规模化奶牛场粪水处理全链条环节的粪水中总磷含量的快速
预测方法
技术领域
背景技术
[0002] 近年来奶牛场规模化程度的提升造成环境压
力凸显，特别是夏季
挤奶车间和牛舍降温用水量加大、雨污混流等造成粪水量陡增而降低了收运和处理效率，大量粪水和沼液的出路成为现阶段阻碍奶牛场正常运转乃至奶业绿色转型发展的首要难题。国内外实践经验表明，还田农用是奶牛场粪水和沼液的必然出路，然而缺少粪水中磷素等养分的快速检测方法是造成还田难的技术
瓶颈。有研究表明，
时空差异、圈舍类型、养殖规模、清粪方式、粪污处理工艺等因素均会不同程度地影响粪污中磷含量变化，但通过常规
采样监测来获取粪水中磷含量动态变化的做法存在时效性低、成本高、适用范围有限及准确度等问题。
[0003]
近红外光谱作为一种快速、便捷、可实现在线检测的方法已被应用于畜禽粪污中组分的检测，例如采用
近红外光谱对鸡粪中的氮磷
钾进行定量分析；近红外光谱技术在预测动物粪污中干物质、氮和磷等含量方面的应用；基于近红外光谱对不同日粮的牛粪样品进行分析等。同时，近红外光谱技术还被应用于猪
粪便中氮的全肠道表观消化率研究。
[0004] 但是，目前的
现有技术大多围绕单一环节、单一尺度畜禽粪便样品的组分和含量进行近红外光谱定量化预测的可行性分析，但未见面向任意规模化奶牛场粪水处理全过程环节来建立符合现场复杂、复合影响因素条件下近红外光谱快速检测方法及其全尺度综合模型的报道。
发明内容
[0005] 本发明的目的在于克服现有技术的不足，提供一种规模化奶牛场粪水处理全链条环节粪水样品中总磷含量的快速预测方法。
[0006] 本发明是通过以下技术方案实现的：
[0007] 一种基于规模化奶牛场粪水处理全链条环节粪水样品中总磷含量快速预测方法，包括以下步骤：
[0008] (1)参照GB/T 27522-2011《畜禽养殖污水采样技术规范》和DB 12/T 655-2016《规模化奶牛场环境监测技术规程》，从规模化奶牛场粪水流经的各设施(环节)中分别采集粪水样品，设所述的设施(环节)分别为S1，S2……Sn，从每个设施中采集的粪水样品个数分别为N1，N2……Nn，所述的设施从牛舍内和挤奶车间粪水收储设施开始，到粪水还田前的末级贮存设施为止，遍及收集池、集粪沟、集污池、分离池和
氧化塘在内的所有设施；
[0009] (2)利用近红外光谱仪分别采集步骤(1)所有样品的近红外漫反射光谱得到各设施粪水样品的近红外漫反射光谱矩阵X(S1，S2，S3，….Sn)；
[0010] (3)通过标准测定方法，分别检测各设施粪水样品的总磷，得到各样品的总磷含量矩阵YP；
[0011] (4)对步骤(2)、(3)中的异常样品进行剔除；优化近红外漫反射光谱预处理方法，并选取优选波段；
[0012] (5)利用优化后的参数建立规模化奶牛场粪水处理全链条环节粪水样品中总磷含量的定量分析模型：YP＝X(S1，S2，S3，….Sn)；
[0013] (6)对规模化奶牛场粪水处理全链条环节中采集的未知粪水样品进行近红外漫反射光谱扫描，得到未知粪水样品的近红外漫反射光谱矩阵X’(S1，S2，S3，….Sn)，将该光谱矩阵代入步骤(5)中的定量分析模型，得到规模化奶牛场未知粪水样品中的总磷含量预测值Y’P。
[0014] 为了提高模型的准确性和适用性，在步骤(1)中，根据不同时间、温湿度、天气条件以及养殖方式、清粪方式、粪水处理工艺对粪水流经的各个设施的样品进行多次平行采集。
[0015] 在上述技术方案中，在步骤(1)中，所述收集池为奶厅
废水收储设施，所述集粪沟为牛舍粪水汇集点，所述集污池为奶牛场所有粪水交汇点，所述分离池为固液筛分后的粪水暂存设施，所述氧化塘为粪水还田前贮存用设施。
[0016] 在步骤(1)中，所述采样方法为用自制的1L不锈
钢材质提桶、500mL的水舀等工具在各设施采样点垂直液面下10～20cm处随机采集3个位点的水样，并在20L的样品混合水桶中用水舀充分搅匀后取大约400mL置于500mL的集水瓶中，将集水瓶放置在装有
冰袋的样品保温箱中，即时送回实验室上机检测。
[0017] 在步骤(2)中，所述近红外光谱仪采用美国PerkinElmer公司的傅里叶变换近红外光谱仪，InGaAs检测器，扫描范围为4000～12000cm-1。
[0018] 在步骤(2)中，所述近红外漫反射光谱的测量方法为：将集水瓶中待测粪水样品充分摇匀后，用3mL一次性胶头滴管取集水瓶中部2～3mL样品装入样品杯中，并放置在积分球旋转样品台上(仪器自带积分球附件，以积分球内置参比为背景)，光谱扫描参数为：
分辨率为8cm-1，扫描间隔为2cm-1，扫描次数64次。
