APP下载

高寒草甸牧草常规营养成分与总能预测模型的建立

2018-11-29韩小东刘慧丽郝力壮刘书杰

西北农业学报 2018年10期
关键词:能值总能回归方程

韩小东, 刘慧丽, 郝力壮, 刘书杰, 王 迅

(1. 省部共建三江源生态与高原农牧业国家重点实验室,青海省高原放牧家畜动物营养与饲料科学重点实验室,西宁 810016;2. 青海高原牦牛研究中心,西宁 810016;3. 青海大学 畜牧兽医科学院,西宁 810016)

能量在饲料营养成分中占有举足轻重的地位,通常被认为是动物日粮中的第一限制养分[1]。从20世纪初,动物营养学家就从研究饲料有效能值与其化学成分的关系入手,通过建立可靠的数学模型、化学分析、体外产气量等相对简单的方法对饲料有效能值进行评估。自美国的TDN体系创立以来,许多人采用可消化养分估测饲料有效能值。后来逐渐发展到采用粗纤维(CF)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)、无氮浸出物和碳水化合物指标,结合构建饲料概略养分与饲料总能之间的关系方程,来评价饲料营养价值[2-10]。

青海省地处青藏高原,高寒缺氧,草地面积分布广泛,季节性的气候变化致使牧草养分出现“过山车式”的动态变化;由于天然草地物种丰富度高,逐一测定单个牧草的总能十分困难,且随着草地载畜量的不断增加,牧草生物量和养分供给失衡,草畜矛盾日益突出。因此,通过分析天然牧草的营养价值,结合其能值的估测来评价牧草营养价值,对于提高天然牧草利用率以及对牧区草畜平衡方案的制定至关重要。

随着营养学的不断发展,通过分析饲草常规营养含量建立估算能值的回归模型具有实用、快捷和高效的特点[2]。因此,本研究通过分析海晏县高寒草甸季节性牧草的常规营养含量,并以此建立牧草常规养分与牧草总能的数学模型,来估算天然牧草可利用能量,为青藏高原草地畜牧业可持续发展提供理论依据。

1 材料与方法

1.1 试验地概括

试验地位于青海省海北藏族自治州海晏县哈勒景乡(100°23′~101°20′E,36°44′~37°39′N),该地区位于青海湖盆地东北部,祁连山系大通山脉的西南麓。属于典型高山地貌,具有紫外线强,昼夜温差大,气候寒冷潮湿,年平均气温低,无霜期短等独特的气候特点,平均海拔在3 000 m以上。

1.2 样品的采集与处理

试验样地为高寒草甸,优势种包括高山嵩草(Kobresiapymaea)和矮生嵩草(Kobresiahumilis),伴生种包括草地早熟禾(Poaannua)、异针茅(Stipahumilis)、珠芽蓼(Polygonumviviparum)、芨芨草(Achnatherumsplendens)等[11]。将试验期的6-11月划分为暖季,12、1-5月划分为冷季,于2015年9月-2016年8月(每月25日)采用样方法选取布局相同且具有代表性的固定样方进行采样,样方大小为1 m×1 m,齐地面收割可食性牧草,当场称其鲜质量后带回实验室进行风干、粉碎过筛(网筛孔径0.45 mm),备用。

1.3 测定指标及方法

牧草干物质(DM)质量分数依据GB/T6435-86进行测定,粗灰分(Ash)质量分数采用马福炉灼烧法测定,粗蛋白(CP)质量分数采用GB/T6432-94半微量凯氏定氮法测定,中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)质量分数测定参考Van Soest法,钙(Ca)质量分数依据GB/T6436-92测定,磷(P)质量分数依据GB/T6437-92测定。牧草总能(GE)采用美国PARR6100全自动氧弹量热仪测定。

1.4 数据处理

试验数据采用Excel 2007进行初步整理,自变量为x1,DM;x2,CP;x3,Ash;x4,ADF;x5,NDF;x6,Ca;x7,P;依变量为y,GE。利用SAS 9.1软件中的REG和CORR过程进行相关性分析并引入线性回归,结果以“平均数±标准差”表示。

2 结果与分析

2.1 牧草常规营养质量分数与总能值

表 1 结果显示:暖季牧草各养分质量分数和GE均高于冷季牧草(Ash、ADF除外),其中暖季牧草DM、CP、NDF、Ca和P质量分数分别较冷季高0.28%、3.05%、18.61%、0.49%和0.03%。冷季牧草各常规营养成分的平均值分别为:DM 95.30%、CP 7.10%、Ash 6.63%、ADF 40.36%、NDF 59.66%、Ca 2.68%、P 0.050%,暖季牧草各常规营养成分的平均值分别为:DM 95.58%、CP 10.15%、Ash 6.14%、ADF 26.57%、NDF 58.05%、Ca 3.16%、P 0.080%。海晏县冷季牧草的GE平均值为18.09 MJ,暖季牧草高于冷季,为18.65 MJ(表2)。

