全局全要素条件下多个不同规模化奶牛场粪水运移路线上氮
磷含量的快速预测方法
技术领域
[0001] 本
发明属于监测检测技术领域，具体涉及一种基于多个不同类型规模化
奶牛场在多元、多变、多要素条件下粪水流经全程环节的粪水样品中氮磷含量的快速预测方法。
背景技术
[0002] 粪水管理是中国规模化奶牛场在环保问题上亟需破解的
瓶颈。国内外实践经验表明，还田农用是解决规模化奶牛场大量粪水的根本出路，是种养结合的核心环节，氮、磷是粪水还田时重要的养分衡量标准，现实问题在于大量高浓度粪水中的氮、磷含量难以在现场快速定量造成“还田难”。常规实验室化学检测方法时效性低、准确度偏差、成本高，无法即时监测粪水治理全过程氮、磷含量的变化；而且现阶段规模化奶牛场在养殖规模、清粪方式、治理工艺等方面各不相同，实际作业情境变化差异大，如产水量大时采用固液筛分后的
水循环回冲集粪沟，产水量小时则直接干清出舍外堆储；有些奶牛场只有泌乳牛舍的粪水进入处理系统，有些则将后备牛舍的粪尿也并入系统；
挤奶车间多股
废水输排至不同设施等，诸多做法均容易影响粪水在流经过程中氮、磷含量的变化差异，导致无法快速预知任意环节粪水还田时的氮、磷含量。为此，现阶段亟需开发适用于现场多元、多变因素条件下不同类型规模化奶牛场粪水治理全过程环节氮、磷含量的快速
预测分析方法。近期中国密集发布的政策性文件中均明确指出要健全畜禽粪污还田利用和检测方法标准体系，制定畜禽粪水、沼液还田利用技术规范，推动液体粪污还田使用。因此，建立适用于不同类型规模化奶牛场粪水中氮磷含量的现场快速预测分析方法，可有效指导奶牛场粪水安全科学还田，同时避免环境污染
风险，具有重要的应用价值。
[0003]
光谱检测技术作为一种快速的分析手段，已被广泛应用于畜禽
粪便或堆肥样品组分的检测，例如采用
近红外光谱对鸡粪中的氮磷
钾进行定量分析；采用FTIR技术对猪粪堆肥过程中有机质转化进行的研究；采用FTIR光谱方法对牛粪堆肥过程中水溶解性有机物的演变进行的表征以及对猪粪堆肥过程
中红外特性的变化的研究等。
[0004] 现有的研究多是在单一因素条件下，面向相对静态的粪便或堆肥样品进行检测分析，但无法预知不同类型规模化奶牛场的粪水在动态运移过程中各环节总氮和总磷含量，源于奶牛场所处环境、养殖规模、牛群划分、清粪方式和粪水治理工艺等复合因素，实时并交互影响着粪水流经过程中各环节组分和浓度的变化，从而对模型的预测分析结果造成影响，因此需要建立适用于不同奶牛场粪水运移全程氮磷含量的通用
预测模型，实现对任意环境条件下任意环节的即时分析。
发明内容
[0005] 本发明的目的在于克服
现有技术的不足，提供一种全局全要素条件下多个不同规模化奶牛场粪水运移路线上粪水中氮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] 一种全局全要素条件下不同规模化奶牛场粪水运移路线上氮磷含量的快速预测方法，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》，在不同地区选取多家不同类型的规模化奶牛场(P1、P2、P3…...Pm)，在每个规模化奶牛场的粪水流经环节(设施)(Q1、Q2、Q3…...Qn)中分别采集粪水样品。其中所述粪水流经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、调节池、
沉淀池、贮存池和
氧化塘在内的所有粪水流经设施,所述不同类型包括不同饲养方式、养殖规模、牛群配比、清粪方式、粪
水处理工艺；
[0009] (2)用近红外光谱仪分别采集步骤(1)所有粪水样品的近红外漫反射光谱，得到各奶牛场中各环节粪水样品的近红外漫反射光谱矩阵X(Pi，Qk)，其中i＝1～m,k＝1～n；
[0010] (3)参照GB 11891-1989《水质凯氏氮的测定》检测各设施粪水样品中的总氮，参照GB11893-1989《水质总磷的测定钼酸铵分光光度法》检测各设施粪水样品中总磷，得到各样品的总氮含量矩阵YN和总磷含量矩阵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局粪水样品的总氮和总磷含量定量分析模型：YN、P＝X(Pi，Qk)；
[0013] (6)对任意一个上述规模化奶牛场粪水处理全过程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’(Pi，Qk)，将光谱矩阵分别代入步骤(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氮和总磷的预测值Y’N和Y’P。
[0014] 在上述技术方案中，在步骤(1)中，可以根据不同时间、
温度、
气候条件对各环节(设施)的粪水样品进行多次平行采集。
[0015] 所述收集池为奶厅废水收储设施，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，调节池为进入沼气工程前匀浆调质的设施，沉淀池为厌氧
发酵后分离沼液和
沼渣的设施，贮存池和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水舀等工具在各设施内采样点垂直液面下10～20cm处随机采集3个位点的水样，在20L的样品混合用水桶中用水舀充分搅匀后取约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，所述总氮的测量仪器选用全自动凯氏定氮仪(Foss kjeltec 8400型，Denmark)，所述总磷的测量仪器可见光分光光度计(722E型，China)。
