近红外漫反射光谱法测定青贮玉米品质性状的研究

近红外光谱技术在农产品质量检测中的应用近年来，农产品质量安全问题越来越引起人们的关注。

针对农产品的质量检测，传统的物理、化学检测方法需要消耗大量的时间和耗材，而且在了解产品内在质量特征的情况下，也无法全面评估农产品的质量。

本文将探讨一种新型的检测技术-近红外光谱技术，并展示其在农产品质量检测中的重要应用。

一、近红外光谱技术概述近红外光谱技术（NIR）是一种非破坏性分析方法，利用近红外光谱的吸收衰减特性，对物质的成分、组分、结构、含量等进行分析。

NIR的光谱范围在700-2500nm，可以覆盖大部分有机物和无机物质，因此具有广泛的应用价值。

NIR技术分为反射光谱和透射光谱两种，其中反射光谱常用于农产品的质量检测。

二、1. 农产品的含水量检测农产品水分含量是决定其保质期和食用安全的重要参数。

传统的水分含量检测需要进行水分蒸发法、烘箱干燥法或卤素测定法等，时间较长且易受环境影响。

而利用近红外光谱反射技术检测作物的水分含量，则不需分离样品，并且测试时间较短、结果准确度高、可实现在线检测。

例如，通过建立近红外光谱反射模型，可以较好地预测小麦、水稻等作物中的水分含量。

2. 农产品的蛋白质含量检测蛋白质含量是衡量农产品品质和价值的重要参数。

传统的蛋白质含量检测需要进行Kjeldahl 法、蒸发干燥、光度法等，时间较长，检测过程中还可能出现蛋白质分解和挥发的情况。

而使用近红外光谱反射技术可以非常快速地检测出农作物中的净蛋白质含量，避免了传统检测法中因化学要素来侵蚀样品的局限。

3. 农产品的脂肪含量检测农产品的脂肪含量和脂肪酸的组成对食品质量和营养价值有着很大的影响。

传统的脂肪含量测定需要使用化学试剂或称重法，操作复杂且测定时间较长。

而使用近红外光谱技术能快速、准确地检测出农产品中脂肪含量，并可以通过逐步回归法建立近红外光谱反射模型来分析样品中脂肪的饱和度、不饱和度、反式脂肪酸含量等。

4. 农产品其他质量指标检测近红外光谱技术还可以检测农产品中其他成分如淀粉含量、丙酮酸含量等，以及果汁、酒类中的甜度、酸度和防伪等问题。

标题：近红外光谱（NIRS）分析技术及其在农业中的应用作者：---- 摘自：农林科学院玉米研究中心摘要论述了近红外光谱（NIRS）分析技术的原理、技术发展进程及其应用现状、发展前景。

关键词：近红外光谱分析作物育种品质抗病虫应用在电磁光谱（EMS）中，400～700nm的可见光使生命得以生存，而位于可见光之外的近红外光谱（NIR，波长为0.75～2.5μm）可以分析生物的所有组分。

近红外光谱（Near Infrared Spectroscopy，简称NIRS）分析技术是20世纪80年代后期迅速发展起来的一项测试技术，在欧美等国，NIRS已成为谷物品质分析的重要手段。

由于可以非破坏性的分析样品中的化学成分，为当前作物育种研究领域的品质育种提供了一个新的技术手段。

1 NIR作为一种分析手段，可以测定有机物以及部分无机物。

这些物质分子中化学键结合的各种基团（如C=C，N=C，O=C，O=H，N=H）的伸缩、振动、弯曲等运动都有它固定的振动频率。

当分子受到红外线照射时，被激发产生共振，同时光的能量一部分被吸收，测量其吸收光，可以得到极为复杂的图谱，这种图谱表示被测物质的特征。

不同物质在近红外区域有丰富的吸收光谱，每种成分都有特定的吸收特征，这就为近红外光谱定量分析提供了基础。

但由于每一物质有许多近红外吸收带，某一成分的吸收会与其他成分的吸收发生重组，因此当测定某一复杂物质，如豆饼中的粗蛋白质时，在所选择的近红外光谱区会受到水、纤维、油吸收的干扰。

Herschel在1800年发现NIR光谱区，但NIR区的倍频和合频吸收弱、谱带复杂和重叠多，信息无法有效的分离和解析，限制了其应用。

随着光学、电子技术、计算机技术和化学计量学的发展，多元信息处理的理论与技术得到了发展，可以解决NIR术是依据某一化学成分对近红外区光谱的吸收特性而进行的定量测定，所以应用NIR光谱进行检测的技术关键就是在两者之间建立一种定量的函数关系。

近红外光谱分析技术在农产品质量检测中的应用近红外光谱分析技术（Near-Infrared Spectroscopy，简称NIRS）是一种非破坏性、快速、高效的分析方法，近年来在农产品质量检测中的应用越来越广泛。

该技术通过检测农产品样品中的近红外光谱信息，可以快速而准确地判断农产品的成分、质量和安全性，提高农产品的质量控制和食品安全监测的效率。

本文将介绍近红外光谱分析技术在农产品质量检测中的应用，并探讨其在未来的发展趋势。

首先，近红外光谱分析技术在农产品质量检测中的应用主要体现在成分分析方面。

农产品的成分分析是评估其质量、安全性和营养价值的重要指标。

传统的成分分析方法通常需要复杂的实验操作和耗时耗力的样品准备过程，而近红外光谱分析技术能够通过光谱信息直接提取样品的组分含量，无需样品破坏或前处理，大大提高了分析效率。

例如，通过近红外光谱分析技术可以快速测定粮食中的蛋白质、油分、水分和淀粉等关键成分，对于粮食质量的评估、产地溯源和贸易交易具有重要意义。

其次，近红外光谱分析技术在农产品质量检测中还可以用于判别品种或分类鉴别。

农产品的品种或分类鉴别对于保护农产品的地理标志、加强品种保护和品牌营销都具有重要意义。

传统的品种鉴别方法通常依赖于形态学特征或基因分析，而近红外光谱分析技术能够通过光谱图像的差异判断不同品种或分类的农产品。

研究表明，近红外光谱分析技术在茶叶、葡萄酒、水果和蔬菜等领域的品种鉴别上具有较高的准确性和可靠性，为农产品的品质认定提供了便利和可行性。

此外，近红外光谱分析技术还可以应用于农产品的质量检测和安全控制。

农产品的质量检测和安全控制是保障消费者权益和食品安全的重要环节。

近红外光谱分析技术可以通过检测农产品中的有害物质、污染物和残留物等，预测农产品的质量和安全问题。

例如，该技术可以用于检测农产品中的农药残留、重金属含量、真伪鉴定等方面，对于农产品的质量检测和食品安全监测具有较高的灵敏度和准确性，能够帮助农民和监管部门进行农产品质量控制和风险评估。

《基于近-中红外光谱及气质联用的不同品系（品种）玉米的筛选》基于近-中红外光谱及气质联用的不同品系（品种）玉米的筛选基于近/中红外光谱及气质联用的不同品系玉米的筛选一、引言随着现代农业科技的发展，对于玉米等农作物的种植与选种日益科学化，为了提高作物产量及品质，进行科学合理的玉米品种筛选成为了农业生产的重要环节。

