摘要
大豆（Glycinemax）植株营养丰富，饲用价值高。但因大豆品种众多，营养成分有差异，利用化学方法测定过程繁琐，测量效率低。而通过建立近红外光谱模型测定农作物其营养指标效率高，误差小。本研究对黑龙江省范围内741份大豆材料的整株的饲用性状进行主要营养成分的化学分析基础上，构建近红外光谱模型，并在四个积温带总共设置60个种质资源的生产试验，来进行实际验证，以期实现对大豆植株的营养指标的快速测定，提高对其营养成分的检测效率和饲料化利用的精准化水平。 本试验对黑龙江地区及周边包括俄罗斯、内蒙古自治区、黑龙江省、吉林省等地区的741个大豆种质资源植株的粗蛋白含量（Crudeprotein，CP）、粗脂肪含量（EtherExtract，EE）、粗灰分含量（Crudeash，ASH）、中性洗涤纤维含量（Neutraldetergentfiber，NDF）、酸性洗涤纤维含量（Aciddetergentfiber，ADF）进行化学法测定，并构建基于大豆植株饲用品质数据的近红外光谱预测模型，实现对大豆植株的营养指标的快速鉴定，主要结果为下： （1）建立预测模型后，校正集大豆植株各种饲用指标在品种之间存在差异，大豆植株的CP范围值为7.88%~23.63%，变异系数为16.86%，EE范围值为9.60%~16.78%，变异系数为7.16%，ASH范围值为6.06%~9.90%，变异系数为8.99%，NDF范围值为45.10%~74.00%，变异系数为6.11%，ADF范围值为24.00%~46.00%变异系数为10.06%。 （2）利用近红外光谱仪构建偏最小二乘法（PLS）模型，选用模型评价参数校正集标准差（StandardErrorofCalibration，SEC）、校正集预测值与真实值相关系数（CorrelationCoefficientofCalibration，RC）、K-fold交互检验检验集标准差（StandardErroroftheCrossValidation，SECV）、验证集标准差（StandardErrorofPrediction，SEP）、验证集相关系数（CorrelationCoefficientofPrediction，RP）、性质值方差与SECV的比值（RPDC）和建模样品性质值方差与SEP的比值（RPDV）7个重要参数。 （3）在实际模型参数应用上，若RC、RP越接近1，模型效果越好，说明预期值与从模型中获得的测定值之间存在紧密的关联性；当SEC、SECV、SEP值越接近0且同时相互之间越接近，说明模型效果越好；若SECV、SEP≤1.2*SEC，说明模型的预测效果较好；RPDC与RPDV均大于3说明模型可用于定量分析，RPDC与RPDV值均大于5，说明模型可用于准确定量，当该值＞10，说明模型可用于精准定量。 （4）校正集试验结果表明，五种营养指标CP、EE、ASH、NDF、ADF模型的RC分别为0.99595，0.95217，0.97744，0.9815，0.99538，均接近1，说明模型所得的预测值和真实值之间极显著相关。五种指标CP、EE、ASH、NDF、ADF模型的RPDC分别为10.829，3.1543，4.5094，5.1029，9.9734。因此，CP模型可用于精准定量，EE、ASH、NDF、ADF可用于准确定量。 （5）验证集实验结果表明，五种营养指标CP、EE、ASH、NDF、ADF模型的RP分别为0.99654，0.96212，0.97224，0.98708，0.99618，均接近1；说明模型所得的预测值和真实值之间极显著相关。五种指标CP、EE、ASH、NDF、ADF模型的RPDV分别为12.006，3.671，4.2754，6.2395，11.425。CP、ADF用于精准定量，EE、ASH、NDF可用于准确定量。 本研究构建了一种精确的大豆植株近红外光谱模型。该模型不仅能够有效地对大豆植株原料进行定量分析，而且还为其在动物饲料配方中的应用提供了强有力的技术支持。通过这种先进的近红外光谱分析方法，我们可以确保饲料生产过程中使用的大豆植株具有一致和可靠的品质，从而提高动物的健康和养殖效率。
NETL