干物质采食量(DMI)是动物营养需要量模型的重要组成部分，实现DMI精准预测是肉羊精准饲养的基础，在指导肉羊生产中具有重要的意义。DMI受动物因素如体况、生理阶段、产奶量[1]，饲粮因素如能量水平、物理特性[2-3]、补给量[4]及环境因素[5-6]等的影响，如今使用较广的肉羊DMI预测模型主要有英国AFRC(1998)[7]预测模型、CNCPS-S(2004)[8]预测模型以及美国NRC(2007)[9]预测模型，其中AFRC(1998)[7]认为代谢体重(MBW)和饲粮代谢能(ME)是影响DMI的主要因素；CNCPS-S(2004)[8]认为DMI主要受MBW和平均日增重(ADG)影响；NRC(2007)[9]预测模型中的影响因子为体重(BW)和相对成熟度(RM)。但由于以上模型对国内品种纳入不足，很大程度上制约了这些DMI预测模型在我国的使用，其预测准确性尚有待提高[10]。本研究通过收集国内外文献的试验数据，建立包含国内外典型肉用绵羊品种的DMI及其影响因素数据集，利用多元回归法建立肉用绵羊DMI预测模型，采用方差分解方法解析肉用绵羊DMI的影响因素，为国内舍饲肉用绵羊DMI预测提供基础数据。
1 材料与方法 1.1 DMI及其影响因素参数数据集利用Web of Science、Google学术、中国知网数据库筛选相关文献。检索方式为关键词，英文检索词为sheep和DMI，中文检索词为羊和DMI；时间范围为2015年1月1日至2021年1月1日。
纳入标准包括：1)研究对象为舍饲肉用绵羊；2)基础饲粮指标包括DM、能量[总能(GE)或消化能(DE)或ME]及蛋白质[粗蛋白质(CP)或可消化蛋白质(DP)或代谢蛋白质(MP)]、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、钙(Ca)、磷(P)含量；3)肉用绵羊生长性能的指标，包括初始体重(IBW)、结束体重(FBW)、ADG、DMI。
排除标准包括：1)综述性研究；2)包含重复数据的文献；3)数据不全或无法提取相关信息的文献；4)肉用绵羊处于非正常状态的数据，包括但不限于患病、限饲等。
根据纳入标准和排除标准，通篇阅读文章并进行筛选，纳入包括杜寒杂交羊、小尾寒羊、湖羊、Kermani lambs、Creole lambs、Awassi lambs、Chall lambs、Dorper×Santa Ines crossbred lambs、Suffolk lambs、South African Dorper lambs、Deccani lambs共11种品种的肉用绵羊，提取文献中肉用绵羊IBW、FBW、ADG和饲粮DM、ME及CP、NDF、ADF、Ca、P含量参数；依据肉用绵羊试验IBW和试验FBW计算中位体重[BW=(IBW+FBW)/2]；通过肉用绵羊中位体重计算肉用绵羊MBW(MBW=BW0.75)；通过查阅各品种肉用绵羊相关标准和文献获得其成年体重[11-16]，计算其RM(RM=BW/成年体重)。构建包含肉用绵羊BW、MBW、RM、相对成熟度平方值(RM2)、ADG和饲粮DM、ME、代谢能平方值(ME2)、CP、NDF、ADF、Ca、P含量以及肉用绵羊DMI的数据集。
1.2 预测模型构建 1.2.1 DMI预测模型参数共线性使用R 3.6.3软件Cor程序进行参数间的相关性分析，检测各参数间的共线性。共线性评价标准：|r|≥0.6且P < 0.05表明存在高度共线性；0.4≤|r|＜0.6且P < 0.05表明存在中度共线性；|r| < 0.4表明不存在共线性。参数间存在高度共线性时，依据其与DMI相关性大小排除相关性较低参数。
1.2.2 DMI预测模型优化在初步排除共线性参数后，采用R 3.6.3软件lm函数，以肉用绵羊BW、MBW、RM、RM2、ADG和饲粮DM、ME、ME2及CP、NDF、ADF、Ca、P含量为自变量，以DMI为因变量，构建多元回归模型：Y=a+b1×X1+b2×X2+……bn×Xn。式中：Y为DMI；a为固定常数项；X为预测模型参数；b为对应参数变量的系数。采用向后逐步回归分析法(backward step wise selection，BSWS)，依次删除不显著变量，获得优化的DMI预测模型，采用vif函数计算多元回归模型中各参数方差膨胀因子(variance inflation factors，VIF)，VIF > 5作为判定是否存在因变量间共线性的依据。
