基于PLS与SVR方法的便携式与台式近红外光谱仪在玉米青贮饲料成分表征中的性能比较研究

本研究系统比较了台式与便携式近红外光谱（NIR）设备结合偏最小二乘（PLS）和支持向量回归（SVR）算法，在玉米青贮饲料的磷（P）、钾（K）、氮（N）成分定量分析中的模型性能。通过严谨的光谱预处理流程（包括均值中心化、Savitzky-Golay滤波、区间偏最小二乘（iPLS）波长选择及蒙特卡洛异常值检测）和统计假设检验（SHT），研究证实台式设备因其更宽光谱范围（801-2500 nm）和更高分辨率，所建模型具有更优的预测精度（验证集R2最高达0.81）和稳健性（RPD>2.0），为农业无损检测技术选型提供了重要数据支撑。

　　

引言背景

巴西作为全球主要玉米生产国之一，其青贮饲料因富含氮（N）、磷（P）、钾（K）等营养元素成为反刍动物的重要饲料。传统化学检测方法（如凯氏定氮法）虽精度高但存在成本高、耗时长、破坏样本等局限。近红外光谱（NIR）技术凭借快速、无损、操作简便等优势，成为成分分析的理想替代方案。该技术通过检测分子键（如O-H、N-H、C-H）在780-2500 nm光谱区的倍频与合频振动，间接关联有机物中的元素含量。本研究创新性地对比了台式（Bruker MPA）与便携式（MyNIR）NIR设备在玉米青贮饲料N、P、K定量模型构建中的性能差异，并引入统计假设检验验证模型显著性。

材料与方法

样本制备与光谱采集：研究采用巴西巴拉那州西南部农户提供的96份玉米青贮饲料（剔除根与穗轴），经60°C烘干、研磨过筛（0.5 mm）后，分别使用台式（光谱范围12,000-4000 cm^-1，分辨率16 cm^-1）和便携式（光谱范围11,104-5881 cm^-1，分辨率6.1 cm^-1）设备采集光谱，各样本重复检测2次，最终获得台式（551数据点/光谱）和便携式（251数据点/光谱）数据集。

化学成分测定：参考官方方法，氮含量通过凯氏定氮法（硫酸消化+蒸馏滴定）测定；磷、钾含量采用硝基-高氯酸湿法消解后，分别通过分光光度法（660 nm）和火焰光度法定量。

光谱预处理流程：

1. 1.
   均值中心化：消除光谱基线偏移，突出有效信号；
2. 2.
   Savitzky-Golay滤波（窗口长度17，多项式阶数2，导数阶数2）：增强吸收峰信噪比；
3. 3.
   区间偏最小二乘（iPLS）：筛选与目标成分相关性最高的光谱子区间；
4. 4.
   蒙特卡洛异常值检测：剔除仪器或操作引入的异常样本。

数据集划分与建模：通过Kennard-Stone算法按7:3划分校准集与验证集，分别构建PLS和SVR模型。采用10折交叉验证与网格搜索优化超参数（如PLS成分数、SVR核函数与惩罚系数），以确定系数（R²）、均方根误差（RMSE）和相对分析误差（RPD）评估模型性能，并运用Wilcoxon（同设备算法比较）和Mann-Whitney（跨设备性能比较）检验分析差异显著性。

结果与讨论

光谱特征分析：台式设备在1760 nm（C-H一级倍频）、1930 nm（O-H倍频）、2112 nm和2352 nm（C-H合频）处观察到显著吸收峰，而便携式设备因光谱范围受限（900-1700 nm）仅能检测1200 nm（C-H二级倍频）和1470 nm（O-H/N-H倍频）等特征峰，这直接影响了P、K等无直接NIR吸收峰元素的间接预测能力。

模型性能比较：

• •
  台式设备模型：SVR在K、N预测中表现最优（验证集R²分别为0.81和0.81，RPD均>2.0），PLS对P预测更稳定（R²=0.66）。统计检验证实K预测中SVR显著优于PLS（p=0.0195）；
• •
  便携式设备模型：PLS整体优于SVR（N预测R²=0.67），但所有模型RPD均<2.0，未达到稳健标准。跨设备比较显示，台式设备在K（PLS/SVR的p≤0.0022）和N（SVR的p=0.0312）预测中显著优于便携设备。

成因分析：便携设备性能受限主要源于其较窄的光谱范围（缺失>1700 nm的关键有机官能团信息）、较低的分辨率及灵敏度，加之样本量有限（n=96），影响了复杂成分的间接建模效果。

结论与展望

本研究证实台式NIR设备更适合玉米青贮饲料营养成分的高精度定量分析，而便携设备虽便于现场快速筛查，但需通过扩大样本量、引入深度学习（如卷积神经网络）或拓展至其他饲料类型（如高粱、向日葵）以提升实用性。未来工作将聚焦于优化预处理算法（如主成分分析）和模型集成策略，进一步推动NIR技术在智慧农业中的落地应用。