近/中红外光谱及气质联用技术作为一种新兴的农业技术手段，具有非破坏性、高效率、高精度等优点，在作物育种与品质评价方面具有重要的应用价值。

本文以不同品系的玉米为研究对象，采用近/中红外光谱与气质联用技术对不同品种玉米进行筛选与品质分析，为现代农业生产提供参考。

二、研究方法（一）材料选择选取本地区常见的不同品系玉米为研究对象，收集各个品种的近/中红外光谱数据以及其品质分析结果。

（二）实验方法1. 近/中红外光谱分析：利用近/中红外光谱仪对各品系玉米进行光谱扫描，获取其光谱数据。

2. 气质联用分析：对各品系玉米进行气质联用分析，测定其脂肪酸组成、氨基酸等品质指标。

3. 数据处理与分析：利用统计分析软件对近/中红外光谱数据及气质联用数据进行处理与分析，建立品质评价模型。

三、结果与讨论（一）近/中红外光谱分析结果通过对各品系玉米的近/中红外光谱数据进行分析，发现不同品系玉米的光谱特征存在明显差异。

这些差异可能与玉米的遗传特性、生长环境等因素有关。

通过建立光谱数据与品质指标之间的数学模型，可以实现对玉米品质的快速评价。

（二）气质联用分析结果气质联用分析结果显示，不同品系玉米的脂肪酸组成、氨基酸等品质指标存在显著差异。

这些差异可能与各品系玉米的遗传特性、生长环境以及栽培管理等因素有关。

通过分析这些品质指标，可以更全面地评价各品系玉米的品质。

（三）综合分析结合近/中红外光谱分析与气质联用分析结果，可以建立一种综合评价不同品系玉米品质的方法。

该方法可以综合考虑玉米的光谱特征、脂肪酸组成、氨基酸等品质指标，实现对玉米品种的快速筛选与评价。

近红外漫反射光谱法测定青贮玉米品质性状的研究白琪林;陈绍江;严衍禄;朱雨杰;戴景瑞【期刊名称】《中国农业科学》【年(卷),期】2006(039)007【摘要】[目的]研究利用近红外漫反射光谱法(NIDRS)测定青贮玉米的体外干物质消化率(IVDMD)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗蛋白(CP)和粗脂肪(EE)含量的可行性.[方法]以普通、高油和超高油玉米全株和秸秆的青贮样为材料,采用光谱的主成分空间技术和偏最小二乘回归法(PLS).[结果]所建立的IVDMD、NDF、ADF、CP和EE的校正模型的交叉验证决定系数(R2cv)分别为0.9133、0.9764、0.9789、0.9254和0.7294,外部验证决定系数(R2val)分别为0.8879、0.9455、0.9635、0.9387和0.7333,各项误差(RMSEE、RMSECV和RMSEP)为0.24(CP)～2.23(NDF).[结论]利用近红外漫反射光谱法测定青贮玉米品质性状是完全可行的,该结果可满足畜牧业对青贮饲料品质快速分析的需要,对青贮玉米育种材料的快速鉴定筛选具有重要的意义.【总页数】6页(P1346-1351)【作者】白琪林;陈绍江;严衍禄;朱雨杰;戴景瑞【作者单位】中国农业大学国家玉米改良中心,北京,100094;山西省农业科学院作物遗传研究所,太原,030031;中国农业大学国家玉米改良中心,北京,100094;中国农业大学信息与电气工程学院,北京,100094;布鲁克光谱仪器公司北京代表处,北京,100081;中国农业大学国家玉米改良中心,北京,100094【正文语种】中文【中图分类】S5【相关文献】1.玉米品质性状计算机视觉识别与评价研究进展 [J], 周志强;郭帅超;成军虎2.甜玉米品质性状遗传研究进展 [J], 戴惠学;熊元忠;牛海建3.玉米品质性状配合力研究 [J], 刘祥久;姜敏;李哲;刘静;石清琢;高长健4.玉米品质性状配合力研究 [J], 刘祥久;姜敏;李哲;刘静;石清琢;高长健;5.不同海拔高度对玉米品质性状影响的研究 [J], 刘淑云;董树亭;胡昌浩因版权原因，仅展示原文概要，查看原文内容请购买。

近红外光谱技术在玉米种子质量检验上的应用研究进展作者：吕巨智石达金唐国荣覃永嫒李发桥钟昌松邓锡肖来源：《种子科技》2020年第13期摘要：玉米是世界上最重要的粮食作物之一，其种子质量的好坏直接影响粮食的产量，与食品生产安全息息相关，种子作为生产源头牵动着整个玉米产业链的发展。