1.3 数据统计分析 1.3.1 预测模型评估采用本研究所获得公式、AFRC(1998)[7]、NRC(2007)[9]和CNCPS-S(2004)[8]模型分别计算DMI预测值。
AFRC(1998)[7]预测模型：
|
式中：DMI为干物质采食量(g/d)；MBW为代谢体重(BW0.75)；ME为饲粮代谢能(Mcal/kg)。
CNCPS-S(2004)[8]预测模型：
|
式中：DMI为干物质采食量(g/d)；MBW为代谢体重(BW0.75)；ADG为平均日增重(g/d)。
NRC(2007)[9]预测模型：
|
式中：DMI为干物质采食量(g/d)；BW为体重(kg)；RM为相对成熟度(BW/成年体重)。
利用R 3.6.3软件的Cor.test函数进行预测值和观测值的相关性分析，同时采用平均偏差(mean bias，MB)和均方根预测误差(root of mean square prediction error，RMSPE)评估模型的预测偏差。
|
式中：MB为平均偏差；n为观测值数量；Pi为第i项预测值；Oi为第i项观测值。
|
式中：RMSPE为均方根预测误差；n为观测值的数量；Pi为第i项预测值；Oi为第i项观测值。
1.3.2 方差分解在以上步骤初步筛选预测模型参数基础上，使用R 3.6.3软件多元线性回归模型进行方差分解分析。首先使用scale函数对所筛选数据进行中心化和标准化消除不同参数量纲的影响，随后采用上述多元回归模型进行模型构建。依据多元回归模型结果获得模型的方差解释率、各参数对模型预测结果的贡献度、动物(肉用绵羊)因素和饲粮因素各自对DMI的贡献度。
2 结果与分析 2.1 数据集特征由表 1可知，肉用绵羊的BW、MBW、RM、RM2、DM、ME及CP、NDF、ADF、Ca、P含量的平均值分别为35.24 kg、14.40 kg、0.45、0.22、84.26%、10.19 MJ/kg、14.02%、41.32%、21.67%、1.07%、0.38%，变动范围分别为18.65~52.26 kg、8.97~19.48 kg、0.23~0.81、0.05~0.65、51.70%~95.50%、5.75~15.37 MJ/kg、8.04%~18.80%、18.60%~59.00%、8.57%~36.62%、0.49%~2.22%、0.21%~0.50%。肉用绵羊的ADG、ME2、DMI的波动范围较大，分别介于9.71~370.00 g/d、33.06~236.14、577.69~2 100.00 g/d，平均值分别为212.07 g/d、107.25、1 418.76 g/d。肉用绵羊的ME/CP、Ca/P的变动范围为0.47~1.21、1.00~5.16，平均值分别为0.74、2.74。
|
表 1 肉用绵羊DMI及其影响因素数据库描述性统计 Table 1 Descriptive statistics of DMI and its influencing factors of mutton sheep |
由图 1可知，BW和MBW(r=0.99，P < 0.05)、RM和RM2(r=0.99，P < 0.05)、ME和ME2(r=0.99，P < 0.05)、ME和ME/CP(r=0.64，P < 0.05)、CP和P含量(r=0.86，P < 0.05)、NDF和ADF含量(r=0.70，P < 0.05)、Ca含量和Ca/P(r=0.96，P < 0.05)之间存在高度共线性，依据存在共线性参数与DMI相关性高低，剔除BW、RM2、ME2、ME/CP及CP、NDF含量和Ca/P，剩余参数间均不存在显著共线性(|r| < 0.6)。
|
