利用CNCPS V5.0预测我国杂种肉牛干物质采食量的效果评价

杜晋平,杨晓林,殷裕斌,李助南,曹志华

(长江大学动物科学学院，湖北 荆州 434025)

利用CNCPSV5.0预测我国杂种肉牛干物质采食量的效果评价

杜晋平,杨晓林,殷裕斌,李助南,曹志华

(长江大学动物科学学院，湖北 荆州 434025)

通过2个动物试验比较了康奈尔净碳水化合物和蛋白系统(CNCPS)模型预测的我国杂种肉牛干物质采食量(DMI)与实际观察值间的吻合程度，目的在于评估该模型是否适合于预测我国杂种肉牛生产性能。试验1选用45头西门塔尔(♂)与蒙古牛(♀)杂交一代公牛随机分为3个组，每组15头；试验2选用60头利木赞(♂)与福州牛(♀)杂交二代公牛,随机分为4个组，每组15头。各组中所有牛DMI实际观测平均值作为该组牛DMI值，随后对模型预测的结果与实际观测值进行了比较。结果表明：(1)试验1中3个处理组分别有93%、80%和73%的点落在95%的置信区间内，试验2的4个处理组分别有 87%、73%、73%和80%的点落在95%的置信区间内，说明CNCPS较好地预测了我国杂种肉牛的DMI。(2)经线性回归分析，2个试验中观察和预测的DMI间相关系数分别为0.83和0.79,具有较高的可信度；所有处理组的DMI误差均方根(RMSE)都较小。由此说明,CNCPS对中国杂种肉牛DMI具有较好的预测能力。

康奈尔净碳水化合物和蛋白质体系模型；杂种肉牛；干物质采食量；预测评估

准确的预测肉牛饲料采食量对于预测平均日增重以及营养需要量都非常关键[1]。影响饲料采食量的因素包括生理因素(体组成，特别是体脂肪、动物年龄、生理阶段、体重、性别等)、环境因素(温度、湿度、应激、泥泞等)、管理和日粮因素(埋植生长激素、添加瘤胃素、粗饲料质量、日粮营养素缺乏、饲料加工等)[2]。目前，关于肉牛干物质采食量的研究，已经有许多预测公式和模型。康奈尔净碳水化合物和蛋白系统第五版(CNCPS V5.0)是比较新的一个版本，包含了一个生物学基础架构，使得它能够在比较广的范围内，对不同品种、饲料、管理和环境条件下的动物作出营养需要、饲料利用和生产性能预测[3]。

CNCPS是一个基于瘤胃功能、微生物生长规律、饲料的瘤胃消化和外流及动物生理模型的饲料评价系统。CNCPS甚至已经被扩展开发用作农场管理工具来进行作物种植计划，优化“农场自种植饲料”获得最大饲料产量，降低购买饲料的数量，优化畜群结构，降低饲料花费，增加收入。

动物品种、年龄、饲料及所处环境在不同国家和地区都有很大差别，为了使CNCPS在中国得到很好的应用，需要大量的动物试验验证。然而到目前为止，国内关于这方面的研究很少[4]。为此，本研究对CNCPS V5.0用于预测我国杂种肉牛干物质采食量的情况进行了初步评价。

1 材料与方法

1.1 试验设计

通过2个独立的肉牛饲养试验进行肉牛干物质采食量的预测效果评价。

试验1：在中国农业大学肉牛研究中心试验基地(北京金维福仁清真食品有限公司养殖厂)进行。选用45头西门塔尔(♂)与蒙古牛(♀)杂交一代公牛(平均初始体重387 kg)，按体重随机分配到3个试验组。第1组为对照组(T1)，饲喂混合精料饲粮，第2组饲喂20%棕榈仁粕饲粮(T2)，第3组饲喂40%棕榈仁粕饲粮(T3)。试验牛单栏栓系饲养，每头牛有独立的料槽和水槽，自由采食和饮水。试验期从2008年1月31日至5月16日，共98 d。其中预饲期2周，正试期12周。每天喂料2次(6:00和17:00)。

