无芒雀麦营养成分含量近红外预测模型的分析与建立

为快速、高效、无损评定无芒雀麦干草营养价值,将101份样品的7种营养成分湿化学分析结果与近红外光谱结合,通过标准正态变量变换（SNV）、去散射处理（Detrend）和标准多元离散矫正处理（Standard MSC）等预处理方法,利用改良偏最小二乘法（MPLS）和主成分分析（PCA）等算法分别建立了粗蛋白质（CP）、干物质（DM）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）、粗脂肪（EE）、灰分（Ash）和有机物（OM）的近红外预测定标模型。结果表明：CP和EE外部验证分析误差的值（RPD）为3.0089和2.7721,预测模型准确性较高,可以用于实际生产中的含量测定;NDF和ADF的RPD值仅次于CP和EE,分别为2.1421和2.0678,预测模型可以用于粗略的预测;DM、OM和Ash的RPD值为1.7718、1.1548和1.3602,预测模型效果不理想。综上所述,构建的无芒雀麦CP、EE、NDF和ADF含量模型效果较好,为快速、高效、无损评定无芒雀麦干草营养价值提供理论依据与技术支撑。     

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。     

建立近红外特征波长模型快速测定羊草常规营养成分的研究

本研究采用近红外光谱法快速测定羊草（Leymus chinensis）中的常规营养成分,利用无信息变量消除法（unknown variable elimination,UVE）、随机蛙算法（random frog algorithm,RF）结合偏最小二乘法（partial least squares,PLS）建立了羊草品质测定模型,有效降低了冗余无信息变量,提高了模型的测量精度和稳定性。研究发现利用UVE-PLS筛选建立的羊草品质测定模型优于全光谱PLS和RF-PLS筛选建立的模型;UVE-PLS模型显著降低了交叉验证均方根误差和预测均方根误差,提高了校正集决定系数、交叉验证决定系数及预测集决定系数。研究表明UVE-PLS模型在测定羊草中的水分、粗蛋白、酸性洗涤纤维和中性洗涤纤维是可行的,校正集决定系数和预测集决定系数95%~98%。     

近红外光谱技术分析高羊茅干草营养成分含量

本研究利用近红外光谱(NIRS)技术构建高羊茅(Festuca arundinacea)干草的近红外预测模型,于甘肃省庆阳市采集101份高羊茅样品,将湿化学分析结果和NIRS结合,利用改良偏最小二乘法(MPLS)进行预测模型的建立和验证。最终建立了高羊茅干草干物质(DM)、粗蛋白质(CP)、有机物(OM)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗脂肪(EE)、灰分(Ash)这7种营养成分的预测模型,其中建立的CP和DM的预测模型外部验证相对分析误差(RPD)值为3.53和2.55,预测模型的预测效果较好,可以用于实际生产中预测成分含量;OM、 NDF、 ADF、EE和Ash的预测模型RPD值为2.17、2.04、2.06、2.06和2.02,所预测的结果可以作为一些饲料生产中的参考。     

近红外光谱分析与传统方法检测豆粕中营养成分的比较

近红外光谱分析技术(NIR)能简单、快速、准确地测定有机物中的化学成分。本实验用该法测定豆粕中各种常规营养成分,并将其与化学方法进行比较。数据显示:NIR与化学方法测定的结果相比,粗蛋白质、粗脂肪、灰分、水分、中性洗涤纤维和酸性洗涤纤维测定值的差异均不显著(P>0.05),相对误差分别为0.68%、9.61%、2.23%、1.17%、6.36%和6.34%;两种方法测定结果的相关系数(r)分别为0.9561、0.9408、0.9512、0.9924、0.9632和0.9584(P<0.01)。表明NIR可以应用于豆粕中营养成分的测定。     

近红外漫反射光谱定量分析天然牧草营养成分

为了快速测定内蒙古锡林郭勒盟草原天然牧草的营养成分,试验选用内蒙古锡林郭勒盟草原2016年5-11月份的主要牧草及混合牧草样品共407份,研究利用近红外漫反射全光谱扫描技术结合实验室检测数据,用修正偏最小二乘法（MPLS）,进行粗蛋白（CP）、中性洗涤纤维（NDF）、酸性洗涤纤维（ADF）、木质素（ADL）、粗灰分（Ash）、粗脂肪（EE）、钙（Ca）、磷（P）的定标和验证。结果表明：Ca、NDF、DM、CP、Ash的外部验证相对分析误差RPD（SD/SEP）均 > 3,NIRS预测值与化学值的相关系数RSQ均在0.9以上,说明这5个指标的定标效果较好, 建立的定标模型可以用于实际检测;ADF外部验证相对分析误差2.5     

