Comparando valor relativo con los parámetros de degradación

de gramíneas y leguminosas forages1

T. J. Hackmann, J. D. Sampson y J. N. España2

División de Ciencias Animales de la Universidad de Missouri, Columbia 65211

RESUMEN: Se evaluó valor relativo (RFV) en relación a los parámetros de degradación in situ de hierba y

leguminosas forrajeras. Alfalfa Early-cut (n = 20), a finales de corte alfalfa (n = 26), el césped de temporada fría (n =

11), de clima cálido hierba (n = 4), y de gramíneas y leguminosas (n = 20) muestras se obtuvieron de las balas de

heno duplicadas presentadas el Missouri State Fair Concursos heno 2002 y 2003. Las submuestras se incubaron en

el rumen de 2 lactantes Vacas Holstein de 0, 6 o 8, 12, 24, y 48 h para determinar degradación in situ de la MS, ADF,

NDF, CP, y hemicelulosa con el tiempo. Los datos sobre degradación se ajustaron a un variedad de modelos

candidatos para estimar los parámetros de degradación. Los coeficientes de correlación entre la degradación

estimaciones de los parámetros [ordenados según forraje (earlycut alfalfa, alfalfa finales de corte, hierba, o de

gramíneas y leguminosas)] y RFV se determinaron. Para comparación adicional, correlaciones entre los parámetros

degradación NDF estima y MS digestible fueron determinados con datos a partir de un estudio previo. Los datos

sobre degradación se adaptan mejor a un modelo de gamma piscina de 2 distribuida única sin desfase. Valor

relativo de alimentación se correlacionó significativamente

(P <0.05) con el potencialmente digestible DM y CP de alfalfa principios de corte, DM potencialmente digestible

para latecut alfalfa, y potencialmente digestible DM, NDF, y hemicelulosa de gramíneas y leguminosas. El porcentaje

de significativa correlaciones (10,7%) a través de todo el conjunto de datos fue baja y no correlaciones fueron

significativas para el pasto. Valor relativo de alimentación no cuenta la variación en el parámetros de degradación,

especialmente para los pastos. Otra análisis de correlación, que comparó digestible DMI con estimaciones de los

parámetros de degradación informaron de otro conjunto de datos, puesto de manifiesto que MS digestible y

estimaciones de los parámetros de degradación se relacionan para hierba, pero no para la alfalfa forrajes. Estos

resultados sugieren que RFV está limitada por la no inclusión de la degradación parámetros.

INTRODUCCIÓN

Numerosos sistemas se han desarrollado para predecir la calidad de los forrajes alimentado a los rumiantes (Moore,

1994). Valor relativo (RFV;. Rohweder et al, 1978) es el más ampliamente utilizada. Relativa feed valor grados

forrajes según su predicción MS digestible (DDMI), el producto de la DMI y el porcentaje de digestibilidad DM

(DDM). Predicción DDMI está dividido por una base de DDMI a establecer un índice con un típico heno de

leguminosas floración completa anotando 100. Para parametrizar el sistema RFV, la Comisión Nacional Asociación

Testing forraje ecuaciones seleccionados que se relacionan forraje NDF y ADF de DMI y DDM, con un DDMI base del

1,29 % del peso corporal al día ( Linn y Martin ,

1989 ) . A pesar de la extensa utilización del sistema de RFV parametrizado de acuerdo con las recomendaciones de

la Asociación Nacional de pruebas de forraje , la RFV ha sido criticado .

En su resumen , Moore y Undersander ( 2002 ) demostraron que la FDN y FDA son predictores inconsistentes y

pobres de DDMI . Sanson y Kercher ( 1996 ) encontraron que las ecuaciones de predicción RFV representaban

menos del 1 % de la variación total en DDMI de 20 alfalfa heno alimenta a los corderos . A pesar de los malos

resultados de RFV se ha identificado estadísticamente , es necesario seguir trabajando para determinar las causas

biológicas subyacentes para esto. Un aspecto que merece atención es características de degradación .

Características de degradación , como la tasa de degradación y extensión , están vinculados a DMI y DDM ( Mertens,

1973 ) , los 2 factores en los que se basa la RFV . Muchos estudios han medido las características de degradación ,

pero sólo para un número limitado de forrajes o químicos fracciones . Por otra parte , las características de

degradación rara vez se han reunido para evaluar RFV , sólo Canbola

Evaluación de los forrajes

Tabla 1. Descripción de los henos utilizado para el análisis in situ

año Clase1 n Forraje y corte

2002 ECA

LCA

CSG

15 16 4

La alfalfa, segundo corte Alfalfa, tercero de corte Cebadilla, primero de corte (n = 1) El pasto ovillo, primero de corte (n = 1) Timoteo, primero corte (n = 1) Alpiste, segundo corte (n = 1)

WSG

GL

1 16

Sin especificar, primero corte La alfalfa-ovillo, segundo corte (n = 4) Hierba alfalfa-canario, segundo corte (n = 2) La alfalfa-ovillo, tercero de corte (n = 2) Alfalfa-timothy, segundo corte (n = 1) Alfalfa-cebadilla, segundo corte (n = 1) Alfalfa-sin especificar hierba, primero corte (n = 1) Alfalfa-no especificado hierba, segundo corte (n = 1) Alfalfa-sin especificar hierba, tercero de corte (n = 1) El trébol rojo-festuca, segundo corte (n = 1) El trébol rojo-timothy, primero corte (n = 1) Sin especificar de gramíneas y leguminosas, segundo corte (n = 1)

2013 ECA

LCA

CSG

5 10 7

La alfalfa, segundo corte Alfalfa, tercero de corte El pasto ovillo, segundo corte (n = 2) Brome-dactilo aglomerado, primero de corte (n = 1) El pasto ovillo, primero de corte (n = 1) El pasto ovillo heno, segundo corte (n = 1) Alpiste Reed, segundo corte (n = 1) Rye heno de hierba, tercero de corte (n = 1)

WSG

GL

3 4

Heno bermuda, segundo corte (n = 2) Heno de bermuda, tercero de corte (n = 1) La alfalfa-ovillo heno, tercero de corte (n = 2) Alfalfa-heno del timothy, primero corte (n = 1) Sin especificar de gramíneas y leguminosas, segundo corte (n = 1)

1 ECA = alfalfa principios de corte; LCA = alfalfa finales de corte; CSG = césped de temporada fría; WSG = hierba de

estación cálida, GL = gramínea-leguminosa.

et al. (2006) lo ha hecho, la búsqueda de correlaciones de variables entre las características de producción de gas in

vitro y RFV de 1 muestra de alfalfa recogió más de 3 vencimientos. Para evaluar adicionalmente la RFV, este estudio

fue diseñado para determinar las características de degradación de las leguminosas y henos de hierba que son

representativos de los clasificados por el sistema de RFV.

MATERIALES Y MÉTODOS

Todos los procedimientos con animales fueron aprobadas por el Cuidado de Animales y el empleo Comisión de la

Universidad de Missouri-Columbia. Tipos de heno y procedimientos de muestreo Hay muestras se obtuvieron de

trabajos presentados a la Feria Estatal Contest Hay Missouri en 2002 y 2003. Las entradas llegaron de todo el estado

de Missouri e incluido alfalfa principios de corte (ECA), a finales de corte alfalfa (LCA), el césped de temporada fría

(CSG), de clima cálido (GL) muestras de hierba (WSG), y de gramíneas y leguminosas. Una detallada descripción de

los forrajes, incluyendo el número de muestras recogidas por año de la cosecha, clase, variedad y corte entre años,

se informa en la Tabla 1.

