NIR技術在飼料原料養分預測中的應用

NIR 技術在原料蛋白質含量預測中的應用

傳統凱氏定氮法等測定蛋白質含量的方法不能很好地實現快速高效的測定原料粗蛋白含量，且耗時耗力，而 NIR 技術的應用，使得原料蛋白質含量測定實現了高效快速，NIR 技術在苜蓿大豆等飼料原料粗蛋白含量的檢測方面具有廣泛應用。馮偉娟等（2018）比較了 NIR 技術和凱氏定氮法測定大豆中蛋白質含量的優缺點，以青大豆、黃大豆、黑大豆以及黃豆粉為研究材料 ， 使用近紅外分析儀器（DA700，瑞典波通 Perten 公司）分析了上述豆類原料的蛋白質含量，并用凱氏定氮法對上述原料蛋白質含量進行測定，結果表明兩者（上述所有豆類蛋白質含量）結果無顯著差異（P>0.05），研究認為 NIR 技術可替代傳統凱氏定氮法進行大豆蛋白質含量的測定；車暢等（2017）以國家標準法測定了320份豆粕中粗蛋白含量，選用其中40份用NIR技術進行光譜分析，建立預測模型，得到模型的相關系數為0.963，而標準差為0.04，變異系數3.36，表明 NIR 技術預測豆粕的粗蛋白含量具有很高的可靠性；李琳琳等（2014）研究也表明NIR 技術可以準確預測大豆中蛋白質大含量（內部驗證相關系數和內部驗證相關系數分別為0.9471和0.9622）。NIR 技術同樣也可用于苜蓿類飼料原料蛋白質含量的測定，納嶸等（2018）研究采用NIR技術分析了63個不同來源的苜蓿原料蛋白質的含量，采用改進最小二乘回歸分析法為校正模型，建立苜蓿蛋白質含量的預測模型，相關參數結果表明， 交叉驗證相關系數（1-VR）值為0.9201、外部交叉驗證標準誤差（SECV）值為0.2640，由這些參數可以看出，NIR技術可以準確預測苜蓿中蛋白質的含量。除此以外，NIR技術也可用于玉米胚芽粕（預測均方根誤差RMSEP為0.98%）、玉米蛋白粉（RMSEP為0.75%）、干酒糟（RMSEP為1.54%）和菜籽粕（RMSEP為0.90%）等植物源性原料中粗蛋白的含量（Fan等，2016）；動物源性飼料原料蛋白質含量也可使用 NIR 技術進行準確的測定，如昆蟲原料（昆蟲粕）中蛋白質含量的測定（Mandril等，2018）。綜上表明，NIR技術可以無損、快速、準確的測定飼料原料中蛋白質含量，為配制優質配方提供了有力的保證。

NIR 技術在原料粗脂肪含量預測中的應用

粗脂肪含量是配制優質日糧考慮的重要因素之一，傳統的粗脂肪含量測定是采用索氏提取法等檢測方法，耗時耗力，不利于飼料生產企業批量快速測定，隨著NIR技術的發展，越來越多的飼料企業使用NIR技術對原料進行粗脂肪含量的測定。曹小華等（2017）采用傅里葉近紅外技術分析了肉骨粉中粗脂肪的含量，以偏最小二乘回歸分析法為校正模型，建立肉骨粉中粗脂肪的含量的預測模型，分析結果表明：模型對粗脂肪的預測決定系數為0.9261、外部驗證集驗標決定系數高于0.94，而交叉檢驗的均方根誤差（RMSECV）值為0.303；相關參數表明使用NIR技術可以準確預測肉骨粉中粗脂肪含量。NIR技術具有快速測定的優良特性，在一定程度上可以替代粗脂肪含量測定的國家標準方法，陳悅（2018）比較了國標法測定與NIR技術大豆中粗脂肪含量的差異，比較了兩者的結果，發現NIR技術的測定值與國標法測定值的絕對誤差在1.8%～2.6%，低于國家標準的10%；結果表明 NIR 技術和國標法之間的測定結果具有一致性。在大豆原料中粗脂肪含量的測定方面，李琳琳等（2014）研究發現使用 NIR 技術可以準確地預測大豆中粗脂肪的含量（內部驗證相關系數和外部驗證相關系數 分 別 為0.8890和0.9155）。NIR技術在其他飼料原料中粗脂肪的測定也有應用，如楊偉偉等（2018）采用NIR技術分析了米糠粕中側脂肪的含量，結果表明使用NIR技術測定具有很高的準確性，其平均誤差在0.5%以下；納嶸等（2018）研究表明NIR技術測定的粗脂肪結果與常規法（GB/T6443-2006）測定結果之間差異不顯著（P=0.158）；同時可以測定飼草中粗脂肪的含量（1-VR 值為0.92；SEP為0.54）（Tejerina 等，2018）。綜上表明NIR技術可以實現準確快速地測定飼料原料中粗脂肪的含量，為飼料原料分級提供了有力的工具。

