利用近红外光谱快速检测大青山山羊肉脂肪与蛋白质含量

本试验旨在研究利用近红外光谱分析技术快速检测羊肉中蛋白质与脂肪含量。选择18、30、42月龄3个年龄组的大青山山羊各20只,采集背最长肌(B)、臂三头肌(Q)、股二头肌(H)3个部位的肌肉样本,共180块,测量蛋白质与总脂肪含量并收集样本的近红外光谱。利用偏最小二乘法关联含量与光谱数据,分别建立大青山山羊肉中蛋白质与总脂肪含量定量预测模型。结果显示:蛋白质含量预测模型的均方根误差(RMSEC)值为0.668,交叉验证均方根误差(RMSECV)值为0.697;总脂肪预测模型的RMSEC值为0.503,RMSECV值为0.580;选择未参与建模的不同年龄、不同部位的样本共27个作为验证集对模型进行验证,得到蛋白质含量预测模型RPD值为3.71,总脂肪含量预测模型RPD值为3.23。本研究所建模型精确度符合检测要求,能够很好地实现蛋白质和总脂肪含量的快速测定,为羊肉品质分析测定提供了一种快速简便的检测方法。     

近红外光谱法与常规化学分析法苜蓿营养成分的对比研究

选取20个不同来源的苜蓿样品作为研究对象,分别使用近红外光谱法和常规化学分析法检测苜蓿样品中水分、粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维和中性洗涤纤维的含量,验证近红外光谱分析法与常规化学分析法检测的符合程度。试验结果表明：与常规化学分析法比较,苜蓿近红外光谱预测模型更适用于苜蓿样品中粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维和中性洗涤纤维含量的检测,但并不适用于苜蓿水分含量的检测,因此,需要对已有的近红外预测模型进行调整和优化。     

豆粕蛋白质含量近红外快速测定技术的研究

采用近红外光谱分析技术,结合改进最小二乘回归法(MPLS),以40个不同来源的豆粕饲料样品建立豆粕蛋白质含量分析的预测模型。模型定标相关系数(RSQ)为0.916 0,定标标准差(SEC)为0.150 3,交互验证标准差(SECV)为0.324 2。试验表明,利用近红外光谱分析技术可以比较准确地定量检测豆粕中蛋白质的含量。     

近红外光谱法测定DDGS中粗蛋白含量的试验研究

试验建立DDGS粗蛋白含量测定的近红外光谱分析定标模型。采用化学分析法测定72个DDGS样品中的粗蛋白含量,利用FOSS InfraXact型近红外光谱分析仪采集样品光谱,光谱经2,4,4,1导数和标准正常化+散射处理(SNV+Detrend),用改进最小二乘法(MPLS)回归,获得了较好的定标模型,校正决定系数(RSQ)、交叉验证决定系数(1-VR)、校正标准误差(SEC)、交叉验证标准误差(SECV)分别为0.982 5、0.932 8、0.266 2、0.389 5。利用30个验证集的DDGS样品进行外部检验,预测值与真实值之间差异不显著(P>0.05)。结果表明,定标模型的预测性能较好,可以替代化学分析法快速测定DDGS中的粗蛋白含量。     

紫花苜蓿青贮饲料粗灰分含量的近红外评定方法研究

为了探讨近红外光谱分析技术在青贮饲料粗灰分测定中的效果,按照不同苜蓿品种、刈割次数和青贮方法制备了160份紫花苜蓿青贮饲料样品,用液氮冷冻技术制备近红外测定样品,用偏最小二乘回归法建模,对傅里叶变换近红外光谱技术测定青贮饲料新鲜样品中粗灰分含量的可行性进行了分析。结果表明:紫花苜蓿青贮饲料样品粗灰分近红外光谱分析的最佳光谱范围为9 736. 26~4 123. 20 cm-1,交叉检验相关系数(Rcv)和交叉检验标准误(RMSECV)分别为0. 978和0. 177。用50个样品对模型进行外部检验,预测相关系数(r)为0. 978,预测标准误(RMSEP)为0. 207。说明近红外光谱技术可以测定紫花苜蓿青贮饲料鲜样中的粗灰分含量。     

