近红外光谱检测燕麦饲草青贮营养品质研究

田丽梅,陈 菲,林炎丽,倪奎奎,杨富裕,2*

(1.中国农业大学草业科学与技术学院,北京 100193; 2.贵州大学动物科学学院,贵州 贵阳 550025)

燕麦(AvenasativaL.)是全球重要的粮饲兼用作物之一[1],我国每年对燕麦草等优质饲草的需求为1.2亿吨[2]。燕麦易于栽培,具有耐贫瘠、耐盐碱、抗旱耐寒、适应性强、营养价值高的特点,在中国北部、西北部和西南部广泛种植[3-4]。青贮饲料相较于干草饲料具有营养流失少、易于长期保存、适口性好、消化率较高等特点[5-6]。青贮饲料营养价值参数高效和准确地测定是控制反刍动物精准营养的关键[7],传统的青贮饲料品质检测会破坏样品,检测费时、费用昂贵,需要配置良好的设备和经过培训的操作人员,不能即时获知指标数据,对生产指导显现出严重的滞后性[8-9]。因此,急需寻求高效、简便的现代分析技术来适应生产快速检测要求。

现代近红外光谱(Near infrared spectroscopy,NIRS) 分析技术起源于上世纪50年代末期,目前已广泛地用于农业、食品、石化和制药等领域[10]。Norris最早应用近红外光谱测定饲料中水分和蛋白质含量[11],目前该技术已广泛应用于饲料领域现场快速检测、精准配料、批量检测及在线分析等[12]。近红外光谱能获取绝大部分有机物组成性质以及分子结构的有效信息,在近红外光谱范围内,测量的主要是含氢基团XH (X=C,N,O,S等) 振动的倍频及合频吸收[13],青贮饲料的主要成分在近红外区域都有该成分特有的吸收特性。在测定样品时无前处理、无污染,可以快速、准确地评估饲料的化学成分和相关的饲用价值属性[14]。

青贮饲料与反刍动物生长性能及牧场经济效益关系密切,其原料来源广泛,品质会受牧草品种、收获时的成熟阶段、气候条件、收获技术、添加剂的类型和青贮的方法等影响[15-16]。因此,探索能够满足实际生产需要精准度,且能适用于不同地域、不同品质、饲草品种等未知场景的饲草青贮品质近红外光谱预测模型,具有重要的意义。本研究选取燕麦饲草青贮样品,扫描干燥样品和新鲜样品近红外光谱,讨论燕麦饲草青贮样品状态对建模的影响,建立燕麦饲草青贮品质评估近红外模型,旨在为饲草生产提供一种高效分析品质的方法。

1 材料与方法

1.1 样品采集与制备

2020-2021年于四川成都、内蒙古呼和浩特、河北张家口、甘肃张掖、江苏扬州、贵州遵义、山东济南地区(表1)采集乳熟期的全株燕麦饲草,通过不同晾晒时间、发酵温度、添加剂种类和青贮时间的处理,制作青贮样本。对照组为刈割后直接青贮并常温储藏。不同的晾晒处理为分别为自然晾晒2 h,4 h,6 h。不同的温度处理设4个水平,为5℃,15℃,25℃,30℃,置于恒温培养箱保存。添加剂处理设3个水平,分别为植物乳杆菌、纤维素酶、植物乳杆菌+纤维素酶。全株燕麦刈割后立即用铡刀将材料切割至2～3 cm,充分混匀,每300 g原料装入聚乙烯袋青贮袋(28 cm×35 cm),真空密封,青贮30天、60天和90天,3个重复,共273个样品。

表1 取样地点信息Table 1 Information of the sampling site

1.2 化学参考值测定

开袋后,均匀混合青贮样品。通过四分法取青贮样品20 g,加入180 mL无菌盐水,放置于4℃条件下浸提24 h。用滤纸过滤,得到浸提液,取部分浸提液于4℃,10 000 r·min-1,离心5 min。上清液通过0.22 μm微孔滤膜过滤用于有机酸(乳酸,乙酸,丁酸)和氨态氮含量分析。氨态氮含量采用苯酚-次氯酸比色法测定[17],有机酸含量通过高效液相色谱测定[18](色谱柱:KC-811column,Shimadzu,日本。检测器:SPD-M10AVP。流动相:3 mmol·L-1高氯酸,流速1 mL·min-1。柱温50℃,检测波长210 nm,进样量5 μL)。

取燕麦青贮样品约250 g,放置于65℃烘箱中烘干至恒重后,测定干物质含量,然后使用粉碎机粉碎并过1 mm筛,粉碎样品用来测定可溶性碳水化合物、粗蛋白、中性洗涤纤维和酸性洗涤纤维含量。采用蒽酮硫酸法测定可溶性碳水化合物含量[19];粗蛋白含量采用凯氏定氮法测定[20];中性和酸性洗涤纤维含量采用范氏法进行测定[20]。