种子的质量还影响农作物的生存能力，是农业生产资料重要的组成部分。

种子作为各种技术的关键载体，优质高产的种子对于提高食品安全和经济产量有着重要意义。

随着农作物种子检测技术的不断进步，玉米的产量和质量得到有效提高。

尤其是将近红外光谱分析技术应用在玉米种子检测中，使玉米种子检测质量与效果得到明显提高，为农户育种、种植及营销节省了成本，提高了经济效益。

首先介绍了近红外光谱检测技术的应用原理，之后分析了近红外光谱分析技术的优缺点，最后探讨了近红外光谱分析技术在玉米种子检测中的应用。

关键词：近红外光谱技术;玉米种子;质量检验;应用;研究进展玉米是老百姓餐桌上常见的食物，也是动物饲料及酿酒的重要原料。

玉米富含人体所需的多种营养素，其中维生素B1、B2、B6，胡萝卜素和膳食纤维的含量要高于稻米与小麦，是我国最重要的粮食作物之一。

提高玉米产量与质量，对农业发展和经济稳定起着至关重要的作用。

随着生活质量的不断提升，人们对食品的安全性要求也不断提升，所以玉米种子的鉴定工作显得尤为重要，加强农产品种子检测工作的更新和完善势在必行。

近红外光谱检测技术借助其无破坏性、测量速度快、检测数据误差小等技术优势，成为玉米种子品质检测领域的研究热点。

近红外光是一种波长介于红外光和可见光之间的电磁波，通过对其分子振动光谱的分析，可以获取检测样本中组成成分的详细信息[1]。

并且近红外光谱分析技术准确性高、成本低、绿色环保，因此在农产品种子检测工作中的应用效果显著，已经逐渐成为现阶段玉米种子安全检测的重要手段。

1 近红外光谱检测技术的应用原理随着近红外光谱技术不断被相关专家重视，近红外光谱分析技术得到快速发展。

第31卷 第12期V o l .31 No .12草 地 学 报A C T A A G R E S T I A S I N I C A2023年 12月D e c . 2023d o i :10.11733/j.i s s n .1007-0435.2023.12.030引用格式:田丽梅,陈 菲,林炎丽,等.近红外光谱检测燕麦饲草青贮营养品质研究[J ].草地学报,2023,31(12):3841-3850T I A NL i -m e i ,C H E NF e i ,L I N Y a n -l i ,e t a l .R e s e a r c h o nD e t e c t i n g N u t r i t i o n a lQ u a l i t y o f F o r a g eO a t S i l a g e b y Ne a r I nf r a r e dS p e c t r o s c o p y [J ].A c t aA gr e s t i aS i n i c a ,2023,31(12):3841-3850近红外光谱检测燕麦饲草青贮营养品质研究田丽梅1,陈 菲1,林炎丽1,倪奎奎1,杨富裕1,2*(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)收稿日期:2023-07-19;修回日期:2023-10-19基金项目:畜禽饲料饲草精细化加工技术研究(2021Y F D 1300300); 种草制草养畜 关键技术研发与模式构建(X D A 26040000);国家燕麦荞麦产业体系(C A R S -07-E -3)资助作者简介:田丽梅(1997-),女,汉族,甘肃榆中人,硕士研究生,主要从事牧草加工与利用研究,E -m a i l :t i a n l m 0905@163.c o m ;*通信作者A u t h o r f o r c o r r e s p o n d e n c e ,E -m a i l :y f u yu @126.c o m 摘要:为提高生产中燕麦(A v e n a s a t i v a L .)饲草营养品质检测分析效率,实现快速准确预测多指标含量,本研究从中国河北㊁甘肃㊁内蒙㊁四川㊁贵州㊁江苏和山东7个省份采集并制作了273份燕麦饲草青贮样本,使用便携式近红外仪器采集光谱,利用偏最小二乘回归法(P a r t i a l l e a s t s q u a r e ,P L S ),建立了新鲜样品和干燥样品营养成分的定量分析模型㊂结果表明:新鲜样品含水量和酸性洗涤纤维的模型可以用于定量分析,外部验证决定系数(C o r r e c t i o no f v a l i d a t i o n ,R 2v a l )分别为0.94和0.88,相对分析误差(R a t i oo f p e r f o r m a n c e t od e v i a t i o n ,R P D )大于2.5;干燥样品的含水量㊁酸性洗涤纤维和粗蛋白的模型能够用于实时检测分析,R 2v a l 分别为0.90,0.90,0.88,R P D 均大于2.5,中性洗涤纤维㊁可溶性碳水化合物㊁粗脂肪的模型能达到粗估的效果,R 2v a l 分别为0.76,0.85,0.85,R P D 值为4.56,2.44,2.43,模型精度仍需进一步提高㊂干燥样品的模型优于新鲜样品,这些结果为生产现场快速评定检测燕麦饲草青贮营养品质提供了重要数据参考㊂关键词:近红外光谱;燕麦饲草青贮;营养品质中图分类号:S 816.5+3 文献标识码:A 文章编号:1007-0435(2023)12-3841-10R e s e a r c ho nD e t e c t i n g N u t r i t i o n a l Q u a l i t y o f F o r a geO a t S i l a g e b y N e a r I n f r a r e dS p e c t r o s c o p yT I A N L i -m e i 1,C H E NF e i 1,L I N Y a n -l i 1,N IK u i -k u i 1,Y A N GF u -yu 1,2*(1.C o l l e g e o fG r a s s l a n dS c i e n c e a n dT e c h n o l o g y ,C h i n aA g r i c u l t u r a lU n i v e r s i t y ,B e i j i n g 100193,C h i n a ;2.C o l l e g e o fA n i m a l S c i e n c e ,G u i z h o uU n i v e r s i t y ,G u i y a n g,G u i z h o uP r o v i n c e 550025,C h i n a )A b s t r a c t :F o r i m p r o v i n g t h e a n a l y t i c a l e f f i c i e n c y o f o a t f o r a g en u t r i e n t q u a l i t y t e s t i n g in p r o d u c t i o na n da -c h i e v i n g r a p i d a n d a c c u r a t e p r e d i c t i o n o fm u l t i -i n d i c a t o r c o n t e n t ,i n t h i s s t u d y ,273o a t f o r a g e s i l a g e s a m pl e s w e r ec o l l e c t e df r o m H e b e i ,G a n s u ,I n n e r M o n g o l i a ,S i c h u a n ,G u i z h o u ,J i a n g s ua n dS h a n d o n gpr o v i n c e i n C h i n a ,s p e c t r u m w a s o b t a i n e du s i n g a p o r t a b l e n e a r -i n f r a r e d i n s t r u m e n t ,a n d t h e q u a n t i t a t i v e a n a l y s i sm o d -e l s f o r o a t s i l a g e f r e s ha n dd r i e d s a m p l e sw e r ed e v e l o p e db y u s i n gp a r t i a l l e a s t s q u a r e s r e g r e s s i o n (P L S ).T h e r e s u l t s s h o w e d t h a t t h em o d e l s o fm o i s t u r e a n d a c i dd e t e r g e n t f i b e r o f f r e s h s a m pl e s c o u l db e u s e d f o r q u a n t i t a t i v e a n a l y s i s ,w i t hc o r r e c t i o no fv a l i d a t i o n (R 2v a l )o f0.94a n d0.88,r e s p e c t i v e l y ,a n dt h er a t i oo f p e r f o r m a n c e t od e v i a t i o n (R P D )w a s g r e a t e r t h a n2.5.T h em o d e l so fw a t e r c o n t e n t ,a c i dd e t e r g e n t f i b e r a n d c r u d e p r o t e i no fd r i e ds a m p l e sc o u l db eu s e df o rr e a l -t i m ed e t e c t i o na n da n a l y s i s ,w i t h R 2v a l o