BW：体重body weight；MBW：代谢体重metabolism body weight；RM：相对成熟度relative maturity；RM2：相对成熟度平方值square value of relative maturity；ADG：平均日增重average daily gain；DM：干物质dry matter；ME：代谢能metabolic energy；ME2：代谢能平方值metabolizable energy squared value；CP：粗蛋白质crude protein；ME/CP: 代谢能与粗蛋白质比值metabolizable energy to crude protein ratio；NDF：中性洗涤纤维neutral detergent fibre；ADF：酸性洗涤纤维acid detergent fiber；Ca：钙calcium；P：磷phosphorus；Ca/P：钙与磷比值calcium to phosphorus ratio；DMI：干物质采食量dry matter intake。 图 1 肉用绵羊DMI及其影响因素间相关性 Fig. 1 Correlation between DMI and its influencing factors of mutton sheep |
由表 2可知，全模型对肉用绵羊DMI的方差解释率为90%(P < 0.05)，但各参数方差膨胀因子均较高存在显著共线性(VIF > 5)，排除共线性参数(BW、RM2、ME2、ME/CP、Ca/P及CP、NDF含量)后模型对肉用绵羊DMI的方差解释率为89%(P < 0.05)，各参数间无显著共线性(VIF < 5)，采用逐步回归法进一步排除不显著变量(P)后，获得包含肉用绵羊MBW、RM、ADG和饲粮DM、ME及ADF、Ca含量共7个影响因素的优化模型，各参数均可显著影响肉用绵羊DMI预测值(P < 0.05)，且不存在共线性(VIF < 5)，优化后的预测模型对肉用绵羊DMI的方差解释率为89%(P < 0.05)。
|
|
表 2 肉用绵羊DMI预测模型 Table 2 Prediction model of DMI of mutton sheep |
采用本研究所获得预测模型、AFRC(1998)、NRC(2007)和CNCPS-S(2004)模型分别计算DMI预测值，其与观测值相关性见图 2。可见本研究所获得模型可解释肉用绵羊90% DMI变异，无显著预测偏倚(MB=0.11 g/d，P > 0.05)，预测误差为7.59%；AFRC(1998)模型可解释肉用绵羊53% DMI变异，所预测DMI存在显著低估(MB=-387.56 g/d，P < 0.05)，预测误差为45.10%；CNCPS-S(2004)模型可解释74% DMI变异，所预测DMI存在显著低估(MB=-201.08 g/d，P < 0.05)，预测误差为21.76%；NRC(2007)模型可解释肉用绵羊57% DMI变异，所预测DMI存在显著高估(MB=331.57 g/d，P < 0.05)，预测误差为22.49%。从模型解释度、预测偏差和预测误差综合来看，本研究获得模型预测精度 > CNCPS-S(2004)模型 > NRC(2007)模型 > AFRC(1998)模型。
|
Predicted DMI：预测干物质采食量；Observed DMI：观测干物质采食量；R2：相关系数correlation coefficient；MB：平均偏差mean bias；RMSPE：均方根预测误差root of mean square prediction error。 图 2 肉用绵羊DMI预测模型评估 Fig. 2 Evaluation of prediction model for DMI of mutton sheep |
由图 3可知，本研究所获得模型可解释89%的肉用绵羊DMI变异；在可解释的DMI变异中，动物(肉用绵羊)因素可解释其中61%的变异，是影响肉用绵羊DMI的主要因素，MBW、ADG与DMI呈正相关，而RM与DMI呈负相关；饲粮因素可解释其中39%的变异，饲粮中DM、ME及Ca、ADF含量与DMI均呈正相关。本模型所纳入的7个影响肉用绵羊DMI的因素中，肉用绵羊DMI主要受MBW、ADG和Ca含量的影响，三者共解释了69%的DMI变异。
|
Parameter estimates：参数估计值；Relative effect of estimates：相对估计值；Adj.R2：矫正R2 adjusted R2；MBW：代谢体重metabolism body weight；ADG：平均日增重average daily gain；RM：相对成熟度relative maturity；Ca：钙calcium；DM：干物质dry matter；ME：代谢能metabolic energy；ADF：酸性洗涤纤维acid detergent fiber。 图 3 肉用绵羊DMI影响因素的方差分解 Fig. 3 Variance decomposition of factors affecting DMI of mutton sheep |