表1 天然牧草常规营养成分质量分数(干物质基础)Table 1 The mass fraction of conventional nutrients in natural forage(Dry matter basis) %

表2 天然牧草总能 Table 2 GE of of natural forage

2.2 天然牧草常规营养成分与总能的关系

由表 3 可知:冷季牧草的DM和NDF与GE呈负相关,其他与GE均呈正相关,其中P与GE有较强的相关性(r=0.695,P<0.05)。暖季牧草的DM、ADF和NDF与GE呈正相关,其他与GE呈负相关。

按照相关系数R2不低于0.700 0,变异系数(Coefficient of variation, CV)不大于10%,海晏县牧草常规营养成分与GE之间有效的预测方程有12式。由表4 (1)式~(4)式可知,随着预测因子的增加,预测方程的R2呈递增趋势; 7 个因子全部参与的预测方程(1)式的R2=0.906 5,为最高值,CV=0.77%,(6)式次之,R2=0.906 3,CV=0.69%。表 5 中未出现R2值高于 0.9 的预测方程。

表3 天然牧草常规营养成分与总能的相关关系Table 3 Correlation coefficients between chemical components and GE

注 Note:*P<0.05,**P<0.01。

表4 冷季牧草常规营养成分与总能的关系方程Table 4 Prediction equations between GE(y) and chemical components(x) for cold reason forage

2.3 预测方程的验证

为验证上述方程的准确性,选用青海省河南蒙古族自治县(简称河南县)启龙牧场暖季牧草,测定牧草的常规营养成分,结果见表 6 ,牧草DM质量分数为94.67%,Ash、CP、NDF、ADF、Ca、P 质量分数分别为7.39%、13.94%、48.17%、29.50%、0.34%、0.16%。

河南县暖季牧草的GE为18.00 MJ,将暖季牧草各常规营养成分值代入对应回归方程,结果表明:自变量组合x1~x7、x1~x6、x2~x7、x3~x7、x1~x3,x5~x7、x1~x2,x4~x7和x1~x2,x5~x7的GE预测值与实测值相差较大,分别为 -4.68 MJ、7.24 MJ、10.71 MJ、-13.09 MJ、7.02 MJ、5.85 MJ、7.54 MJ,自变量组合x1~x5、x1,x3,x4~x7与实测值相差较小,分别为2.67 MJ、-3.05 MJ,自变量组合x1~x5,x7、x1~x4,x6~x7、x1~x4,x7,与实测值接近(表7)。

表5 暖季牧草常规营养成分与总能的关系方程Table 5 Prediction equations between GE(y) and chemical components for warm reason forage

表6 河南县暖季牧草常规营养成分组成(干物质基础)Table 6 Chemical components of warm season forage in Henan county(dry matter basis) %

表7 河南县暖季牧草的GE值Table 7 GE of of warm season forage grass of Henan county

3 讨 论

3.1 饲料总能与预测因子之间的关系

计算饲料能值的第一步就是计算饲料的总能[12]。牧草的总能(GE)主要取决于碳水化合物、脂肪和蛋白质含量。饲料的概略养分分析方法在评定饲料的各常规营养含量上能够准确反应饲料的营养价值。牧草的营养价值通常由常规养分体现,而且可以间接表明牧草可利用有效能值,表 1 中DM、CP、NDF、Ca、P质量分数暖季高于冷季,与表2中暖季牧草的总能值较冷季高相一致。由表4和表5可知,冷季与暖季牧草的常规营养值与总能建立的 24 个回归方程中,出现变幅为0.723 3~0.906 5的相关系数以及0.63%~2.86% 的变异系数。法国INAPG组织按单个饲料构建的 102 种猪用饲料GE预测模型,仅仅只有CP、CF、EE、Ash 4 项指标因子,但对每个模型的预测效果没有给与指标的评价。本研究选用的 7 个预测因子中,表 4 (1)式中 7 项因子全部参与回归,(6)式无NDF、(8)式无Ash、(12)式无CP、Ash时回归方程也出现较高的R2值;12 组回归方程中,冷季牧草的R2值明显高于暖季,CV明显低于暖季,这种结果的出现可能与牧草所处的不同物候期相关,表明在预测因子的选择上,不同自变量因子的组合对总能预测有较大的关联性。