Cada entrada fue presentado como pacas de heno duplicados. Cada paca se quita el corazón con una sonda de heno

( Forraje de Penn State Sampler , Nasco , Ft. . Atkinson , CO ) , y el núcleo muestras de las balas de duplicados se

combinaron para dar un representante muestra de cada entrada . Las muestras se molieron en un molino Wiley (

Arthur H. Thomas Company, Philadelphia , PA ) pase a través de una pantalla de 2 mm . suelo muestras se colocaron

en bolsas de plástico selladas y almacenadas a temperatura ambiente para su posterior análisis . El análisis in situ y

Química En características de la degradación in situ se determinaron para todas las muestras . Las muestras se

analizaron más de tres 2 -d dos periodos de tiempo: 2 -d períodos de 2.002 muestras y un periodo de 2 - d para

2003 muestras ( como se discute más adelante ) . Bolsas de dacrón con aire seco ( 10 × 20 cm , 50 ± tamaño de poro

de 15 micras; Ankom Tecnología, Macedonia , Nueva York ) se llenaron de 5 ± 0,1 g de muestra seca al aire durante

2002 muestras de heno y 4 ± 0,1 g de la muestra de 2003 muestras de heno , la muestra relación de área de masa a

la superficie fue de aproximadamente 12,5 y 10 mg/cm2 de 2002 y 2003 muestras , respectivamente , que están

dentro de los sugeridos por Nocek ( 1988 ) . duplicar bolsas se prepararon para su inserción en 2 vacas , dando un

total de 4 bolsas por muestra en cada incubación tiempo . Bolsas eran termosellada ( AIE - 200 , American

International Eléctrico , más ingenioso , CA ) , fijado al cable de plástico lazos , y atado en manojos para cuerdas de

nylon de recuperación de acuerdo a su tiempo de incubación .

Dos rumen canulado , Holstein multíparas vacas alojadas en centros de libre parada en la Universidad de Missouri -

Columbia Center Foremost Dairy fueron seleccionado para el procedimientos in situ . Cada animal fue siempre que

el acceso ad libitum a una dieta estándar de la lactancia . La dieta fue un silo de maíz , heno de alfalfa , alfalfa

haylagebased la dieta ( 19 % CP , 24 % ADF, y 41 % de FDN , DM base ) alimentada como una ración total mezclada .

Se insertaron Bolsas en el rumen ventral de las vacas en el orden inverso . Los tiempos de incubación fueron

escogidos 0 , 8 , 12 , 24 , y 48 h para los las muestras de heno 2002 (para el plazo original, ver más abajo) y 0 , 6 , 12

, 24 , y 48 h para las muestras de heno 2003 . todo muestras dentro de año ( 2002 o 2003 ) debían ser incubados

durante un período de 2 d , dando dos 2 -d periodos en total. Sin embargo , una de las vacas utiliza para incubar la

2002 muestras dejaron de rumiar durante el periodo de 2 –d el período de muestreo , y las muestras de esta vaca se

descartaron para ese período. Nuevos submuestras de la 2002 muestras de heno se incubaron en esta vaca por un

período de 2 - d adicional , con tiempos de incubación de 0 , 6 , 12 , 24 , y 48 h . Se incubaron las muestras de 2003

durante un único periodo de 2 -d como se había previsto , dando un total de tres 2 - d períodos durante los cuales

los forrajes se incubaron . Un forraje norma no se utiliza para corregir las diferencias entre carreras porque todas las

muestras se incubaron en un período × vaca en una carrera, y las diferencias sistemáticas entre periodo × vaca

pudiera ser detectado mediante la comparación de valores de los parámetros de degradación en períodos × vaca

con un ANOVA ( véase más adelante) . Durante todos los ensayos , las bolsas de 0 - h fueron expuestos a rumen

brevemente fluido ( aproximadamente 5 min ) para permitir la hidratación . Todas las bolsas se retiraron al mismo

tiempo , como se sugiere por Nocek ( 1988 ) . Después de la eliminación del rumen , se rociaron las bolsas con (

aproximadamente 15 ° C ) de agua fría para detener la fermentación y se enjuaga hasta que el agua de lavado

funcionó relativamente borrar . Las bolsas se lavaron a continuación en una lavadora doméstica máquina hasta que

el agua de lavado funcionó del todo claro , ya que sugerido por Cherney et al . ( 1990b ) . Las muestras fueron

secados al aire en un horno a 55 ° C de convección a una masa constante y entonces están perfectamente secos en

un horno de 105 ° C . Bolsas eran entonces al aire equilibrado y ponderado para determinar su la masa de residuos.

A continuación, se eliminaron los residuos , compuestas por duplicados dentro de la vaca , y se almacenaron a < 0 °

C durante su posterior análisis .

Bolsa de residuos y las muestras de forraje originales eran de tierra con un molino Wiley para pasar a través de un

tamiz de 1 mm . todo material fue posteriormente analizada para DM por secado a 105 ° C durante 24 h ; FDN y FDA

se analizaron secuencialmente mediante el uso de un analizador Ankom200 fibra ( Ankom Technology ) , y N total se

analizaron por la combustión análisis ( Leco FP- 428, Leco Corporation, St. Joseph , MI ) . La hemicelulosa ( HEM ) se

calculó como la diferencia entre la FDN y FDA . No se ensayo para determinar la contaminación microbiana se

realizó , en el trabajo anterior en que las bolsas se lavaron de manera similar, Coblenza et al. (1997) informaron de

la contaminación microbiana insignificante de los residuos. Cálculos y análisis estadístico Todos los datos de

degradación se expresaron como porcentaje desaparición. Fibra detergente neutro, HEM y Datos de degradación

ADF en cada tiempo de incubación fueron corregido para el material insoluble se lavó de la bolsa mediante el uso

de una variante de una ecuación de Weisbjerg et al. (1990), citado por Stensig et al. (1994). Debido NDF, ADF y HEM

son entidades insolubles, se asumió que la fracción soluble en verdad, W, era 0, por lo que la ecuación de Weisbjerg

et al. (1990) fue simplificada y aplicadacomo sigue:

kg ) , M ( TI ) es la (sin corregir ) medida a la degradación tiempo ti ( g / kg ) , y P es la fracción insoluble se lava de la

bolsa 0 -h ( fracción total de lavado de la 0 –h bolsa, g / kg ) . Se desarrolló un método para eliminar la bolsa de

aberrante observaciones que podrían ser causados por la bolsa sin ser detectado rotura u otros errores . A pesar de

estas observaciones puede ser identificados y eliminados mediante el uso de estadística convencional métodos (

por ejemplo, residuos estudentizado y cocinero de distancia; Kaps y Lamberson , 2004 ) , estos métodos requieren

que los datos sean ajuste a un modelo predeterminado . Sin embargo , debido a varios modelos fueron objeto de

examen , métodos convencionales no podían aplicarse , y un método alternativo para la eliminación de valores

atípicos se formuló . Bolsa observaciones que satisfacían uno cualquiera de los Se consideraron siguientes

condiciones para la eliminación : 1 . Aquellos cuya desaparición valores fueron 20 % mayor que el valor medio de

desaparición el siguiente tiempo de incubación de la misma vaca ; 2 . Aquellos cuya desaparición valores fueron 20

% menor que el valor medio de la desaparición tiempo de incubación antes de la misma vaca , o 3 . Aquellos crear >

15 % de error réplica en relación con la bolsa duplicado en el mismo tiempo de incubación y de la misma vaca .

