青贮饲料品质的优劣会直接影响反刍动物生产性能，饲喂优质玉米青贮可以提高反刍动物生产性能（齐志国等，2023；赵亚星等，2020），维持最佳的瘤胃功能，降低瘤胃酸中毒等疾病（Wilkonson,2018），提高养分消化率（张智安等，2021），增强抗氧化能力等（王金飞，2021；张一为，2021）。中国农业科学院北京畜牧兽医研究所根据青贮饲料营养价值和动物营养需要，以粗蛋白质、淀粉、粗脂肪、中性洗涤纤维消化率4个营养指标和氨与乳酸含量2个发酵指标为核心，通过数学模型，建立全株玉米青贮饲料质量分级评分指数（CSQS)(Tharangani,2020),CSQS不仅能够全面反映全株玉米青贮饲料营养和发酵品质，而且生产中操作便捷。近红外光谱分析技术（NIRS）因其快速、准确、非破坏性等特点，可以预测样品的化学成分和品质指标（Abrams等，1988），广泛应用于青贮饲料质量的检测。本文基于全株玉米青贮质量分级指数（CSQS）的指标，阐述主要从应用近红外光谱技术构建玉米青贮饲料中的营养指标、发酵指标和安全指标预测模型，及其影响模型构建的关键因素，旨在为牧草建立近红外营养成分参数预测模型提供参考依据。

1 近红外光谱分析技术概述

1.1 近红外光谱分析技术的发展历程

英国天文学家William Herschel(Herschel,1832）于1800年发现了近红外光谱区，首次报道了近红外光谱的存在，并开始研究不同物质对不同波长近红外光的吸收特性。20世纪30年代研究人员研制出了第一台近红外光谱仪器，用于测量和记录近红外光谱数据。但也仅限于理论阶段，并没有投入到生产实践中。20世纪50年代中后期，简易型近红外光谱仪问世，其主要用于农副产品的分析，还未在其他领域应用（Williams,1987）。直至20世纪80年代，研究人员开始建立光谱数据库，将样品的近红外光谱与其成分信息建立联系。化学计量学方法的应用（主成分分析（PCA）和偏最小二乘法（PLS）），使得利用近红外光谱数据进行定性和定量分析成为可能（许秀琴，2017）。20世纪90年代，国际上成立了近红外光谱协会，同时我国开始了对NIRS的研究与开发。21世纪初至今，NIRS得到了不断改进和完善，使得其在更多领域的应用延伸和扩展（陆婉珍，2007）。

1.2 近红外光谱分析技术的原理与优势

1.2.1 NIRS原理

根据美国实验材料学会所定义的近红外波长为780～2526 nm（戴露茗，2023），该区域内的光波长对应着物质的分子振动模式，因此具有特定波长的光会被物质中的某些化学组分所吸收。近红外光谱是电磁波辐射与待测样品相互作用的结果，这种相互作用使待测样品中的C-H、O-H和N-H等原子键根据给定作用的大小发生振动，振动进而形成了光谱的峰和谷，提供了有机物存在的信息（Samadi,2022）。对于形成的光谱图可以通过化学计量方法与所测定成分的含量进行关联，进而从光谱中获取所需要的信息。

1.2.2 NIRS的优势

与传统化学方法相比，NIRS具有以下优势（岳家豪，2023;Li等，2015；任秀珍等，2009):(1）检测速度快；（2）准确度高；（3）是一种物理、无损、无创的方法；（4）是一种多任务分析技术，可以同时进行多个指标的检测；（5）样品制备量少或不需要样品制备；（6）环保，不需要化学试剂也不产生废物；（7）适合在线分析。

