猪饲料消化能的间接评定

<正> 猪饲料的消化能(DE)是编制猪饲料营养价值表、制定猪饲养标准的重要指标。猪饲料种类繁多,若一一通过消化试验实测DE,不但工作量大,且因影响消化试验的因素很多,也难测得可靠的、有代表性的数据。为编制四川及南方猪饲养标准和饲料营养价值表,作者在研究国内外已有猪饲料或日粮消化试验资料基础上,提出了间接评定猪饲料DE的回归方程,并对四川及南方各类猪饲料共500多种进行了评定。     

一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高，容易陷入局部最小值等问题，为更加精准地预测生猪价格，采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法，以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本，对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606，平均绝对误差(MAE)为0.288 424，决定系数(R²)为0.995 683，均优于其他3种机器学习模型；与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较，3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。     

基于机器学习的焦油预测模型研究

为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测.     

奶牛能量状态对血清FGF-21水平的影响

为了明确能量代谢负平衡奶牛血清中成纤维细胞生长因子(FGF-21)浓度的变化规律以及与奶牛能量代谢负平衡特征性指标之间的关系。研究从某千头奶牛场选取选择非妊娠、非泌乳、健康奶牛10头,随机分成2组,每组5头。在实验期间,一组牛饲喂120%维持(1.48 Mcal·kg~(-1))日粮,另一组饲喂30%维持能量(0.37 Mcal·kg~(-1))日粮(NRC标准),每天采集血液样品,检测能量代谢特征性指标,其中,血清理化指标采用全自动血液生化分析仪进行测定,激素指标Elisa试剂盒进行检测。所有检测数据均采用统计学方法进行分析与统计。结果显示:摄入30%维持能量(0.37 Mcal·kg~(-1))日粮的牛血清FGF-21水平同时显著升高;饲喂120%的维持日粮的牛血清FGF-21水平同时显著降低。实验检测指标中血清FGF-21指标与瘦蛋白(LP)为正相关,与血糖(Glu),β羟丁酸(BHBA)为负相关。结论:实验表明FGF-21与能量密切相关并且在奶牛能量代谢平衡状态的调控中发挥作用,为今后深入探究能量负平衡的发生机理和新的防治策略奠定了基础。     

日粮蛋白能量比对8-10月龄后备奶牛生长性能和养分消化的影响

【目的】研究日粮蛋白能量比对8—10月龄中国荷斯坦后备奶牛生长性能和营养物质消化的影响。【方法】选用18头平均月龄7.70±0.48、平均体重234±21.85 kg的健康中国荷斯坦后备奶牛,分为3组,每组6头,饲喂蛋白能量比(g.Mcal-1)分别为46.2﹕1、54.2﹕1和62.0﹕1日粮,试验期90 d。分别在正式试验的第21—28天、第51—58天、第81—88天,采用酸不溶灰分法(AIA法)进行营养物质的消化试验。【结果】奶牛平均日增重依次为0.90、0.89和0.90 kg.d-1(P0.05),8—10月龄各生长指标变化曲线相似。8—10月龄中国荷斯坦后备牛,随着日粮蛋白能量比增加日粮粗蛋白的表观消化率增加;随着日龄增加营养物质表观消化率增加,9月龄后趋于稳定。随着日粮蛋白能量比增加血清尿素氮含量升高。【结论】蛋白能量比为46.2﹕1(g.Mcal-1)的日粮可满足8—10月龄中国荷斯坦后备牛ADG为0.80—1.0 kg.d-1的生长需要。     