Condición 1 se basa en la premisa de que la degradación aumenta monotónicamente ; aquellos que cumplen

condiciones 1 violar esa premisa. Para ilustración , la Figura 1A muestra 6 -h bolsa de observación de una muestra

de GL 2002 que cumplen la condición 1 y se retiró . Si una bolsa de observación tenía un valor aberrante bajo

desaparición , que podría causar la bolsa a la próxima hora de incubación a cumplir condiciones 1 , incluso si la bolsa

en la siguiente incubación el tiempo no era aberrante . Por esta razón , la condición 2 era promulgada para

identificar este tipo de bolsas con forma aberrante bajo dis –

evaluación de los pastos

Figura 1 . Ejemplos de observaciones bolsa que eran identificado como aberrante y eliminado debido a que cumplan

1 de las 3 condiciones para la eliminación de la bolsa descrita en la sección de Materiales y Métodos . Cada uno de

los 2 puntos en cada tiempo de incubación representa 1 bolsa de observación. A) A 6 -h bolsa de observación (

círculo roto ) de una muestra de gramíneas y leguminosas 2002 eliminó porque cumplió condición 1 , es decir, su

valor desaparición fue 34 % mayor que la media de la desaparición de 12 h observaciones bolsa. B) Una observación

de 12 h ( círculo roto) de una hierba fresca de temporada 2002 eliminado debido a que cumplió condición 2 , es

decir, su valor desaparición fue 85 % más baja que la desaparición media de la 6 – h observaciones bolsa. C ) Una

observación de 48 h ( círculo roto) de un par bolsa de alfalfa tardío de corte 2002 que cumplieron condición 3 , es

decir , el error de replicación era 17 % . la observación encerrado en un círculo se estimó que era la aberrante uno

de la pareja , ya que su desaparición fue anormalmente alta ( 99 % ) , tanto en términos absolutos como en relación

con la asintótica valor desaparición sugerido por observaciones antes de 48 h .

Figura 2 . Un ejemplo de un par bolsa 0 - h que cumple condición 3 de los criterios para la eliminación de la bolsa (

ver los Materiales y la sección de Métodos ) pero de la que la aberrante bolsa de la pareja no pudo ser identificado

para su eliminación. Las observaciones 0 -H ( entre corchetes para énfasis) tuvieron pobres repetibilidad ( 31 % de

error replicar) , pero la desaparición valores de ambas observaciones son razonables de acuerdo para el

comportamiento de la curva después de 6 h , por lo que ni la bolsa podría ser identificado como aberrante y

eliminado.

valores de la apariencia y prevenir bolsas de nonaberrant siendo eliminado . Figura 1B muestra una bolsa de 12

horas de observación a partir de una muestra de CSG 2002 que cumple la condición 2 y fue eliminado . Condición 3

fue diseñado para eliminar observaciones bolsa que no se pudieron cumplir con las condiciones 1 y 2 sin embargo,

seguían siendo sumamente aberrante ; bolso más duplicado pares repiten así (error de repetición promedio fue de

2,4 % después de la eliminación de bolsas que cumplían las condiciones 1 y 2 ) , y un error de replicación de gran

tamaño ( > 15 % ) indicó que de 1 2 bolsas en un par duplicado era aberrante. Si la condición 3 se cumplió por un

par bolsa de duplicados , la bolsa aberrante de la pareja fue identificado visualmente como un caso atípico de la

curva de degradación y eliminado . Aunque una subjetiva selección, la bolsa aberrante del par duplicado por lo

general se identifica fácilmente ; Figura 1C ilustra una ejemplo en el que una bolsa de un mal replicado ( 17 %

replicar error) par bolsa de 48 -h ( 2002 LCA muestra) fue identificado como aberrante debido a que su desaparición

( 99 % ) era anormalmente elevado , tanto en términos absolutos como en relación con el valor asintótico

desaparición sugerido por las observaciones antes de 48 h . Sin embargo, para algunas bolsas de 0 - h, la bolsa

aberrante podría no ser identificada porque los valores de la desaparición de ambos bolsas eran razonables basado

en el comportamiento de la degradación curva de > 6 h ; Figura 2 da un ejemplo de un 0 – h par bolsa de la que no

se pudo identificar una bolsa aberrante para el retiro a pesar del mal repetibilidad ( 31 % replicar de error ) de los

valores de desaparición dentro de la pareja . En este caso, no hay corrección se podría hacer , y tanto la bolsa Se

retuvieron observaciones . Modelos basados en la distribución gamma ( Estanque et al, 1988 ; . Ellis et al , 1994 ; . .

Ellis et al , 2005 ) se consideraron para describir la degradación in situ en los datos . porque del número limitado de

tiempos de incubación , sólo los modelos de la piscina individuales reportados en la Tabla 2 podrían ser

considerados . Los modelos G1 y G1L son equivalentes a la Hackmann et al.

Cuadro segundo Modelos de degradación de examinarse para describir el datos in situ

modelo Descri`pcion Ecuación

G1 individual, 1 piscina gamma-distribuido modelo sin fase de equipo

G1 L Simple, gamma piscina 1-distribuida modelo con la fase de latencia

G2 Simple, gamma piscina de 2

distribuida modelo sin fase de latencia

G2 L Simple, gamma piscina de 2 distribuida modelo con la fase de latencia

G3 Simple, gamma piscina 3-

distribuida modelo sin fase de latencia

G3 L Simple, gamma piscina 3-

distribuida modelo con la fase de latencia

1Y (t) = desaparición (%); t = tiempo (h); τ = tiempo de retraso discreta antes de la aparición de la degradación (h);

kd = ageindependent tasa de degradación (% / h); λd = tasa de degradación dependiente de la edad (% / h), una

fracción = degradados a t = 0 (%), a + b = potencial de extensión de la degradación (%); b = fracción no degradada

en t = 0 que es potencialmente degradable (%).

modelos de cinética de primer orden de uso general de Ørskov y McDonald ( 1979 ) y McDonald ( 1981 ) ,

respectivamente , y fueron considerados con menos utilizados , dependiente de la edad G2 , G2L , G3 , y modelos

G3L . El procedimiento NLIN (SAS Inst . Inc. , Cary , NC) fue utilizado para calcular los parámetros de los modelos de

DM , NDF , ADF, HEM y datos de degradación del PP. Parámetros estimados incluyeron la degradación dependiente

de la edad tasa , λd ( % / h ) ; fracción degradada en t = 0 , un ( % ) ; fracción no se degrada en t = 0 que era

potencialmente degradable , b ( % ) ; Potencial de extensión de la degradación , a + b ( % ) , y el tiempo de retraso

discreta antes de que el comienzo de la degradación , τ ( h ) . Tenga en cuenta que la mayoría de las tasas de

degradación descritos en la literatura son tarifas independientes de la edad , es decir, se refieren a las tasas de

degradación específicos ( g de sustrato degradado ∙ g de total de sustrato - 1 ∙ h- 1 ) que se mantienen constantes en

el tiempo . La velocidad de degradación específico asociado con λd ( un agedependent rate) aumenta

asintóticamente a λd ( Estanque et al, 1988 ; . Ellis et al , 1994 ) . . Por esta razón , la comparación entre las tasas de

independientes de la edad reportados en la mayoría la literatura y la tasa depende de la edad , λd , no es acorde y

conduce a la conclusión de que dependiente de la edad las tasas son mayores que las de edad independientes. para

permitir una comparación más acorde , la degradación del medio tasa de λd , k, se calculó como 0,59635 × λd (

Estanque et al . , 1988 ) . Esta tasa media es la degradación específica tipo asociado a λd , promediada en el tiempo.

