《Journal of Food Composition and Analysis》:Prediction of the Chemical Composition of Locally Available Brans for Ruminants Using Near-Infrared (NIR) Spectroscopy in West Africa
编辑推荐:
西非的反刍动物生产系统受到季节性饲料短缺和本地可获得的饲料资源营养质量变化的制约。谷物和大豆麸皮是重要的日粮补充物,但其评估受到常规实验室分析所需的成本和时间限制。本研究评估了近红外光谱(NIR)用于快速预测动物饲喂中使用的谷物和大豆麸皮的化学成分。研究人员从
西非的反刍动物生产系统受到季节性饲料短缺和本地可获得的饲料资源营养质量变化的制约。谷物和大豆麸皮是重要的日粮补充物,但其评估受到常规实验室分析所需的成本和时间限制。本研究评估了近红外光谱(NIR)用于快速预测动物饲喂中使用的谷物和大豆麸皮的化学成分。研究人员从贝宁七个市镇的加工厂和饲料生产设施收集了总共320个样品。样品通过标准实验室方法进行分析,并使用Tellspec Enterprise手持式近红外光谱仪(工作波段900–1700 nm)进行扫描。在WinISI中建立了偏最小二乘回归模型,使用70%的样品进行校准,30%进行内部验证。样品显示出广泛的成分变异性,干物质(DM)范围88.45–92.00%,粗蛋白(CP)范围60–120 g kg-1,代谢能(ME)范围1350–2200 kcal kg-1。内部验证显示DM、ME、CF和CP性能良好。用50个野外样品进行的外部验证确认了模型的稳健性。钙(Ca)和磷(P)的准确性较低。近红外光谱为西非的饲料质量监测和日粮配方提供了快速工具。
西非地区反刍动物生产系统长期面临季节性饲料短缺和本地饲料资源营养质量波动等制约因素。谷物和大豆麸皮作为重要的日粮补充物,其营养价值评估依赖于传统实验室分析,但成本高、耗时长,限制了养殖户对饲料质量的及时掌握。为应对这一挑战,研究人员利用近红外光谱(NIR)技术,旨在开发一种快速、经济的麸皮化学成分预测方法,以支持饲料质量监测和精准日粮配方。该研究论文发表在《Journal of Food Composition and Analysis》。
研究人员从贝宁北部七个市镇(Parakou、N’Dali、Nikki、Tchaourou、Kandi、Gogounou、Banikoara)的小规模谷物加工厂和饲料生产设施中,采集了320份谷物和大豆麸皮样品(涉及玉米、高粱、水稻、小麦和大豆麸皮)。样品来源覆盖不同农业生态区,确保了成分多样性。关键技术方法包括:使用Tellspec Enterprise手持NIR光谱仪(900–1700 nm)获取光谱数据,并通过标准化学方法(包括烘干法测定干物质DM、凯氏定氮法测定粗蛋白CP、温德法测定粗纤维CF、络合滴定法测定钙Ca、钼蓝比色法测定磷P)获取参考值。随后,采用偏最小二乘回归(PLSR)在WinISI软件中建立校准模型,并以70%样品用于校准、30%用于内部验证,最后用50个独立野外样品进行外部验证。光谱预处理包括标准正态变量(SNV)和去趋势(Detrend)变换,以及一阶导数数学处理。
研究结果部分围绕三个子标题展开:
**3.1 麸皮样品的化学成分变异性**:通过对320份样品参考化学分析,发现各成分存在显著变异。干物质(DM)含量范围为88.45–92.00%,代谢能(ME)为1350–2200 kcal kg
-1,粗蛋白(CP)为60–120 g kg
-1,粗纤维(CF)为8.20–17.00%,钙(Ca)为0.52–1.50 g kg
-1,磷(P)为6.65–12.00 g kg
-1。其中ME和CP变异最大,DM变异最小。该广泛变异性为开发稳健校准模型奠定了基础。
**3.2 NIR校准与验证模型性能**:校准模型的决定系数(R2
cal)范围为0.81(磷)至0.96(干物质)。DM、ME、CF和CP的校准性能最佳,R2
cal分别达0.96、0.94、0.93和0.90;Ca和P较低(0.83和0.81)。内部验证R2
val相应为0.93(DM)、0.90(ME)、0.91(CF)和0.87(CP);Ca和P为0.79和0.78。残差预测偏差(RPD)值:DM(3.68)、CF(3.59)、ME(3.53)、CP(3.31)均高于3,表明模型适用于定量分析;而Ca(1.88)和P(2.30)仅适于筛选。
**3.3 外部验证与模型稳健性**:使用50个独立现场样品进行外部验证,DM、ME和CP的R2
ext分别达0.94、0.92和0.95,RPD
ext为3.02–4.18,证实模型在野外条件下仍保持高预测精度。CF的R2
ext为0.85,RPD
ext为2.32,表现良好。Ca和P的R2
ext分别为0.70和0.68,RPD
ext分别为1.67和1.68,精度较低但仍可用于快速筛查。散点图也显示DM、ME、CP的点沿回归线紧密分布,而Ca和P点分布较分散。
讨论部分总结了成分变异性的来源(如谷物种类、加工方式、储存条件),并指出校准模型对有机成分的高预测性能源于NIR对C–H、N–H、O–H键振动吸收的敏感性。对矿物质(Ca、P)的预测精度较低,符合NIR不直接探测矿物质的特性。外部验证结果与内部验证一致,表明模型具有良好的稳健性和实际应用潜力。研究进一步强调,NIR技术可显著降低饲料分析成本和时间,特别适用于西非地区实验室资源匮乏的现状,有助于推动精准营养和可持续畜牧业发展。
研究结论翻译如下:本研究证明了近红外光谱(NIR)作为快速可靠工具,预测本地可获得的用于动物饲喂系统的谷物麸皮化学成分的潜力。所开发的校准模型对主要营养成分表现出强预测性能,并在独立野外样品评估中保持令人满意的准确性。尽管对矿物质成分的预测性能较低,但模型仍适用于快速筛查应用。研究结果突出表明,NIR光谱能够支持常规饲料质量评估,同时减少与传统实验室方法相关的时间、成本和分析限制。在西非畜牧生产系统的背景下,采用基于NIR的饲料评估方法可加强饲料表征、改进日粮配方实践、促进本地可获得饲料资源的有效利用,并有助于推动精准动物营养和可持续动物生产的发展。