应用[J]. 中国农业大学学报，2006，111(3)：93－97.

Huang Guangqun, Han Lujia, Fan Xia, et al. Application survey of analytical technique of near infrared spectroscopy on studies of livestock manure compost[J]. Journal of China Agricultural University, 2006, 111(3): 93－97. (in Chinese with English abstract)

[10] 严旭，杜周和，白史且，等. 动物粪便近红外光谱的应用潜力[J]. 光谱学与光谱分析，2015，35(12)：3382－3387.

Yan Xu, Du Zhouhe, Bai Shiqie, et al. Potential applicability of fecal NIRs: Areview[J]. Spectroscopy and Spectral Analysis, 2015, 35(12): 3382－3387. (in Chinese with English abstract)

[11] 渠清博，杨鹏，翟中葳，等. 规模化畜禽养殖粪便主要污染物产生量预测方法研究进展[J]. 农业资源与环境学报，2016，33(5)：397－406.

Qu Qingbo, Yang Peng, Zhai Zhongwei, et al. Prediction methods of major pollutants production in manure from large-scale livestock and poultry farms: A review[J]. Journal of Agricultural Resources and Environment, 2016, 33(5): 397－406. (in Chinese with English abstract)

[12] 王晓燕，黄光群，韩鲁佳. 鸡粪工厂化堆肥主要营养成分含量近红外光谱分析研究[J]. 光谱学与光谱分析，2010，30(3)：677－680.

Wang Xiaoyan, Huang Guangqun, Han Lujia. Rapid evaluation of primary nutrients during plant-field chicken manure composting using near-infrared reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2010, 30(3): 677－680. (in Chinese with English abstract)

[13] Hsu J H, Lo S L. Chemical and spectroscopic analysis of organic matter transformations during composting of pig manure[J]. Environmental Pollution, 1999, 104(2): 189－196.

[14] Lü B, Xing M, Yang J, et al. Chemical and spectroscopic characterization of water extractable organic matter during vermicomposting of cattle dung[J]. Bioresource Technology, 2013, 132: 320－326.

[15] Provenzano M R, Malerba A D, Pezzolla D, et al. Chemical and spectroscopic characterization of organic matter during the anaerobic digestion and successive composting of pig slurry[J]. Waste Management, 2014, 34(3): 653－660.

[16] 于子旋，杨静静，王语嫣，等. 畜禽粪便堆肥的理化腐熟指标及其红外光谱[J]. 应用生态学报，2016，27(6)：2015－2023.

Yu Zixuan, Yang Jingjing, Wang Yuyan, et al. Physical and chemical maturity indexes and Fourier transform infrared (FTIR) spectroscopy of animal manures during composting[J]. The Journal of Applied Ecology, 2016, 27(6): 2015－2023. (in Chinese with English abstract)

[17] 中国农业科学院农业环境与可持续发展研究所，农业部畜牧环境设施设备质量监督检验测试中心（北京）. 畜禽养殖污水采样技术规范：GB/T 27522-2011[S]. 北京：中国标准出版社，2011.

[18] 农业部环境保护科研监测所，天津市畜牧业发展服务中心.规模化奶牛场环境监测技术规程：DB 12/T 655-2016[S]. 天津：天津市市场监督管理委会，2016.

[19] 杭州市环境保护监测站.水质凯氏氮的测定：GB 11891-1989[S]. 北京：中国质检出版社，1989.

[20] 刘智超，蔡文生，邵学广. 蒙特卡洛交叉验证用于近红外光谱奇异样品的识别[J]. 中国科学：化学，2008，38(4)：316－323.

Liu Zhichao, Cai Wensheng, Shao Xueguang. Monte carlo cross-validation for singular sample recognition in near infrared spectrum[J]. Scientia Sinica: Chimica, 2008, 38(4): 316－323. (in Chinese with English abstract)

[21] 刘翠玲，孙晓荣，吴静珠，等. 基于NIR的小麦粉异常样品剔除方法研究[J]. 农机化研究，2014，36(4)：46－48，56.

