基于近红外光谱的北京市全株玉米原料康奈尔净碳水化合物-蛋白质体系组分分析与预测

本试验旨在基于康奈尔净碳水化合物-蛋白质体系(CNCPS)建立北京市全株玉米原料营养成分数据库,并利用近红外光谱(NIRS)方法建立其营养价值预测模型。试验采集北京市18个牧场89份全株玉米原料样品,测定其营养成分,利用CNCPS 6.5计算各样品碳水化合物(CHO)和蛋白质组成。定标集和验证集根据4∶1的配比关系,分别选用71份和18份全株玉米原料样品作为定标集和验证集评价NIRS模型。结果显示:1) NIRS分析技术对全株玉米原料常规营养成分、CNCPS中蛋白质组成和CHO组成均具有较好的预测能力,且精确度较高。2)干物质(DM)、粗灰分(Ash)、粗蛋白质(CP)、粗脂肪(EE)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、酸性洗涤木质素(ADL)、淀粉(Starch)、中性洗涤不溶蛋白质(NDIP)、酸性洗涤不溶蛋白质(ADIP)、可溶性蛋白质(SP)、CHO、非纤维性碳水化合物(NFC)、可溶性纤维(CB2)、可消化纤维(CB3)、不消化纤维(CC)、可溶性真蛋白质(PA2)、难溶性真蛋白质(PB1)、纤维结合蛋白质(PB2)和非降解蛋白质(PC)的定标决定系数(1-VR)均>0.80,验证决定系数(RSQv)均≥0.84,这些模型均可用于日常快速检测分析。DM、Ash、EE、NDF、ADF、ADL、Starch、NDIP、CHO、NFC、CB2、CB3、PC和PB1的NIRS模型参数均采用二阶导数处理,CP、SP、ADIP、CC、PA2和PB2的NIRS模型参数均采用标准正态变量+二阶导数处理。综上所述,本研究提供了全株玉米原料的基础化学分析数据,并通过NIRS分析技术建立了主要营养成分的快速预测模型,有利于养殖场青贮前对全株玉米原料质量的快速评估。     

利用近红外光谱技术分析玉米秸秆和小麦秸秆的营养成分

为利用近红外光谱技术(near-infrared reflectance spectroscopy, NIRS)分别建立玉米秸秆(corn straw)和小麦秸秆(wheat straw)的近红外预测模型,本研究从甘肃、新疆和河南3个省(区)共采集玉米秸秆样品155份、小麦秸秆样品135份,选取玉米秸秆124份作为定标集、31份作为验证集,小麦秸秆108份作为定标集、27份作为验证集,利用近红外光谱技术结合改良偏最小二乘法(MPLS)等化学计量学方法分别建立玉米秸秆和小麦秸秆的干物质(dry matter,DM)、粗蛋白(crude protein, CP)、中性洗涤纤维(neutral detergent fiber, NDF)、酸性洗涤纤维(acid detergent fiber, ADF)和酸性洗涤木质素(acid detergent lignin, ADL) 5个指标的近红外预测模型。结果表明:1)玉米秸秆DM、CP、NDF、ADF和ADL的平均含量分别为94.60%、 5.16%、 63.88%、 36.33%和3.32%;小麦秸秆DM、 CP、 NDF、 ADF和ADL的平均含量分别为95.35%、3.42%、77.31%、46.59%和6.84%。2)玉米和小麦秸秆的CP含量预测模型交互验证决定系数(1-VR) 0.90,且外部验证决定系数(RSQ) 0.84,构建的模型可以用于实际预测。3)玉米秸秆DM、NDF、ADF和小麦秸秆DM各指标定标模型的1-VR值在0.80左右,可以粗略地预测其营养成分含量,其余各指标模型预测效果不太理想,模型需要进一步优化。综上所述,本研究为生产实践中快速预测玉米和小麦秸秆营养成分含量提供了理论依据,并且通过NIRS建立了其近红外预测模型。     