f0.90,0.90,0.88,a n dR P D w e r e a l l g r e a t e r t h a n2.5.T h em o d e l o f n e u t r a l d e t e r g e n t f i b e r ,w a t e r s o l u b l e c a r b o -h y d r a t e ,a n d c r u d e f a tw e r e a b l e t o a c h i e v e t h e e f f e c t o f c r u d e e s t i m a t i o n ,w i t h R 2v a l of 0.76,0.85,a n d 0.85,a n dR P Dv a l u e s o f 4.56,2.44,a n d 2.43,r e s p e c t i v e l y ,a n d t h e a c c u r a c y of t h em o d e l s t i l l n e e d e d t ob e f u r -t h e r i m p r o v e d .T h em o d e l o f d r i e d s a m p l e sw a s b e t t e r t h a n t h a t o f f r e s h s a m p l e s ,a n d t h e s e r e s u l t s p r o v i d -e d i m p o r t a n t d a t a r e f e r e n c e s f o r r a p i da s s e s s m e n t a n d t e s t i ng o f o a t s i l a g en u t r i t i o n q u a l i t y in p r o d u c t i o n s i t e s .K e y wo r d s :N e a r -i n f r a r e d s p e c t r o s c o p y ;F o r a g e o a t s i l a g e ;N u t r i t i o n a l q u a l i t y草 地 学 报第31卷燕麦(A v e n a s a t i v a L .)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]㊂燕麦易于栽培,具有耐贫瘠㊁耐盐碱㊁抗旱耐寒㊁适应性强㊁营养价值高的特点,在中国北部㊁西北部和西南部广泛种植[3-4]㊂青贮饲料相较于干草饲料具有营养流失少㊁易于长期保存㊁适口性好㊁消化率较高等特点[5-6]㊂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㊁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]㊂因此,急需寻求高效㊁简便的现代分析技术来适应生产快速检测要求㊂现代近红外光谱(N e a r i n f r a r e ds p e c t r o s c o p y,N I R S )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㊁食品㊁石化和制药等领域[10]㊂N o r r i s 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㊁精准配料㊁批量检测及在线分析等[12]㊂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X H (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㊂在测定样品时无前处理㊁无污染,可以快速㊁准确地评估饲料的化学成分和相关的饲用价值属性[14]㊂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㊁收获时的成熟阶段㊁气候条件㊁收获技术㊁添加剂的类型和青贮的方法等影响[15-16]㊂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㊁不同品质㊁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㊂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㊂1 材料与方法1.1 样品采集与制备2020 2021年于四川成都㊁内蒙古呼和浩特㊁河北张家口㊁甘肃张掖㊁江苏扬州㊁贵州遵义㊁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㊁发酵温度㊁添加剂种类和青贮时间的处理,制作青贮样本㊂对照组为刈割后直接青贮并常温储藏㊂不同的晾晒处理为分别为自然晾晒2h ,4h ,6h ㊂不同的温度处理设4个水平,为5ħ,15ħ,25ħ,30ħ,置于恒温培养箱保存㊂添加剂处理设3个水平,分别为植物乳杆菌㊁纤维素酶㊁植物乳杆菌+纤维素酶㊂全株燕麦刈割后立即用铡刀将材料切割至2~3c m ,充分混匀,每300g 原料装入聚乙烯袋青贮袋(28c mˑ35c m ),真空密封,青贮30天㊁60天和90天,3个重复,共273个样品㊂表1 取样地点信息T a b l e 1 I n f o r m a t i o no f t h e s a m p l i n g si t e 取样地点S a m p l i n g si t e 经度l o n g i t u d e 纬度L a t i t u d e 海拔A l t i t u d e 年均气温A v e r a g e a n n u a l t e m pe r a t u r e 年累计降水量A n n u a l c u m u l a t i v e p r e c i pi t a t i o n 四川成都C h e n gd u ,S i c h u a nP r o v i n ce 30ʎ32'E 103ʎ39'N 508m 16.7ħ802m m 内蒙古呼和浩特H o h h o t ,I n n e rM o n g o l i a 41ʎ08'E 111ʎ09'N 1600m 3.0ħ354m m 河北张家口Z h a n g ji a k o u ,H e b e i P r o v i n c e 41ʎ25'E 114ʎ11'N 1450m 1.2ħ354m m 甘肃张掖Z h a n g ye ,G a n s uP r o v i n c e 38ʎ56'E 100ʎ26'N 1483m 6.6ħ197m m 江苏扬州Y a n g z h o u ,J i a n g s uP r o v i n c e 32ʎ39'E 119ʎ41'N 10m 14.8ħ1049m m 贵州遵义Z u n yi ,G u i z h o uP r o v i n c e 27ʎ32'E 107ʎ31'N 630m 15.2ħ1257m m 山东济南J i n a n ,S h a n d o n g Pr o v i n c e 36ʎ98'E117ʎ22'N19m12.8ħ583m m1.2 化学参考值测定开袋后,均匀混合青贮样品㊂通过四分法取青贮样品20g ,加入180m L 无菌盐水,放置于4ħ条件下浸提24h㊂用滤纸过滤,得到浸提液,取部分浸提液2483第12期田丽梅等:近红外光谱检测燕麦饲草青贮营养品质研究于4ħ,10000r㊃m i n-1,离心5m i n㊂上清液通过0.22μm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㊂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:K C-811c o l u m n,S h i m a d z u,日本㊂检测器:S P D-M10A V P㊂流动相:3m m o l㊃L-1高氯酸,流速1m L㊃m i n-1㊂柱温50ħ,检测波长210n m,进样量5μL)㊂取燕麦青贮样品约250g,放置于65ħ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1m m筛,粉碎样品用来测定可溶性碳水化合物㊁粗蛋白㊁中性洗涤纤维和酸性洗涤纤维含量㊂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]㊂1.3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,250g样品经烘干粉碎过筛后,扫描获得干燥样品光谱㊂实验仪器为意大利G r a i n i t.S.L公司生产的G r a i N i t A u r o r a N i r(D A)型便携式近红外光谱仪:光谱范围为950~1650n m,每2s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㊂环境条件为:温度10~30ħ,湿度30~70%,扫描样品均在仪器配套的样品采集盒内进行㊂1.4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U C A L软件(美国U n i t y科学)进行光谱预处理及回归分析等处理㊂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(S t a n d a r de r-r o r o f c r o s s-v a l i d a t i o n,S E C V)为考察指标,比较分析四种方法的定量分析结果,确定最小S E C V所对应的方法为最优光谱预处理方法㊂在进行P L S回归之前,对所有光谱数据集执行主成分分析(P r i n c i-p a l c o m p o n e n t a n a l y s i s,P C A),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(G