试验2：地点同试验1。选用60头利木赞(♂)与福州牛(♀)杂交二代公牛(平均初始体重345 kg)，按体重随机分为4个组，每组15头。第1组饲喂基础日粮(T4，作为对照)，第2组每天添加5 g保护性赖氨酸(T5)，第3组每天添加10 g赖氨酸(T6)，第4组每天添加15 g赖氨酸(T7)。试验期从2008年6月6日至10月9日，为期126 d，其中预饲期2周，正试期16周，其他饲喂程序及管理同试验1。

1.2 试验指标测定

2个饲养试验所用饲料根据Zhao等[4]所介绍的CNCPS推荐的方法测定相关指标。干物质采食量的测定按照1.1所介绍的方法饲喂，每周连续3 d收集剩余饲料并称重。记录每头牛连续3 d的采食量，其平均值作为该周该头牛的平均采食量。每组中所有牛的采食量平均值作为该组牛采食量的观测值。

试验期间，每天8:00和16:00采用温湿度仪(610温湿度仪，北京柏诚佳通科技有限公司)记录牛舍的环境温度和相对湿度。

1.3 模型输入和输出

将牛舍环境温度和相对湿度数据和管理指标全部输入软件(CNCPS V5.0)。表1和表2列出了所有CNCPS需要的输入量及对应值。利用模型软件对单个牛只进行预测，得到个体干物质采食量(DMI)预测值。

表1 评价CNCPS预测肉牛干物质采食量时所需的各种输入量描述Table 1 Description of the model inputs common to all the animals,within each trial group,used for evaluation of the DMI predictions by the CNCPS model

注：default，默认值。

1.5 数据处理

对比CNCPS预测值和试验观察值，用两样本t检验进行分析。

评价模型精确性的一个方法是计算预测值与观察值之差的偏移程度[5]，并设定可接受的最大范围。本研究中，依据DMI平均值落在95%的置信区间之内，设定DMI预测值可接受的最大范围是-0.4～0.4 kg/d。

表2 试验日粮组成及营养水平Table 2 Composition and nutrition level of the diets fed to cattle

注：a为基础日粮中粗蛋白含量，未计算添加的赖氨酸；b为基础日粮中赖氨酸含量，未计算添加的赖氨酸量。

同时，模型预测能力采用对观察值和预测值回归的方法进行分析[6]。分别对2个试验及其不同组别动物的干物质采食量进行线性回归分析，对回归参数(截距、斜率、决定系数和误差均方的平方根)进行分析。

所有的统计分析均采用SAS 8.02软件完成。

2 结果与分析

2.1 干物质采食量观察值和预测值的比较

分别对2个试验中不同组牛的干物质采食量的观察值和CNCPS预测值进行了配对性的t检验，结果见表3。

从表3可以看到，试验1的观察和预测的DMI都高于试验2。由于2个试验中动物在同一个牛场和相似的管理条件下，因此可以认为动物品种选择是造成此差异的一个重要原因(在应用该模型时选用了纯种的西门塔尔或利木赞牛作为默认品种进行预测，而本研究中的2个试验均为杂交牛)，另外2个试验中动物初始体重的不同也可能是造成该结果的原因之一。在所研究的7个处理中，T1、T3和T4处理的平均数偏差(模型预测值减去观察值)很小，显示出模型较准确的预测能力；但是其余的处理(T2、T5、T6和T7)有相对较大的平均数偏差，说明模型对这些处理的DMI预测的准确性要差些。

2个试验中平均数偏差均为正值，揭示出本研究中模型高估了动物的干物质采食量。Zhao等[4]发现在所评估的12组牛中，CNCPS高估了其中3组的DMI，而低估了其余9组的DMI； Molina等[7]的研究中发现CNCPS均低估了DMI。这些研究与本研究所得结果并不一致，尽管本研究中CNCPS预测与实际观察的DMI差值并不是很大(试验1最大为0.18，试验2最大为0.25 kg/d)。但试验1中棕榈仁粕含较高的脂肪(8% DM)以及试验2中日粮较高的赖氨酸水平(由于添加了赖氨酸)可能是引起该结果的主要原因。结果说明在我国应用CNCPS进行采食量预测时，为使结果更加准确，仍然需要进一步的细化试验条件(如日粮类型、牛品种等)，并需要大量的动物试验进行校正。