利用近红外光谱技术快速评定油菜秸秆的营养价值

本研究旨在利用近红外光谱技术(near infrared reflectance spectroscopy, NIRS)建立油菜(Brassica napus)秸秆常规成分的近红外快速预测模型。从甘肃省、青海省与宁夏回族自治区共采集125份油菜秸秆,测定其干物质(dry matter,DM)、粗蛋白(crude protein, CP)、中性洗涤纤维(neutral detergent fiber, NDF)、酸性洗涤纤维(acid detergent fiber, ADF)、粗脂肪(ether extract, EE)、粗灰分(Ash)、中性洗涤不溶蛋白质(neutral detergent insoluble protein, NDIP)、酸性洗涤不溶蛋白质(acid detergent insoluble protein, ADIP)、酸性洗涤木质素(acid detergent lignin, ADL)、非蛋白氮(non-protein nitrogen,NPN)与可溶性蛋白(soluble protein, SP)。选取100份油菜秸秆样品作为定标集,另外25份作为验证集来评价NIRS预测模型。结果显示,1)油菜秸秆DM、CP、NDF、ADF、EE、Ash、NDIP、ADIP、ADL、NPN和SP的含量分别为93.62%、5.85%、 67.22%、 55.40%、 2.57%、 7.66%、 1.04%、 0.63%、 13.58%、 1.70%和2.89%。2)DM、 CP、 NDF、 EE、 Ash、NPN和SP的交互验证决定系数(1-VR) 0.9,外部验证决定系数(RQS≥0.84),构建模型可以用于日常分析。3)DM、CP、NDF、EE、Ash、NPN和SP的模型参数分别为Standard MSC 1,4,4,1、Weighted MSC 2,4,4,1、SNV 2,4,4,1、Standard MSC 1,4,4,1、SNV and Detrend 1,4,4,1、Weighted MSC 1,4,4,1,其余营养成分构建模型不太理想,需进一步完善。综上,通过交互验证与外部验证验证了油菜秸秆各营养成分校正模型的可利用性。     

近红外光谱技术分析高羊茅干草营养成分含量

本研究利用近红外光谱(NIRS)技术构建高羊茅(Festuca arundinacea)干草的近红外预测模型，于甘肃省庆阳市采集101份高羊茅样品，将湿化学分析结果和NIRS结合，利用改良偏最小二乘法(MPLS)进行预测模型的建立和验证。最终建立了高羊茅干草干物质(DM)、粗蛋白质(CP)、有机物(OM)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗脂肪(EE)、灰分(Ash)这7种营养成分的预测模型，其中建立的CP和DM的预测模型外部验证相对分析误差(RPD)值为3.53和2.55，预测模型的预测效果较好，可以用于实际生产中预测成分含量；OM、 NDF、 ADF、EE和Ash的预测模型RPD值为2.17、2.04、2.06、2.06和2.02，所预测的结果可以作为一些饲料生产中的参考。     

利用近红外光谱法快速测定青贮玉米饲料中NDF与ADF含量

本试验应用近红外漫反射光谱(NIRS)技术,采用偏最小二乘回归法(PLS),在国内首次建立了适合不同品种、适配范围广的近红外漫反射光谱测定青贮玉米中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的稳定的校正模型。本试验选取132种青贮玉米样品,采用中心化+一阶导数+多元散射校正预处理方法,谱区为950～1650nm,建立了青贮玉米NDF和ADF校正模型。其校正决定系数(R2cal)分别达到0.9781和0.9905,交叉验证决定系数(R2val)分别为0.9745和0.9806,交叉验证误差(SECV)分别为1.55和1.03。因此,此模型可以用来快速准确的测定青贮玉米饲料中NDF和ADF的含量。     