D值)为考察指标,当G D值>3时判定该样品异常并予以剔除,然后将样品按照4ʒ1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㊂回归模型使用偏最小二乘法(P L S)建立,建模过程中为了选择最佳方程,模型评估的统计量为:校正决定系数(C o r r e c t i o no f c a l i b r a t i o n,R2)㊁交叉验证决定系数(C o r r e c t i o no f c r o s sv a l i d a t i o n,R2c v)和校正标准差(S t a n d a r d e r r o r o f c a l i b r a t i o n,S E C)㊁交叉验证标准差(S E C V),R2和R2c v越接近1,S E C和S E C V越小,说明模型效果越好㊂最优方程确定后,通过外部验证决定系数(C o r r e c t i o no fv a l i d a t i o n, R2v a l)和相对分析误差(R a t i o o f p e r f o r m a n c e t o d e v i-a t i o n,R P D)对校正模型的实际效用做进一步评估, R2v a l越接近1,说明模型的预测精准度越高㊂当R2v a l> 0.80时,校正模型可用于实际检测;当0.66ɤR2v a l< 0.80时,校正模型可达到粗估的效果;当R2v a l<0.66时,该模型不能用于实际检测[21-22]㊂当R P Dȡ2.5时,校正模型可用于实际检测;当2.0ɤR P D<2.5时,说明校正模型预测结果可达到粗估的效果,但预测精度需进一步提高;当R P D<2.0时,校正模型不能用于近红外定量分析[21-22]㊂2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㊁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~ 1650n m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1150~1200n m,1400~ 1500n m处有较强的吸收峰,1350~1400n m处有较弱的吸收峰;新鲜样品光谱图中960~ 1000n m有较强的吸收峰,而干燥样品光谱图中没有出现吸收峰㊂3483草 地 学 报第31卷图1 青贮燕麦饲草近红外光谱F i g .1 T h eN e a r -i n f r a r e d s p e c t r u mo f o a t s i l a ge 注:(a )新鲜样品;(b)烘干样品N o t e :(a )F r e s hs a m p l e ;(b )D i e d s a m pl e 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㊁中性洗涤纤维㊁酸性洗涤纤维㊁粗蛋白㊁可溶性碳水化合物㊁粗脂肪㊁氨态氮㊁乳酸㊁乙酸和丁酸含量平均值㊁最大值㊁最小值㊁标准差及变异系数的描述性统计结果㊂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㊂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)T a b l e 2 T h e r a n g e i nn u t r i e n t c o n t e n t o f o a t s i l a g e s a m pl e s i n t h e c a l i b r a t i o na n dv a l i d a t i o n s e t s (D M b a s i s )样品类别S a m p l e t y pe 参数P a r a m e t e r样本数N u m b e r 平均值M e a n /%最小值M i n /%最大值M a x /%标准偏差S t a n d a r dd e v i a t i o n 变异系数C o e f f i c i e n t o f v a r i a t i o n校正集含水量M o i s t u r e c o n t e n t21974.4358.9383.767.520.10C a l i b r a t i o n中性洗涤纤维N e u t r a l d e t e r g e n t f i b e r 21957.2743.8072.856.550.11s e t s酸性洗涤纤维A c i dd e t e r ge n tf i b e r 21933.2423.8544.105.290.16粗蛋白C r u d e p r o t e i n 2138.355.9212.681.610.19可溶性碳水化合物W a t e r s o l u b l e c a r b o h yd r a te 2192.650.6718.342.931.11粗脂肪E t h e r e x t r a c t 2104.291.835.931.060.25氨态氮N H 3-N /T N%20116.101.7564.9613.400.83乳酸L a c t i c a c i d2065.730.9317.403.350.58乙酸A c e t i c a c i d2061.710.015.491.340.78丁酸B u t yr i c a c i d 1491.710.005.661.741.02验证集含水量M o i s t u r e c o n t e n t5474.0060.4683.656.430.09V a l i d a t i o n 中性洗涤纤维N e u t r a l d e t e r g e n t f i b e r 5456.8343.8072.856.060.11s e t s酸性洗涤纤维A c i dd e t e r ge n tf i b e r 5433.0823.8544.105.160.16粗蛋白C r u d e p r o t e i n 548.155.9212.681.620.20可溶性碳水化合物W a t e r s o l u b l e c a r b o h yd r a te 542.730.677.112.070.76粗脂肪E t h e r e x t r a c t 514.232.555.931.140.27氨态氮N H 3-N /T N%5113.101.8164.9612.140.93乳酸L a c t i c a c i d525.860.9312.632.680.46乙酸A c e t i c a c i d521.390.015.391.110.80丁酸B u t yr i c a c i d 321.500.005.661.951.302.3 燕麦饲草青贮校正模型燕麦青贮新鲜样品的校正模型和内部交叉验证的结果如表3所示,含水量的校正结果最好,其校正决定系数R 2达0.98,校正标准差S E C 为1.06;酸性洗涤纤维的校正结果次之,R 2为0.92,S E C 为1.48;中性洗涤纤维㊁可溶性碳水化合物㊁乳酸的R 2在0.81~0.90之间,粗蛋白㊁粗脂肪㊁氨态氮㊁乙酸㊁丁酸的校正效果较差,R 2分别为0.78,0.69,0.58,0.72,0.76㊂经过内部交叉验证,仅有含水量的交叉验证决定系数R 2c v >0.9,交叉验证标准差S E C V 为1.22;酸性洗涤纤维和可溶性碳水化合物的R 2c v 分别是0.86和0.80,S E C V 分别是1.88和0.48;中性洗涤纤维和乳酸的R 2c v 为0.72和0.70,模型性能较差,粗蛋白㊁粗脂肪㊁氨态氮㊁乙酸㊁丁酸的R 2c v 均小于0.70,模型性能不理想㊂4483第12期田丽梅等:近红外光谱检测燕麦饲草青贮营养品质研究表3 燕麦饲草青贮校正模型(新鲜样品)T a b l e 3 C a l i b r a t i o nm o d e l s o f f o r a g e o a t s i l a g e (F r e s hs a m pl e )参数P a r a m e t e r 光谱预处理S p e c t r u m p r o c e s s i n g校正标准差S E C校正决定系数R2交叉验证标准差S E C V交叉验证决定系数R 2c v含水量M o i s t u r e c o n t e n t多元色散校正+去趋势M S C +D e t r e n d1.060.981.220.97中性洗涤纤维N e u t r a l d e t e r ge n tf i b e r 标准正态变量变换+去趋势S N V+D e t r e n d2.790.813.260.72酸性洗涤纤维A c i dd e t e r ge n tf i b e r 标准正态变量变换+去趋势S N V+D e t r e n d1.480.921.880.86粗蛋白C r u d e p r o t e i n 标准正态变量变换+多元色散校正+去趋势+一阶导数S N V+M S C +D e t r e n d +F o r w a r d 0.760.780.970.62可溶性碳水化合物W a t e r s o l u b l e c a r b o h yd r a te 标准正态变量变换+去趋势S N V+D e t r e n d0.380.890.480.80粗脂肪E t h e r e x t r a c t 多元色散校正+去趋势M S C +D e t r e n d 0.550.690.550.56氨态氮N H 3-N /T N%一阶导数+去趋势F o r w a r d +D e t r e n d 5.710.585.980.50乳酸L a c t i c a c i d一阶导数+去趋势F o r w a r d +D e t r e n d1.270.811.540.70乙酸A c e t i c a c i d 无预处理N o n e 0.650.720.650.56丁酸B