动物DMI受多种因素影响[17]，对于此类复杂现象的预测模型构建，通过二次文献整合构建数据集是常用方法，该方法通过对大量独立研究结果进行全面、系统地分析，从而得出更为准确和普适性强的预测模型和结论[18]。目前国际上认可度较高的肉羊DMI预测模型如AFRC(1998)[7]、CNCPS-S(2004)[8]和NRC(2007)[9]均采用构建数据集的方法获得。本研究通过构建DMI以及相关影响因素数据集从而建立DMI预测模型，构建的数据库涵盖了杜寒杂交羊、小尾寒羊、湖羊、Kermani lambs、Creole lambs、Awassi lambs、Chall lambs、Dorper×Santa Ines crossbred、Suffolk lambs、South African Dorper lambs、Deccani lambs共11种品种，1 098个研究对象，107条数据，其中国内羊品种或国内杂交羊品种数据62条，国外羊品种45条，DMI的潜在影响因素15个。与AFRC(1998)、CNCPS-S(2004)、NRC(2007)相比，本研究收集的数据量更多，纳入的影响因素更全面，并且纳入了国内的典型肉用绵羊品种，因此预测模型更适用于国内品种的肉用绵羊。
3.2 舍饲肉用绵羊DMI的影响因素不同研究对于影响肉羊DMI的主要影响因素观点并不一致。AFRC(1998)[7]认为肉羊DMI主要受MBW和ME的影响；CNCPS-S(2004)[8]认为肉羊DMI主要受MBW和ADG影响；NRC(2007)[9]认为肉羊DMI主要受BW和RM影响。Fuetes-Pile等[18]在奶牛上的研究表明，通过构建数据集找出了与DMI有显著相关性的变量，建立了多元线性回归模型，可以有效提高预测准确性；董瑞兰等[19]通过构建数据集获得了可以精确预测奶牛氮排放量的模型，为本研究提供了方法学借鉴。本研究通过构建数据集发现MBW、ADG、RM、DM、ME及ADF、Ca含量能够显著影响DMI，充分考虑了动物(肉用绵羊)因素和饲粮因素对DMI的影响，因此建立的多元线性模型的预测准确性高于CNCPS-S(2004)[8]、NRC(2007)[9]、AFRC(1998)[7]。
本研究结果表明，MBW、ADG和Ca含量是影响肉用绵羊DMI的主要因素，均与肉用绵羊DMI呈正相关。MBW是影响肉用绵羊DMI的最重要因素，这一观点在AFRC(1998)[7]、CNCPS-S(2004)[8]和NRC(2007)[9]的DMI预测模型中均有体现，其中AFRC(1998)[7]和CNCPS-S(2004)[9]纳入MBW作为预测模型参数，NRC(2007)[9]使用了肉羊BW作为参数，由于MBW和BW存在显著正相关，因此也侧面反映了MBW对肉用绵羊DMI的决定作用。ADG是影响肉用绵羊DMI的第2重要因素，CNCPS-S(2004)[8]模型将ADG作为预测模型参数，而AFRC(1998)[7]和NRC(2007)[9]未将ADG纳入预测模型，这可能是CNCPS-S(2004)预测准确性高于后两者的原因。本研究结果同时表明饲粮Ca含量是影响肉用绵羊DMI的第3重要因素，Chishti等[20]研究表明在一定范围内提高Ca含量可显著增加DMI，这可能因为Ca含量较高时，能够提供额外的Ca促进消化系统平滑肌的收缩[21]，对瘤胃的蠕动起促进作用[22]，从而导致肉用绵羊DMI的提高，AFRC(1998)[7]、CNCPS-S(2004)[8]和NRC(2007)[9]的DMI预测模型均未纳入该参数。