宁夏玉米营养成分近红外分析模型建立与应用

研究采集宁夏区内各市县(固原、海原、同心、中卫、中宁、永宁、平罗)抽取玉米样品120批,用近红外分析仪扫描定标样品集获得玉米近红外光谱图,利用偏最小二乘法建立模型,并分别经过无预处理、均值中心化、标准正态变量转换、一阶导数、标准正态变量转换结合去趋势校正(SNV+D)预处理光谱,获得水分、粗蛋白、粗脂肪、粗纤维预测模型,分别是经过MC、SNV+D、SNV+D、SNV+D光谱预处理后效果最好。预测决定系数R² _p分别为0.951、0.976、0.728、0.897,相对分析误差RPD除粗脂肪为2.62外,其他均大于3的近红外预测模型,通过预测模型验证集验证后,并对模型预测值与实测值进行U检验,结果为差异不显著(P>0.05)。该近红外预测模型对玉米中水分、粗蛋白、粗纤维具有较佳预测效果,粗脂肪的预测精度有待进一步提高。     

利用饲料原料中的营养成分和可消化营养成分含量建立肉羊常用蛋白质饲料原料代谢能的预测模型

本试验应用套算法分析肉羊常用蛋白质饲料原料中的营养成分含量和可消化营养成分对有效能值的影响,基于饲料原料中的营养成分含量和可消化营养成分建立蛋白质饲料原料代谢能(ME)的预测模型。选取36只22月龄、体重为(52.6±1.4)kg的杜泊×小尾寒羊F1代杂交去势肉羊,采用完全随机区组设计分为6个处理,包括1个基础饲粮处理和5个试验饲粮处理,每个处理6只羊。利用消化代谢试验和呼吸代谢试验并结合套算法计算5种蛋白质饲料原料的消化能(DE)和ME,并分析蛋白质饲料原料DE、ME与该原料中营养成分[干物质(DM)、有机物(OM)、总能(GE)、粗蛋白质(CP)、粗脂肪(EE)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)]和可消化营养成分[可消化干物质(DDM)、可消化有机物(DOM)、可消化粗蛋白质(DCP)、可消化粗脂肪(DEE)、可消化中性洗涤纤维(DNDF)、可消化酸性洗涤纤维(DADF)]含量之间的相关关系。结果表明:饲料原料中的OM、DDM、DOM、DCP含量与DE和ME均存在极显著正相关(P0.01);另外,DADF与DE存在极显著负相关(P0.01),与ME存在显著负相关(P0.05)。通过饲料原料中的营养成分含量预测ME的方程为:ME(MJ/kg)=-82.855+2.391OM(%)+1.802EE(%)-6.21GE(MJ/kg)-0.121ADF(%)(R2=0.910,n=30,P0.01);通过饲料原料中的可消化营养成分含量预测ME的方程为:ME(MJ/kg)=-5.564+30.526DOM(%)+55.402DEE(%)(R2=0.841,n=30,P0.01);通过饲料原料中的可消化营养成分含量与DE共同预测ME的方程为:ME=-5.787+1.126DE(MJ/kg)+20.769DEE(%)(R2=0.879,n=30,P0.01)。综上所述,在本试验中,蛋白质饲料原料中的部分营养成分和可消化营养成分含量与ME之间存在显著相关,可通过饲料原料中的营养成分和可消化营养成分含量对肉羊蛋白质饲料原料的ME进行有效预测。     

河套灌区小麦后复种燕麦草生产性能与营养品质效应研究

为研究小麦后复种燕麦草（Avena sativa L.）的品种适应性、生长特性、产量与营养价值,引进适合秋季种植的8个燕麦草品种（青引1号、青引2号、青燕1号、加燕2号、林纳、青海甜燕、胜利者、天鹅）,通过对各燕麦草品种的农艺性状特征、分蘖数、平均旗叶宽、平均旗叶长、茎直径、株高、茎叶比、生物产量与主要营养价值分析研究,得出以下结果：相同品种生育期46 d霜冻前的CP含量高于生育期76 d,NDF、ADF、可溶性糖含量与鲜、干草产量均低于76 d;霜冻后30 d的生长速度与高度结果表明适合小麦后种植的秋性耐冷品种为青引2号、加燕2号和林纳;茎叶比与CP含量呈负相关,与NDF、ADF、可溶性糖呈正相关。单位面积生物产量（除天鹅）与CP、NDF、ADF、可溶性糖总产量呈正相关。从8个燕麦草品种中选出分蘖数适中、植株高、叶片长而宽、茎叶比低、干草总产量高和总营养价值高的品种为青引2号、加燕2号与林纳。     