青贮玉米不同部位(组织)养分含量近红外预测模型的构建

在甘肃省民勤县采集227份青贮玉米(Zea mays)样品,采用改良偏最小二乘的化学计量学方法,用3种导数处理和10种光谱散射处理相结合的方法,建立青贮玉米原料不同部位(组织)的干物质、有机物、粗蛋白、粗脂肪、中性洗涤纤维(neutral detergent fiber,NDF)、酸性洗涤纤维(acid detergent fiber,ADF)和酸性洗涤木质素(acid detergent lignin,ADL)等养分含量的近红外预测模型,旨在利用近红外光谱技术建立青贮玉米不同部位(组织)养分含量的近红外预测模型.结果表明:1)ADF含量预测模型的决定系数(coefficient of determination for validation,RSQV)和外部验证相对分析误差(ratio of performance to deviation for validation,RPD)均高于其他成分,而NDF、粗蛋白和有机物含量的RSQV和RPD均低于ADF;ADF、NDF、粗蛋白和有机物这4个指标的RSQV均大于0.9,且其RPD均大于2.5,能用于实际生产中准确分析;2)粗脂肪含量的RSQV和RPD分别为0.701和1.838,建立的模型只能用于样品的粗略预测;3)干物质、ADL含量的RSQV和RPD分别为0.525和1.549、0.631和1.602,这2种营养成分的预测模型不能用于实际生产中的检测,模型还需要进一步优化.综上所述,本试验初步建立了青贮玉米不同部位(组织)ADF、NDF、粗蛋白和有机物含量这4种营养成分近红外预测模型,能够应用于生产实际.     

青贮玉米不同部位(组织)养分含量近红外预测模型的构建

在甘肃省民勤县采集227份青贮玉米(Zea mays)样品,采用改良偏最小二乘的化学计量学方法,用3种导数处理和10种光谱散射处理相结合的方法,建立青贮玉米原料不同部位(组织)的干物质、有机物、粗蛋白、粗脂肪、中性洗涤纤维(neutral detergent fiber, NDF)、酸性洗涤纤维(acid detergent fiber, ADF)和酸性洗涤木质素(acid detergent lignin, ADL)等养分含量的近红外预测模型,旨在利用近红外光谱技术建立青贮玉米不同部位(组织)养分含量的近红外预测模型。结果表明:1) ADF含量预测模型的决定系数(coefficient of determination for validation, RSQV)和外部验证相对分析误差(ratio of performance to deviation for validation, RPD)均高于其他成分,而NDF、粗蛋白和有机物含量的RSQV和RPD均低于ADF;ADF、NDF、粗蛋白和有机物这4个指标的RSQV均大于0.9,且其RPD均大于2.5,能用于实际生产中准确分析;2)粗脂肪含量的RSQV和RPD分别为0.701和1.838,建立的模型只能用于样品的粗略预测;3)干物质、ADL含量的RSQV和RPD分别为0.525和1.549、0.631和1.602,这2种营养成分的预测模型不能用于实际生产中的检测,模型还需要进一步优化。综上所述,本试验初步建立了青贮玉米不同部位(组织) ADF、NDF、粗蛋白和有机物含量这4种营养成分近红外预测模型,能够应用于生产实际。     

大麦秸秆:康奈尔净碳水化合物与蛋白质体系评定组分及近红外光谱分析技术预测营养价值

本试验旨在基于康奈尔净碳水化合物与蛋白质体系(CNCPS)建立大麦秸秆营养组分数据库,并利用近红外光谱分析技术(NIRS)建立其营养价值预测模型。试验采集甘肃省13个县市96份大麦秸秆样品,测定其干物质(DM)、粗灰分(Ash)、粗蛋白质(CP)、粗脂肪(EE)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、酸性洗涤木质素(ADL)、中性洗涤不溶蛋白质(NDIP)、酸性洗涤不溶蛋白质(ADIP)、可溶性粗蛋白质(SP)、钙(Ca)和磷(P)含量,利用CNCPS 6.5计算各样品碳水化合物(CHO)和蛋白质营养组分。分别用76份和20份大麦秸秆样品作为定标集和验证集评价NIRS预测模型。结果显示:1)大麦秸秆DM、Ash、CP、EE、NDF、ADF、ADL、NDIP、ADIP、SP、Ca和P含量分别为95.21%、7.38%、3.51%、5.68%、70.95%、45.16%、5.17%、1.02%、0.57%、1.65%、0.71%和0.09%。2)大麦秸秆CNCPS CHO各组分CHO、非纤维性碳水化合物(NFC)、可溶性纤维(CB2)、可消化纤维(CB3)和不消化纤维(CC)含量分别为83.42%、12.47%、12.47%、58.55%和12.40%。大麦秸秆CNCPS蛋白质各组分可溶性真蛋白质(PA2)、难溶性真蛋白质(PB1)、纤维结合蛋白质(PB2)和非降解蛋白质(PC)含量分别为1.65%、1.23%、0.45%和0.57%。3)有机物(OM)、CP、NDF、ADF、CHO、NFC和CB2的交互验证决定系数(1-VR)0.8,验证决定系数(RSQv)≥0.84,这些模型可用于日常分析。OM、CP、NDF、ADF、CHO、NFC和CB2的模型参数分别为标准正常化和去散射二阶导数处理(SNV and detrend 2,4,4,1)、SNV and detrend 2,4,4,1;标准正常化和去散射一阶导数处理(SNV and detrend 1,4,4,1);无散射一阶导数处理(None 1,4,4,1);SNV and detrend 2,4,4,1;无散射二阶导数处理(None 2,4,4,1);None 2,4,4,1。而其余成分所建模型未达到实用水平,模型须进一步完善。总之,本研究为大麦秸秆在反刍动物饲粮中的应用提供基础的化学分析数据,并通过NIRS方法建立了主要营养成分的快速预测模型。     