本试验结果表明，肉用绵羊RM、DM、ME、ADF均可显著影响肉用绵羊DMI。RM与采食量负相关，这一观点与NRC(2007)[9]一致，可能原因是低成熟度的肉用绵羊具有更高的生长性能，因此也需要更高的DMI保障肉用绵羊的营养需求[17]；本试验研究结果表明DM与DMI呈正相关，与Kellems等[23]研究结果一致，其采用苜蓿青贮建立不同DM含量的饲粮饲喂奶牛，发现奶牛的DMI随饲粮水分含量升高而降低，可能是由于大量摄入水分在瘤胃中产生饱腹效应所致[24]；本试验结果表明ME与DMI呈正相关，而AFRC(1998)[7]认为ME与DMI存在二次相关，其拐点出现在ME约为10.5 MJ/kg时，大部分肉用绵羊ME难以达到其拐点可能是本研究中ME与DMI呈正相关的原因，这与李文娟等[17]结果一致，即生产上一般可通过提高ME增加肉用绵羊DMI。潘晓花等[25]在奶牛上的研究表明，在饲喂玉米秸秆饲粮情况下，NDF与ADF含量显著影响DMI，其中NDF含量对DMI贡献率为3.8%，ADF含量贡献率为3.1%，与本试验研究结果相近。本试验结果表明，DMI 69%的变异来源于动物因素，也与潘晓花等[25]研究结果相近。
3.3 本研究的局限性本试验的研究对象为舍饲肉用绵羊，主要从动物因素和饲粮因素对肉用绵羊DMI进行预测，本研究模型中尚有11%的肉用绵羊DMI变异来源未查明。前人研究表明环境因素[5-6]和管理因素[26]等也能够影响DMI，可能是本研究模型预测误差的来源。至今为止，环境因素和管理因素对肉用绵羊DMI的影响研究还较有限，难以满足构建数据库要求，后续随相关研究的进一步丰富，通过纳入更大样本和更多影响因素，有助于本预测模型预测准确性的进一步提高。
4 结论① 本研究构建的肉用绵羊DMI预测模型为DMI=98.48×MBW-379.70×RM+1.55×ADG+6.04×DM+26.38×ME+6.42×ADF+172.45×Ca-1 271.67(R2=0.90，P < 0.05)，模型预测偏差为0.11 g/d，预测误差为7.59%；本研究构建的预测模型精确度 > CNCPS-S(2004)模型 > NRC(2007)模型 > AFRC(1998)模型。
② 本模型所纳入的7个影响肉用绵羊DMI的因素中，肉用绵羊DMI主要受MBW、ADG和Ca含量的影响，三者共解释了69%的DMI变异。
| [1] |
MARTIN O, SAUVANT D. Metaanalysis of input/output kinetics in lactating dairy cows[J]. Journal of Dairy Science, 2002, 85(12): 3363-3381. DOI:10.3168/jds.S0022-0302(02)74424-X |
| [2] |
ROSELER D K, FOX D G, CHASE L E, et al. Development and evaluation of equations for prediction of feed intake for lactating Holstein dairy cows[J]. Journal of Dairy Science, 1997, 80(5): 878-893. DOI:10.3168/jds.S0022-0302(97)76010-7 |
| [3] |
HAYIRLI A, GRUMMER R R, NORDHEIM E V, et al. Animal and dietary factors affecting feed intake during the prefresh transition period in Holsteins[J]. Journal of Dairy Science, 2002, 85(12): 3430-3443. DOI:10.3168/jds.S0022-0302(02)74431-7 |
| [4] |
NIKKHAH A. Timing of feed presentation entrains periprandial rhythms of energy metabolism indicators in once-daily fed lactating cows[J]. Biological Rhythm Research, 2012, 43(6): 651-661. DOI:10.1080/09291016.2011.631773 |
| [5] |
ZOM R L G, ANDRÉ G, VAN VUUREN A M. Development of a model for the prediction of feed intake by dairy cows: 1. prediction of feed intake[J]. Livestock Science, 2012, 143(1): 43-57.