1.3 光谱采集

光谱的采集与化学参考值的测定同时进行,新鲜样品的光谱在青贮开袋时进行采集,250 g样品经烘干粉碎过筛后,扫描获得干燥样品光谱。实验仪器为意大利Grainit.S.L公司生产的GraiNit AuroraNir (DA)型便携式近红外光谱仪:光谱范围为950～1 650 nm,每2 s扫描2次,每个样品重复装样扫描4次,自动记录平均光谱为试验光谱。环境条件为:温度10～30℃,湿度30～70%,扫描样品均在仪器配套的样品采集盒内进行。

1.4 近红外光谱校准模型的开发和验证

近红外光谱分析过程利用UCAL软件(美国Unity科学)进行光谱预处理及回归分析等处理。光谱预处理选取标准正态变量变换+去趋势,多元色散校正+去趋势,一阶导数+去趋势,标准正态变量变换+多元色散校正+去趋势+一阶导数四种方式进行数学处理,以交叉验证标准差(Standard error of cross-validation,SECV)为考察指标,比较分析四种方法的定量分析结果,确定最小SECV所对应的方法为最优光谱预处理方法。在进行PLS回归之前,对所有光谱数据集执行主成分分析(Principal component analysis,PCA),以识别和去除光谱异常值,异常样品的判断以标准马氏距离(GD值)为考察指标,当GD值>3时判定该样品异常并予以剔除,然后将样品按照4∶1比例随机分为校正集和验证集,校正集用于开发回归模型,验证集用于评估已建立模型的性能。

2 结果与分析

2.1 光谱特征

由图1燕麦饲草青贮新鲜和干燥样品的近红外光谱可知,燕麦饲草青贮新鲜、干燥样品近红外光谱具有相同的吸光度带,且表现出相似趋势,在950～1 650 nm范围内具有较强吸收峰,但吸收程度不同,燕麦饲草青贮新鲜样品比干燥样品光谱波动变化更大,两者都在1 150～1 200 nm,1 400～1 500 nm处有较强的吸收峰,1 350～1 400 nm处有较弱的吸收峰;新鲜样品光谱图中 960～1 000 nm有较强的吸收峰,而干燥样品光谱图中没有出现吸收峰。

图1 青贮燕麦饲草近红外光谱Fig.1 The Near-infrared spectrum of oat silage注:(a) 新鲜样品;(b) 烘干样品Note:(a) Fresh sample;(b) Died sample

2.2 化学成分参考值的描述性统计

表2显示了用于近红外建模的燕麦饲草青贮校正集和验证集含水量、中性洗涤纤维、酸性洗涤纤维、粗蛋白、可溶性碳水化合物、粗脂肪、氨态氮、乳酸、乙酸和丁酸含量平均值、最大值、最小值、标准差及变异系数的描述性统计结果。校正集和验证集样品的化学成分含量描述性统计量基本一致,验证集的范围在校正集记录的范围内,且所有成分浓度范围较广,为构建预测模型提供了足够的范围。

表2 燕麦青贮饲料校正集和验证集样品营养成分含量范围(干物质基础)Table 2 The range in nutrient content of oat silage samples in the calibration and validation sets (DM basis)

2.3 燕麦饲草青贮校正模型

表3 燕麦饲草青贮校正模型(新鲜样品)Table 3 Calibration models of forage oat silage (Fresh sample)

表4 燕麦饲草青贮校正模型(干燥样品)Table 4 Calibration models of forage oat silage (Dried sample)

2.4 模型预测性能评价

图2 燕麦饲草青贮发酵品质和营养成分近红外预测值和参比值散点图(新鲜样品)Fig.2 Analyzed value vs. predicted value of fermentation quality and nutrient content (Fresh sanple)

表5 燕麦饲草青贮营养成分的预测结果(新鲜样品)Table 5 Prediction results of nutrient content of oat silage (Fresh sample)

图3 燕麦饲草青贮发酵品质和营养成分近红外预测值和实测值散点图(干燥样品)Fig.3 Analyzed value vs. Predicted value of fermentation quality and nutrient content (Dried sample)

表6 燕麦饲草青贮营养成分的预测结果(干燥样品)Table 6 Prediction results of nutrient content of oat silage (Dried sample)

3 讨论

4 结论

本研究建立了燕麦饲草青贮营养品质的近红外光谱快速检测模型,结果发现干燥样品比新鲜样品的近红外快速检测模型具有更高的预测精度;青贮发酵品质的预测精度未达到实时检测要求,需要进一步研究升级模型,提高其实际应用能力。本研究为便携式近红外光谱仪现场快速检测燕麦青贮品质提供了理论支撑。