 NIR 技術在原料粗纖維含量預測中的應用

日糧中粗纖維的含量對飼料品質具有重要影響，在飼料配制過程中，需要根據不同畜禽以及日糧纖維的含量，從而配制適宜的配方，傳統測定粗纖維的含量是采用價格昂貴的濾袋進行測量，成本較高，且效率低，不利于企業實現低成本高效測定的目標，NIR技術具有高效無損且價格低廉的優勢，因而越來越多的學者及企業采用NIR技術對飼料原料中纖維的含量進行測定。姜訓鵬等（2016）采用NIR技術對6種飼料共327個樣品的中性洗滌纖維（NDF）和酸性洗滌纖維（ADF）含量進行了測定，以傳統的濾袋法測定結果作為參考集，采用最小二乘回歸分析法為校正模型，結果表明玉米干酒糟及其可溶物、苜蓿草顆粒、甜菜粕、小麥麩、大豆皮和噴漿玉米皮6種原料的NDF和ADF的范圍分別在 21.20%～65.28% 和6.40%～48.31%，模型驗證集決定系數和預測標準誤差分別為0.963 和1.82、0.985和1.63，參數表明NIR技術可用于多種飼料原料中纖維含量的快速測定。在玉米秸稈原料粗纖維測定方面，胡世洋等（2017）采用近紅外光譜技術測定了71種玉米秸稈樣品中粗纖維（綜纖維素、纖維素、半纖維素以及木質素）的光譜，以化學測定結果作為驗證集，結果表明4個預測模型的決定系數在 0.8383～0.9023 之間，均方根誤差在 1.16～2.02%之間， 表明NIR技術的預測效果較好；類似的研究也發現，使用NIR技術測定玉米秸稈中酸性洗滌纖維的相對標準偏差僅為3.75%（薛俊杰等，2016）。在飼草中粗纖維測定方面，高燕麗等（2015）研究結果表明NIR技術可準確不同生理狀況下嚴格的控制的預測紫花苜蓿干草中 NDF 和ADF 的含量；Tejerina 等（2018）認為NIR技術可測定飼草中NDF的含量（1-VR=0.87）。也有研究報道，NIR技術在菜粕中粗脂肪含量的測定具有較好的預測效力（相關系數高于0.8）（郝生燕等，2014）。表明NIR技術可實現對多種飼料原料中的粗纖維含量實現無損快速的測定，為飼料資源的開發利用提供了有效的數據。

NIR技術在原料碳水化合物含量預測中的應用

原料中適宜的碳水化合物對配制促進畜禽生產性能的配方具有積極作用，因而準確的評定飼料原料中碳水化合物含量對畜禽生產性能的提高具有積極作用，由于NIR技術測定具有高效、綠色以及無損的優良特性，使其在評定飼料原料中碳水化合物含量中有了廣泛的應用。在玉米原料中碳水化合物含量的測定方面，Hetta 等（2017）以瑞典3個不同品種的玉米（132 飼料級玉米原料）為研究對象，采用高質量近紅外光譜技術（NIR）測定了樣品中的可溶性碳水化合物含量，以最小二乘回歸（PLS）分析法建立預測模型，結果表明NIR技術測定玉米中可溶性碳水化合物具有很高的穩健性。薛俊杰等（2016）研究表明NIR技術可實現對玉米秸稈中的可溶性碳水化合物含量的測定（相對標準偏差為16.81%）。李國彰等（2018）用 NIR技術分析了大麥秸稈中碳水化合物（CHO）的含量，基于康奈爾凈碳水化合物體系建立 CHO養分的預測數據庫，結果表明（二階導數最優模型），采用NIR技術對大麥秸稈中CHO含量、非纖維性碳水化合物（NFC）含量的交互驗證決定系數（1-VR）以及交互驗證標準差（SECV）分別為0.9209和0.0073、0.8571和0.0107，表明NIR技術可以準確的預測大麥秸稈中CHO的含量。Chen 等(2013)研究表明，NIR技術在谷物中總碳水化合物的測量中也有應用，其驗證決定系數和預測的均方根誤差（RM- SEP）分別為 0.92和0.40，研究認為NIR技術是測量谷物中碳水化合物的有效方法。綜上說明NIR技術在原料WHO測定方面具有廣泛的應用，可以有效的評定原料中CHO的含量。

 NIR技術在原料其他養分預測中的應用

NIR技術具有高效無損測定的優良特性，除了在上述常規養分含量的測定外，還可用于原料中粗灰分（Ash）、混合飼料中維生素E含量、氨基酸含量、鈣磷含量以及干物質（DM）等常規養分。肖紅等（2018）采用 NIR 技術分析了160份紫花苜蓿青貯原料樣品中Ash的含量，結果表明NIR模型測定的交叉驗證相關系數（Rcv）和交叉驗證標準誤（RMSECV）分別為0.978和0.177，表明NIR技術測定苜蓿原料中的Ash的含量是可行的。王燕妮(2017)等研究表明NIR技術可實現預混合飼料中VE含量的快速測定。據李軍濤（2014）報道，采用NIR技術可測量不同來源玉米中的氨基酸的含量（除賴氨酸、蛋氨酸、色氨酸和胱氨酸外其余14中氨基酸決定系數在0.86～0.94），該研究還表明，使用NIR技術測定原料中氨基酸的含量效果優于傳統的粗蛋白法測定。在礦物質含量測定方面，有研究報道，使用NIR技術可用于鈣磷含量的測定（誤差在許可范圍內）（Khaleduzzaman等，2017）。在DM的測定中，Bagchi等（2016）采用改進偏最小二乘回歸分析建立模型，采用NIR技術對糙米中DM進行了測定，通過外部驗證，證明NIR技術測定糙米中DM是可行的。這表明NIR技術對飼料原料養分預測具有通用性和廣泛性。