论文部分内容阅读
本研究旨在利用近红外光谱技术分别建立玉米秸秆、小麦秸秆和苜蓿干草近红外预测模型,并且比较苜蓿干草不同处理方式对于建立的近红外预测模型的预测准确性的影响。本论文包括以下3个试验:试验1:本研究旨在利用近红外光谱技术(near-infrared reflectance spectroscopy,NIRS)分别建立玉米秸秆(corn straw)和小麦秸秆(wheat straw)的近红外预测模型。从甘肃、新疆和河南三个省份共采集玉米秸秆样品155份,小麦秸秆样品135份。选取玉米秸秆124份作为定标集,31份作为验证集。选取小麦秸秆108份作为定标集,27份作为验证集。利用近红外光谱技术结合改良偏最小二乘法(Modified partial least squares,MPLS)等化学计量学方法分别建立玉米秸秆和小麦秸秆的干物质(dry matter,DM)、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)和酸性洗涤木质素(acid detergent lignin,ADL)这5个指标的近红外预测模型。结果表明,1)玉米秸秆平均DM、CP、NDF、ADF和ADL的含量分别为94.60%、5.16%、63.88%、36.33%和3.32%。小麦秸秆平均DM、CP、NDF、ADF和ADL的含量分别为95.35%、3.42%、77.31%、46.59%和6.84%。2)玉米和小麦秸秆的CP含量的预测模型交互验证决定系数(1-VR)>0.90,且外部验证决定系数(RSQ)>0.84,构建的模型可以用于实际预测。3)玉米秸秆DM、NDF、ADF和小麦秸秆DM各指标定标模型的1-VR值在0.80左右,可以粗略的预测其营养成分含量,其余各指标模型预测效果不太理想,模型需要进一步优化。综上所述,本研究为生产实践中快速预测玉米和小麦秸秆营养成分含量提供了理论依据,并且通过NIRS建立了其近红外预测模型。试验2:本试验旨在利用NIRS建立苜蓿干草(Alfalfa hay)6种营养成分的近红外预测模型。分别从甘肃、宁夏、河北、江苏和陕西5个省份采集200份苜蓿干草样品,测定其DM、粗灰分(Ash)、CP、NDF、ADF和粗脂肪(ether extract,EE)的含量。选取苜蓿干草样品160份作定标集,40份作验证集。利用NIRS结合MPLS构建并且验证其建立预测模型的优劣。结果表明:苜蓿干草DM、NDF含量预测模型的预测决定系数(RSQ)和外部验证相对分析误差(RPD)分别为0.87和2.67,0.90和3.16,构建的模型可以用于实际生产中的预测;CP、ADF含量预测模型的RSQ和RPD分别为0.83和2.41,0.82和2.28,构建的预测模型不能完全代替湿化学分析,但可以用于大量样品的筛选分析;Ash含量预测模型的RSQ和RPD为0.59和1.51,构建的预测模型只能用于粗略的分析;EE含量预测模型的RSQ和RPD为0.45和1.32,构建的预测模型相关性较差,还需进一步优化。试验3:本试验旨在利用NIRS分别建立切短和粉碎苜蓿干草DM、Ash、CP、NDF、ADF和EE近红外预测模型,选取苜蓿干草样品149份作为定标集,37份作为验证集,利用改良偏最小二乘法建立各指标预测模型,分析切短和粉碎苜蓿干草各近红外预测模型的预测偏差。结果表明,DM和Ash两种处理方式预测模型预测偏差P>0.05,差异不显著。切短和粉碎CP、NDF、ADF和EE预测模型预测偏差P<0.01,差异极显著。切短苜蓿干草6种营养成分近红外预测模型预测效果较差。综上所述,利用NIRS建立了玉米秸秆、小麦秸秆的DM、CP、NDF、ADF、ADL和苜蓿干草DM、Ash、CP、NDF、ADF、EE各营养成分预测模型,为快速评定其营养价值提供便捷,高效合理利用这3种粗饲料资源提供理论依据。