燕麦草常规营养成分含量近红外预测模型的建立

本试验旨在构建燕麦草常规营养成分含量的近红外预测模型。试验于2017—2019年,从我国京津冀等地区的牧场及种植基地收集了80份不同品种、不同产地和不同成熟度的燕麦草,参照燕麦草常规营养成分国标检测方法测定采集80份样品中水分(MSTR)、粗蛋白质(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗脂肪(EE)和粗灰分(Ash)含量并进行燕麦草近红外光谱采集。使用OPUS7.5中的偏最小二乘(PLS)化学计量学方法将燕麦草的光谱图和理化指标进行关联,交叉检验法评价预测模型效果。结果显示:不同来源的燕麦草中MSTR、CP、NDF、ADF、EE和Ash含量变异较大;MSTR、CP、NDF、ADF和Ash含量预测模型校正决定系数(RSQcal)为0.886~0.977,交叉验证决定系数(1-VR)为0.84~0.95,交叉验证相对分析误差(RPDCV)为2.50~4.23,定标效果较为理想,外部验证预测决定系数(RSQv)为0.846~0.945,预测相对分析误差(RPDV)为2.57~4.20,表明模型均可应用于实际检测且适用性良好;EE含量预测模型RSQcal为0.870,1-VR为0.772,RPDCV为1.80,外部验证结果 RSQv为0.735,RPDV为1.95,模型效果不理想,不能应用于实际检测。综上所述,本试验初步建立燕麦草中MSTR、CP、NDF、ADF和Ash含量的近红外预测模型效果较好,为生产中快速高效测定燕麦草常规营养成分提供技术支撑。     

高寒草原天然牧草营养品质近红外光谱预测模型的建立

本研究旨在探讨近红外光谱(NIRS)技术在定量分析高寒草原天然牧草营养品质的可行性。试验于2015—2018年,每年6—9月份,从青藏高原高寒草原放牧研究样地收集不同放牧强度(0、3.6、5.3、7.6只/hm2)的混合和4个优势种(莎草科矮生嵩草、蓼科珠芽蓼、蔷薇科金露梅和豆科锦鸡儿)牧草样品共计1 280份,随机分为定标样品集(n=854)和预测样品集(n=426),建立天然牧草干物质(DM)、粗脂肪(EE)、粗蛋白质(CP)、酸性洗涤纤维(ADF)、中性洗涤纤维(NDF)含量及体外干物质消化率(IVDMD)和估算代谢能(EME)营养品质近红外光谱(NIRS)预测模型,实现天然牧草营养品质的快速和准确评估。结果显示:牧草DM、CP、EE、ADF、NDF含量及IVDMD和ME变异较大;DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型的验证决定系数(R2CV)为0.992～0.999,外部验证相对分析误差(RPD)为3.82～5.97,取得了最佳的定标效果,且定标方程均具较好的预测能力,能够成功应用于日常分析。EE含量的NIRS预测模型的R2CV为0.837,外部RPD为2.30,定标效果不理想,定标模型虽不能用于准确的定量分析测定,但仍能应用于牧草EE含量的粗略测定。综上所述,本研究建立的高寒草原天然牧草DM、CP、ADF、NDF含量及IVDMD和EME的NIRS预测模型能够成功应用于日常分析。     