u t yr i c a c i d 无预处理N o n e0.860.761.090.56注:S E C ,校正标准差;R 2,校正决定系数;S E C V ,交叉验证标准差;R 2c v ,交叉验证决定系数㊂下同N o t e :S E C ,s t a n d a r d e r r o r o f c a l i b r a t i o n ;R 2,c o r r e c t i o no f c a l i b r a t i o n ;S E C V ,s t a n d a r d e r r o r o f c r o s s -v a l i d a t i o n ;R 2c v ,co r r e c t i o no f c r o s s -v a l i -d a t i o n .T h e s a m e a s b e l o w表4显示了青贮干燥样品的校正模型,仅丁酸校正模型的决定系数R 2<0.80,未达到理想要求㊂其中含水量㊁酸性洗涤纤维㊁粗蛋白㊁乙酸的R 2>0.9,分别是0.95,0.95,0.94,0.93,S E C 为1.69,1.19,0.39,0.36,校正效果好;中性洗涤纤维㊁可溶性碳水化合物㊁粗脂肪㊁氨态氮㊁乳酸的校正效果次之,R2为0.89,0.86,0.87,0.89,0.85;S E C 分别是2.13,0.53,0.37,4.25,1.11㊂模型的内部交叉验证结果显示,含水量㊁酸性洗涤纤维的交叉验证系数R 2c v 大于0.9,分别是0.94和0.93,S E C V 为1.18和1.28,模型的性能较好;中性洗涤纤维㊁粗蛋白㊁可溶性碳水化合物㊁粗脂肪㊁氨态氮㊁乙酸的R 2c v 在0.80~0.90之间,分别是0.87,0.86,0.82,0.80,0.84,0.85;乳酸和丁酸的R 2c v 值分别是0.74和0.70,模型性能较差㊂表4 燕麦饲草青贮校正模型(干燥样品)T a b l e 4C a l i b r a t i o nm o d e l s o f f o r a g e o a t s i l a g e (D r i e d s a m pl e )参数P a r a m e t e r光谱预处理S p e c t r u m p r o c e s s i n g校正标准差S E C校正决定系数R2交叉验证标准差S E C V交叉验证决定系数R 2c v含水量M o i s t u r e c o n t e n t无预处理N o n e1.690.951.810.94中性洗涤纤维N e u t r a l d e t e r ge n tf i b e r 标准正态变量变换+多元色散校正+去趋势+一阶导数S N V+M S C +D e t r e n d +F o r w a r d 2.130.892.270.87酸性洗涤纤维A c i dd e t e r g e n t f i b e r 标准正态变量变换+去趋势S N V+D e t r e n d1.190.951.280.93粗蛋白C r u d e p r o t e i n 多元色散校正+去趋势M S C +D e t r e n d 0.390.940.560.86可溶性碳水化合物W a t e r s o l u b l e c a r b o h y d r a t e 多元色散校正+去趋势M S C +D e t r e n d 0.530.860.570.82粗脂肪E t h e r e x t r a c t 一阶导数+去趋势F o r w a r d +D e t r e n d0.370.870.410.80氨态氮N H 3-N /T N%标准正态变量变换+去趋势S N V+D e t r e n d 4.250.894.970.84乳酸L a c t i c a c i d无预处理N o n e 1.110.851.420.74乙酸A c e t i c a c i d 标准正态变量变换+去趋势S N V+D e t r e n d 0.360.930.490.85丁酸B u t yr i c a c i d 多元色散校正+去趋势M S C +D e t r e n d0.840.770.920.702.4 模型预测性能评价燕麦饲草青贮校正模型建立后,用外部验证对所建模型预测效果进行评价㊂燕麦饲草青贮新鲜样品化学成分校正模型外部验证结果如表5所示,预测值和实测值的回归关系如图2所示㊂含水量和酸性洗涤纤维模型的外部验证相对分析误差R P D >2.5,其外部验证决定系数R 2v a l >0.80,分别为0.94,0.88,模型的预测精度高,能用于实际定量分析;而其余化学成分模型的R 2v a l <0.80,R P D 小于2.5,模型预测效果差,不能用于实际预测,其预测精度有待进一步提升㊂5483草地学报第31卷图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)F i g.2 A n a l y z e dv a l u e v s.p r e d i c t e dv a l u e o f f e r m e n t a t i o n q u a l i t y a n dn u t r i e n t c o n t e n t(F r e s hs a n p l e) 6483第12期田丽梅等:近红外光谱检测燕麦饲草青贮营养品质研究表5 燕麦饲草青贮营养成分的预测结果(新鲜样品)T a b l e 5 P r e d i c t i o n r e s u l t s o f n u t r i e n t c o n t e n t o f o a t s i l a g e (F r e s hs a m pl e )参数P a r a m e t e r外部验证标准偏差S E P外部验证决定系数R 2v a l相对分析误差R P D含水量M o i s t u r e c o n t e n t1.630.943.94中性洗涤纤维N e u t r a l d e t e r g e n t f i b e r2.970.772.04酸性洗涤纤维A c i dd e t e r ge n tf i b e r 1.900.882.72粗蛋白C r u d e p r o t e i n 1.020.601.59可溶性碳水化合物W a t e r s o l u b l e c a r b o h yd r a te 1.500.641.38粗脂肪E t h e r e x t r a c t 0.660.701.73氨态氮N H 3-N /T N%10.390.301.17乳酸L a c t i c a c i d2.110.461.27乙酸A c e t i c a c i d0.930.401.19丁酸B u t yr i c a c i d 1.120.691.74注:S E P ,外部验证标准偏差;R 2v a l ,外部验证决定系数相对分析误差;R P D ,相对分析误差㊂下同N o t e :S E P ,s t a n d a r d e r r o r o f v a l i d a t i o n ;R 2v a l ,co e f f i c i e n t o f v a l i d a t i o n ;R P D ,r a t i oo f p e r f o r m a n c e t od e v i a t i o n .T h e s a m e a s b e l o w 燕麦饲草青贮干燥样品化学成分校正模型外部验证结果如表6所示,预测值和实测值的回归关系如图3所示㊂其中含水量的模型预测结果最佳,外部验证决定系数R 2v a l 为0.90,R P D 为3.17,模型能够准确的进行定量分析;酸性洗涤纤维模型的R 2v a l为0.90,R P D 值为3.09,模型表现出了优秀的预测效果;粗蛋白模型的预测准确度略低于含水量和酸性洗涤纤维,R 2v a l 和RP D 分别是0.88和3.00,模型能够应用于实际检测;可溶性糖碳水化合物㊁粗脂肪㊁丁酸的R 2v a l 分别为0.85,0.85,0.83,R P D 值接近2.5,分别为2.44,2.43,2.35,中性洗涤纤维的P R D 为2.04,R 2v a l 为0.76,乳酸的R P D 值为2.02,R 2v a l 为0.75,表明定量模型能的进行粗略的实时分析,预测精度有待提升;氨态氮和乳酸的R P D 值小于2.0,预测结果表现较差,模型不能用于实际分析,预测精度需进一步提高㊂7483草地学报第31卷图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)F i g.3 A n a l y z e dv a l u e v s.P r e d i c t e dv a l u e o f f e r m e n t a t i o n q u a l i t y a n dn u t r i e n t c o n t e n t(D r i e d s a m p l e)表6燕麦饲草青贮营养成分的预测结果(干燥样品)T a b l e6 P r e d i c t i o n r e s u l t s o f n u t r i e n t c o n t e n t o f o a t s i l a g e(D r i e d s a m p l e)参数P a r a m e t e r外部验证标准偏差S E P外部验证决定系数R2v a l相对分析误差R P D 含水量M o i s t u r e c o n t e n t2.030.903.17中性洗涤纤维N e u t r a l d e t e r g e n t f i b e r1.330.764.56酸性洗涤纤维A c i dd e t e r g e n t f i b e r1.670.903.09粗蛋白C r u d e p r o t e i n0.540.883.00可溶性碳水化合物W a t e r s o l u b l e c a r b o