试验1中T1和T3处理组DMI预测值与实际观察值差异不显著(P=0.08和0.07)，而T2处理组差异显著(P=0.03)；试验2中T4和T5处理组干物质采食量预测值与观察值间差异不显著(P=0.12和0.05)，而T6和T7处理组差异极显著(Plt;0.01和P=0.01)。试验1与试验2比较，有一个相对较小的差值(预测值减观察值)平均数(试验1为0.07～0.18 kg/d，试验2为0.11～0.25 kg/d)，从数值上看似乎CNCPS对试验1中DMI预测的结果更准确些，但由于2个试验中均有预测值与观察值的显著差异组存在，并不能说明本研究中CNCPS对哪个试验的DMI预测更准确。

图1显示了试验1各组牛DMI预测值和观察值的对比情况，从图1可看出，大部分点(45个数据中有34个)落在y=x线的上方，这也表明CNCPS高估了DMI(表3)。图2显示了试验1中3组牛DMI差值(预测值减观察值)的分布情况。经计算，试验1中3组分别有93%、80%和73%的点(14、12和11头)落在95%的置信区间内(差值为-0.4～0.4 kg/d)，这说明CNCPS对试验1的DMI具有较好的预测，可以用于实际生产中。

表3 观察的和预测的干物质采食量比较Table 3 Comparison of observed DMI and CNCPS-predicted DMI kg/d

图1 试验1各组牛干物质采食量观察值和预测值比较Figure1 ComparisonofobservedDMIandCNCPS-predictedDMIinTrial1图2 试验1各组牛预测与观察的DMI之差分布Figure2 VariationofCNCPS-predictedminusobservedDMIvs.observedDMIinTrial1

图3显示了试验2中4组牛DMI预测值与实际观察值的关系，图4显示了试验2中4组牛DMI差值(预测值减观察值)的分布情况。从图3也可发现大多数点落在y=x的上方(60个数据中有44个)，揭示出CNCPS高估了DMI(表3)。经计算，试验2中4组分别有 87%、73%、73%和80%的点(13、11、11和12头)落在95%的置信区间内(差值为-0.4～0.4 kg/d)，同样说明CNCPS较好地对试验2的DMI进行了预测。

图3 试验2各组牛干物质采食量观察值和预测值比较Figure3 ComparisonofobservedDMIandCNCPS-predictedDMIinTrial2图4 试验2各组牛预测与观察的干物质采食量之差分布Figure4 VariationofCNCPS-predictedminusobservedDMIvs.observedDMIinTrial2

2.2 观察值和预测值的回归分析

试验中对不同组牛观察和预测的干物质采食量(DMI)进行了线性回归分析，结果见表4。由表4可知，试验1中各处理组DMI观察值和预测值有较高的相关系数且数值接近(0.93、0.80和0.81)，这说明对试验1中DMI的观察值和预测值进行相关分析是较为可信的。试验2中各组DMI观察值和预测值的相关系数变化范围较大(0.57、0.68、0.92和0.80)，但T6和T7处理组的相关系数较大，说明这2组的相关分析是可信的。2个试验所有动物比较，DMI观察值和预测值的相关系数接近(0.83和0.79)且达到一个较高的数值，表明CNCPS对DMI预测具有较好的可信度。

表4 观察和预测的DMI回归分析Table 4 Regression analysis of observed and CNCPS-predicted DMI

注：a:参数估计值±标准误;b:RMSE:误差均方的平方根，即剩余标准差。﹡表示Plt;0.05。

除了试验2的T4处理组斜率差异不显著外，其余6个处理组的斜率差异均显著(Plt;0.05)，说明所建立的回归方程是有意义的。

决定系数(R2)的大小反映了所建立的回归方程的可靠性高低。试验1各组有一个中等程度的决定系数(R2=0.87、0.64和0.66)，说明预测的DMI与观察值相比较可以接受。试验2中各组的决定系数范围变化 (R2=0.57、0.68、0.92和0.80)很大，其中T4处理组的值很小(R2=0.57)，而T6处理组的值最高(R2=0.92)，T7处理组的值中等(R2=0.80)，说明对T6和T7处理组的DMI有较好的预测。