检测燕麦干草主要营养成分含量的近红外光谱分析模型

为探索NIRS技术在测定燕麦(Avena sative)干草品质上的应用,试验于2020—2021年收集了249份不同品种、年限和生长时期的燕麦干草,通过WinISI III定标软件建立燕麦干草主要营养成分的近红外光谱模型。结果显示：粗蛋白(CP)、中性洗涤纤维(NDF)和粗脂肪(EE)预测模型的定标系数(RSQ)和外部验证决定系数(RSQv)均在0.83以上,校正标准误(SEC)、交叉验证误差(SECV)和预测标准误差(RMSEP)均小于0.02,相对标准误差(RPD)均大于3,预测值逼近化学分析的精度具有良好的预测效果。酸性洗涤纤维含量(ADF)建模效果较差,定标系数和外部验证决定系数分别为0.83和0.84,校正标准误(SEC)、交叉验证误差(SECV)和预测标准误差(RMSEP)均小于0.01,接近化学分析精度,且RPD大于2.50。因此,所建ADF模型也可用于近红外预测。     

紫色土光谱特征及其碱解氮的预测研究

文章分析探索了应用可见近红外光谱技术快速、高效、便捷测定土壤营养参数的可能性。采集蓬莱镇组紫色土样本,比对分析了不同肥力水平、土壤厚度和土壤粒径条件下采集土壤光谱对可见近红外光谱特征的影响,筛选出不同厚度、粒径土壤条件下的碱解氮含量预测模型。研究结果表明,土壤样本厚度为30mm时具有最大的光谱反射率,建立的氮含量预测模型效果最佳,校正集和验证集的相关系数分别为0.84和0.83,均方根误差分别为1.79和1.87。土样粒径在0.25-0.85mm时氮含量的预测效果最佳,校正集和验证集的相关系数均超过0.8,且均方根误差较小;但当土样粒径<0.25mm时,氮含量预测模型效果明显下降。采用20目（<0.85mm）过筛、30mm厚度土壤样本采集可见近红外光谱和偏最小二乘法（PLS）模型预测,可以实现对蓬莱镇组紫色土碱解氮含量的较好光谱预测。     

新疆沙尔套山天然草地主要混合牧草营养指标近红外光谱分析

为了对新疆沙尔套山天然草地主要牧草营养指标进行快速、无损检测,本试验采用近红外光谱技术（Near infrared reflectance spectroscopy,NIRS）,进行修正偏最小二乘回归法（Modified partial least squares,MPLS）,结合散射处理、导数、平滑等不同的光谱预处理和数学处理方法,建立了32种主要牧草（草粉）的粗蛋白（Crude protein,CP）、中性洗涤纤维（Neutral detergent fiber,NDF）、酸性洗涤纤维（Acid detergent fiber,ADF）、粗灰分（Ash）、钙（Ca）和磷（P）的校正模型。结果表明：CP、NDF、ADF、Ash、Ca和P的交叉检验决定系数（R²）分别为0.82,0.80,0.78,0.50,0.72和0.65,交叉验证标准误差（Standard error of cross validation,SECV）分别为2.36,6.17,3.87,0.85,0.24和0.07,交叉验证相对分析误差（Relative percent deviation of cross validation,RPDCV）分别为2.78,2.26,2.39,1.92,2.39和1.65。最后结合外部验证集对各矫正模型进行验证。试验得出CP、NDF、ADF外部验证相对分析误差分别为2.67,2.20和2.28,相关性分别为0.66,0.73和0.84,其模型精确度和验证准确度还有待提高;利用近红外光谱检测技术不能建立Ash、Ca和P的检测模型。     