近红外光谱技术测定苜蓿蛋白质含量的研究

采用近红外光谱分析技术，结合改进最小二乘回归法（MPLS），以63个不同来源的苜蓿饲料为样品，建立苜蓿蛋白质含量分析预测模型。结果显示：预测模型的内部交叉验证标准误差（SECV）为0.433 5，交叉验证相关系数（1-VR）为0.920 1，外部验证的预测标准误差（SEP）为0.264 0，表明近红外光谱分析技术可以准确检测苜蓿中蛋白质的含量。     

黄土高原13种栽培牧草营养成分NIRS模型分析

对2012-2013年黄土高原种植的13个牧草品种、780份干草样品的营养成分建立了近红外光谱(near infrared reflectance spectroscopy,NIRS)的检测模型。豆科牧草的粗脂肪(EE)、酸性洗涤纤维(ADF)和粗灰分(Ash)建模结果最好,其定标决定系数(RSQ)0.94,交叉验证相关系数(1-VR)0.7最高,定标标准分析误差(SEC)在0.071~0.713,交叉校验定标标准分析误差(SECV)在0.160~2.751。禾本科牧草的EE和可溶性糖(WSC)建模结果最好,RSQ分别达0.916和0.859,1-VR分别为0.609和0.810,SEC和SECV分别是0.250、1.488和0.505、3.172。菊科和车前科牧草的模型,除ADF外,其它指标预测的稳定性和准确性较为理想,RSQ在0.85以上,1-VR在0.70以上,SEC和SECV分别在0.361~3.557和0.495~4.602。NIRS对豆科粗蛋白(CP)和WSC的数值预测较差,RSQ仅0.55,对禾本科CP、ADF、中性洗涤纤维(NDF)、Ash及菊科和车前科的ADF的预测稍差,RSQ0.7。     

Prediction of Forage Energy Content by Near Infrared Reflectance Spectroscopy and Summative Equations

In livestock nutrition, summative models (SM) are displacing empirical models as a preferred method to predict energy content of forages. The objective of this study was to determine the effect of using near infrared reflectance spectroscopy (NIRS) to determine nutrient subcomponents required of SM on overall ability to predict energy content of corn and legume-grass silages. Corn (n = 90) and legume-grass (n = 70) silages were collected and analyzed for CP, ADF CP, NDF, NDF CP, in vitro (IV) digestible (d) NDF, ash, and fat by standard laboratory techniques. Samples were scanned on a Model 6500 NIRS, and calibration equations were developed for each nutrient. The TDN contents of corn and legume-grass silages were then estimated using a SM, where the model nutrients were determined by laboratory or NIRS methods. The predicted TDN content of corn and legume-grass silages was compared to IV d OM to assess overall utility. The NIRS calibrations were adequate (R² > 0.90) for CP and NDF for both corn and legume-grass silages with standard errors of calibration (SEC) < 0.55 for CP and < 1.09 for NDF. Near infrared calibrations for ADF CP, NDF CP, fat, and ash were less accurate in both corn and legume-grass silages with R² < 0.75. Calibrations for IV d NDF in corn and legume-grass silages had R² = 0.87 and 0.79, respectively, but possible co-dependency with NDF is speculated. The relationship between corn and legume-grass silage SM TDN and IV d OM was excellent when model nutrients were determined by laboratory procedures. The TDN estimates when NIRS was used to determine all SM nutrients were superior to older empirical models, but SM TDN estimates using NIRS-determined nutrients were less accurate as compared with SM TDN prediction when model nutrients were determined by laboratory procedures. In particular, using NIRS to predict IV d NDF and ash for use in SM lead to the greatest challenge in TDN prediction in both corn and legume-grass silages.     

近红外光谱法测定DDGS中粗蛋白含量的试验研究

试验建立DDGS粗蛋白含量测定的近红外光谱分析定标模型。采用化学分析法测定72个DDGS样品中的粗蛋白含量,利用FOSS InfraXact型近红外光谱分析仪采集样品光谱,光谱经2,4,4,1导数和标准正常化+散射处理(SNV+Detrend),用改进最小二乘法(MPLS)回归,获得了较好的定标模型,校正决定系数(RSQ)、交叉验证决定系数(1-VR)、校正标准误差(SEC)、交叉验证标准误差(SECV)分别为0.982 5、0.932 8、0.266 2、0.389 5。利用30个验证集的DDGS样品进行外部检验,预测值与真实值之间差异不显著(P>0.05)。结果表明,定标模型的预测性能较好,可以替代化学分析法快速测定DDGS中的粗蛋白含量。     

