Near infrared reflectance spectroscopy and related technologies for the analysis of feed ingredients
Notice bibliographique
Résumé
The feed industry needs an accurate, rapid, and inexpensive means for predicting the total and available nutrient and energy contents of feed ingredients and feeds for use in feed formulation and quality control programmes. Currently, so-called rapid bioassays are still very time consuming and in vitro, or proximate-analysis based systems, take at least 48 hours to complete. Near infrared reflectance spectroscopy (NIRS) provides a fast, inexpensive and safe means to estimate total and available nutrient contents in feed ingredients and feeds. NIRS may also be used to quantify contents of antinutritional factors, such as glucosinolates. NIRS relies on chemometrics, or the application of mathematics to analytical chemistry. Mathematical models are constructed that relate composition of active chemical groups, or molecules, in specific feed constituents to energy absorption in the near infrared region of the light spectrum (700-2500 nm). The disadvantages of NIRS are the initial capital cost of equipment and the ongoing effort required for equipment calibration. It has taken the feed industry about twenty years to accept NIRS as a routine method for forage analysis, and so its regular use in the animal feed industry for applications, other than proximate analyses, is probably still some years away. Related technologies, such as near infrared transmittance (NIT), far infrared reflectance spectroscopy (FIRS) and nuclear magnetic resonance (NMR) deserve to be considered as well and may overcome some of the limitations of NIRS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».