玉米秸秆青贮、羊草、燕麦草与精饲料组合效应的研究

本试验旨在利用体外产气法探究混合粗饲料(玉米秸秆青贮+羊草+燕麦草)与精饲料间的最优组合效应。试验采用单因素试验设计进行组合效应筛选,混合粗饲料玉米秸秆青贮∶羊草∶燕麦草为20∶30∶50,与精饲料以100∶0、80∶20、60∶40、50∶50、40∶60、20∶80以及0∶100的比例进行组合,每个组合3个重复。采用体外产气法分析累积产气量和不同组合比例时pH、干物质降解率(DMD)及微生物蛋白(MCP)、氨态氮(NH3-N)、挥发性脂肪酸(VFA)含量变化,计算各组合的单项组合效应指数和多项组合效应指数。结果表明:1)混合粗饲料和精饲料的不同组合比例对产气量均有显著影响(P<0.05),其中48 h产气量的单项组合效应指数在80∶20组最大。2)混合粗饲料和精饲料的不同组合比例对pH影响显著(P<0.05),且0∶100组最低。3)混合粗饲料和精饲料的不同组合比例对DMD影响显著(P<0.05),DMD的单项组合效应指数在20∶80组最大。4)NH3-N含量受混合粗饲料和精饲料的不同组合比例影响显著(P<0.05),以50∶50组NH3-N含量的单项组合效应指数最大。5)混合粗饲料和精饲料的不同组合比例对M CP含量具有显著影响(P<0.05),MCP含量的单项组合效应指数最高值出现在50∶50组。6)混合粗饲料和精饲料的不同组合比例对乙酸、丙酸、丁酸含量均有显著影响(P<0.05)。根据多项组合效应指数得出玉米秸秆青贮∶羊草∶燕麦草∶精饲料最优组合比例为10∶15∶25∶50。     

施磷水平对青引1号燕麦饲草产量和蛋白产量的影响

对青引1号燕麦采用不同施磷处理,探讨不同施磷对其饲草产量和蛋白产量的影响,找出最佳的施磷量,为青海省燕麦饲草生产提供了理论依据。结果表明：青引1号燕麦在不同施磷处理下,总分蘖数、株高无显著变化。在施磷量90kg／hm^2时有最大有效分蘖数（2．00个／蘖）,在施磷75kg／hm^2时有最大茎粗（0．584cm）。青引1号燕麦在施磷量60kg／hm^2,乳熟期收获时可获得较高的饲草产量（29855．0kg／hm^2）。青引1号燕麦在施磷量75kg/hm^2,开花期收获可获得较高的蛋白产量（2177．2kg／hm^2）。各时期饲草产量和蛋白产量（Y）与施磷量（P）的数量关系均可用Y=a＋bp＋cP^2表示。     

近红外反射光谱技术评定棉籽粕营养价值和蛋公鸡代谢能

本试验旨在探讨利用近红外反射光谱技术测定棉籽粕常规营养成分含量和蛋公鸡代谢能的可行性。从全国范围内收集76个不同产地、年份、加工方式的棉籽粕样品,测定其常规营养成分含量,并通过蛋公鸡强饲试验测定其表观代谢能和真代谢能。随机选取定标集(n=56)和外部验证集(n=20)样品,建立近红外定标模型。结果表明:1)不同来源棉籽粕的营养成分和蛋公鸡代谢能变异较大,变异系数为2.52%~84.75%,其中水分、粗脂肪、粗纤维、表观代谢能和真代谢能的变异系数超过10%;粗蛋白质、粗灰分和总能的变异系数分别为9.58%、9.81%和2.52%。2)水分、粗蛋白质、粗脂肪、粗纤维、粗灰分和总能的定标决定系数为0.923 5~0.975 8,交互验证决定系数为0.824 7~0.930 3,外部验证决定系数为0.879~0.896;表观代谢能和真代谢能的定标决定系数为0.969 0和0.926 8,交互验证决定系数为0.917 0和0.905 7,外部验证决定系数为0.911和0.892。因此,常规营养成分和代谢能的定标方程均可用于日常分析。     

近红外光谱在乳制品成分快速检测方面的应用研究

阐述了近红外光谱技术的基本原理及特点、主要光谱预处理方法、定量定性分析方法及国内近红外光谱技术在牛奶及乳制品中的最新研究进展,对目前研究中存在的问题进行了分析,对以后的发展进行了展望,并提出了一些建议.     

应用套算法估测肉羊精饲料代谢能

本试验旨在应用套算法建立肉羊精饲料代谢能估测模型。选取66只18月龄体重为(49.6±1.3)kg的杜泊×小尾寒羊F1代去势肉羊,采用完全随机区组设计分为11组,包括1个基础饲粮组和10个试验饲粮组,每组6只羊。通过消化代谢试验(为期8 d)和气体代谢试验(为期3 d)并结合套算法计算10种精饲料的消化能和代谢能,建立精饲料代谢能和其概略养分或可消化养分之间的模型。结果表明,1)10种精饲料总能、酸性洗涤纤维含量与消化能呈显著相关(P0.05),有机物含量与消化能达到极显著相关(P0.01);精饲料概略养分与代谢能之间则无显著相关性(P0.05)。2)10种精饲料的可消化养分与代谢能存在极显著相关(P0.01),所建立的预测方程为:ME=-1.907+1.344DE+1.321DDM-5.347DOM-2.093DADF(R2=0.845,n=60,P0.01);ME=-2.105+1.349DE-6.577DOM(R2=0.842,n=60,P0.01)。[ME为代谢能(MJ/kg),DE为消化能(MJ/kg),DDM为可消化干物质(%),DOM为可消化有机物(%),DA DF为可消化酸性洗涤纤维(%)。]综上所述,本试验条件下无法利用精饲料概略养分预测其代谢能,通过精饲料的可消化养分可准确预测其代谢能。