Es efectivamente un equivalente independiente de la edad de un dependiente de la edad tasa y puede ser

comparado con la edad – independiente tasas comúnmente reportados en la literatura. Debido NDF , ADF y datos

de degradación HEM tenían sido corregida para hacer desaparición 0 en t = 0 , la valor de una se vio obligado a 0

para los procedimientos de ajuste para estas fracciones . Para todas las fracciones , el valor de a + b fue delimitada

entre 0 y 100 % , que son el teórico límites de la degradación . Mediante el uso de los criterios para la eliminación

de observaciones bolsa aberrantes , casi todos los NDF , ADF y observaciones bolsa HEM tuvo que ser eliminado

para una muestra de la CEPA 2003 . Tan pocas observaciones bolsa se quedaron después de esta eliminación que

NDF , ADF y HEM datos de degradación no podía estar en forma de un modelo para esta muestra de forraje. En un

primer momento , se mantuvieron los datos de degradación de cada vaca separar el procedimiento de ajuste . Sin

embargo , después de un ANOVA preliminar indicó que parámetro de degradación valores no difirieron

consistentemente a través de vaca Por período , los datos vaca × período se agruparon por año de forraje ( 2002 o

2003 ) de modo que los datos sobre 2 vacas (n = 2 , 2002 y n = 2 , 2003 ) se utilizaron para construir cada

degradación curva . Los resultados del ajuste del modelo con este agrupado conjunto de datos se utiliza en todas las

estadístico posterior análisis . Los modelos fueron evaluados mediante el uso de sumas residuales de cuadrados (

SSREs ) , cuadrado medio residual ( MSRES ) , y Criterio de los valores de información Akaike ( AIC ) para la DM , CP ,

y los datos de degradación NDF . El modelo con la valor numérico más bajo para cada prueba se consideró mejor (

Kaps y Lamberson , 2004 ) . Valor relativo y el parámetro de degradación del forraje estimaciones ( λd , k, a, b, y a +

b ) se clasificaron de acuerdo a la clase de forraje ( ECA , LCA , hierba o GL ) . la

Procedimiento CORR de SAS se utilizó para determinar la correlación coeficientes entre RFV y la degradación

estimaciones de los parámetros . Las correlaciones con P < 0,05 fueron considerado significativo. Comparación con

los datos de Mertens ( 1973 ) Por comparación, las correlaciones entre RFV , NDF los parámetros de degradación , y

DDMI reportados por Mertens ( 1973 ) se determinaron . Los datos de hierba 15 ( 11 CSG y 4 WSG ) y 15 de alfalfa

forrajes fueron seleccionados para crear un conjunto de datos con variedades forrajeras y químicos composiciones (

media y DE) similares a las del forraje poblaciones examinadas en este estudio . Corte de la alfalfa no se informó por

Mertens ( 1973 ) , por lo que , la alfalfa muestras se agruparon bajo una clase común de alfalfa . la Clase GL no fue

examinada , ya que sólo 4 muestras de GLeran apropiados para el análisis de correlación , los otros 8 GL muestras

de Mertens ( 1973 ) incluyen loto de los tre- papel de aluminio , que no fue examinado en este estudio .

DigestibleDMI se informó de ovejas , ganado, o ambos , y si DDMI se informó a los animales , entonces el promedio

DDMI se calculó como usados. Mertens ( 1973 ) se ajustan los datos de degradación para un modelo similar al

modelo de G1L ( Tabla 2 ) , que incluía la la degradación de los parámetros kd y τ pero no λd .. El parámetro λd se

estima a partir de tiempo de vida medio ( Ellis et al, 2005 ) , que se relaciona con kd , τ , y n de la siguiente manera .

:

tiempo de vida media = n / ( λd/100 ) = 1 / ( kd/100 + τ ) ;

por lo tanto ,

λd = n ⋅ kd / ( 1 + kd/100 ) ⋅τ ,

donde n es el orden de la distribución gamma asociado con λd . Valor relativo de alimentación , DDMI , y la

degradación del forraje estimaciones de los parámetros ( λd , k , a, b , a + b , y τ ) , fueron ordenados de acuerdo a la

clase de forraje ( alfalfa o pasto ) . la Procedimiento CORR de SAS se utilizó para determinar la correlación

coeficientes entre RFV y la degradación parámetros . Las correlaciones con P < 0,05 fueron considerados

significativo .

RESULTADOS Y DISCUSIÓN

Composición química La composición química y la RFV de los forrajes es reportado en la Tabla 3 . La media y la

desviación estándar de la química los datos de composición eran generalmente similares a los resumidos por la NRC

Dairy ( 2001 ) , lo que indica que una gama representativa de los forrajes se incluyó en este estudio . Sin embargo ,

WSG general tenía NDF inferior, ADF, la cintura, así como una mayor CP de bermuda informó en el NRC ( 2001 ) .

Pastos de estación cálida en este estudio fueron en general de mejor calidad que los que se resumen por la NRC (

2001 ) . Esta diferencia está relacionada a los concursantes del Estado Contest Hay Fair Missouri presentar sólo

superior WSG calidad. Selección del modelo La Tabla 4 muestra los valores de SSREs , MSRES y AIC obtenido durante

el montaje de la G1 , G1L , G2 , G2L , G3 , y Modelos G3L a la MS, PC y FDN datos de degradación de todos los

forrajes . Estos valores se utilizaron como criterios para ajuste del modelo , con los valores más bajos para un

determinado modelo que indica mejor ajuste ( Kaps y Lamberson , 2004 ) . Sobre esta base , Se asignaron los

modelos (G1 , G1L , G2 , G2L , G3 , y G3L ) un rango de ajuste del modelo ( del 1 al 6 , donde 1 indica mejor en forma

y 6 la peor ) en relación con otros modelos dentro de cada fracción química ( MS, PC y FDN) . Cuadro 5 informes la

media y la gama de estos rankings a través de las fracciones ( MS, PC y FDN) . Al otro lado de las fracciones químicas

, los valores de SSREs fueron los más bajos para el modelo G1L , y los valores de SSREs fueron menores para los

modelos desfasados ( G1L , GL2 , GL3 ) que por su nonlagged homólogos (G1 , G2 , G3 , Tabla 4 ) . Como tal ,

modelos el modelo G1L se clasificó mejor y quedó clasificados mejor que los modelos nonlagged de acuerdo con la

SSREs criterio ( Tabla 5 ) . Sin embargo , el uso de SSREs como criterio de selección de modelo no era acorde en este

caso porque SSREs disminuye con el aumento parámetros y los modelos desfasados contenían 1 más parámetros de

los modelos nonlagged . Como la relación de SSREs a un error df , cuentas para MSRES el número de parámetros en

el modelo y es un más criterio de selección apropiado que SSREs donde elnúmero de parámetros varía a través de

los modelos , como es elcaso en el presenteestudio . Sin embargo , todavía tiende MSRESa disminuir con un número

creciente de parámetros ( Kaps y Lamberson , 2004 ) , por lo que existe el riesgo de sesgo hacia la selección de los

modelos más grandes cuando se utiliza MSRES como un criterio de selección . La expresión de la AIC [ n log ( SSREs /

n ) + 2p , donde n es el número de observaciones y p es el número de parámetros ] para penaliza parámetros de

excesivas en un modelo determinado para evitar tales sesgada selección , y por esta razón , la AIC es el más

preferible criterio de selección de modelo en este estudio . Los valores de ambos MSRES y AIC fueron más bajos

para el Modelos y G2 , con la excepción de los MSRES para la G1 modelo , fueron menores para los modelos

nonlagged ( G1 , G2 , G3 ) que sus contrapartes rezagados ( G1L , G2L , G3L ; Tabla 4 ) . En consecuencia , el modelo

G2 se clasificó mejor y los modelos nonlagged clasifican mejor que su rezagada contrapartes . Estos resultados

indicaron que el modelo G2 era óptimo . También sugieren que la disminución en error total ( SSREs ) por la

inclusión de un término retraso fue no justificada por la adición de un parámetro de modelo en al hacerlo . La

discusión anterior se refiere a significar SSREs , MSRES , y los valores de AIC y clasificaciones . Valores de SSREs ,