基于机器学习的落叶松毛虫发生面积预测模型

落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。      

日粮蛋白能量比对8-10月龄后备奶牛生长性能和养分消化的影响#br#

【目的】研究日粮蛋白能量比对8-10月龄中国荷斯坦后备奶牛生长性能和营养物质消化的影响。【方法】选用18头平均月龄7.70±0.48、平均体重234±21.85 kg的健康中国荷斯坦后备奶牛,分为3组,每组6头,饲喂蛋白能量比(g&#8226;Mcal-1)分别为46.2﹕1、54.2﹕1和 62.0﹕1日粮,试验期90 d。分别在正式试验的第21-28天、第51-58天、第81-88天,采用酸不溶灰分法(AIA法)进行营养物质的消化试验。【结果】奶牛平均日增重依次为0.90、0.89和0.90 kg&#8226;d-1(P＞0.05),8-10月龄各生长指标变化曲线相似。8-10月龄中国荷斯坦后备牛,随着日粮蛋白能量比增加日粮粗蛋白的表观消化率增加;随着日龄增加营养物质表观消化率增加,9月龄后趋于稳定。随着日粮蛋白能量比增加血清尿素氮含量升高。【结论】蛋白能量比为46.2﹕1(g&#8226;Mcal-1)的日粮可满足8-10月龄中国荷斯坦后备牛ADG为0.80-1.0 kg&#8226;d-1的生长需要。     

用纤维等饲料成分预测植物性蛋白饲料的猪消化能值

选用8头起始体重46±2kg的大×长×内去势公猪,采用2个4×4拉丁方设计,运用套算法(替代法)测定玉米蛋白粉、豆粕、胡豆、豌豆、菜籽粕、芝麻粕、菜籽饼和棉籽粕8种我国常用植物性蛋白饲料的表观消化能(ADE).被测饲料按不同的替代量(20%～50%)配制成CF、NDF、ADF及CP的含量具有一定梯度的试验饲粮,测定饲粮、饲料的CF、NDF、CP、Ash、EE及GE的含量,计算出NFE和SCHO,探讨这些指标与实测DE的回归关系,以及所建预测公式的应用效果和范围.结果表明:1.猪植物性蛋白饲料消化能值回归预测中,纤维指标是最重要的预测因子,其中ADF是最佳预测因子.2.最佳的预测方程为:(1)DE(kcal/kgDM)=3526.764-44.256ADF+12.922SCHO+5.347CP (R2=0.988 RSD=67.9 P<0.01);(2)DE(kcal/kgDM)=5316.566-50.143ADF+6.412SCHO-0.260GE (R2=0.989 RSD=66.9 P<0.01).(3)上述最佳方程检验适用于本试验类似饲料.     

基于机器学习方法预测母猪产仔数性状

为指导养猪生产者更好地预测母猪的产仔数性状,尽早淘汰繁殖力较差的母猪,提升母猪群体的繁殖潜力,对记录了母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数的生产数据进行处理和描述统计,使用R软件中的Boruta包筛选出影响母猪产仔数性状的重要特征如品种、胎次、配种季节等,利用传统回归分析方法(LR)和不同机器学习方法—决策树(decision tree,DT)、K近邻(K-nearest neighbor,KNN)、支持向量机(support vector machine,SVM)对产仔数性状进行回归分析,最后比较机器学习方法与传统回归方法建模的优劣。结果显示,母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数不同回归分析方法的R~2均达到0.71以上(0.71～0.88),体现了特征选择的正确性;在预测母猪总产仔数、产活仔数、健仔数、5日龄仔猪数和1 kg以上仔猪数中SVM模型均显著优于其他机器学习模型(P0.05)并且要优于传统回归方法,而且在以上模型中预测1 kg以上仔猪数的SVM模型最优。因此,在今后的养猪生产中机器学习方法可能会成为养猪生产者早期选育高繁殖力母猪的一种新途径。     

依据机器学习算法的杉木干形模拟

利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2～1 cm,训练集的相对偏差在-50％～50％.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑.     

Artificial neural network models of the rumen fermentation pattern in dairy cattle

The objectives of this study were: (1) to predict the rumen fermentation pattern from milk fatty acids using a machine learning technique, i.e. artificial neural networks (ANN) combined with feature selection and (2) to compare the prediction accuracy of the resulting model to that of a statistical multi-linear regression model, based on odd and branched chain milk fatty acids. Data were collected from 10 experiments with rumen fistulated dairy cows, resulting in a dataset of 138 observations. Feature selection was based on correlation and principal component analysis, and background physiological knowledge. Different ANN architectures and training algorithms were assessed. The evaluation of the model performance, based on the test dataset, showed a root mean square prediction error, expressed relative to the observed mean, of 2.65%, 7.67% and 7.61% of the observed mean for acetate, propionate and butyrate, respectively. Compared to a multi-linear regression model, the ANN revealed not to perform significantly better. However, the results confirm that milk fatty acids have great potential to predict molar proportions of individual volatile fatty acids in the rumen.     