试验各组的误差均方根(RMSE)都很小，其中T1处理组最小而T5处理组最大。低的RMSE值说明CNCPS对各处理组DMI的预测都比较准确。

3 讨论与结论

CNCPS V5.0是针对动物群体的饲料需求和养分排泄的预测而设计的[3]。因此虽然在本研究中2个试验都包含不止1个处理，但还是可以将其作为一个整体来比较观察值和预测值间的差异。该模型预测干物质采食量是基于可获得的信息，如动物来源因子、天气条件、日粮营养浓度、饲料可利用能等[4]，在此基础上对单个动物的采食量进行预测。本研究中日粮根据NRC[2]标准进行配制，然后将各指标输入CNCPS，以每个处理(15头)为单位计算预测的平均采食量，实际采食量根据记录进行计算和分析。经统计分析，本研究中没有显著的处理效应(Plt;0.05)。

2个试验中动物年龄为13～14月龄，差别不大，饲喂和管理方式相似，但动物品种、原始体重、日粮代谢能水平及天气条件差别很大，这些方面能代表中国北方地区典型的肉牛饲喂方式。但是，由于采用了CNCPS模型中用来预测1岁左右牛干物质采食量的公式，可能导致了预测误差的产生。该公式是在典型的北美条件下，以纯种公牛为研究对象，同时饲喂高精料饲粮得出的，与本研究采用的杂种公牛和饲喂中等精料的情况是不同的。

利用线性回归对预测和观察的DMI进行分析时，理想的模型需要满足下面3个标准：(1)高的R2值(gt;0.75作为参照标准)；(2)截距接近0(与0差异不显著)；(3)斜率接近1(与1差异不显著)。本研究中干物质采食量的观察值(Y变量)和模型预测值(X变量)的回归方程有较高的R2值(R2=0.79)，截距与0差异不显著(P=0.27)，但斜率与1差异显著(Plt;0.01)，暗示了该模型对干物质采食量的预测基本可以接受但存在一定偏差。

必须认识到预测采食量并非易事，因为诸多因素的相互作用(动物和日粮等)都会对预测产生影响[7,8]。而且在我国，由于可利用资料的限制及动物品种的差异，准确预测肉牛采食量更困难。

本研究结果表明，CNCPS模型对我国生产条件下杂种肉牛干物质采食量的预测基本可以接受，但仍然存在某些偏差，需要进行大量的工作才能使该模型在我国得到更好的应用。

[1]National Research Council.Predicting Feed Intake of Food-Producing Animal [M].Washington D C，USA:National Academy Press,1987.176～177.

[2]National Research Council.Nutrient Requirements of Beef Cattle(seventh revised ed)[M].Washington D C，USA:National Academy Press,1996.132～134.

[3]Fox D G,Tylutki T P,Tedeschi L O,etal.The net carbohydrate and protein system for evaluating herd nutrition and nutrient excretion:Model Documentation[M].Ithaca,New York,USA:Department of Animal Science,Cornell University,2003.41～82.

[4]Zhao J S,Zhou Z M,Ren L P,etal.Evaluation of dry matter intake and daily weight gain predictions of the Cornell Net Carbohydrate and Protein System with local breeds of beef cattle in China[J].Animal Feed Science and Technology,2008,142:231～246.

[5]Mitchell P L,Sheehy J E.Comparison of predictions and observations to assess model performance:a method of empirical validation[M].Boston,MA,USA:Kluwer Academic Press,1997.437～451.

[6]Mayer D G,Butler D G.Statistical validation[J].Ecol Model,1993,68:21～32.

[7]Molina D O,Matamoros I,Almeida Z,etal.Evaluation of the dry matter intake predictions of the Cornell Net Carbohydrate and Protein System with Holstein and dual-purpose lactating cattle in the tropics[J].Animal Feed Science and Technology,2004,114:261～278.

[8]Forbes J M.Integration of regulatory signals controlling forage intake in ruminants [J].J Anim Sci,1996,74:3029～3035.

2009-11-04

国家支撑项目 (2006BAD12B02-06，2008BADA7B04)

杜晋平(1974-)，男，山西乡宁人，农学博士，讲师，主要研究方向为动物营养与饲料学.

10.3969/j.issn.1673-1409(S).2010.01.006

S815

A

1673-1409(2010)01-S019-06