Rapid and Non-Destructive Prediction of Animal Feed Nutritive Parameters Using Near Infrared Spectroscopy and Multivariate Analysis
Notice bibliographique
Résumé
This study elucidates the application of near-infrared spectroscopy (NIRS) and multivariate analysis for the rapid, non-destructive determination of animal feed nutritive parameters, specifically pH, NH3, and volatile fatty acid (VFA) values.NIRS spectra within the 1000-2500 nm range, coupled with reference methods, were employed for parameter determination.To enhance prediction accuracy, spectral pre-processing was undertaken using multiplicative scatter correction (MSC), Savitzky-Golay (SG) smoothing, and first-derivative methods.Simultaneous determination of nutritive parameters was achieved through the establishment of prediction models employing three multivariate analyses: principal component regression (PCR), partial least squares regression (PLSR), and support vector machine regression (SVMR).The results indicated superior pH (r=0.993) and NH3 (r=0.987)predictions using SVMR, while PLSR yielded the lowest root mean square error (RMSE) for VFA (r=0.998).These findings suggest that with appropriate spectral corrections and regression methodologies, NIRS can be effectively utilized for the rapid, simultaneous determination of animal feed nutritive parameters.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».