Ensemble learning prediction of soybean yields in China based on meteorological data

The accurate prediction of soybean yield is of great significance for agricultural production, monitoring and early warning. Although previous studies have used machine learning algorithms to predict soybean yield based on meteorological data, it is not clear how different models can be used to effectively separate soybean meteorological yield from soybean yield in various regions. In addition, comprehensively integrating the advantages of various machine learning algorithms to improve the prediction accuracy through ensemble learning algorithms has not been studied in depth. This study used and analyzed various daily meteorological data and soybean yield data from 173 county-level administrative regions and meteorological stations in two principal soybean planting areas in China (Northeast China and the Huang–Huai region), covering 34 years. Three effective machine learning algorithms (K-nearest neighbor, random forest, and support vector regression) were adopted as the base-models to establish a high-precision and highly-reliable soybean meteorological yield prediction model based on the stacking ensemble learning framework. The model’s generalizability was further improved through 5-fold cross-validation, and the model was optimized by principal component analysis and hyperparametric optimization. The accuracy of the model was evaluated by using the five-year sliding prediction and four regression indicators of the 173 counties, which showed that the stacking model has higher accuracy and stronger robustness. The 5-year sliding estimations of soybean yield based on the stacking model in 173 counties showed that the prediction effect can reflect the spatiotemporal distribution of soybean yield in detail, and the mean absolute percentage error (MAPE) was less than 5%. The stacking prediction model of soybean meteorological yield provides a new approach for accurately predicting soybean yield.     

基于SVM算法的区域农田灌溉短期用水量预测方法

常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大,预测过程复杂等现象。设计基于SVM算法对区域农田灌溉短期用水量进行预测。以某沿黄区域位于全景属于黄河流域东南方向一区域农田为研究对象,首先基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能将农田灌溉短期用水量特征子集进行获取,并在此基础上可以根据特征子集通过预测模型进行用水量预测。由于用水量序列波动性较强,将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果证明基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内且在农业中具有可使用性。     

Quantification and prediction of enteric methane emissions from Chinese lactating Holstein dairy cows fed diets with different dietary neutral detergent fiber/non-fibrous carbohydrate (NDF/NFC) ratios

Methane(CH₄) emissions from ruminant production are a significant source of anthropogenic greenhouse gas production, but few studies have examined the enteric CH₄ emissions of lactating dairy cows under different feeding regimes in China. This study aimed to investigate the influence of different dietary neutral detergent fiber/non-fibrous carbohydrate(NDF/NFC) ratios on production performance, nutrient digestibility, and CH₄ emissions for Holstein dairy cows at ...     

新美系大约克夏原种猪生长期饲粮适宜能量、粗蛋白和钙磷水平的研究

选择胎次、断奶日龄及年龄基本相近,体重为(20±1)kg的健康新美系大约克夏原种猪72头,采用四因素三水平的L9(34)正交试验,研究不同能量、粗蛋白、钙和磷水平对生长期新美系大约克夏原种猪生产性能、营养物质表观消化率和血清生化指标的影响。结果表明:①能量对日增重的影响达到显著水平(P<0.05);②能量、粗蛋白、钙和磷对能量表观消化率的影响达到极显著水平(P<0.01),粗蛋白、钙和磷对粗蛋白、粗纤维表观消化率的影响均达到极显著水平(P<0.01),能量对磷表观消化率的影响达到极显著水平(P<0.01),能量、粗蛋白、钙对粗脂肪表观消化率的影响达到极显著水平(P<0.01);③能量对血清总胆固醇(T-Cho)和血清甘油三酯的影响达到显著水平(P<0.05),蛋白质对血清蛋白(Alb)的影响达到极显著水平(P<0.01)。新美系大约克夏原种猪的适宜营养水平为:能量14.23kJ/kg,蛋白质21.5%,钙0.8%,磷0.8%。     