The prediction of the intake potential of grass silage in the supplemented diets of lactating dairy cows

This study was undertaken to develop models which could be used in conjunction with the near infrared reflectance spectroscopy (NIRS) analysis of grass silage to accurately predict the intake potential of grass silage when offered to lactating dairy cows as part of a mixed diet. Empirical models were developed with data collected from two large-scale studies carried out at the Institute. The models comprised of (1) a linear equation for converting the NIRS-based predicted intake of a given silage for beef cattle to dairy cows and (2) a model which corrected the intake potential of the grass silage for supplementary concentrates. Furthermore, a milk yield adjustment factor of 0.14 kg DM/kg milk was utilised to standardise milk yields. Both linear and exponential models were developed to describe the decrease in silage intake as concentrate intake increased, with y-axis intercepts corresponding to unsupplemented silage intakes (NIRS-based predictions for beef cattle adjusted for dairy cows) and common x-axis intercept of 168.0 (SE=20.50) and 203.8 (SE=5.64) g/kg W^0.75, respectively, corresponding to concentrate intake when offered as a sole feed. A common r parameter (model curvature) of 1.0047 (SE=0.00397) was assumed for the exponential model. When the models were validated against the data from an independent study, the predictions from the two models were not significantly different, giving R² values of 0.70. The intercept and slope from the linear model were 5.39 and 1.01, respectively, and the intercept and slope from the exponential model were 6.10 and 0.98, respectively. Both intercepts and slopes were not significantly different from 0 and 1, respectively. Ninety-three percent of predictions were within 10% of observed intakes in the validation data.     

基于主成分和灰色关联度对全株玉米青贮综合品质的分析

试验旨在综合分析不同地区规模化奶牛养殖场的全株玉米青贮品质,为合理利用全株玉米青贮提供理论依据。分别在黄淮海地区（山东、河南、河北）、长江中下游地区（安徽）、西北地区（陕西、山西、青海、宁夏、甘肃、新疆、内蒙古）、东北地区（黑龙江、吉林、辽宁）、华南地区（广西）、西南地区（云南、贵州）规模化奶牛养殖场采集全株玉米青贮样品,通过近红外光谱技术检测全株玉米青贮品质的相关指标,并运用主成分分析和灰色关联度分析方法对不同地区的全株玉米青贮进行综合分析。结果表明：①不同地区全株玉米青贮的营养成分和发酵品质存在显著差异（P<0.05）。②主成分分析提取了4个主成分,累计贡献率达到82.882%。这4个主成分分别反映了全株玉米青贮的粗纤维、有机酸含量及中性洗涤纤维消化率方面的信息,可以用来衡量不同地区全株玉米青贮的综合品质。不同地区玉米青贮品质由高到低依次是黄淮海、西北、东北、长江中下游、西南、华南地区。③通过灰色关联度分析不同地区全株玉米青贮品质并与理想质量指标比较,得到不同地区玉米青贮品质的等权关联度为0.71308~0.71264。黄淮海地区玉米青贮品质优于西北地区,其次是长江中下游、东北、华南及西南地区。综上所述,主成分分析和灰色关联度分析结果基本一致,黄淮海和西北地区的全株玉米青贮品质较高,华南和西南地区的全株玉米青贮品质较低。基于两种方法建立的全株玉米青贮质量综合评价模型能相互佐证,具有一定的可行性和科学性。     

近红外光谱法与常规化学分析法苜蓿营养成分的对比研究

选取20个不同来源的苜蓿样品作为研究对象,分别使用近红外光谱法和常规化学分析法检测苜蓿样品中水分、粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维和中性洗涤纤维的含量,验证近红外光谱分析法与常规化学分析法检测的符合程度。试验结果表明：与常规化学分析法比较,苜蓿近红外光谱预测模型更适用于苜蓿样品中粗蛋白、粗脂肪、粗灰分、酸性洗涤纤维和中性洗涤纤维含量的检测,但并不适用于苜蓿水分含量的检测,因此,需要对已有的近红外预测模型进行调整和优化。     