h y d r a t e0.850.852.44粗脂肪E t h e r e x t r a c t0.470.852.43氨态氮N H3-N/T N%6.870.701.77乳酸L a c t i c a c i d1.330.752.02乙酸A c e t i c a c i d0.740.621.50丁酸B u t y r i c a c i d0.830.832.353讨论自20世纪90年代起,随着近红外光谱仪器的更新迭代和化学计量学理论和方法的不断完善, N I R S分析技术成为饲料生产者㊁植物育种者㊁养殖户和饲料公司分析常规样品最常用的技术手段[23]㊂目前,近红外光谱分析技术已广泛用于青贮饲料品质的测定[24-26],对青贮饲料的常规营养成分和发酵产物都有较好的预测效果㊂在燕麦干草上,国内学者已建立了近红外光谱模型,能准确的预测其营养成分[27-28]㊂燕麦青贮在高寒地区畜牧业稳定发展中发挥重要作用[29-30],国内应用近红外技术测定燕麦青贮饲料品质的报道少有㊂本研究采集制作254份燕麦青贮样本,建立了营养成分和发酵品质的定量分析模型㊂除了含水量的预测结果以外,干燥样品模型的预测精度优于新鲜样品,外部验证决定系数R2v a l和R P D值均大于干燥样品,这与D i a s等人的研究结果相似[31]㊂新鲜样品含水量和酸性洗涤纤维的模型能够用于实时定量检测,其余指标均无法应用于实时检测分析,推测可能有两种原因:一是新鲜样品中存在较多水分,有研究表明,由于样品水分含量的变化,N I R S预测牧草体外发酵参数的准确性可能会改变,去除残留水分会降低校正标准差与交叉验证标准差[32],也有学者发现去除牧草样品中的残留水分提高了矿物质测定的校准精度[33];二是青贮新鲜样品的粒径较大㊁不均一,粒径变化影响了光谱分布和模型的校正结果[34-36]㊂新鲜饲草的光谱分析精度在很大程度上受到水分的限制,样品的粒径过大引起的散射也会导致模型的精度降低㊂有学者提出,二阶导数可能减少了颗粒大小异质性和含水8483第12期田丽梅等:近红外光谱检测燕麦饲草青贮营养品质研究量所造成的光谱噪声,从而能够分辨出与待测含量更相关的光谱信息[37]㊂因此,可以通过研磨粉碎等方法提高样品均一度,也可以尝试利用二阶导数预处理结合多元散射校正等从而提高模型精确度㊂干燥样品的含水量㊁酸性洗涤纤维和粗蛋白的模型能够用于实时检测分析,R2v a l为0.90,0.90,0.88, R P D为3.6,3.2,2.9,中性洗涤纤维㊁可溶性碳水化合物㊁粗脂肪的值能达到粗估的检测效果,R2v a l分别为0.76,0.85,0.85,R P D值为4.56,2.44,2.43㊂王储等人[28]建立了不同品种㊁年限和生长时期的燕麦干草营养成分含量的模型,其中粗蛋白㊁中性洗涤纤维㊁酸性洗涤纤维和粗脂肪R2v a l均在0.83以上,P P D值均大于2.5,略优于本实验的结果,这可能与该研究取样时包含不同生育期样本,以及光谱采集所使用的仪器是波长范围广(1100~2492.8n m)㊁精度更高的台式近红外仪器有关㊂对于发酵品质模型而言,所建立的模型中预测效果均比陈鹏飞等[25]建立的苜蓿青贮有机酸预测模型差,可能是陈鹏飞等采集的是冷冻干燥后粉碎样的近红外光谱,在保证了样品均一性的同时,避免了烘干对青贮中有机酸的影响㊂从样品发酵指标含量来看,本实验中大部分样品中乙酸和丁酸含量都在1%以下,对于有机酸来说,样本的代表性还需要增强㊂因此,为建立精准度高的模型,样本的收集与代表性样品的选择十分重要,应尽可能的增加样品的产地㊁品种㊁生育期等因子的变异范围㊂在现有仪器限定的基础上采集光谱的过程中,应保证测量时样品状态㊁装样条件及实验环境的一致性,降低对测量结果的影响㊂4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㊂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㊂参考文献[1]刘伟,贾玉山,格根图,等.燕麦青贮研究进展[J].草地学报,2022,30(12):3175-3183[2]杨富裕.树立 饲草就是粮食 理念,大力发展饲草产业[J].草地学报,2023,31(2):311-313[3] X I A OYZ,S U NL,WA N GZ J,e t a l.F e r m e n t a t i o nC h a r a c t e r-i s t i c s,M i c r o b i a l c o m p o s i t i o n s,a n d p r e d i c t e d f u n c t i o n a l p r o f i l e so f f o r a g eo a te n s i l e d w i t h L a c t i p l a n t i b a c i l l u s p l a n t a r u m o r L e n t i l a c t o b a c i l l u s b u c h n e r i[J].F e r m e n t a t i o n,2022,8(12): 707[4] D I A O X M.P r o d u c t i o na n d g e n e t i c i m p r o v e m e n t o fm i n o r c e-r e a l s i nC h i n a[J].T h eC r o p J o u r n a l,2017,5(2):103-114[5] C H E NL,G U O G,Y U A N XJ,e t a l.E f f e c to f e n s i l i n g w h o l ec r o p o a tw i t h l u c e r n e i nd i f fe r e n t r a t i o s o nf e r m e n t a t i o n q u a l i-t y,a e r o b i cs t a b i l i t y a n d i nv i t r o d i g e s t i b i l i t y o nt h e T i b e t a n p l a t e a u[J].J o u r n a l o fA n i m a lP h y s i o l o g y a n d A n i m a lN u t r i-t i o n,2017,101(5):144-153[6] S U N L,X U E Y L,X I A O Y Z,e ta l.C o m m u n i t y s y n e r g y o fl a c t i c a c i db a c t e r i aa n dc l e a n e r f e r m e n t a t i o no fo a t s i l a g e p r e-p a r e dw i t h am u l t i s p e c i e sm i c r o b i a l i n o c u l a n t[J].M i c r o b i o l o g y S p e c t r u m,2023,11(3):705-723[7] D O L O R E SP M,A N T O N I OJE,A N N A G V,e t a l.T r a n s f e r-r i n g al a r g ed a t al i b r a r y o f f r e s ht o t a lm i x e dr a t i o n sf r o m ab e nc h t o p t o2p o r t a b l e n e a r-i n f r a r ed s pe c t r o m e t e r sf o r o n-f a r mr e a l-t i m e d e c i s i o n s[J].J o u r n a l o f D a i r y S c i e n c e,2022,105(3): 2380-2392[8]任秀珍,郭宏儒,贾玉山,等.近红外光谱技术在饲草分析中的应用现状及展望[J].光谱学与光谱分析,2009,29(3):635-640[9]陈菲,李小梅,倪奎奎,等.近红外光谱技术在青贮饲料品质检测中的研究进展[J].中国饲料,2021(23):78-83 [10]褚小立,陈瀑,李敬岩,等.近红外分析技术的最新进展与展望[J].分析测试学报,2020,39(10):1181-1188[11]N O R R I SK H,B A R N E SR F,MO O R EJE,e ta l.P r e d i c t i o nf o r ag e q u a l i t y b y N I R S[J].A n i m a l S c i e n c e,1976,43(4):889-897[12]S AMA D I,WA J I Z A H S,MU N AWA R A A.N e a ri n f r a r e ds p e c t r o s c o p y(N I R S)d a t aa n a l y s i s f o rar a p i da n ds i m u l t a n e-o u s p r e d i c t i o no f f e e d p a r a m e t e r s[J].D a t a i nB r i e fV o l u m e, 2020,29:105211[13]徐广通,袁洪福,陆婉珍.现代近红外光谱技术及应用进展[J].光谱学与光谱分析,2000,20(2):134-142 [14]杨雪萍,陈菲,杨富裕,等.近红外光谱分析技术在青贮饲料营养品质评价上中的研究进展[J].饲料工业,2019,41(10):19-22[15]张颖超,尹守亮,杨富裕,等.木本饲料青贮研究进展[J].生物技术通报,2021,37(9):48-57[16]苏嘉琪,辛杭书,刘春龙,等.国内外青贮饲料原料来源㊁品质评价及影响因素的研究进展[J].