过瘤胃胆碱对围产期奶牛生产性能和能量代谢的影响

为阐明日粮中添加过瘤胃胆碱对围产期奶牛生产性能和能量代谢的影响,选取年龄、胎次和泌乳量相近的健康荷斯坦奶牛40头,随机分为4组,每组10头。Ⅰ、Ⅱ、Ⅲ组每天分别在基础日粮中添加5、10和20g过瘤胃胆碱,Ⅳ组饲喂基础日粮。试验期内(产前14d～产后42d)分别调查和检测奶牛的生产性能(泌乳量和干物质摄入量)、血液生化指标(葡萄糖、β-羟丁酸、游离脂肪酸、甘油三酯和胆固醇)和内分泌指标(胰岛素和胰高血糖素)。结果显示:1)围产期奶牛日粮中添加过瘤胃胆碱能明显提高奶牛泌乳量(MY)和干物质摄入量(DMI),以每头奶牛每天添加10g过瘤胃胆碱效果最好。2)围产期奶牛日粮添加过瘤胃胆碱,能延缓血浆葡萄糖(Glu)水平的下降(P<0.05),显著降低试验奶牛血浆β-羟丁酸(BHBA)、游离脂肪酸(NEFA)总胆固醇(TCHO)含量(P<0.05),与对照组相比,血浆甘油三酯(TG)有升高的趋势(P>0.05)。3)添加过瘤胃胆碱,有提高试验奶牛血浆胰岛素(Ins)含量、降低胰高血糖素(Gn)含量的趋势,但差异不显著(P>0.05)。上述结果表明围产期奶牛日粮添加过瘤胃胆碱能够提高奶牛的生产性能,改善奶牛体内脂肪代谢,促进体内糖异生作用,缓解围产期和泌乳早期奶牛的能量负平衡。     

Detection of cows with insemination problems using selected classification models

In the present study, the detection of cows with artificial insemination (AI) difficulties using selected statistical and machine learning methods is presented. Cows were divided into two classes: those that conceived after one or two services (“GOOD”) and those that required more than two services per conception (“POOR”). The best performance was exhibited by one of the artificial neural networks (ANN) and the multivariate adaptive regression spline (MARS) method (AIC, BIC, RMS and accuracy); whereas logistic regression (LR) and classification functions (CF) were of somewhat lower quality. The detection of cows with AI difficulties, performed on the basis of the test set comprising new instances, showed that the ANN and MARS were more precise in comparison with the statistical methods. Sensitivity and specificity were over 85% for the perceptron with two hidden layers (MLP2) and MARS and approximately 80% or lower for LR and CF. From among variables determining the AI category, the average calving interval and cow body condition index were the most important. Other significant variables were lactation number, pregnancy length, sex of calf from previous calving and cow age. The prognoses obtained using ANN and MARS can be used for the appropriate preparation of cows for AI.     

高产奶牛适宜干奶期长度研究进展

为分析缩短或取消干奶期在高产奶牛生产中的可行性和经济性,本文主要分析了2003—2020年有关干奶期长度对奶牛的泌乳、健康、繁殖力和经济效益影响的研究文献。结果表明:1)缩短干奶期至30d或取消干奶期可导致下一周期泌乳量下降,但分娩前额外的产奶量可部分弥补产奶损失。2)缩短或取消干奶期可显著改善奶牛泌乳初期的能量负平衡问题,且缓解由能量负平衡导致的代谢紊乱,提高奶牛繁殖力。奶牛健康水平和繁殖力提高带来的收益,可部分弥补产奶量降低带来的经济损失。3)缩短或取消干奶期对犊牛健康水平无显著影响。目前该干奶策略在实际生产中推广和应用仍需要更多的研究数据支撑,未来研究可聚焦于30或0d干奶期相匹配的饲养管理策略研发,适宜干奶期长度预测模型的建立和干奶期乳腺退化和乳腺组织更新的分子机制探究,为将来奶牛适宜干奶期长度的研究提供参考,也为实际生产中奶牛干奶期长度选择提供依据。