|
|
发表于 2010-4-15 16:27:45
|
显示全部楼层
粗饲料相对值(RFV)
RFV是目前美国唯一广泛使用(销售、库存及根据家畜对粗饲料质量的要求投料)的粗饲料质量评定指数，其定义为：相对一特定标准粗饲料(盛花期苜蓿)，某种粗饲料可消化干物质(Digestible
Dry Matter，DDM)的采食量。其关系式如下：
RFV=DMI(%BW)×DDM(%DM)/1.29
其中：DMI(dry matter
intake)为粗饲料干物质的随意采食量，用占体重(BW)的百分比表示；DDM(digestible dry
matter)为可消化的干物质，用占干物质(DM)的百分比表示；BW(body
weight)为体重。1.29是基于大量动物试验数据所预期的盛花期苜蓿DDM的采食量，以占体重的百分比表示，除以1.29，目的是使得盛花期的苜蓿RFV值为100。
可以看出，RFV的基础是DDM的随意采食量，家畜的DDM采食量以及由此计算得到的RFV是由反刍家畜所采食的粗饲料干物质随意采食量(Dry
Matter
Intake，DMI，占%BW)和饲草中的DDM含量(%DM)决定的。由于通常DDM与DMI相关性不强(Moore
and
coleman，2001)，因此，RFV经由DMI和DDM的预测模型计算得到。在预测DMI和DDM时，是分别以实验室分析测定的中性洗涤纤维(NDF)与酸性洗涤纤维(ADF)为预测因子所建立的模型为基础进行的。它们的预测模型分别为：
DMI(%BW)=120/NDF(%DM)
DDM(%DM)=88.9-0.779ADF(%DM)
DMI和DDM经由上述各自特定模型分别由NDF与ADF计算得到。
随着新版NRC奶牛营养需要(2001)中所规定的一些有关确定家畜营养需要新方法的实施，很有必要引入新的方法及模型来改造RFV，粗饲料相对质量(RFQ)指数就是在这种背景下在RFV的基础上发展而来。
2、粗饲料相对质量(RFQ)
RFQ是一个新的拟用来取代RFV的粗饲料质量评定指数，其概念与表达式同RFV，不同的是RFQ中可利用能用的是总可消化养分(TDN)而不是RFV中的DDM。
RFQ=DMI(%BW)×TDN(%DM)/1.23
式中除以常数1.23，目的在于将各种粗饲料RFQ的平均值及其范围调整到与RFV的相似(Moore和Undersander，2002)。
RFQ参数预测模型中，引用新版奶牛NRC(NRC，2001)中的归纳性能量预测模型，通过可消化营养素(包括NDFD)来预测粗饲料的可利用能；用Mertens
(1987)的采食量模型，通过可消化的NDF(NDFD)预测粗饲料干物质的随意采食量(DMI)，然后以预测的可利用能和DMI为基础，计算RFQ。RFQ值的平均值及其范围与RFV的相似，约在80到200之间。由于RFQ中可利用能及DMI的预测模型分别使用可消化营养素与NDFD作为预测因子，因而RFQ能更精确地评定粗饲料品质，尤其是能更准确地对禾本科牧草进行分级。FRV模型之所以会低估高质量禾本科牧草的RFV，是因为低估了DMI。
2.1 RFO中预测苜蓿、三叶草、豆科/禾本科混合牧草TDN和DHI的模型
2.1.1 TDN预测模型
TDN豆科=[（NFC×0.98）+(CP×0.93)+(FA×0.97×2.25)+(NDFn×(NDFD/100))-7(NRC,2001)
其中：
CP=粗蛋白(%DM)
EE=粗脂肪(%DM)
FA=脂肪酸(%DM)=粗脂肪-1
NDF=中性洗涤纤维(%DM)
NDFCP=中性洗涤纤维结合蛋白
NDFn=非中性洗涤纤维结合氮=NDF-NDFCP或NDFn=NDF×0.93
NDFD=体外48小时NDF的消化率(%NDF)
NFC(%DM)(非纤维碳水化合物，用占干物质的百分比表示)=100-(NDF+CP+EE+ash)
2.1.2 DMI预测模型
DMI豆科=[(0.0120×1350/(NDF/100))+(NDFD-45)×0.374]/1350×100
该模型以Mertens(1987)的DMI模型为基础，同时引入Oba和Allen(1999)建议的NDFD进行校正。
式中45是苜蓿、苜蓿与禾本科混播牧草纤维的平均消化率，DMI以占体重(BW)的百分比表示，NDF以占干物质(DM)的百分比表示，NDFD以占NDF的百分比表示。
2.2 RFQ中预测暖季与冷季禾本科牧草TDN和DMI的模型
2.2.1 TDN预测模型
TDN禾本科=[(NFC×0.98)+(CP×0.87)+(FA×0.97×2.25)+(NDFn×(NDFDp/100)]-10(Moore和Undersander
2002)
其中：NDFDP=22.7+0.664×NDFD，其余术语意义同上。
