使用两种手持式近红外光谱仪进行性能评估，通过定制校准方法来确定饲料的营养价值

《Crop, Forage & Turfgrass Management》：Performance evaluation of two handheld NIR spectrometers to determine forage nutritive value using custom calibrations

本研究比较了Trinamix和NeoSpectra两种手持近红外光谱仪在预测干草粗蛋白和体外有机物消化率上的性能。通过独立软件流程开发了定制校准模型，发现两者在r2≥0.90的条件下表现出相似预测精度，SEP分别为1.8%-2.3%。光谱预处理方法（如SNV、SG、DT）和模型参数优化对设备特异性有显著影响。

　　近红外（NIR）光谱技术作为一种非破坏性的分析手段，近年来在农业和食品科学领域得到了广泛应用。随着技术的进步，市场上出现了多种便携式手持NIR光谱仪，这些设备为现场快速检测提供了便利。然而，由于不同设备在硬件设计、扫描方式和数据采集过程中的差异，如何确保其预测结果的准确性成为一个关键问题。本文研究了两种便携式NIR光谱仪——Trinamix和NeoSpectra——在预测牧草营养成分方面的性能表现，并探讨了如何通过自定义校准模型来提高其应用效果。

NIR光谱技术的基本原理是基于物质的分子结构对近红外光的吸收或反射特性。不同分子对特定波长的光有独特的响应，这种特性使得NIR光谱能够用于识别和量化样品中的化学成分。在牧草营养评估中，粗蛋白（CP）和体外有机质消化率（IVOMD）是两个重要的指标。CP是衡量牧草蛋白质含量的关键参数，而IVOMD则反映了牧草的消化能力和营养价值。这两种参数的准确预测对于优化饲料配方、提高畜牧业生产效率具有重要意义。

为了验证这两种NIR光谱仪的预测能力，研究人员收集了317个干燥研磨的牧草样本（包括禾本科植物、豆科植物及其混合物），并使用Trinamix和NeoSpectra光谱仪分别进行扫描。值得注意的是，两种设备在扫描过程中采用了不同的方式：Trinamix直接接触样品，而NeoSpectra则通过制造商提供的采样容器进行扫描。尽管扫描方式不同，所获得的光谱数据仍然能够与实验室参考值高度吻合，表明这两种NIR光谱仪在预测牧草营养成分方面具有良好的一致性。

在光谱数据采集完成后，研究人员使用了基于R语言的独立软件流程来开发NIR校准模型。该软件流程包括两个主要阶段：光谱数据的预处理与异常值检测，以及模型训练、验证和预测。在预处理阶段，研究人员应用了13种数学变换，如乘法散射校正（MSC）、标准正态变量（SNV）、去趋势（DT）和Savitzky-Golay（SG）平滑技术等，以去除因样品颗粒大小和表面反射特性引起的散射效应，从而提高后续回归分析的准确性。这些变换被用于生成14种不同的模型，包括原始光谱数据和经过变换后的数据。

在异常值检测阶段，研究人员使用了局部异常因子（LOF）算法，通过分析每个样本在20个最近邻样本中的分布情况，筛选出不符合模型预测的异常数据。结果表明，NeoSpectra设备中有两个样本被判定为异常值并被排除在分析之外。在模型训练阶段，研究人员采用偏最小二乘回归（PLSR）方法，将光谱数据与实验室测量值进行关联，并通过留一法交叉验证（leave-one-out cross-validation）评估模型的性能。最终，根据交叉验证的决定系数（R2cv）和预测误差（SEP）的最小化原则，研究人员选择了最优的模型参数配置。

研究结果显示，两种NIR光谱仪在预测CP和IVOMD方面均表现出较高的准确性。所有模型的R2值均达到了0.90以上，预测误差（SEP）在1.8%至2.3%之间，偏差（bias）则在-0.22%至-0.17%之间。这些结果表明，尽管两种设备在光谱数据和扫描方式上存在差异，但它们的预测性能依然非常接近。此外，研究还发现，不同的光谱变换方式对模型的优化至关重要。例如，对于CP的预测，Trinamix设备采用DT变换并使用6个因子，而NeoSpectra则采用DT变换并使用5个因子；对于IVOMD的预测，Trinamix使用DT_SG5变换并采用9个因子，NeoSpectra则使用DT变换并采用8个因子。这表明，为了达到最佳预测效果，需要针对每种设备选择最合适的模型参数。

研究中使用的样本来自一项农业实验，该实验考察了不同氮肥施用量和刈割频率对牧草营养成分的影响。样本经过干燥和研磨处理后，被用于光谱分析和实验室检测。研究发现，两种NIR光谱仪在扫描过程中表现出不同的光谱特性，这可能与设备的设计、样品的呈现方式以及扫描环境有关。例如，Trinamix设备在1650 nm以上的波长范围内吸收值较高，而NeoSpectra设备在该波长范围内的吸收值较低。然而，在重叠波长范围内，两种设备的光谱峰值和波谷基本一致，说明它们都能捕捉到足够的化学信息用于模型构建。

在模型评估阶段，研究人员使用了25%的测试集来验证预测结果的准确性。测试集中的样本并未参与模型训练，以确保模型的泛化能力。通过散点图、线性回归分析以及相关统计指标（如R2、SEP和偏差）的综合评估，研究人员发现两种设备的预测结果与实验室测量值高度一致，显示出良好的模型拟合效果。然而，在IVOMD的预测中，NeoSpectra设备的预测值在参考线上（Y=X）的分布略显分散，这可能与其扫描方式和光谱特性有关。

本研究的结果表明，使用自定义校准模型可以显著提高便携式NIR光谱仪在预测牧草营养成分方面的准确性。这不仅意味着用户可以根据具体需求调整模型参数，还表明了灵活的软件工具在NIR技术应用中的重要性。通过这种方式，用户能够开发出更加精准、高效的NIR解决方案，从而满足不同场景下的检测需求。

此外，研究还强调了光谱预处理在NIR模型开发中的关键作用。由于不同设备和样品条件可能对光谱数据产生影响，因此选择合适的预处理方法对于提高模型的稳定性和预测能力至关重要。研究中采用的多种变换方法为用户提供了多种选择，以适应不同的实验条件和数据特征。这为NIR技术在农业和食品科学中的进一步应用奠定了基础，同时也为未来的模型优化提供了方向。

总体而言，本研究通过比较两种便携式NIR光谱仪在预测牧草营养成分方面的表现，验证了自定义校准模型在提高NIR技术准确性方面的有效性。研究结果表明，尽管设备存在差异，但通过合理的模型参数配置和灵活的软件工具，可以实现对牧草营养成分的精准预测。这不仅为NIR技术在实际应用中的推广提供了支持，也为进一步研究不同NIR设备的性能差异和优化策略提供了依据。