通过机器学习预测Holstein奶牛的纤维消化率,这些奶牛通过机器学习食干草的配给

科学领域:

• 动物科学动物科学
• 乳制品营养 乳制品营养
• 动物生理学 动物生理学

背景情况:

• 乳牛的准确配给计划依赖于预测料消化能力.
• 开发可靠的预测方程通常需要大量的体内数据.
• 目前用于预测哺乳母牛的纤维消化率的方法有限,特别是用于基于干草的粮食配给.

研究的目的:

• 开发一种预测方程,用于在哺乳期母牛中对全通道潜在可消化的中性清洁剂纤维消化率 (TTpdNDFD) 进行预测.
• 利用现有的体内数据来创建一个强大而准确的预测模型.
• 探索这种方程在精密奶牛养殖中的应用.

主要方法:

• 汇编了来自11项研究的个人数据,包括69头牛,35次治疗和1614次观察.
• 使用的饮食特征 (灰,粉,CP,NDF,ADF,ADL,不可降解的NDF,潜在可降解的NDF) 作为预测因素.
• 在JMP软件中采用双向阶段性选择,删除异常值,多对线性检查和模型培训的10倍交叉验证.

主要成果:

• 实现了高模型性能,R2值为0.91 (训练) 和0.90 (验证),低根平均平方误差 (RMSE) 为2.99 (训练) 和3.26 (验证).
• 证实TTpdNDFD随着食中粉和快发酵纤维含量增加而减少.
• 证明开发的方程只使用饮食特征准确预测纤维消化能力.

结论:

• 从历史数据可以开发出一个准确的方程来预测哺乳期母牛的TTpdNDFD,这些母牛吃的是基于花草的食物.
• 这种预测工具,当与精准农业集成时,可以优化奶牛群的料规划,监测和成本效益.
• 建议使用扩展数据集进行进一步的研究,以提高这些预测模型的可扩展性和适用性.