基于傅里叶变换近红外光谱技术的牧草营养价值快速预测模型构建与验证

本研究采用傅里叶变换近红外光谱（FT-NIR）结合化学计量学方法，开发了牧草关键营养参数（如干物质DM、粗蛋白CP）的快速预测模型。通过区间偏最小二乘法（iPLS）和遗传算法（GA）优化变量选择，新鲜样本的DM模型预测精度达R2P=0.96，干燥样本CP模型R2P=0.94。研究为开发便携式牧草质量监测设备提供了核心光谱波段，推动畜牧业精准饲喂和可持续发展。

　　

ABSTRACT

牧草质量是牧场生产系统的核心要素，直接影响动物福利、环境可持续性和产量。传统化学分析方法耗时昂贵，而傅里叶变换近红外光谱（FT-NIR）展现出巨大潜力。本研究采集意大利中部324份牧草样本，通过偏最小二乘（PLS）回归模型结合变量选择方法，建立了干物质（DM）、粗蛋白（CP）等关键参数的预测模型。新鲜样本DM模型预测R²_P达0.96，干燥样本CP模型R²_P为0.94，中性洗涤纤维（aNDF）结果亦可接受。

材料与方法

采用分层采样策略，基于哨兵2号卫星NDVI数据划分9个生物量梯度区间。样本经65℃烘干72小时后，通过FT-NIR光谱仪（4000-10,000 cm^?1）采集数据。化学分析包括凯氏定氮法测CP、范氏洗涤法测纤维组分。采用留出法划分70%校准集和30%验证集，比较48种预处理组合与变量选择方法（iPLS和GA）。

关键发现

1. 光谱特征：新鲜样本在6900 cm^?1（O-H伸缩一级倍频）和5180 cm^?1（组合频带）处水分特征显著，干燥样本在4320-4250 cm^?1处显现脂质特征峰。

2. 模型性能：iPLS更适合新鲜样本（6/8最佳模型），GA对干燥样本更有效（5/6最佳模型）。iPLS_30筛选出的3个30变量波段（如5500-5440 cm^?1 lignin相关区）可简化便携设备开发。

3. 预测误差：DM模型NRMSECV仅3.8%，CP模型为5.6%，但aNDF预测受纤维组分异质性影响较大。

应用前景

研究揭示了FT-NIR在牧草质量管理中的实用价值，特别强调：

• 核心光谱区识别（如CP模型的4770-4460 cm^?1蛋白特征带）为开发低成本田间传感器奠定基础

• 样本预处理中，Savitzky-Golay二阶导数（窗口31-71）和EMSC散射校正效果最佳

• 未来需扩大地理样本多样性以提升模型泛化能力

创新点

首次系统比较iPLS与GA在牧草光谱分析中的适用性差异，并提出"三波段精简模型"概念，为畜牧业数字化管理提供新思路。