MSRES , y los valores de AIC se diferenciaban por la fracción química y así lo hicieron posiciones en algunos casos (

Tablas 4 y 5 ) . Sin embargo , las clasificaciones basadas en la AIC , los más preferidos criterio , mostró de manera

inequívoca que el modelo G2 fue mejor , ya que se clasificó 1 en todas las fracciones químicas. Las diferencias en el

rendimiento entre los modelos pueden ser entenderse considerando formas de modelo. Figura 3 muestra el ajuste

de la G2 vs G1 ( A) , G1L ( B ) , y G3 ( C ) modelos a datos de desaparición de MS de una muestra de LCA 2003 (

donde las 2 observaciones en cada tiempo de incubación representar los valores de cada uno de los 2 vacas media)

para ilustrar estas formas . El G2 y otra dependiente de la edad modelos representan la degradación como después

de una sigmoidal curva , con un sigmoidal cada vez más prolongada forma a medida que aumenta la orden de G2 a

GN ( donde N representa el orden del modelo , véase la Figura 3C ; Estanque et al , 1988 ; . Ellis et al , 1994 ) . . El

modelo G1 , por el contrario , representa la degradación como un primer orden abrupta proceso de descomposición

que carecen de la forma sigmoidal suave de los modelos dependientes de la edad ( Figura 3A ) . Una fase de latencia

es a menudo se añade al modelo G1 , produciendo el modelo de G1L (Figura 3B ), ya que la degradación no

comienza en

Tabla 3. Composición química (base seca) y el valor relativo (RFV) de los forrajes

stantaneously sino más bien muestra una fase de lenta degradación en los puntos de tiempo iniciales , seguido por

la degradación más rápida más tarde ( véase la Figura 3 de Van Milgen et al , 1991 . ) ; esta fase de retardo también

se puede añadir a la dependiente de la edad modelos , como se hizo en este estudio con fines comparativos , como

se discute a continuación. En este estudio , la forma sigmoidal del modelo G2 aparecido para dar cabida a la

transición entre estas fases de degradación lenta y rápida mejor que un G1 modelo , como se indica por el mejor

ajuste a la degradación datos entre 6 y 12 h ( Figura 3A ) y el error menor ( SSREs ) para el modelo G2 en relación

con el modelo G1 . Un análisis similar sugirió que el modelo G3 ( y modelos de orden superior ) parecían tener

demasiado prolongado una forma sigmoidal para modelar adecuadamente la degradación datos ( Figura 3C ) .

Aunque la adición de una fase de retardo en el modelo de G1L disminución del error total ( SSREs ) en relación con

el modelo G1 , no mejoró ajuste para que coincida con la parsimonia de la G2 modelo , como se indica por los

valores más bajos de MSRES y AIC para el modelo G2 . La Figura 3B muestra un ejemplo típico en que error del

ajuste del modelo G1L ( SSREs = 0.0829 ) fue de hecho menor que la del modelo G2 ( SSREs = 0.0836 ) pero era tan

marginal que la creciente complejidad de las el modelo G1L (donde se midió la complejidad del modelo en términos

de número de parámetros) no se justifica . La adición de un término de desfase en los modelos G2l y G3L No hizo

error total sensiblemente inferior en relación con nonlagged contrapartes y MSRES causados y los valores de AIC

aumentando. La forma sigmoidal de la dependiente de la edad curvas ya representaban la transición entre lento y

las fases de degradación rápida , por lo que la adición de un retraso fase era redundante y menor parsimonia . A

menudo , como en el caso de la muestra LCA se muestra en la Figura 3 , la Valor estimado de la fase de latencia para

la G2L y G3L modelos de 0 h , produciendo un modelo de forma idéntica a los de los modelos G2 y G3 y que

demuestran que la término retraso fue una adición superflua . La conclusión de que un modelo de 2

compartimentos , tales como el modelo G2 obtuvo mejores resultados que la G1L acuerdo con Van Milgen et al . (

1991 ) . Este informe , junto con que de Ellis et al . ( 2005 ) sugieren que multicompartimental modelos

dependientes de la edad a menudo se desempeñan mejor que el G1 de uso frecuente y modelos G1L y debe ser

considerada en el futuro in situ y en la degradación in vitro experimentos .

Tabla 4. Sumas de cuadrados residuales (SSREs), cuadrado medio residual (MSRES) y de Akaike Criterio de

Información (AIC) obtenido durante el montaje MS, PC y FDN degradación los datos a los diversos modelos

1G1 = single,

gamma

modelo de pool 1-distribuido sin una fase de latencia; G1L = single, 1 gamma-distribuido modelo de piscina con una

fase de latencia; G2 = single, gamma modelo de piscina de 2 distribuida sin fase lag; G2L = single, gamma modelo de

piscina de 2 distribuida con una fase de latencia; G3 = single, gamma modelo de pool 3-distribuido sin fase de

latencia; G3L = single, gamma modelo de pool 3-distribuido con una fase de latencia. Ver Tabla 2 para las

ecuaciones del modelo.

Valores la siguiente lista son los valores reales multiplicado por 100.

Valor 3Mean en fracciones químicas.

Values lista son los valores reales multiplicado por 1.000.

Influencia de los tiempos de incubación en el modelo Selección y parámetro estimaciones, y estimaciones de

parámetros

Para maximizar el número de forrajes que podría ser analizada, el número de observaciones de degradación era

limitado a sólo 5 (0, 6 o 8, 12, 24, y 48 h), con relativamente algunas observaciones en puntos de tiempo tempranos

y tardíos. Algunos pueden sugerir que la inclusión de la degradación más temprana observaciones habrían

conducido a un mejor rendimiento de rezagado frente a los modelos nonlagged, sobre todo cuando se considera

que la primera observación no-0-h (6 o 8 h) cae más allá de la mayoría de los valores de la fase de latencia (valores

típicos que van de 1 a 6 h; Mertens, 1973; von Keyserlingk et al., 1996). Si hay de hecho existe un desfase discreta

fase antes de la aparición de la degradación, tal como se representa por los modelos retardados, la omisión de la

degradación temprana observaciones habrían mejorado artificialmente el ajuste de los modelos nonlagged. Sin

embargo, si la degradación de

Tabla 5. Clasificación relativa (1 a 6) de modelos de degradación de acuerdo con los valores medios de las sumas

de cuadrados residuales (SSREs), cuadrado medio residual (MSRES), e información de Akaike criterio (AIC)

Significa y gama filas se refieren a clasificación a través de fracciones (MS, PC y FDN).2G1 = single, gamma modelo

de pool 1-distribuido sin una fase de latencia; G1L = single, 1 gamma-distribuido modelo de piscina con una fase

de latencia; G2 = single, gamma modelo de piscina de 2 distribuida sin fase lag; G2L = single, gamma modelo de

piscina de 2 distribuida con una fase de latencia; G3 = single, gamma modelo de pool 3-distribuido sin fase de

latencia; G3L = single, gamma modelo de pool 3-distribuido con una fase de latencia. Ver Tabla 2 para las

ecuaciones del modelo.