[0020] 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数学模型，所述预测集样品用来验证所建立数学模型的准确性和
稳定性，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，总氮的最佳预处理方法为归一化方法，总磷的最佳预处理方法为SG平滑+基线校正。
[0023] 在步骤(4)中，选取4400～8800cm-1(2201个
波数变量)建立定量分析粪水中总氮的数学模型，选取4000～8000cm-1(2001个波数变量)建立定量分析粪水中总磷的数学模型。
[0024] 本发明的优点和有益效果如下：
[0025] 本发明选取多家典型种养结合模式的规模化奶牛场，结合现场踏查、粪水和沼液采样测定、光谱采集和数学建模，面向粪水处理全过程环节氮磷含量预测，开展了包含不同地区、养殖规模、牛群配比、清粪方式、粪水处理路径等动态复合影响因素在内的全局近红外漫反射光谱快速检测方法与模型构建，在实现满足现场情况条件的快速准确定量化预测的同时替代了常规监测程序，进而破解了规模化奶牛场粪水还田难的问题，为推进奶业绿色转型发展提供了技术
支撑。
附图说明
[0026] 图1为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如图；
[0027] 图2为本发明的一个
实施例中所有样品的原始近红外漫反射光谱图
[0028] 图3为本发明的一个实施例中随机采样1000次，总共138个样本(TN模型)的预测均方根误差(RMSEP)统计分布图(均值MEAN和标准偏差STD)；
[0029] 图4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；
[0030] 图5为本发明的一个实施例中总氮线性拟合模型预测含量与实际含量的线性拟合图；
[0031] 图6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际含量的线性拟合图。
具体实施方式
[0032] 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。
[0033] 实施例
[0034] 1.样品采集
[0035] 本发明提到的全局要素包括：
时空(季节、牧场所在地区)、养殖规模、不同生长阶段牛群规模配比(通常是泌乳牛的粪尿进处理系统，但育成牛粪便进和不进处理系统影响氮磷浓度值)、清粪方式(干清粪、水冲粪、通铺
垫料、干清粪+干清粪、干清粪+水冲粪、干清粪+垫料等)、粪水处理工艺(厌氧发酵、沼液贮存、氧化塘及相互不同组合等)。
[0036] 在该实施例中，基于对天津市共计85家正常生产的规模化奶牛场情况摸底，分别从全市5个奶牛场集中分布地区(武清区、滨海新区、静海区、宁河区、北辰区)中共选取23家采用种养结合模式的典型规模化奶牛场，共性特点包括：饲养品种均为中国荷斯坦奶牛，全群自繁自养，按照不同牛群生长阶段划分区域，80％的奶牛场具有10年以上的经营历史，常年稳定运转。泌乳牛多为卧床式养殖，卧
床垫料为固液筛分后的干牛粪，育成牛为散栏式养殖，泌乳牛舍中产生的粪水全部进入处理系统。不同之处在于：总存栏规模遍及400～5000头不等，清粪方式和粪水处理工艺组合各不相同，如清粪方式包括干清粪、干清粪-水冲粪、水冲粪等，粪水收储设施包括集粪沟、集粪坑、收集池等，清粪设备包括刮粪板、铲车、吸粪车等，粪水处理方式包括固液筛分、
厌氧消化、好氧发酵等，粪水处理设施包括集污池、分离池、调节池、沉淀池、氧化塘等，粪水处理设备包括USR、UASB、CSTR、PFR等
厌氧反应器；部分奶牛场育成牛的粪便进入粪水处理系统，部分不进；部分奶牛场挤奶车间的废水进入处理系统，部分不进。选取的23家典型规模化奶牛场综合了上述情况特点，涵盖可能对粪水氮磷含量测定结果造成影响的现场要素。
[0037] 参照《畜禽养殖污水采样技术规范》(GB/T 27522-2011)和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、调节池、沉淀池、贮存池和氧化塘等所有粪水流经设施(即全流程要素)。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：收集池为奶厅废水收储设施，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，调节池为进入沼气工程前匀浆调质的设施，沉淀池为厌氧发酵后分离沼液和沼渣的设施，贮存池和氧化塘为粪水还田前贮存用设施，各设施(池体、塘体)间通常是用地下暗管或暗沟相互串接，非常时期一般用软管
泵送的方式输送粪水。
[0038] 参照《畜禽养殖污水采样技术规范》(GB/T 27522-2011)，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的样品混合用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。共采集23家不同类型规模化奶牛场的粪水样品共141个。
[0039] 本实施例综合考量上述23家奶牛场所处地区、养殖规模、清粪方式、粪水治理工艺等多种现实影响因素，建立全局定量分析预测模型，以适用现场情境中不同类型奶牛场粪水氮磷含量的快速预测，实现在多种动态因素共同交汇作用下近红外光谱法快速分析预测规模化奶牛场粪水中总氮和总磷的含量。