[0019] 在步骤(3)中，所述总磷的测量仪器可见光分光光度计(722E型，China)。
[0020] 在上述技术方案中，在步骤(4)中，对所述异常光谱进行剔除的方法为蒙特卡洛交叉验证方法(Monte Carlo cross validation，MCCV)。
[0021] 在步骤(4)中，将剔除异常样本之后的样本集分为校正集和预测集，所述校正集样品用来建立定量分析模型的数学模型，所述预测集样品用来验证建立的数学模型的
稳定性和准确性，选择所述校正集和预测集的方法为Kennard-Stone方法。
[0022] 在步骤(4)中，所述光谱预处理方法包括归一化、多元散射校正(MSC)、基线校正、变量标准化(SNV)、SG平滑+归一化、SG平滑+基线校正中的一种或几种，总磷的最佳预处理方法为SG平滑+基线校正。
[0023] 在步骤(4)中，近红外漫反射光谱的优选波段为4000～8000cm-1。
[0024] 本发明选取典型种养结合型规模化奶牛场，结合现场踏查、粪水和沼液采样测定、光谱采集和数学建模，针对各动态复合影响因素下的粪水处理全链条环节，采用近红外漫反射光谱，对全环节粪水总磷含量进行快速
预测模型构建和快速检测。在满足现场情况条件下，实现了快速、准确、定量化预测，替代了常规监测程序，为破解任意规模化奶牛场粪水还田难的问题提供了有效技术方法，为推进奶业绿色转型发展提供技术
支撑。
附图说明
[0025] 图1为本发明的方法中采样对象的粪水处理工艺路线和采样位点分布图；
[0026] 图2为本发明的一个
实施例中所有样品的近红外漫反射光谱图；
[0027] 图3为本发明的一个实施例中近红外漫反射光谱主成分分析得分图；
[0028] 图4为本发明的一个实施例中总磷线性拟合模型预测含量与实测含量的线性拟合图。
具体实施方式
[0029] 为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
[0030] 实施例
[0031] 1.样品采集
[0032] 选取天津市滨海新区某代表性规模化奶牛场作为采样对象，参照DB 12/T 655-2016《规模化奶牛场环境监测技术规程》，取样布点从牛舍内和挤奶车间粪水收储设施开始，到粪水还田前的末级贮存设施为止，遍及收集池、集粪沟、集污池、分离池和氧化塘等所有粪水流经设施。采样对象的粪水处理工艺路线和采样位点分布如图1所示，图中：收集池为奶厅粪水收储设施，集粪沟为牛舍粪水汇集点，集污池为奶牛场所有粪水交汇点，分离池为固液筛分后的粪水暂存设施，氧化塘为粪水还田前贮存用设施。
[0033] 参照GB/T 27522-2011《畜禽养殖污水采样技术规范》和DB 12/T 655-2016《规模化奶牛场环境监测技术规程》，于2018年12月下旬采集该奶牛场的粪水样品，用自制的1L
不锈钢材质提桶、500mL的水舀等工具在各设施采样点垂直液面下10～20cm处随机采集3个位点的水样，并在20L的样品混合水桶中用水舀充分搅匀后取大约400mL置于500mL的集水瓶中，将集水瓶放置在装有冰袋的样品保温箱中，即时送回实验室上机检测。连续6天采集该奶牛场的粪水样品共计51个。
[0034] 2.近红外漫反射光谱的采集
[0035] 实验采用美国PerkinElmer公司的傅里叶变换近红外光谱仪，InGaAs检测器，扫描范围为4000～12000cm-1。将集水瓶中待测粪水样品充分摇匀后，用3mL一次性胶头滴管取集水瓶中部2～3mL样品装入样品杯中，并放置在积分球旋转样品台上(仪器自带积分球附件，以积分球内置参比为背景，分别采集每一个样品的近红外漫反射光谱。光谱扫描参数为：分辨率为8cm-1，扫描间隔为2cm-1，扫描次数64次。图2为所有样品的原始近红外漫反射光谱图。
[0036] 3.总磷的测定
[0037] 按照GB 11893-1989《水质总磷的测定钼酸铵分光光度法》中规定的方法来测定每个粪水样品中总磷(TP)的含量，仪器选用可见光分光光度计(722E型，China)。
[0038] 4.建模方法
[0039] 4.1建模样品选择
[0040] 本实施例中采用蒙特卡洛交叉验证方法(Monte Carlo cross validation，MCCV)对异常样品进行剔除，其中，采集的51个样本(TP)模型，剔除了2个异常样品。
[0041] 将剔除异常样本之后的样本集分为校正集和预测集。校正集样品用来建立定标的数学模型，预测集样品用来验证模型的稳定性和准确性。为了使所建的定量分析模型能对规模化奶牛场粪水处理全过程环节粪水中TP含量进行准确预测，校正集样品中必须包含任一奶牛场各个环节的代表性样品。本发明采用K-S(Kennard-Stone)方法来选择校正集和预测集样品，其结果如表1所示。