Figura 3 . Ajuste de (A ) , gamma solo grupo 2 – distribuida modelo sin fase de latencia (G2 ) vs single, 1 gamma –

distribuido modelo de piscina sin fase de latencia ( G1 ) , (B ) vs G2

, gamma modelo de pool 1 - distribuido solo con la fase lag ( G1L ) y (C ) G2 vs sola , gamma piscina 3 – distribuida

modelo sin fase de latencia (G3 ) a la desaparición DM observada datos ( % ; ♦ ) de finales de 2003 una corte de

muestras de alfalfa . Los 2 observaciones en cada tiempo de incubación representan los valores medios de cada uno

de los 2 vacas . Ver Tabla 2 para las ecuaciones del modelo . mínimos de una respuesta más sigmoidea , como se

representa por la Modelos G3 G2 y el ajuste de los modelos desfasados tendrían ha mejorado artificialmente . Por

lo tanto , el número limitado de observaciones en los tiempos de incubación temprana hace la selección del G2 más

incierto pero no lo hace inherentemente apoyar el modelo quedado G1L u otro como más apropiada . Para los

presentes propósitos , los procedimientos estadísticos identifican el modelo G2 como el mejor para el uso con este

conjunto de datos , por lo que todo parámetro de degradación estima presentado en este documento se refieren al

modelo G2 . Por el contrario , la observación de terminal era menos de el tiempo necesario para acercarse a la

degradación asintótica ( aproximadamente 24 y 60 h para los de alta calidad y 48 a 72 h para forrajes de mala

calidad ; Ørskov et al , 1980 ) . . asintótico degradación probablemente no fue abordado por la observación terminal

de 48 - h para algunas muestras , en particular para el WSG peor calidad . En la primera consideración , el uso de un

48 - h terminal de observación puede parecer a subestimar en gran medida a + b , la estimación de la degradación

asintótica , pero tenga en cuenta que a + b no era medido como el valor de la 48 - h terminal de observación , sino

más bien se estimó durante el modelo de ajuste procedimiento . Uso de regresión no lineal para estimar un + b , en

comparación con el uso de una transformación log-lineal , disminuye la sensibilidad de a + b para el valor de la

observación terminal y aparece a reportar más Los valores reales de a + b cuando las observaciones terminales de

48 h o menos se utilizan ( Van Milgen et al . , 1991 ) . Los modelos G1 y G1L estima el valor de a + b un 100 % , el

conjunto límite superior durante los procedimientos de ajuste ,

para 16 y 4 de las curvas de degradación total de 402 , respectivamente ; éstos representan un pequeño número de

casos en los que a + b se sobreestimó claramente a pesar del uso de regresión no lineal . Estos casos de

sobreestimación puede deberse más al modelo de ajuste pobres que a los relativamente temprana tiempo de

incubación de terminal en sí, como la figura 3ª muestra , el modelo G1 ( y el modelo G1L en menor medida ) a

menudo se vio obligado a sobreestimar los valores de degradación de más tarde los tiempos de incubación para

adaptarse mejor a la forma sigmoidal del perfil de la degradación en puntos de tiempo tempranos , la cual llevado a

una sobreestimación de a + b en algunos casos . El G2 y otros modelos de orden superior no parecen mostrar esta

propiedad sobreestimación ( véase la Figura 3A , 3B, y 3C ) y no alcanzó el 100 % de unión de a + b en cualquier caso

. Dado que el modelo G2 fue adoptado en última instancia para estimar todos los parámetros de degradación ,

porque regresión no lineal se ha demostrado para entregar más estimaciones realistas de a + b (Van Milgen et al. ,

1991 ) , y porque los valores de a + b fueron similares a aquellos en los informes publicados ( Mertens , 1973 ;

Brown y Pitman , 1991 ; . Von Keyserlingk et al , 1996 ) , se puede inferir global que a + b se subestimó

mínimamente , en todo caso , mediante el uso de una incubación de terminal de 48 - h . Degradación Parámetro

Estimación Medios Tabla 6 informes de los medios del parámetro de degradación estimaciones λd , k , a, b , y a + b

cuando se utiliza el modelo de G2 . Estos medios , con la excepción de λd ( ver más abajo ) , son similares a los

presentados por otros informes (Smith et al , 1971 ; . Mertens , 1973 ; . von Keyserlingk et al , 1996 ) , lo que indica

que eran adecuados para la posterior análisis de correlación comparando parámetro de degradación estimaciones

con RFV . Como se discutió en los materiales y Sección de métodos , los valores de λd generados en este estudio

eran numéricamente mayor que la tasa de degradación

Tabla 6. Parámetro de degradación de las estimaciones de los forrajes por clase de forraje y químicas fracción

λd = tasa de degradación, k = 0,59635 ∙ λd; una fracción = degradada en t = 0; a + b = potencial de extensión de la

degradación, y b = fracción no degradada en t = 0 que es potencialmente degradable. 2El n para DM y CP. El n de

FDN, FDA y hemicelulosa es 19 porque NDF, ADF y datos sobre la degradación de la hemicelulosa 1 muestra no

podría estar en forma para un modelo de degradación (véase la sección de Materiales y Métodos).

valores reportados por otros investigadores porque λd es un tasa de degradación dependiente de la frecuencia ,

mientras que la mayor degradación las tasas reportadas en la literatura son independientes de la edad tasas . Para

la comparación entre acorde las tasas de degradación de ésta y de anteriores estudios , la media tasa de

degradación k se debe utilizar para la referencia ( véase Sección de Materiales y Métodos ). Correlación entre la RFV

y Degradación valores de los parámetros Los resultados del análisis de correlación entre la degradación

estimaciones de los parámetros y resultados de RFV se presentan en la Tabla 7 . Seis de los 56 , o 10,7 % , de las

correlaciones probados fueron significativas . Este porcentaje excede sólo ligeramente lo que se espera por azar ( 5

% ) causada por la incidencia de error de tipo I con α = 0,05 . Por otra parte , correlaciones fueron significativas para

las gramíneas. Correlaciones eran por lo tanto pobre en general . Estadísticamente, esto es probablemente porque

la relación entre la degradación de NDF características y la concentración de FDN es justo al pobre, con 275

leguminosas y forrajes CSG , Mertens ( 1973 ) encontró que el coeficiente de correlación entre el NDF y la tasa de

degradación de la FDN , la extensión , y el retraso que 0,59, -0,28 Y 0,22 , respectivamente . Debido a que la RFV es

esencialmente una reexpresión de la FDN ( Weiss, 2002 ) , justo Se esperaría que la escasa correlación entre la RFV y

características de degradación . Razones biológicas para esta mala relación se discuten en las deficiencias de la

estructura conceptual de la sección RFV continuación. A pesar de la falta general de correlaciones , unos patrones

fueron observados en el análisis de correlación . la parámetro DMa + b , el posible alcance de la degradación de la

MS ( % ) , fue consistentemente significativa con RFV las puntuaciones de la CEPA , LCA y GL . Los valores de la

correlación coeficiente , r , para estas correlaciones y todas significativas correlaciones fueron siempre positivos.

Aunque no es evidente por qué DMa b solos + fue consistentemente significativa con RFV , los valores positivos de r

de este y otras correlaciones indican que la RFV representó la relación correcta y positiva entre la degradación

valores de los parámetros y resultados de RFV .Aunque se observaron algunos patrones en la correlación análisis,

hay que destacar que la degradación

Tabla 7. Correlaciones significativas entre la degradación estimaciones de los parámetros de forrajes y su avance

en relación valor

DMa + b = potencial de extensión de la degradación de la MS (%); NDFB = NDF no se degrada en el instante t = 0

que es potencialmente degradable (%); Hemb = hemicelulosa no se degrada en el instante t = 0 que es

potencialmente degradable (%).