Liu Cuiling, Sun Xiaorong, Wu Jingzhu, et al. Study on elimination of abnormal wheat powder samples based on NIR[J]. Journal of Agricultural Mechanization Research, 2014, 36(4): 46－48, 56. (in Chinese with English abstract)

[22] 刘伟，赵众，袁洪福，等. 光谱多元分析校正集和验证集样品分布优选方法研究[J]. 光谱学与光谱分析，2014，34(4)：947－951.

Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(4): 947－951. (in Chinese with English abstract)

[23] Knadel M, Peng Y, Schelde K, et al. Optimal sampling and sample preparation for NIR-based prediction of field scale soil properties[C]//EGU General Assembly, 2013.

[24] Zhang Xiaodong, Chen Long, Sun Yangbo, et al. Determination of zinc oxide content of mineral medicine calamine using near-infrared spectroscopy based on MIV and BP-ANN algorithm[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 193: 133－140.

[25] 褚小立，袁洪福，陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用[J]. 化学进展，2004，16(4)：528－542.

Chu Xiaoli, Yuan Hongfu, Lu Wanzhen. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Progress in Chemistry, 2004, 16(4): 528－542. (in Chinese with English abstract)

[26] 杨仁杰，刘蓉，徐可欣. 二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素[J]. 农业工程学报，2012，28(6)：259－263.

Yang Renjie, Liu Rong, Xu Kexin. Detection of urea in milk using two-dimensional correlation spectroscopy and partial least square method[J]. Transactions of the Chinese Societyof Agricultural Engineering (Transactions of the CSAE), 2012, 28(6): 259－263. (in Chinese with English abstract)

[27] Wang C, Xiang B, Wei Z. Application of two-dimensional near-infrared (2D-NIR) correlation spectroscopy to the discrimination of three species of[J]. Journal of Chemometrics, 2010, 23(9): 463－470.

[28] Gu C, Xiang B, Xu J. Direct detection of phoxim in water by two-dimensional correlation near-infrared spectroscopy combined with partial least squares discriminant analysis[J]. Spectrochim Acta AMol Biomol Spectrosc, 2012, 97(6): 594－599.

[29] Balabin R M, Smirnov S V. Variable selection in near-infrared spectroscopy: Benchmarking of feature selection methods on biodiesel data[J]. Analytica Chimica Acta, 2011, 692(1/2): 63－72.

[30] Wang Y, Tsenkova R, Amari M, et al. Potential of two-dimensional correlation spectroscopy in analyses of NIR spectra of biological fluids. I. Two-dimensional correlation analysis of protein and fat concentration-dependent spectral variations of milk[J]. Analusis, 1998, 26(4): 64－68.

[31] 洪明坚，温志渝. 一种多模型融合的近红外波长选择算法[J].光谱学与光谱分析，2010，30(8)：2088－2092.

Hong Mingjian, Wen Zhiyu. A new wavelength selection algorithm based on the fusion of multiple models[J]. Spectroscopy and Spectral Analysis, 2010, 30(8): 2088－2092. (in Chinese with English abstract)

[32] 张世芝，胡树青，张明锦. 基于回归系数的变量筛选方法用于近红外光谱分析[J]. 计算机与应用化学，2012，29(2)：227－230.

Zhang Shizhi, Hu Shuqing, Zhang Mingjin. A variable stepwise selection method based on regression coefficient and its applications in near infrared spectroscopic data analysis[J]. Computers and Applied Chemistry, 2012, 29(2): 227－230. (in Chinese with English abstract)

Rapid prediction method of total nitrogen in slurry of large-scale dairy farm by mid-infrared spectroscopy

Zhao Run1, Yang Renjie2※, Mou Meirui3, Sun Di1, Wang Peng2, Zhu Wenbi3, Liu Haixue3, Zhang Keqiang1

(1.,,300191,; 2.,,300384,; 3.,300384,)