预混料中土霉素含量的快速测定

用近红外光谱分析方法研究了以碳酸钙为稀释剂的预混料中土霉素含量的快速测定。结果，土霉素在1664、2085、112lnm处二阶导数吸收光谱图显示出极明显的特征吸收峰。用1664／2223、2085／2267、2121／2212nm三对波长点的光谱数据与标样的土霉素含量（效价单位）数据进行的多元回归分析结果为：相关系数为0.9997，标准误差为450单位／克，变异系数为1.4％，以此回归结果作为定标方程。检验该定标方程结果：检验样品组土霉素实际含量与定标方程估测值相关系数为1.000（P＜O.01），标准误差为484单位／克，变异系数为1.5％。表明近红外光谱法用于预混料中土霉素含量的测定是实用的。     

利用近红外反射光谱检测豆粕中掺假棉籽粕的研究

本实验研究了通过近红外反射（NIR）光谱对豆粕中掺假棉籽粕的定量分析方法。在豆粕中分别掺入0%、5%、10%、15%、20%、25%、30%（m/m）棉籽粕，每个处理包含建模集样品20个、验证集样品10个，使用傅立叶变换近红外光谱仪获取掺假样本的NIR光谱，采用OPUS化学计量学软件拟合建模集样品棉籽粕掺假率的NIR光谱预测模型，再用验证集样本对预测模型进行验证，评价预测模型的相对误差。结果表明，豆粕中棉籽粕掺假率的NIR光谱预测模型的决定系数（R2）为0.975、交叉验证均方根误差（RMSECV）为1.58、斜率为0.974，棉籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为15.0%、0.50%、1.87%、1.45%、1.28%、0.87%。因此，利用NIR光谱可以准确定量测定豆粕中棉籽粕的掺假比例。 [关键词] 豆粕|棉籽粕|掺假|近红外反射光谱|预测模型     

基于近红外光谱法的紫花苜蓿品质综合评价

探索近红外光谱法测定紫花苜蓿品质的可行性,采用近红外光谱法与常规方法对8个紫花苜蓿品种(系)的粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维、中性洗涤纤维、钙、磷和干物质等8项指标进行测定。利用配对T检验、多重比较和回归分析等方法检验近红外光谱法测定结果的可行性,运用灰色关联度分析对苜蓿品质进行综合评价。结果表明,粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维、磷和干物质等6项指标用近红外光谱法测定可信度较高。紫花苜蓿品质评价指标可简化为粗蛋白、粗灰分、中性洗涤纤维、酸性洗涤纤维和干物质等5项。灰色关联度分析综合表现较好的苜蓿品种(系)有WL358、WL440HQ、WL656HQ和WL366HQ。     

基于可见—近红外光谱的蚕茧含水率无损检测研究

以蚕茧含水率为研究对象,研究了基于可见—近红外光谱技术的蚕茧含水率无损检测方法.采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见—近红外光谱模型,采用连续投影算法（suc-cessive projections algorithm,SPA）选取光谱有效波长.结果表明,基于SPA方法进行变量选择,最终将原始光谱的601个光谱变量减少到了11个（487,501,616,718,771,782,789,826,966,977和991nm）.基于此11个变量建立的LS-SVM模型得到了预测集的确定系数（RP2）为0.8517,误差均方根（RMSEP）为0.0504的预测结果.表明可见—近红外光谱可以用于对蚕茧的含水率进行无损检测,同时SPA是一种有效的光谱变量选择方法.     

蓟马持续为害对苜蓿品质的影响

测定了4个苜蓿品种 HA-3、Ta、M8、Ja 无性系在大田蓟马持续为害后茎叶中的营养成分,结果表明：受蓟马为害后,4个苜蓿无性系品种叶片中的粗蛋白、粗脂肪和可消化蛋白含量降低,粗纤维含量、粗灰分含量升高,且均与对照差异显著（P 〈0.05）,HA-3和 Ta 苜蓿叶片无氮浸出物含量降低,M8和 Ja 叶片中的升高。在茎中,4种苜蓿无性系的粗蛋白、粗灰分和可消化蛋白含量升高,且显著高于对照（P 〈0.05）;粗脂肪含量降低,与对照相比较无显著差异,粗纤维和无氮浸出物含量降低,显著低于对照（P 〈0.05）。HA-3苜蓿无性系在多个牧草品质指标中表现最佳,耐害性最佳,而 Ja 苜蓿最差。     

饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量近红外速测方法研究

为了探讨利用近红外漫反射光谱技术(NIDRS)快速定量分析饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量的可行性,本试验在全国范围内收集了具有代表性的L-赖氨酸硫酸盐添加剂76个,采用国家标准方法对样品中的L-赖氨酸含量进行化学赋值;用光栅型近红外光谱仪扫描L-赖氨酸硫酸盐样品,获取了不同物理状态下样品的近红外光谱图。依据L-赖氨酸含量将样品分为定标集和验证集,运用适当的光谱预处理方法,采用竞争性自适应重加权(CARS)算法结合偏最小二乘法(PLS)建立了L-赖氨酸硫酸盐的近红外定标分析模型,并将该模型与全波长模型进行了比较。结果表明:用烘干、60目粉碎后的样品结合CARS算法建立的定标模型最优,定标集校正决定系数(R2C)为0.954,校正集标准偏差(SEC)为0.510,交互验证标准偏差(SECV)为0.659;验证集预测决定系数(R2P)为0.952,预测标准偏差(SEP)为0.554,相对分析误差(RPD)值为3.83。由此可见,NIDRS定量分析L-赖氨酸硫酸盐具有一定可行性,对于丰富我国氨基酸盐及其他氨基酸制品的快速检测方法具有实际的应用意义。     

利用近红外光谱分析预测紫花苜蓿干草品质

粗蛋白(CP)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)的含量是评价苜蓿(Medicago sativa)产品质量的重要指标。美国现行较多的是使用相对饲用价值(RFV)评估粗饲料产品的质量,我国则用粗饲料分级指数(GI)来评估粗饲料产品的质量。应用偏最小二乘法(PLS)、傅里叶变换近红外光谱技术,建立了适合不同收获期(现蕾期至盛花期)的CP,ADF,NDF,RFV和GI的近红外预测模型。结果表明:粗蛋白的交互验证决定系数(R_cv²)为0.9129,外部验证中预测决定系数为0.901,模型准确性最高。CP, ADF, NDF, RFV和GI外部验证RPD均大于2.5。本文首次探索紫花苜蓿品质评价指标的模型建立,以期为紫花苜蓿品质育种提供数字依据。     

刈割时期和调制方法对紫花苜蓿营养品质的影响

对不同刈割时期和调制方法的紫花苜蓿营养品质进行了研究,结果表明:(1)随着生育时期由现蕾期延迟至结荚期,紫花苜蓿的营养品质显著下降(P<0.05)。其中,粗蛋白(CP)、粗脂肪(EE)和粗灰分(CA)含量分别下降37.67%,12.62%和7.08%,中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量分别增加26.43%和29.84%。(2)与自然晒干相比,烘干和机械压扁茎秆可显著缩短紫花苜蓿干燥时间,提高紫花苜蓿的营养品质(P<0.05)。烘干后紫花苜蓿的CP含量提高10.87%,NDF和ADF含量下降4.33%和4.72%;压扁茎秆调制的紫花苜蓿干草,其CP含量可提高5.92%,NDF和ADF含量降低3.80%和4.09%。(3)烘干和机械压扁茎秆是适宜的紫花苜蓿调制方法,但考虑到资金投入和可操作性,认为机械压扁茎秆资金投入不大,操作简单易行,在生产中可优先选用。     