Tabla 8. Correlaciones significativas entre la degradación de la FDN parámetros y MS digestible para una

submuestra de alfalfa (n = 15) y de la hierba (n = 15) forrajes en los datos de Mertens (1973)

b = NDF no se degrada en el instante t = 0 que es potencialmente degradable (%); kd = tasa de degradación

promedio (% / h); λd = degradación dependiente de la edad tasa basada en una distribución gamma de segundo

orden (% / h); τ = discreta tiempo de demora antes de que el comienzo de la degradación (h).

valores de los parámetros ción se correlacionan mal con RFVen general . Dado que los parámetros de degradación

son a menudovinculada a una interfaz DMI y DDM ( Mertens , 1973 ) , los factores en el que se basa la RFV , se

puede concluir tentativamente RFV que era inadecuado debido a las correlaciones débiles entre ella y los

parámetros de degradación .

Asunción en el análisis de correlación

Esta conclusión provisional de que RFV fue inadecuado descansa en el supuesto de que las características de

degradación están relacionados con DDMI . Debido a que la RFV es un índice de DDMI , la evaluación más directa de

RFV implicaría una comparación entre DDMI y RFV . Sin embargo , si las características de degradación están

relacionados con DDMI , como se supone , RFV se puede comparar con la degradación características como si se

compara directamente con DDMI . La hipótesis está apoyada por la observación que los parámetros de DMI , DDM ,

y la degradación son relacionada ( Mertens , 1973 ) . Sin embargo , no ha sido probado directamente , ya que no se

ha demostrado si existe una relación lineal simple entre DDMI y valores de degradación para un amplio conjunto de

datos de forraje .

Comparación con los datos de Mertens ( 1973 )

Para poner a prueba esta hipótesis directamente , los datos de Mertens ( 1973 ) se utilizaron para determinar la

correlación entre Parámetros de degradación de FDN y en vivo DDMI , que se informó para una amplia gama y

número de hierba alfalfa y forrajes. Tabla 8 informes correlaciones encontradas entre DDMI y valores de los

parámetros de degradación NDF reportado por Mertens ( 1973 ) . Las correlaciones entre DDMI y NDF parámetros

de degradación fueron consistentemente importantes para la hierba ; correlaciones implican kd ,

λd , y τ fueron todas significativas ( P < 0,001 , P < 0,001 , yP = 0,05 , respectivamente ) , y la correlación que implica

b mostró una tendencia estadística ( p = 0,06 ; datos no se muestra ) . Curiosamente , solo NDFB se correlacionó

significativamente con DDMI de alfalfa. Estos resultados apoyan la idea de DDMI que está linealmente relacionada

con los parámetros de degradación de la hierba , pero no la alfalfa ; por lo tanto , nuestra hipótesis de que

características de degradación están relacionados con DDMI era no se admite para la alfalfa . Debido a que los

valores de parámetros de degradación no eran fuertemente correlacionada con DDMI para la alfalfa , se podría

inferir que las correlaciones medidas en este estudio no se puede usarse para demostrar que la RFV es inadecuada

para la alfalfa . Sin embargo , hay varias limitaciones en el análisis con los datos de Mertens ( 1973 ) que debe

precaución en contra de sacar esta conclusión . En primer lugar, el corte momento de la alfalfa no se podía

considerar ya que no se informó por Mertens ( 1973 ) . Debido a la alfalfa valores de los parámetros de degradación

difieren por el tiempo de corte ( TJ Hackmann , JD Sampson y JN España , inédito datos) , las relaciones entre la

degradación valores de los parámetros , DDMI RFV , y pueden diferir por tiempo de corte también. Por lo tanto , el

examen de estas relaciones lo que se refiere solamente a una clase de alfalfa general, hecho en el análisis que

implica el conjunto de datos Mertens ( 1973 ) , hace caso omiso de las diferencias de potencial entre la CEPA y LCA

que pueden afectar significativamente los resultados de la correlación . Por ejemplo , valores de los parámetros de

degradación y DDMI fueron pobremente correlacionados para la clase de alfalfa Mertens ( 1973 ) , pero es posible

que las correlaciones más fuertes existir para ECA y LCA cuando cada corte es considerados por separado , y estas

correlaciones más fuertes fueron simplemente enmascarado en el análisis de Mertens ( 1973 ) poniendo en común

los tiempos de corte . El análisis también se limita porque los parámetros de degradación de la no - NDF química

fracciones no pueden ser considerados, ya que la necesaria datos carecían de Mertens ( 1973 ) . Como tal , la

conclusiones extraídas del análisis de la participación de los datos de Mertens no se aplican necesariamente al corte

específicon tiempos de alfalfa o de parámetro de degradación no NDF valores .

Deficiencias de la Conceptuales Estructura de RFV

Teniendo en cuenta las limitaciones en el análisis de la participación de la conjunto de datos de Mertens ( 1973 ) , y

teniendo en cuenta otros estudios que la hallan RFV insuficiente ( Sanson y Kercher , 1996 ; Moore y Undersander ,

2002 ; Weiss , 2002 ) ,b sugerimos que la RFV puede estar limitado por su mala relación con valores de los

parámetros de degradación. Porque parámetros de degradación se relacionan con DMI y DDM ( Mertens , 1973 ) , la

falta de relación entre la RFV y los parámetros de degradación relativamente limita la precisión de ecuaciones RFV .

La falta de una relación entre los parámetros de degradación y RFV indica un pivote , pero no aislado , defecto en la

estructura conceptual de la RFV . relativo valor alimenticio es un sistema de predicción empírica sencilla que se basa

fundamentalmente en ecuaciones lineales para predecir DMI del NDF y ADF de DDM . No lo hace incluir

explícitamente los términos de los parámetros de degradación o cualesquiera otros factores . En representación de

DMI y DDM como funciones de NDF y sola ADF, RFV no considera explícitamente plantrelated factores que afectan

la DMI y DDM . Una multitud factores relacionados con la planta de no excluyen mutuamente afectan DMI y DDM ,

incluyendo especies forrajeras , las condiciones de crecimiento (tipo de suelo , la fertilización , el clima ) , la madurez

, el corte fecha , la morfología ( proporción de hoja y tallo ) , propiedades físicas ( densidad , resistencia a la ruptura

) , método de la enfermedad y tratamiento ( cortar , peletizado ; Van Soest et al , 1978 ; . Minson , 1990 ; Van Soest ,

1994 ) . Al menos en algunos casos , estos factores pueden cambiar DMI y DDM independientemente del FDN y

concentraciones ADF , contrariamente a la estructura conceptual de la RFV . para ejemplo , Cherney et al . ( 1990a )

encontró que la ingesta y DDM , de 12 de hierba heno de ovejas cambió con la planta morfología de la ingesta

aumenta con una mayor proporción de la lámina de la hoja , y la admisión y DDM disminuyeron con una mayor

proporción de células madre , a pesar de similares concentraciones de FDN ( 65,8 ± 0,7 % , con una media ± SEM ) y

ADF ( 28,9 ± 0,8 % ) en todo el heno . Tenga en cuenta que la mayoría de los factores relacionados con las plantas

que no se registran por RFV características de degradación afectó ( forraje especies, las condiciones de crecimiento ,

la madurez , la fecha de corte , morfología , véase la revisión de Mertens, 1993 ) . sugerimos que la variación en las

características de degradación puede capturar alguna variación en factores relacionados con la planta que afectan

DMI y DDM , de tal manera que la incorporación de la degradación características de un sistema de predicción de la

calidad del forraje puede mejorar la precisión de la predicción de forraje específica clases y recortes . La

incorporación de parámetros de degradación en un sistema de predicción de la calidad del forraje es poco probable

para tener en cuenta todos los factores que influyen en la calidad del forraje , tales como los factores relacionados

con los animales que interactúan con los la calidad del forraje ( Minson , 1990 ) , pero es adecuada una primera un

paso en la mejora de los sistemas de predicción de la calidad del forraje . Ya sea un sistema de calidad tales forraje

debe utilizar un enfoque empírico ( tales como RFV ) o una más mecanicista enfoque ( Baldwin , 1995 ) está sujeta a

los resultados de estudio en el futuro . Si la incorporación de características de degradación en un sistema de

predicción de la calidad del forraje muestra más promesas, se debe determinar la forma en la degradación

características deben ser estimados o medidos , porque convencional in situ o en procedimientos in vitro son

demasiado laborioso para el análisis de rutina .