[0042] 表1K-S法划分的校正集和预测集样本信息
[0043]
[0045] 在对现场规模化奶牛场各环节粪水中TP含量进行检测时，模型算法越复杂，模型的适用性、稳定性和预测性能越容易受到外界因素的影响。偏最小二乘法(PLS)是光谱多元校正最常用的一种方法，被广泛应用于近红外、拉曼、
荧光等波谱定量模型的建立，是建立光谱定量校正模型的通用方法，并在现场快速检测中得到实际应用。因此，本发明基于PLS算法来建立适合规模化奶牛场粪水处理全过程环节中TP含量的现场快速定量分析的全过程数学模型。
[0046] 4.3建模预处理方法选择
[0047] 对原始漫反射近红外光谱进行不同方法预处理，并采用PLS算法建立多变量回归模型，采用交叉验证均方根误差(RMSECV)来选择最佳建模的因子数(主成分数)。表2给出了2
不同预处理方法PLS回归结果。从决定系数R、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)来看，对于TP的最佳预处理方法为SG平滑+基线校正法。
[0048] 表2不同预处理方法PLS回归结果
[0049]
[0050] 4.4建模波段选择
[0051] 考虑到采用全波段4001个(12000～4000cm-1)变量建模，这些变量中包含有与待测组分无关的冗余信息，同时又降低了建模效率。本发明采用间隔偏最小二乘法来选择建立粪水中TP含量数学模型所需的有效
波数变量。通过计算，选取4000～8000cm-1(2001个波数变量)范围建立定量分析粪水中TP含量的数学模型。
[0052] 本文采用自行编写的PLS Matlab代码建立定量分析模型，采用The Unscrambler 9.7
软件对光谱数据进行预处理，所有的计算都采用MatlabR2017a软件工具(Mathwork Inc.)来完成。
[0053] 5.主成分分析
[0054] 为明确同一奶牛场纵向粪水处理路径中各环节粪水样品之间的关系和性质组成的变化，以及对定量分析模型的影响，对滨海新区某典型规模化奶牛场51个粪水样品的近红外漫反射光谱进行主成分分析。在主成分得分图上，样品之间的距离越近，表明这些样品的性质、组成相似；距离越远，表明样品间性质、组分变化较大。因此，通过得分图上样品分布，可推断粪水样品有机组分随处理环节的变化差异明显。
[0055] 图3为前两个主成分的得分图，其中第一主成分PC1(Principal component 1)解释84％的光谱总变量，第二主成分PC2解释14％的光谱总变量。图中右侧较大圆形里所包含的是集污池样品，集污池样品圆形下方的2个椭圆形内里所包含的是氧化塘样品，左侧椭圆里所包含的是奶厅附近收集池样品。集污池样品主要分布在得分图的右上
角区域，氧化塘样品主要分布在右下角区域，奶厅附近收集池样品主要分布在左下角区域，因此从得分图上可明确样品来源的环节，以及样品之间的组分、浓度等特性关联。同时可观察到，奶厅附近收集池样品与集污池、氧化塘样品距离较远，表明样品中有机物组成随处理环节发生了较大变化，这与奶厅收集池中的废水浓度远低于牛舍集粪沟中的粪水浓度；奶厅废水与牛舍粪水混合后较大改变混合
水体中的物质组成和浓度值变化；混合水依次流经集污池、分离池、氧化塘过程中水质组分和浓度呈梯度变化等现场情况相符。
[0056] 6.定量分析模型的建立和未知粪水样品TP的检测
[0057] 对经过处理的光谱数据，建立定量分析奶牛场粪水处理过程中各环节粪水样品TP含量的PLS数学模型，交叉验证均方根误差(RMSECV)为4.72。将预测集未知样品光谱数据(17×2001)输入所建立的PLS模型中，得到各样品对应的TP含量。图4为所建立的TP模型对预测集17个未知样品(7个收集池样品，7个氧化塘样品，3个奶厅附近收集池样品)TP含量预测结果与实测含量的线性拟合，其拟合关系为：C预测＝0.64C实测+7.3，其拟合相关系数R为0.91，预测均方根误差RMSEP为3.59，说明基于近红外漫反射光谱实现任一奶牛场粪水处理过程中各环节粪水样品TP的快速准确预测是可行的。
[0058] 本发明的方法与现有的实验室化学检测方法对比如下：
[0059]
[0060]
[0061] 由上表的对比数据可知，与现有的实验室化学检测方法相比，本发明的预测方法能实现无损和直接检测，且无需对样品进行预处理；检测每个样品仅需1-3分钟，大大缩短了检测时间；本发明的方法能同时测定多种组分，且检测浓度无上限，而且能实现现场实时
跟踪监测。