|
| [6] |
HUHTANEN P, RINNE M, MÄNTYSAARI P, et al. Integration of the effects of animal and dietary factors on total dry matter intake of dairy cows fed silage-based diets[J]. Animal, 2011, 5(5): 691-702. DOI:10.1017/S1751731110002363 |
| [7] |
AFRC Technical Committee on Reponses to Nutrients. The nutrition of goats[M]. [s. l. ]: CABI, 1997.
|
| [8] |
CANNAS A, TEDESCHI L O, FOX D G, et al. A mechanistic model for predicting the nutrient requirements and feed biological values for sheep[J]. Journal of Animal Science, 2004, 82(1): 149-169. DOI:10.2527/2004.821149x |
| [9] |
National Research Council (U.S. ), Committee on Nutrient Requirements of Small Ruminants. Nutrient requirements of small ruminants: sheep, goats, cervids, and new world camelids[M]. Washington, D.C. : National Academies Press, 2007.
|
| [10] |
臧彦全. 生长期波杂肉羊能量和蛋白质营养需要的研究[D]. 硕士学位论文. 北京: 中国农业科学院, 2003. ZANG Y Q. The studies on the energy and protein requirements of growing crossbred Boer goats[D]. Master's Thesis. Beijing: Chinese Academy of Agricultural Sciences, 2003. (in Chinese) |
| [11] |
张建新, 姚继广, 白元生, 等. 晋岚绒山羊新品种[J]. 中国草食动物科学, 2012, 32(2): 78-79. ZHANG J X, YAO J G, BAI Y S, et al. New breed of Jinlan cashmere goat[J]. China Herbivores, 2012, 32(2): 78-79 (in Chinese). DOI:10.3969/j.issn.2095-3887.2012.02.027 |
| [12] |
MOKHTARI M S, RASHIDI A, MOHAMMADI Y. Estimation of genetic parameters for post-weaning traits of Kermani sheep[J]. Small Ruminant Research, 2008, 80(1/2/3): 22-27. |
| [13] |
BRAVO S, SEPÚLVEDA N. Zoometric indices in Araucanas creole ewes[J]. International Journal of Morphology, 2010, 28(2): 489-495. |
| [14] |
蒋英. 世界奶用绵羊生产[J]. 世界农业, 1994(5): 28-30. JIANG Y. World dairy sheep production[J]. World Agriculture, 1994(5): 28-30 (in Chinese). |
| [15] |
李颖康, 达海刚, 达文政. 良种肉羊萨福克、特克塞尔引进及利用效果研究[C]//2006中国羊业进展——第三届中国羊业发展大会论文集, 兰州: 中国畜牧业协会, 2006: 8. LI Y K, DA H G, DA W Z. Research on the introduction and utilization effect of good breed of meat sheep Suffolk and Texel[C]//Progress of China's Sheep Industry in 2006-Proceedings of the Third China Sheep Industry Development Conference, Lanzhou: China Animal Husbandry Association, 2006: 8. (in Chinese) |
| [16] |
范必勤. 肉用多珀绵羊的选育和发展利用[J]. 江苏农业科学, 2002(3): 59-60. FAN B Q. Characteristics and cultural techniques of a new large fruited strawberry variety Landgirl[J]. Jiangsu Agricultural Sciences, 2002(3): 59-60 (in Chinese). DOI:10.3969/j.issn.1002-1302.2002.03.028 |
| [17] |
李文娟, 刁其玉. 肉羊日粮干物质采食量及其影响因素的研究进展[J]. 中国畜牧杂志, 2016, 52(19): 95-99. LI W J, DIAO Q Y. Research progress on dry matter intake of mutton sheep and related influencing factors[J]. Chinese Journal of Animal Science, 2016, 52(19): 95-99 (in Chinese). |