2 NIRS在玉米青贮中的应用

2.1 NIRS玉米青贮营养指标模型的建立

王新基等（2021）利用改良偏最小二乘法（MPLS）建立的全株玉米青贮的DM、CP、ADF、和Ash的近红外预测模型相关性较好，交叉验证相关系数分别为0.83、0.80、0.93、0.78，可以用于实际生产，而EE和NDF模型结果较差。Boever等（1997）也是利用NIRS结合PLS建立的玉米青贮DM、CP、EE、Ash、NDF和ADF的预测模型，其指标也均可用于实际生产。郭丽丽（2021）采用支持向量机非线性校正方法（LS-SVM），导数处理（一阶导）和LOOCV+gridsearch处理建立全株玉米青贮饲料6种营养成分的近红外定量模型，所有模型结果均不太理想。兰尊海（2018）通过PLS法成功建立了玉米青贮样品水分、CP、DM、EE、NDF、ADF、和淀粉的近红外模型。崔盈盈（2022）在兰尊海的基础上也采用PLS法，通过4种光谱散射校正和18种导数处理来确定每个指标的最佳模型，结果表明建立的全株玉米青贮的水分、CP和P的预测模型均能实现准确预测，其预测决定系数均大于0.8，而NDF、ADF、和淀粉的只能用于粗略的分析预测，EE的预测模型不可用。崔盈盈（2022）和兰尊海（2018）采用相同的方法但结果却大不相同，其主要在于样本数量的增加，随着样本数的增加样品营养价值的差异性则越大。刘娜（2020）采用偏最小二乘回归（PLSR）结合2种散射校正（Second Derivative和SNV+Second Derivative）对179份全株玉米青贮扫描建立预测模型结果显示，除ADF外，其成功建立了DM、CP、NDF、EE的NIRS预测模型。综上所述，建立玉米青贮预测模型时，大多数学者都能够很好地建立水分、DM、CP、Ash的预测模型，NDF、ADF、EE和淀粉的预测模型虽也能够建立出来，但其准确性较差。

2.2 NIRS玉米青贮发酵指标模型的建立

目前发酵产物是用于评定青贮饲料发酵品质的主要指标，因此，青贮饲料发酵产物的测定对于评定青贮品质至关重要。穆怀彬等（2011）结合回归分析方法和光谱散射校正对284份青贮样品建立了青贮玉米有机酸与氨态氮总分模型，用于预测青贮玉米的总分值，其预测决定系数为0.8453，说明NIRS可以对青贮玉米的有机酸和氨态氮进行定量分析。李宇萌（2010）采用PLS结合平滑、导数、散射校正等处理方式建立玉米秸秆捆包青贮饲料的NIRS模型，结果表明NIRS能够很好地预测青贮样品中的p H，其矫正模型决定系数大于0.85。陈鹏飞（2010）也采用PLS法来建立NIRS模型，但其采用的是冷冻干燥后的粉碎样品建立了紫花苜蓿青贮样品的发酵指标矫正模型，其氨态氮、乳酸、乙酸的交叉验证决定系数均大于0.9，丁酸略低为0.6。综上所述，通过合理的样品制备和光谱处理可以通过NIRS来测定青贮样品中发酵指标的含量。为避免干燥过程中对青贮中的有机酸的影响，可以尝试采用冷冻后的样品来建立青贮样品中发酵指标的预测模型。

2.3 NIRS玉米青贮消化率指标模型的建立

刘贤等（2007）通过建立青贮饲料干物质消化率与中性洗涤纤维消化率NIRS模型发现，干物质的消化率模型整体要优于NDF消化率模型。薛祝林等（2017）利用MPLS结合导数、散射处理等不同的处理方法建立了229份苜蓿干物质消化率预测模型，虽只能够用于粗略的分析，但侧面证明NIRS能够用于饲草消化率的测定。白琪林等（2006）通过PLS结合不同光谱处理及不同光谱范围建立了161份样品的玉米秸秆体外干物质消化率矫正模型，其预测标准误差为2.08%。综上所述，目前关于消化率的预测模型主要集中于干物质的消化测定，然而，未来在消化率预测模型的研究领域还有很大的发展空间。