How to treat the high amount and concentration of slurry has been the unprecedented challenge for the intensive dairy farms in China for now. Recycling to the farmland is the fundamental way out in line with the long-term practical experiences from many developed countries. But the nitrogen content in the slurry was hard to rapidly and accurately predict on spot that caused the difficulty of recycling. Many characteristics, such as the breeding scale, layout of dairy barns, breeding modes, approaches of manure collection and treatment that influence on the variation of nitrogen content in the links of slurry movement route between China and western countries were mostly different. And the conventional regular monitoring process was normally time-consuming and costly that throughout the sample collection, transfer, preservation, pre-treatment, measurement and so forth. Therefore, it was extremely urgent and meaningful to develop rapid quantitative analysis method which was appropriate for the complicated on-spot factors and conditions. In recent, Ministry of Agriculture and Rural Affairs of China has intensively issued a series of action plans to clearly indicate the importance of improving the testing method and criteria system for recycling the slurry to the farmland. So, 23 typical large-scale dairy farms from 5 predominant dairy industry areas of Tianjin with the farming-breeding combination mode were selected, the whole process analysis of the total nitrogen (TN) in one farm, encompassing the whole chain of slurry management, was carried out. Meanwhile, the overall analysis of TN in 23 different types of dairy farms was implemented, as well that integrating with comprehensive factors including the district, scale, manure collection and treatment ways and so forth. Main objective of the research was to establish the mathematical models available to rapidly predict the TN content under the conditions of the whole process of slurry management together with the on-spot complex situations, and to provide the practical technology for criteria setting in order to help recycling the slurry to the farmland. The feasibility of fast and accurately measurement of the TN contents by means of the mid-infrared attenuated total reflectance (ATR) technology was studied in this research. Calibration model of whole process for TN contents of slurry from the identical dairy farm and calibration model of overall situation for TN contents of slurry from different dairy farms were respectively established using the partial least squares (PLS). The model availability was verified by the independent prediction set. And the principal component analysis (PCA) clustering towards the mid-infrared ATR was also used in this study. The results showed that the characteristics of slurry samples from different dairy farms were different. Linear fitting correlation coefficient between the predicted TN contents in the whole process model and measured contents was 0.98, while the root mean square error of prediction (RMSEP) and residual predictive deviation (RPD) was 130.18 mg/L and 4.97, respectively. In the global model, linear fitting correlation coefficient was 0.97, while the RMSEP and RPD was 191.66 mg/L and 3.83, respectively. Prediction results with extensive application and better stability would be achieved via the established models. Instantaneous monitoring and tracing on the TN contents of samples from the whole management course and sections in different types of large-scale dairy farms based on the mid-infrared ATR could be realized. The research would provide a reference for the development of generalized rapid and accurate prediction technology and equipment in TN content for large scale farm management.

spectroscopy analysis; nitrogen; slurry; large-scale dairy farm; rapidly prediction; mid-infrared attenuated total reflectance; partial least squares (PLS)

10.11975/j.issn.1002-6819.2019.15.027

X713

A

1002-6819(2019)-15-0217-08

2019-05-11

2019-07-23

国家重点研发计划（2018YFD0800100）；中央级公益性科研院所基本科研业务费专项（Y2019GH14）；天津市现代奶牛产业技术体系创新团队建设专项（ITTCRS2017006）；国家自然科学基金（41771357，21607114，81471698）和天津市自然科学基金（18JCYBJC96400，16JCQNJC08200）联合资助

赵润，助研，博士生，研究方向为规模化奶牛场环境监测。Email：15900389657@163.com

杨仁杰，教授，博士，主要从事光谱检测技术研究。Email：rjyang1978@163.com

赵 润，杨仁杰，牟美睿，孙 迪，王 鹏，朱文碧，刘海学，张克强. 基于中红外光谱的规模化奶牛场粪水总氮快速预测方法[J]. 农业工程学报，2019，35(15)：217－224. doi：10.11975/j.issn.1002-6819.2019.15.027 http://www.tcsae.org

Zhao Run, Yang Renjie, Mou Meirui, Sun Di, Wang Peng, Zhu Wenbi, Liu Haixue, Zhang Keqiang. Rapid prediction method of total nitrogen in slurry of large-scale dairy farm by mid-infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 217－224. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.027 http://www.tcsae.org