Van Soest[3]提出纤维分析方案后,很多研究者将饲料的纤维成分,如中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)作为重要的指标对有效能值进行预测,且饲料的纤维含量与有效能值呈高度负相关[13]。本研究发现,预测因子中在含有ADF的情况下,能够建立R2值较高的预测方程,表 3 中的结果也说明这一点。相关研究表明,对饲料进行分类或者建立单一饲料的预测模型,会提高估测的准确度[14]。本研究在预测方程的建立中未获得单因子预测方程的回归,单因子预测方程虽相对简单,但其准确性有待深入研究。有必要对天然牧草进行分类或单一牧草品种建立预测方程,获得更多的单因子或多因子预测模型,更准确地利用天然牧草常规养分预测牧草总能。

3.2 预测因子的选择组合与预测方程的准确性

预测方程按照变量的数量来分,可分为单因子预测方程和多因子预测方程。对单因子预测方程,粗饲料的纤维含量通常比较高,随技术的发展,测定也变得相对容易。建立有效能值预测模型时,通常将纤维因子(NDF、ADF)作为首选因子纳入到方程中[15-17]。本研究中,在相关系数和变异系数约束下,未选择出单因子作为预测要素,而出现 24 组多因子回归方程。虽然以全套预测因子作为预测方程要素在获得回归方程时出现较高的相关系数,但从验证结果中看出,并非所有预测因子组合在一起代入方程就能够获得与实测值相符的预测值,而且在相关系数R2值相对不理想、变量组合合理的状态下,验证也能得到与实测值更为接近的结果,因此,在预测方程建立过程中,可以避免全部预测因子纳入回归方程的计算,而是选择较为准确的预测组合进行回归。在表 4 与表 5 中,作为冷季(6)式R2最高值0.906 3,表 7 验证方程中,更接近GE实测值的自变量组合分别为DM、CP、Ash、ADF、NDF、P,DM、CP、Ash、ADF、Ca、P,DM、CP、Ash、ADF、P,预测因子均包含DM、CP、Ash、ADF、P,因此,在牧草总能值的预测中,可选择DM、CP、Ash、ADF、P作为预测因子建立预测模型。亦可辅助其他因子组合参与预测方程的回归,获得较高的决定系数,提高预测模型的准确性。研究表明,一般扣除饲料纤维成分如CF、ADF和NDF建立的回归模型,不但提高预测效果,而且简化方程[18],这与本研究各预测因子与GE的相关性及验证结果较为接近的预测因子选择相一致。大量研究结果表明,把CF、NDF和ADF与其他因子相结合所建立的预测模型比单独建立的预测模型效果更好[19],本研究选择多个因子作为预测模型符合建立模型需要,以ADF作为预测因子获得的回归方程相关系数R2高于以NDF为预测因子获得的回归方程,而且含有ADF的预测方程其验证结果更接近实测值,表明在预测因子的选择上ADF优于NDF。综合考虑简便、快速、经济、准确等因素,引入何种因子、因子个数、实验室条件及分析程序的难易程度均需要考虑[20]。预测因子的选择组合还与其他诸多因素相关,如牧草的营养成分或家畜的采食性及消化力等。因此,在建立预测方程时还应考虑各种因素的干扰,使建立的预测模型更准确可靠。

4 结 论

综上,利用高寒草甸牧草常规养分作为自变量,牧草总能(GE)作为依变量建立回归方程,并结合牧草总能实测值验证表明,以ADF作为首选自变量因子,并结合DM、CP、Ash、P组合建立的回归方程有较高的决定系数,预测准确性较高的模型为:y=9 469-57.71x1+1.34x2-11.06x3+7.70x4+11.38x6+2 306x7,R2=0.906 3,CV=0.69%;y=-6 117+93.81x1+39.82x2+230.61x3+15.54x4-65.96x6-8 000x7,R2=0.815 9,CV=2.44%。此外,在高寒草甸牧草建立总能的预测模型中,考虑自变量因子DM、CP、Ash、ADF、P的组合可得到与实测值更为接近的预测方程。

猜你喜欢

能值总能回归方程
城市景观绿地设计可持续性
那个人,总能让我们绝处逢生
能值分析方法的应用与展望
采用直线回归方程预测桑瘿蚊防治适期
线性回归方程的求解与应用
线性回归方程要点导学
复杂河流水体能值转换率研究
我们告诉孩子们努力总能成功。但当他们还是失败时,该怎么办? 精读
走进回归分析,让回归方程不再是你高考的绊脚石
基于能值分析法的大庆石化企业生态效率研究