添加不同乳酸菌剂对苜蓿青贮营养价值的影响

本试验旨在研究添加不同乳酸菌剂对苜蓿青贮营养价值的影响。以紫花苜蓿为原料,分别添加干酪乳杆菌（A-LAB组）、植物乳杆菌（B-LAB组）和戊糖片球菌（C-LAB组）各1×10⁶ CFU/g进行青贮,同时设置空白对照。发酵45 d后,应用康奈尔净碳水化合物-蛋白质体系（CNCPS）对苜蓿青贮营养价值进行评定。结果表明,在蛋白质组分中,与对照组相比,添加乳酸菌剂能降低非蛋白氮（PA）含量,其中B-LAB组达到显著水平（P＜0.05）;乳酸菌剂组中速降解真蛋白质（PB₂）和慢速降解真蛋白质（PB₃）含量均高于对照组,但差异不显著（P＞0.05）。在碳水化合物组分中,添加乳酸菌剂提高了糖类（CA）、非结构性碳水化合物（CNSC）的含量,降低了可利用纤维（CB₂）的含量,其中A-LAB组达到显著水平（P＜0.05）。综上所述,添加乳酸菌剂能在一定程度上通过保护真蛋白和提高快速降解碳水化合物组分及非结构性碳水化合物含量,提高苜蓿青贮营养价值,且分别以添加植物乳杆菌和干酪乳杆菌效果较好。     

黄土高原不同撂荒年限草地中紫花苜蓿营养价值波动性研究

为明确紫花苜蓿营养价值随生长年限的变化规律,以黄土高原撂荒第4、5、6、8、12、13、14、15年草地的紫花苜蓿为研究对象,采用近红外光谱技术,测定其基本养分、矿物质和消化特性等,并对其营养价值进行评价。结果表明:不同撂荒年限草地的紫花苜蓿营养价值指标,除Ca、Mg、RFV(相对饲喂价值)变异系数较大外(10%~14%),其他指标的变异系数均较小(<9%),不同撂荒年限草地紫花苜蓿的粗蛋白含量均>19%,撂荒第14年和第15年草地的紫花苜蓿符合特级苜蓿干草制作标准,撂荒第5年和第6年草地的紫花苜蓿符合二级苜蓿干草制作标准,而其他撂荒年限草地的紫花苜蓿均符合一级苜蓿干草制作标准。综上,不同撂荒年限草地的紫花苜蓿营养价值均相对稳定,且为高品质牧草。     

Comparison of in vitro and in situ methods in evaluation of forage digestibility in ruminants

The objective of this study was to compare the application of different in vitro and in situ methods in empirical and mechanistic predictions of in vivo OM digestibility (OMD) and their associations to near-infrared reflectance spectroscopy spectra for a variety of forages. Apparent in vivo OMD of silages made from alfalfa (n = 2), corn (n = 9), corn stover (n = 2), grass (n = 11), whole crops of wheat and barley (n = 8) and red clover (n = 7), and fresh alfalfa (n = 1), grass hays (n = 5), and wheat straws (n = 5) had previously been determined in sheep. Concentrations of indigestible NDF (iNDF) in all forage samples were determined by a 288-h ruminal in situ incubation. Gas production of isolated forage NDF was measured by in vitro incubations for 72 h. In vitro pepsin-cellulase OM solubility (OMS) of the forages was determined by a 2-step gravimetric digestion method. Samples were also subjected to a 2-step determination of in vitro OMD based on buffered rumen fluid and pepsin. Further, rumen fluid digestible OM was determined from a single 96-h incubation at 38°C. Digestibility of OM from the in situ and the in vitro incubations was calculated according to published empirical equations, which were either forage specific or general (1 equation for all forages) within method. Indigestible NDF was also used in a mechanistic model to predict OMD. Predictions of OMD were evaluated by residual analysis using the GLM procedure in SAS. In vitro OMS in a general prediction equation of OMD did not display a significant forage-type effect on the residuals (observed - predicted OMD; P = 0.10). Predictions of OMD within forage types were consistent between iNDF and the 2-step in vitro method based on rumen fluid. Root mean square error of OMD was least (0.032) when the prediction was based on a general forage equation of OMS. However, regenerating a simple regression for iNDF by omitting alfalfa and wheat straw reduced the root mean square error of OMD to 0.025. Indigestible NDF in a general forage equation predicted OMD without any bias (P ≥ 0.16), and root mean square error of prediction was smallest among all methods when alfalfa and wheat straw samples were excluded. Our study suggests that compared with the in vitro laboratory methods, iNDF used in forage-specific equations will improve overall predictions of forage in vivo OMD. The in vitro and in situ methods performed equally well in calibrations of iNDF or OMD by near-infrared reflectance spectroscopy.