通过使用Box-Cox转换和额外的尸体参数,改进猪体中瘦肉百分比的估计
T Rombouts1, M Seynaeve1, S De Smet1
1Laboratory for Animal Nutrition and Animal Product Quality, Department of Animal Sciences and Aquatic Ecology, Ghent University, Coupure Links 653, Block F 1(st) floor, 9000 Ghent, Belgium.
Meat science
|September 11, 2024
概括
提高猪体中瘦肉百分比 (LMP) 的预测至关重要. 这项研究通过解决非线性和结合额外的尸体数据来增强预测模型,显著减少错误和偏差,以获得更好的准确性.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 肉类科学 肉科学
背景情况:
- 准确估计猪体中瘦肉百分比 (LMP) 对猪肉行业的经济成功至关重要.
- 现有的预测模型,AutoFOM III和FOM II,低估了高瘦肉的LMP,导致经济偏差.
- 背部脂肪厚度 (BT) 参数的非线性被确定为预测不准确的主要原因.
研究的目的:
- 评估和提高AutoFOM III和FOM II仪器对猪尸体LMP的预测准确度.
- 为了解决高LMP尸体现有模型中的低估偏差.
- 调查改善预测误差 (RMSEP) 的根平均平方误差的方法.
主要方法:
- 在AutoFOM III中应用Box-Cox转换到BT参数 (R2P10,R2P8,R2P4),以解决非线性问题.
- 评估了将尸体参数 (热尸体重量,长度,肉宽度,肉角度,性别) 添加到预测模型的影响.
- 结合的Box-Cox转换与额外的尸体参数,以实现最佳的模型改进.
主要成果:
- 盒子-Cox转换将AutoFOM III的RMSEP从1.72降低到1.59,并消除了高LMP偏差;FOM II没有显著改善.
- 将尸体参数添加到原始模型中,使RMSEP下降到AutoFOM III的1.55和FOM II的1.83.
- 盒子-考克斯转换和额外参数的组合产生了最好的结果:RMSEP为1.50 (AutoFOM III) 和1.82 (FOM II),消除了偏差.
结论:
- 对猪尸体LMP的线性预测模型可以通过考虑非线性并纳入额外的尸体数据来显著改进.
- 非线性校正的有效性取决于特定的预测装置 (例如,AutoFOM III与FOM II).
- 整合目前未测量但可用的尸体信息为提高预测精度和经济公平性提供了巨大的潜力.