[0040] 2.近红外漫反射光谱的采集
[0041] 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-1 -1辨率为8cm ，扫描间隔为2cm ，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。
[0042] 3.总氮和总磷的测定
[0043] 按照GB 11891-1989《水质凯氏氮的测定》中规定的方法来测定粪水中总氮(TN)的含量，仪器选用全自动凯氏定氮仪(Foss kjeltec 8400型，Denmark)。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粪水中总磷(TP)的含量，仪器选用可见光分光光度计(722E型，China)。对23家规模化奶牛场采集的138个粪水样品中TN和TP的含量进行测定，统计结果如表1所示，表明受养殖规模、清粪方式、粪水处理工艺等多种复合因素影响，不同奶牛场粪水处理全过程各环节粪水中TN和TP含量变化较大。
[0044] 表1 23家规模化奶牛场粪水样品TN和TP含量统计结果
[0045]
[0046] 4.建模方法
[0047] 4.1建模样品选择
[0048] 本研究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，图3为随机采样1000次，总共138个样本(TN模型)的预测均方根误差(RMSEP)统计分布图(均值MEAN和标准偏差STD)，设定
阈值范围：均值为1500，标准偏差为300，剔除7、15、52、54、69、71和126共7个异常样品。采用同样的方法，对采集的138个样本(TP模型)，剔除了8个异常样品。
[0049] 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TN和TP含量进行准确预测，校正集样品中必须包含不同奶牛场各个环节的代表性样品。本研究采用K-S(Kennard-Stone)方法来选择校正集和预测集样品，其结果如表2所示。
[0050] 表2 K-S法划分的校正集和预测集样本信息
[0051]
[0052]
[0054] 在对现场规模化奶牛场各环节粪水中TN和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过程中TN和TP含量的现场快速定量分析的全局数学模型。
[0055] 4.3建模预处理方法选择
[0056] 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3给出了不同预处理方法PLS回归结果。从决定系数R2、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)来看，对于TN的近红外PLS回归模型最佳预处理方法为归一化方法；而TP的最佳预处理方法为SG平滑+基线校正。
[0057] 表3不同预处理方法PLS回归结果
[0058]
[0059] 4.4建模波段选择
[0060] 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。本文采用间隔偏最小二乘法来选择建立粪水中TN和TP含量数学模型所需的有效波数变量。通过计算，选取4400～8800cm-1(2201个波数变量)和4000～8000cm-1(2001个波数变量)范围分别建立定量分析粪水中TN和TP含量的数学模型。
[0061] 本发明用自行编写的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。
[0062] 5.主成分分析
[0063] 为明确不同奶牛场粪水处理过程中粪水样品之间关联和特性差异，以及对于定量分析模型的影响，对天津市23家规模化奶牛场在不同的
饲料投入(饲料配方和饲喂量)、饲喂方式、清粪方式、处理工艺及环节等因素作用下共138个粪水样品的近红外漫反射光谱进行主成分分析。图4为前两个主成分的得分图，前两个主成分分别解释光谱总变量的64％和33％。从整体样品分布来看，同一奶牛场的多数样品靠得比较近，图中仅给出了5个椭圆来说明所包含的样品来源于同一奶牛场，其中包含样品数最多的为2.2节分析的滨海新区某一奶牛场，94和95号样品来源于另外一家奶牛场，该场仅采集了这两个样品。上述结果说明：相对于同一奶牛场不同环节，不同奶牛场采集的样品之间差异性更大。
[0064] 6.定量分析模型的建立和未知粪水样品TN和TP的检测
[0065] 依据经处理的光谱数据，建立定量分析不同类型奶牛场粪水处理过程中各环节样品TN和TP含量的PLS数学模型，其RMSECV分别为355.74和8.13。图5为所建立的TN模型对预测集41个未知样品TN含量预测结果与实际含量的线性拟合，其拟合关系为：C预测＝0.91C实际-0.84，其拟合相关系数R为0.96，预测均方根误差RMSEP为238.59。图6为所建立的TP模型对预测集38个未知样品TP含量预测结果与实际含量的线性拟合，其拟合关系为：C预测＝
0.8C实际+7.12，其拟合相关系数R为0.91，预测均方根误差RMSEP为6.56。
[0066] 上述结果表明，预测值和实测值拟合度高，预测效果理想，基于近红外漫反射光谱实现不同奶牛场粪水处理过程中各环节样品TN和TP的检测是完全可行的。
