Калибровки NIRSC отличаются высокой точностью при оценке травяных кормов. Они успешно анализируют широкий спектр трав, растущих как в теплый, так и в холодный сезон, и не требуют дополнительных калибровок.
Шишкин Никита Дмитриевич
Менеджер по технологической поддержке продаж
Центр поддержки продаж
Однако на недавней конференции по содержанию скота на пастбище в Небраске было отмечено, что использование NIRS при оценке кормов имеет определенные риски. Например, ближняя инфракрасная спектроскопия (NIRS) подходит для люцерны, но недостаточно точна для разнотравных кормов.
Одним из участников конференции был бывший специалист по кормам из Университета Небраски доктор Брюс Андерсон. Будучи сторонником тестирования кормов с помощью NIRS, он особо задался вопросом, как теплорастущие и холодносезонные травы отражаются на сегодняшних калибровках. Он предположил, что травы теплого и холодного сезонов образовывали два разных кластера на калибровках.
Он решил, что вполне возможно, калибровки производились на основе этих кластеров данных. Андерсон сказал, что ему хотелось бы увидеть результаты анализов смеси из теплорастущих и холодносезонных трав, чтобы узнать, верна ли его догадка. Обеспокоенность по поводу различий в травах теплого и прохладного сезона обсуждалась и на других совещаниях по кормам.
Дополнительные опасения по поводу анализа NIRS были также высказаны на Международной конференции по пастбищам, состоявшейся в Кентукки в мае прошлого года. Речь шла о том, что калибровки должны быть привязаны к географическому положению.
Для этого исследования мы решили рассмотреть калибровку травяного сена, созданную Консорциумом фуража и кормов NIRS (NIRSC), который собирает образцы из различных лабораторий-членов в разных географических точках для разработки калибровки. Таким образом, набор данных включает большое количество трав как для теплого, так и для прохладного сезона, что отражает общенациональную географию кормовых культур. На рисунке 1 показаны образцы базы данных калибровки.
Рисунок 1. Базы данных калибровок
На этом трехмерном графике не видно ни отдельных кластеров в базе данных теплорастущих и холодносезонных трав, ни отдельных кластеров с географическим влиянием. Калибровка NIRS, созданная с использованием этого набора образцов, вероятно, будет иметь высокую точность прогнозирования для ряда образцов травы. Это показывает, что идея о том, что калибровка NIRS должна быть специфичной для каждого географического региона, является ложным убеждением.
Пока при разработке калибровки используются образцы, аналогичные тем, которые вы пытаетесь проанализировать, NIRS может быть очень точным. В противном случае возникнет погрешность. По этой причине отрасль сталкивается с проблемами при сравнении результатов разных лабораторий. Одна лаборатория могла использовать небольшое количество образцов с небольшим диапазоном из одного географического местоположения для построения калибровки. Следовательно, когда для анализа предоставляется образец, который не похож на эти образцы, калибровка не может обеспечить точный анализ. Это не недостаток технологии, а скорее показатель того, как ее необходимо правильно применять и использовать.
Компания Ward Laboratories Inc. решила также изучить данные выборки с выбросами. Мокрую химию проводили в одной последовательности для сырого белка (CP), кислотно-детергентной клетчатки (ADF) и нейтрально-детергентной клетчатки, обработанной амилазой (aNDF), на образцах травы с глобальным статистическим значением H NIRS выше 3,00, назвав эти образцы «выбросами». Глобальное статистическое значение H показывает спектральное расстояние или то, насколько близок этот образец к среднему спектру образцов, включенных в базу данных калибровки NIRS (глобальное статистическое значение H следует интерпретировать не как относительную меру точности, а скорее как статистическое указание того, насколько точно образец может соответствовать по сравнению с набором калибровочных образцов).
При рассмотрении общей производительности калибровок NIRS данные были нанесены на график со значениями, определенными NIRS, по оси Y и значениями, определенными влажным химическим анализом, по оси X (рисунок 2), чтобы проиллюстрировать, насколько хорошо эти два значения коррелируют.
Рисунок 2. Корреляция данных методом NIRS и мокрой химии
Сырой белок имел самую высокую корреляцию между значениями, определенными с помощью NIRS, и значениями, определенными влажным химическим анализом (R2 = 0,92). Волокно NIRS и влажная химия также коррелировали с R-квадратом 0,75 и 0,7 для ADF и aNDF соответственно. Кроме того, общие коэффициенты вариации (рисунок 2) находились в пределах 10-20 %, что можно было бы считать приемлемым при оценке калибровок. Также следует отметить, что компания Ward Laboratories Inc. использует методы с фильтрующими мешками для анализа волокон, в то время как эталонный химический анализ волокон NIRSC следует официальному методу Ассоциации официальных химиков-аналитиков (AOAC) 2002.04. Таким образом, это не совсем справедливая оценка точности, но она указывает на то, что даже при использовании образцов с выдающимися значениями и различных химических методов калибровки травы NIRSC по-прежнему хорошо прогнозировали содержание этих питательных веществ.
Затем виды были классифицированы как теплорастущие, холодносезонные или «неизвестные», чтобы оценить точность NIRS травы теплого сезона по сравнению с холодным сезоном. Большинство образцов были неизвестны, поскольку многие производители просто предоставляли образцы с маркировкой «сено» или «травяное сено». Для производителей, которые указали виды, мы отнесли к травам теплого сезона просо, суданку, кормовое сорго, сорго-суданские гибриды, буйволиную траву, малую голубую стебельку. Травы прохладного сезона включали рожь, тритикале, овес, пшеницу, овсяницу, костер, ячмень, садовую траву и другие травы, называемые «кочковой травой».
На рисунке 2 показано, что травы теплого сезона (оранжевый) и травы прохладного сезона (синий) равномерно распределены по точкам данных. Видно, что они не собираются вместе. Кроме того, травы теплого и прохладного сезона имели очень схожие значения относительного стандартного отклонения (RSD) и коэффициента вариации (CV).
Следует также отметить, что образцы, взятые из базы данных Ward Laboratories, представляют широкий географический регион. Образцы, показанные на рисунке 2, были собраны из Калифорнии, Колорадо, Айовы, Канзаса, Миссури, Монтаны, Небраски, Оклахомы, Южной Дакоты и Вайоминга.
В заключение, калибровки NIRS не только точны для оценки травяных кормов, но и успешно сочетают травы теплого и холодного сезона, устраняя необходимость в отдельных калибровках. Возможно, существующие отличия можно объяснить недостатком знаний о технологии NIRS, а не самой технологией. При правильном использовании это эффективный и точный инструмент анализа. Важно понимать, что каждая калибровка NIRS отличается друг от друга. Например, лаборатория кормов может создавать свои собственные калибровки, использовать калибровки NIRSC или использовать приобретенные калибровки у поставщика приборов. Часто упускают из виду, что фактические образцы, используемые в наборе калибровочных данных, влияют на общую точность калибровки NIRS и определяют ее. Следовательно, каждую калибровку NIRS следует оценивать отдельно, а не исходя из обобщенных предположений.
Автор: Ребекка Керн-Ланбери - специалист по животным / Ward Laboratories Inc.; Бобби Джо Андерсон Хасмоен - специалист по приложениям / Консорциум NIRS по фуражу и кормам