2.2.2 DMI预测模型
DMI禾本科=-2.318+0.442×CP-0.0100×CP2-0.0638×TDN+0.000922×TKN2+0.180×ADF-0.00196×ADF2-0.00529×CP×ADF(Moore
and Kunkle，1999)
式中DMI以占体重(BW)的百分比，CP、ADF、TDN以占干物质(DM)的百分比表示。
关于RFQ的TDN预测模型，亦有未作细分的，都用如下模型：
TDN=[(NFC×0.98)+(CPx0.93)+(FA×0.97×2.25)+(NDF×(NDFD×0.75/100))-7(NRC，2001)
注：有关术语意义同上，此模型不须用到NDFn，较易在生产中推广。
2.3 RFO取代RFV的可行性
提出RFQ的目的就是要用RFQ取代RFV，为使这种取代不致造成太大的经济与管理上的变化，易于推广，在最初设计RFQ时就考虑了要使RFQ与RFV在评定粗饲料品质时具有相同的均值与范围。据Worlds
Forage
Superbowl实验室对采自世界奶牛博览会上的近200个苜蓿干草与半干青贮苜蓿样品(它们分别是由美国20个州及加拿大的2个省选送的)的RFV与RFQ进行了测定，前者为179，后者为172，极为相似。
尽管这些样品的RFV与RFQ值范围变化较大，但仍然反映了RFQ与RFV间具有强的相关(0.86)。可是单个样本的RFQ值针对RFV的变异较大，最大的相差(高于或低于)达40点，22%的样本相差20点甚至更高。对于RFQ较RFV高的牧草，当以RFV进行交易时，干草销售者就没有获得本应多获得的利润(对购草者而言，则进行了一笔好的获利交易)；对于RFQ较RFV低的牧草，当以RFV进行交易时，则情形相反，奶牛就达不到与RFV相称的预期泌乳量。
总体而言，由于同一种干草RFQ与RFV的均值相同，故可在定价、签订合同及其它用途上用RFQ取代RFV。可是，当具体某个干草的RFQ变化较大时，牧场主以使用RFQ为宜，这是因为RFQ能更好地反映家畜的生产性能(增重、产奶)。但也有人提出相左意见，理由是：首先，在对RFQ预测模型中所用的可消化营养素进行分析时，要用大量的时间，花费大量的资金；其次，在测定可消化营养素指标精确性上的提高，有可能被不可避免的取样误差抵消。尽管开展体外消化率的测定工作已有几十年(始于1964年)的历史，但
仍不免存在着误差。即使采用近红外(NIRS)技术，这种误差同样存在；第三，假定粗饲料分析上的误差能够最终反映出家畜生产性能(增重、产奶)的变化，由于奶牛在任何时间都维持着高产水平，完全可从苜蓿中获得对粗饲料营养素的需要，那么对于以苜蓿为主要粗饲料的高产奶牛，就没有必要用RFQ取代RFV。
3 粗饲料分级指数(Crading Index，GI)
卢德勋(2001)根据我国粗饲料利用的现状，以系统科学为指导思想，在广泛吸取RFV等粗饲料评定指数的优点的基础上，结合我国粗饲料生产及利用的实际，适时地提出了评定粗饲料品质的粗饲料分级指数(Grading
Index，GI)。GI不仅象RFV那样可用于粗饲料的品质分级、交易，还可用于指导粗饲料科学搭配以及牧草的种植与刈割，其最大的特点是：多指标，综合评定。它的提出对粗饲料营养价值的评定及其科学搭配与牧草刈割期的确定提供了有用的工具。其数学表达式为：
GI=ME(MJ/kg)×DMI(kg/天)×CP(%DM)／NDF(或ADL)(%DM)
式中：ME-粗饲料代谢能，单位为MJ/kg，亦可使用泌乳净能(NEL)取代ME，尤其在奶牛上使用NEL较多；DMI-粗饲料干物质随意采食量，单位为kg；CP-为粗蛋白，占干物质的百分比；NDF-中性洗涤纤维，占干物质的百分比；ADL-酸性洗涤木质素，占干物质的百分比。
王旭(2003)首次验证了GI理论：就几种常见粗饲料(沙打旺、羊草、玉米秸与谷草)的GI值进行了测定，并将GI对粗饲料的分级与RFV对粗饲料的分级进行了比较，结果其品质优劣排序完全一致。而且，用GI优化的混合粗饲料(50%玉米秸+40%沙打旺+10%羊草)与精料(粗：精为7：3)组成的全混日粮较青干草与同一精料(粗：精为7：3)组成的全混日粮成本低，生产性能高。张吉鹍等(2004)就绵羊GI参数的模型化进行了研究，并进一步证明用GI对粗饲料的分级较用RFV对粗饲料分级更科学，且对经GI优化的混合粗饲料的组合效应及其机制进行了研究。这一奠基性的工作对GI在我国粗饲料品质评定及其在粗饲料优化搭配技术上的应用推广必将产生重大影响。 |
|
[复制链接]
IP卡
狗仔卡
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
显身卡
京公网安备 11010802025824号