LITERATURA CITADA

Baldwin , R. L. 1995 . Modelado de digestión de los rumiantes y el metabolismo . Chapman and Hall, London, Reino

Unido.

Brown , W. F. , y W. D. Pitman . 1991 . La concentración y la degradabilidad de fracciones de nitrógeno y fibra en

pastos tropicales seleccionadas y legumbres . Trop . Grassl . 25:305-312 .

Canbolat , O. , A. Kamalak , CO Ozkan , A. Erol , M. Sahin , E. Karakas , y E. Ozkose . 2006 . Predicción del valor

relativo de la alfalfa heno cosechado en diferentes estados de madurez utilizando in vitro la producción de gas . Res

Ganado. Dev. Rural. http://www.cipav.org .

co/lrrd/lrrd18/2/canb18027.htm consultado el 23 de marzo de 2007.

Cherney , D. J. , D. R. Mertens , y J. E. Moore . 1990a . de admisión y de digestibilidad de carneros como la influencia

de la morfología de forraje tres niveles de oferta de forraje . J. Anim . Ciencia . 68:4387-4399 .

Cherney , DJR , JA Patterson y RP Lemenager . 1990b . influir de en la bolsa situ aclarado técnica en la determinación

de las zonas secas importa desaparición . J. Dairy Sci. . 73:391-397 .Coblenza , WK , JO Fritz , RC Cochran , WL

Rooney y KK

Bolsen . 1997 . La degradación de proteínas en respuesta a espontánea calentamiento en heno de alfalfa por

métodos in situ y ficina . J. Dairy Sci. . 80:700-713 .

Ellis , W. C. , M. Mahlooji , J. y H. Matis . 2005 . Modelos para la estimación parámetros de digestión de la fibra

neutro detergente por ruminal microorganismos . J. Anim . Ciencia . 83:1591-1601 . Ellis, WC , JH Matis , TM Hill, y

MR Murphy. 1994 . metodología para la estimación de la digestión y la cinética de paso de los forrajes .

Páginas 682-753 en la calidad del forraje , Evaluación y Utilización .

GC Fahey, Jr. , M. Collins, DR Mertens, y LE Moser , ed. Am . Soc . Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc . Am . ,

Madison, WI . Kaps , M. y W. Lamberson . 2004 . Bioestadística de Ciencia Animal .CABI Publishing, Cambridge , MA .

Linn , J. G., N. y P. Martin . 1989 . Pruebas de calidad del forraje y la interpretación . Univ . Ext. de Minnesota . Ser .

Publ . AG -FO -2637 .Univ . de Minnesota, St. Paul .

McDonald, I. 1981 . Un modelo revisado para la estimación de la degradabilidad de la proteína en el rumen . J. Agric

. Ciencia . 96:251-252 . Mertens , D. R. 1973 . Aplicación de modelos matemáticos teóricos a la digestión de la pared

celular y el consumo de forraje en rumiantes . PhD Diss . Cornell Univ . , Ithaca , NY.

Mertens , D. R. 1993 . Cinética de la digestión de la pared celular y el paso en rumiantes . áginas 535-570 en forraje

Celular Estructura de pared y La digestibilidad . H. G. Jung , D. R. Buxton , R. D. Hatfield , y J. Ralph , ed. Am . Soc .

Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc Am . , Madison , WI. Minson , D. J. 1990 . Forraje en Nutrición de

Rumiantes . Academic Press,

Londres, Reino Unido. Moore , J. E. 1994 . Índices de calidad del forraje : Desarrollo y aplicación. Páginas 967-998 en

forraje Celular Estructura de pared y digestibilidad.

HG Jung , DR Buxton , RD Hatfield y J. Ralph , ed. Am . Soc . Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc . Am . ,

Madison, WI .

Moore , J. E. , y D. J. Undersander . 2002 . Relativa calidad del forraje : Una alternativa al valor relativo y el índice de

calidad. Páginas 16-32 en Proc . 13 ª Annu . Florida Rumin . Nutr . Symp . , Gainesville , FL . Univ . Florida, Gainesville.

Nocek , J. E. 1988 . En los métodos in situ y otros para estimar ruminal proteínas y digestibilidad de la energía : una

revisión . J. Dairy Sci. .71:2051-2069 .

NRC. 2001 . Requerimientos Nutricionales del Ganado Lechero . 7 ª rev . ed. Natl . Acad . Press, Washington, DC .

Ørskov , ER , FD De , B. Hovell y F. Mould . 1980 . El uso de los la técnica de bolsa de nylon para la evaluación de los

piensos . Trop . Anim . Prod . 5:195-213 . Ørskov , E. R. e I. McDonald . 1979 . La estimación de la degradabilidad de

la proteína en el rumen a partir de mediciones de incubación ponderadosde acuerdo con la velocidad de paso . J.

Agric . Ciencia . 92:499-503 . Pond, KR , WC Ellis , JH Matis , HM Ferreiro y JD Sutton. 1988 . Modelos de

compartimiento para los atributos de estimación de digesta

Rohweder , D. A. , R. F. Barnes, y N. Jorgeson . 1978 . heno propuesta normas de clasificación basado en los análisis

de laboratorio para la evaluación

calidad . J. Anim . Ciencia . 47:747-759 . Sanson , D. W. y C. J. Kercher . 1996 . Validación de ecuaciones utilizadas

para estimar valor relativo de heno de alfalfa . Prof. Anim . Ciencia .

12:162-166 . Smith , LW , HK Goering , DR Waldo y CH Gordon. 1971 . En la tasa de digestión in vitro de los

componentes de la pared celular de forraje . J. Dairy

Ciencia . 54:71-76 . Stensig , T., M. R. Weisbjerg y T. Hvelplund . 1994 . Estimación de digestibilidad ruminal de la

FDN en sacco de degradación y rumen

tasa de flujo de salida . Acta Agric . Scand . Sección A Anim . Ciencia . 44:96 - 109 .

Van Milgen , J. , M. R. Murphy, L. y L. Berger. 1991 . A compartimental modelo para analizar la degradación ruminal .

J. Dairy Sci. . 74:2515-2529 .

Van Soest , P. J. 1994 . Ecología nutricional de los rumiantes . 2 ª ed . Cornell University Press , Ithaca , NY.

Van Soest , P. J. , D. R. Mertens , y B. Deinum . 1978 . Antes de la cosecha factores que influyen en la calidad del

forraje conservado . J. Anim . Ciencia . 47:712-720 .

von Keyserlingk , MAG , ML Swift , R. Puchala y JA Shelford . 1996 . Características de degradabilidad de la materia

seca y proteína cruda de los forrajes en rumiantes . Anim . Alimente Ciencia . Technol. 57:291-311 .

Weisbjerg , MR , PK Bhargava , Hvelplund T. y J. Madsen . 1990 . Anvendelse af nedbrydningsprofiler i

fodermiddelvurderingen . Beretning 679 . Statens Husdyrbrugs - forsøg , Foulum , Dinamarca .

Weiss , W. P. 2002 . Valor relativo del forraje y las vacas lecheras : A valoración crítica . Páginas 127-140 en Proc .

Nutr Tri -State Dairy .Conf . , Ft. . Wayne , in.a

Césped de estación cálida (n = 4)

Mezcla de gramíneas y leguminosas (n = 20)