奶牛常用粗饲料的瘤胃降解规律

本试验旨在研究 ２种苜蓿［黑龙江公农 １号苜蓿、美国安德森（Ａｎｄｅｒｓｏｎ）一级苜蓿］、黑龙江 ２种含杂量不同羊草（杂草率分别为 １０％、３４％）、全株玉米青贮、玉米秸秆青贮和玉米秸秆共 ７种粗饲料的瘤胃降解特性。试验选用 ８头装有永久性瘤胃瘘管的荷斯坦奶牛,采用尼龙袋法评定其干物质（ＤＭ）、粗蛋白质（ＣＰ）和中性洗涤纤维（ＮＤＦ）的瘤胃降解率和有效降解率。结果表明,美国安德森一级苜蓿、全株玉米青贮和黑龙江公农 １号苜蓿三者 ７２ｈＤＭ 降解率差异不显著（Ｐ＞０．０５）,并显著高于其他 ４种粗饲料（Ｐ＜０．０５）,而 ＤＭ有效降解率以美国安德森一级苜蓿最高,并与依次降低的黑龙江公农 １号苜蓿、全株玉米青贮和玉米秸秆青贮差异显著（Ｐ＜０．０５）,羊草与玉米秸秆的 ＤＭ有效降解率显著低于其他粗饲料（Ｐ＜０．０５）。７２ｈＣＰ降解率及有效降解率以美国安德森一级苜蓿最高,且降解率与依次降低的黑龙江公农 １号苜蓿、全株玉米青贮、玉米秸秆青贮、杂草率为 １０％的羊草、玉米秸秆和杂草率为 ３４％的羊草间差异显著（Ｐ＜０．０５）。全株玉米青贮、玉米秸秆青贮 ７２ｈＮＤＦ降解率显著高于其他粗饲料（Ｐ＜０．０５）;而有效降解率以 ２种苜蓿较高,其次为玉米秸秆青贮与全株玉米青贮;降解率和有效降解率最低的均为杂草率为 ３４％的羊草。因此,从 ７种粗饲料在奶牛瘤胃的消化特性来看：１）美国安德森一级苜蓿营养价值最高,杂草率为 ３４％的羊草与玉米秸秆营养价值较低;２）羊草的品质受杂草率的影响;３）青贮能改善玉米秸秆的品质。     

饲粮中燕麦干草含量对绵羊瘤胃液pH及微生物区系的影响

本试验旨在研究饲粮燕麦干草含量对绵羊瘤胃液p H及微生物区系的影响。选取9只体况和体重[(70.32±2.14)kg]相近、装有永久性瘘管的德国美利奴与蒙古羊杂种公羊,采用3×3拉丁方设计,随机分为3组,每组3只,各组分别采用全株玉米青贮、全株玉米青贮+燕麦干草(1∶1)(混合组)、燕麦干草为粗饲料。饲粮精粗比34.50∶65.50。进行3期饲养试验,每期20 d,15 d预试期,5 d采样期。采集饲喂前(0 h)和饲喂后1、3、5和7 h的瘤胃液,测定p H,采用实时定量PCR方法测定微生物相对含量。结果表明:1)全株玉米青贮组的瘤胃液p H在1、5 h均显著低于燕麦干草组(P0.05),在3 h极显著低于混合组(P0.01);2)混合组和燕麦干草组瘤胃液真菌的相对含量在0 h均极显著高于全株玉米青贮组(P0.01),燕麦干草组在5 h真菌相对含量显著高于全株玉米青贮组(P0.05);3)混合组原虫的相对含量在1、5 h显著低于全株玉米青贮组(P0.05);4)饲喂后5 h,混合组和燕麦干草组的纤维分解菌相对含量均较高,其中燕麦干草组黄色瘤胃球菌相对含量显著高于全株玉米青贮组(P0.05),白色瘤胃球菌和产琥珀酸丝状杆菌的相对含量极显著高于全株玉米青贮组(P0.01)。综上所述,在精粗比为34.50∶65.50的饲粮中采用全株玉米青贮+燕麦干草(1∶1)的粗饲料,有利于维持绵羊瘤胃内环境的稳态及瘤胃微生物的生长,白色瘤胃球菌和产琥珀酸丝状杆菌为优势菌。