| [18] |
FUENTES-PILA J, DELORENZO M A, BEEDE D K, et al. Evaluation of equations based on animal factors to predict intake of lactating Holstein cows[J]. Journal of Dairy Science, 1996, 79(9): 1562-1571. DOI:10.3168/jds.S0022-0302(96)76518-9 |
| [19] |
董瑞兰, 孙国强, 于光辉. 基于混合回归分析的荷斯坦奶牛氮排泄量预测[J]. 动物营养学报, 2021, 33(5): 2696-2706. DONG R L, SUN G Q, YU G H. Prediction of nitrogen excretion of Holstein dairy cows based on mixed regression analysis[J]. Chinese Journal of Animal Nutrition, 2021, 33(5): 2696-2706 (in Chinese). |
| [20] |
CHISHTI G A, FELIX T L. Effects of supplemental calcium butyrate on lamb growth, plasma metabolites, and hepatic gluconeogenic and inflammatory gene expression changes[J]. Animal Feed Science and Technology, 2020, 270: 114678. DOI:10.1016/j.anifeedsci.2020.114678 |
| [21] |
GLOSSON K M, ZHANG X, BASCOM S S, et al. Negative dietary cation-anion difference and amount of calcium in prepartum diets: effects on milk production, blood calcium, and health[J]. Journal of Dairy Science, 2020, 103(8): 7039-7054. DOI:10.3168/jds.2019-18068 |
| [22] |
MARTINEZ N, SINEDINO L D P, BISINOTTO R S, et al. Effect of induced subclinical hypocalcemia on physiological responses and neutrophil function in dairy cows[J]. Journal of Dairy Science, 2014, 97(2): 874-887. DOI:10.3168/jds.2013-7408 |
| [23] |
KELLEMS R O, JONES R, ANDRUS D, et al. Effect of moisture in total mixed rations on feed consumption and milk production and composition in Holstein cows[J]. Journal of Dairy Science, 1991, 74(3): 929-932. DOI:10.3168/jds.S0022-0302(91)78242-8 |
| [24] |
SHEM M N, RSKOV E R, KIMAMBO A E. Prediction of voluntary dry-matter intake, digestible dry-matter intake and growth rate of cattle from the degradation characteristics of tropical foods[J]. Animal Science, 1995, 60(1): 65-74. DOI:10.1017/S1357729800008146 |
| [25] |
潘晓花, 杨亮, 南雪梅, 等. 玉米秸秆型日粮干物质采食量预测模型的准确性比较[C]//中国畜牧兽医学会信息技术分会第十二届学术研讨会论文集, 河南鹤壁: 中国畜牧兽医学会, 2017: 10. PAN X H, YANG L, NAN X M, et al. Accuracy comparison of prediction models for dry matter intake of corn straw based diets[C]//China Animal Husbandry and Veterinary Medical Association Information Technology Branch, Proceedings of the 12th Symposium, Hebi, Henan: Chinese Society of Animal Husbandry and Veterinary Medicine, 2017: 10. (in Chinese) |
| [26] |
GIBSON J P. The effects of frequency of feeding on milk production of dairy cattle: an analysis of published results[J]. Animal Science, 2010, 38(2): 181-189. |