2.4 NIRS玉米青贮安全指标模型的建立

NIRS因其快速、无损的检测特点在玉米安全品质检测中具有广泛的应用（常莉，2023）。Ghilardelli等（2022）利用不同类型的模型如PCA、PLS和人工神经网络等方法进行了初步的测试，最后选择人工神经网络建立了不同真菌毒素总数的近红外检测模型，其可以快速提供青贮霉菌毒素污染的信息，霉菌毒素检出准确率为（95.1±2.8）%。NIRS在真菌和霉菌毒素污染分类和评价中的应用越来越受到重视，但由于霉菌毒素浓度太低，限制了其在玉米青贮中的有效监测。今后的研究重点可以发展更准确、快速的近红外检测方法，用于检测青贮饲料中的霉菌水平和相关的霉菌毒素含量。

3 影响NIRS玉米青贮模型准确性的因素

3.1 样品的预处理

郭涛等（2021）利用PCA和MPLS相结合的方法，结合3种导数处理和7种散射校正建立苜蓿品质参数模型，旨在研究切断苜蓿与粉碎苜蓿两种不同方式对NIRS模型的影响。其结果表明，粉碎苜蓿干草营养成分定标模型的预测准确度高于切断苜蓿干草。田丽梅等（2023）采用PLS建立了干燥样品与新鲜样品的定量分析模型，通过对燕麦饲草青贮营养品质的研究表明，经过干燥处理后的样品模型优于新鲜样品模型。陈菲等（2021）指出，对青贮样品进行前期的烘干、粉碎后其建立的模型准确度更高。综上，可以考虑到是因为粉碎样品较切断样品，混合度更加均匀使得光谱采集到的样品信息更加完整。因此，在测定营养指标时可以采取干燥、粉碎的方式来对样品进行前期的预处理。

3.2 样品集的选择

李朵等（2023）通过对不同建模集条件下建立全缘叶绿绒蒿中总黄酮NIRS定量检测模型，结果表明，预测模型的效果随着样本数量的增加呈先下降后上升的趋势，且样本含量的标准差越大时模型的相关性越好。崔盈盈（2022）在兰尊海（2018）的基础上增加了样本量，但预测效果却有所下降。李勇（2005）和刘绪平（2010）等认为，样本量太少时，不能够准确的反映出所测样品常态分布规律，而样本数量过多则会增加工作量，引入异常样本和干扰信息，影响模型效果。综上所述，在建立NIRS预测模型时，应选择具有代表性的样品，各样品间具有一定的离散性，且样品数量并不是越多越好。

3.3 不同光谱预处理

在NIRS建模过程中涉及到不同的光谱预处理方式，目前常用的光谱预处理方法有导数处理、多元散射校正（MSC）、标准正态变量变换（SNV）和平滑等。纳嵘等（2021）采用MPLS结合20种预处理组合（4种数学处理，5种散射校正）分析比较得出最佳的光谱预处理组合来建立苜蓿营养成分NIRS模型。崔盈盈（2022）也通过4种光谱散射校正和18种导数处理的组合来确定每个指标的最佳模型。通过查阅文献可以发现在建立一个指标模型时不同的作者采用不同的光谱预处理方式，但都可以达到预期的理想值。因此，可以在光谱预处理上选择单一、两两组合、三个或三个以上的组合方式来进行光谱的预处理，既避免了因人为的喜好造成的误差，也使得试验结果更精确。

3.4 仪器自身的特性

李军会等（2007）研究发现，在不考虑样品自身性质因素情况下，仪器自身的信噪比等引起的测试重复性误差占50%左右，当待测样品的温度与模型光谱测试条件温度较大时，其模型的预测效果也较差。仪器的信噪比误差后期可以通过光谱的预处理来降低其对模型的影响程度。通常在进行待测样品的光谱采集时，都会对仪器进行30 min的预热处理，其目的在于提高仪器的稳定性和确定性，使其达到稳定的工作温度，从而减少由于温度引起的误差。

4 小结

NIRS在玉米青贮饲料的检测中具有很大的发展潜力，其能够很好的预测青贮样品中的常规营养成分。其发酵指标、消化率指标和安全指标也取得了重要的进展，但仍存在许多待探索和发展的机会，可以通过进一步的优化，建立更加精准和可靠的预测模型来提高其对青贮饲料发酵水平、消化率和安全性的预测能力