动物营养学报,2022,34(12):7585-7594[17]B R O D E R I C K G A,K A N GJH.A u t o m a t e ds i m u l t a n e o u sd e-t e r m i n a t i o no f a m m o n i a a n d t o t a l a m i n oa c i d s i nr u m i n a l f l u i da n d i nv i t r om e d i a[J].J o u r n a l o fD a i r y S c i e n c e,1980,63(1):64-75[18]许庆方,玉柱,韩建国,等.高效液相色谱法测定紫花苜蓿青贮中的有机酸[J].草原与草坪,2007(2):63-65[19]M C D O N A L DP,H E N D E R S O N A R.D e t e r m i n a t i o no fw a t e r-9483草地学报第31卷s o l u b l e c a r b o h y d r a t e s i n g r a s s[J].J o u r n a lo f t h eS c i e n c eo fF o o da n dA g r i c u l t u r e,1964,15(6):395-398[20]张丽英.饲料分析及饲料质量检测技术[M].北京:中国农业大学出版社,2007:47-94[21]李军涛.近红外反射光谱快速评定玉米和小麦营养价值的研究[D].北京:中国农业大学,2014:21-22[22]K O V A L E N K OIV,R I P P K EG R,HU R B U R G H CR.D e t e r-m i n a t i o no f a m i n o a c i d c o m p o s i t i o no f s o y b e a n s(G l y c i n em a x)b y n e a r-i n f r a r e d s p ec t r o s c o p y[J].J o u r n a l o fA g r i c u l t u r a l a n dF o o dC h e m i s t r y,2006,54(10):3485-3491[23]B E R Z A G H IP,C H E R N E Y J H,C A S L E R M D.P r e d i c t i o np e r f o r m a n c eo f p o r t a b l en e a r i n f r a r e dr e f l e c t a n c e i n s t r u m e n t s u s i n gp r e p r o c e s s e dd r i e d,g r o u n d f o r a g e s a m p l e s[J].C o m p u t-e r s a n dE l e c t r o n i c s i nA g r i c u l t u r e,2021,182:106013[24]刘强,孟庆翔,白琪林,等.利用近红外光谱法快速测定青贮玉米饲料中N D F与A D F含量[J].中国畜牧杂志,2005,41(11):39-41[25]陈鹏飞,戎郁萍,韩建国.近红外光谱技术测定紫花苜蓿青贮鲜样的发酵品质[J].光谱学与光谱分析,2008,28(12):2799-2803[26]刘娜.全株玉米青贮营养价值快速评价及预测模型构建[D].兰州:甘肃农业大学,2019:16-26[27]张书阅,熊安然,熊本海,等.燕麦草常规营养成分含量近红外预测模型的建立[J].动物营养学报,2022,34(2):1134-1342 [28]王储,麻冬梅,孙彦,等.检测燕麦干草主要营养成分含量的近红外光谱分析模型[J].草地学报,2022,30(10):2645-2651 [29]李海萍,关皓,周青平,等.添加麦麸和乳酸菌对川西北高寒地区燕麦裹包青贮品质和有氧稳定性的影响[J].草地学报, 2023,31(1):302-310[30]柴继宽,赵桂琴,琚泽亮.添加不同乳酸菌对燕麦低温青贮发酵的影响[J].草地学报,2023,31(3):923-928[31]D I A SCSA M M,N U N E S H PB,A L F R E D O ESB.I n f l u-e n c e of t h eP h y s i c a l P r o p e r t i e s o f S a m p l e s i n t h eU s e o fN I R St oP r e d i c t t h eC h e m i c a lC o m p o s i t i o na n d G a sP r o d u c t i o n K i-n e t i cP a r a m e t e r s o f C o r n a n dG r a s s S i l a g e s[J].F e r m e n t a t i o n, 2023,9(5):418[32]B A K E R C W,G I V E N SDI,D E A V I L L E E R.P r e d i c t i o no fo r g a n i cm a t t e r d i g e s t i b i l i t y i n v i v o o f g r a s s s i l a g e b y n e a r i n f r a-r e dr e f l e c t a n c es p e c t r o s c o p y:e f f e c to fc a l i b r a t i o n m e t h o d,r e-s i d u a lm o i s t u r e a n d p a r t i c l e s i z e[J].A n i m a lF e e dS c i e n c e a n d T e c h n o l o g y,1994,50(1-2):17-26[33]I K O Y I,A Y,Y O U N G EB A.I n f l u e n c eo f f o r a g e p a r t i c l e s i z ea n d r e s i d u a lm o i s t u r e o nn e a r i n f r a r e d r e f l e c t a n c e s p e c t r o s c o p y(N I R S)c a l i b r a t i o na c c u r a c y f o rm a c r o-m i n e r a ld e t e r m i n a t i o n [J].A n i m a l F e e dS c i e n c e a n dT e c h n o l o g y,2020,270:114674[34]L O V E T TD K,D E A V I L L EER,G I V E N SDI,e t a l.N e a r i n-f r a r e dr e f l e c t a n c es p e c t r o s c o p y(N I R S)t o p r e d i c tb i o l og i c a lp a r a m e t e r s o fm a i z e s i l a g e:e f f e c t s o f p a r t i c l e c o m m i n u t i o n,o v-e nd r y i n g t e m p e r a t u r ea n dt h e p r e s e n c eo fr e s i d u a lm o i s t u r e[J].A n i m a lF e e dS c i e n c ea n d T e c h n o l o g y,2005,120(3-4): 323-332[35]L U B,WA N G XF,T A N GX Y,e t a l.Q u a n t i t a t i v eN I Rs p e c-t r o s c o p y d e t e r m i n a t i o n o fc o c o-p e a ts u b s t r a t e m o i s t u r ec o n-t e n t:E f f e c to f p a r t i c l es i z ea n dn o n-u n i f o r m i t y[J].I n f r a r e d P h y s i c s a n dT e c h n o l o g y,2020,111:103482[36]C O Z Z O L I N O D,F A S S I O A,F E R N A N D E ZE,e t a l.M e a s u r e-m e n t o f c h e m i c a l c o m p o s i t i o n i nw e tw h o l em a i z e s i l a g e b y v i s i-b l e a n d n e a r i n f r a r e d r e f l ec t a n c e s p e c t r o s c o p y[J].A n i m a l F e e dS c i e n c e a n dT e c h n o l o g y,2006,129(3-4):329-336[37]MU R P H Y DJ,B R I E N B O,D O N O V A N M O,e t a l.An e a ri n f r a r e ds p e c t r o s c o p y c a l i b r a t i o nf o rt h e p r e d i c t i o n o ff r e s hg r a s s q u a l i t y o nI r i s h p a s t u r e s[J].I n f o r m a t i o nP r o c e s s i n g i nA g r i c u l t u r e,2022,9(2):243-253(责任编辑闵芝智)0583。