NRC猪饲料成分表的深度分析及饲料能值的模型构建.docx
《NRC猪饲料成分表的深度分析及饲料能值的模型构建.docx》由会员分享，可在线阅读，更多相关《NRC猪饲料成分表的深度分析及饲料能值的模型构建.docx（21页珍藏版）》请在冰豆网上搜索。
NRC猪饲料成分表的深度分析及饲料能值的模型构建
NRC（2012）猪饲料成分表的深度分
析及饲料能值的模型构建
Feedmix反刍营养百分百饲料配方软件
GeneticAlgorithm饲料配方软件
内
容
1.NRC（2012）猪饲料成分表的深度分析
✓常规成分与碳水化合物
✓饲料能值
✓矿物质及其利用率
22.饲料能值回归模型的构建与分析
✓饲料总能回归模型与分析
✓饲料消化能回归模型与分析
✓饲料代谢能回归模型与分析
✓饲料净能回归模型与分析
3.
小结与展望
一、NRC（2012）猪饲料成分表的深度分析
·总体上：
饲料原料种类：
10th,79;11th,122
概略养分：
新增：
Acidetherextract（酸性醚提取物）
碳水化合物（CHO）:
从上版2项（NDF,ADF）增加到新版14
项，包括乳糖、蔗糖、棉子糖、水苏糖、毛蕊花糖及低
聚糖6种糖，以及淀粉多糖（ST）、半纤维素（HC）、酸性洗
涤木质素（ADL）、总日粮纤维（TDF）、不溶性日粮纤维
（ISDF）及可溶性日粮纤维（SDF）等
一、NRC（2012）猪饲料成分表的深度分析
·总体上（续）：
饲料能值：
增加了饲料的总能
矿物质成分：
新增植酸磷、总磷的ATTD及STTD
·提供的数据分析：
✓AEE，仅提供了30种原料的AEE值。
AEE的内涵等同与CNCPS体
系中的PA部分中的PA1+PA2+PA3
✓尽管增加了多项CHO指标，但主要提供的数据集中在ST、NDF，
ADF，ADL及TDF等指标上；
✓TDF的CF与区别：
TDF=SDF+ISDF，而CF=ISDF,但实际上发布
的数据中，CF≠ISDF
AEE数据分布特性
一、NRC（2012）猪饲料成分表的深度分析
·提供的数据分析（续）：
✓有效能值的数据分析：
整体上更新的数据范围与变化较大
例如，拥有相同编号的饲料，如400-466所述的大麦粉，前后两个
版本推荐的消化能均为3940kcal/kg,但是修订后的代谢能及净能却
差异较大，新旧对比为3856对3700，2981对2415，数据均为具有
相同干物质的饲喂状态含量。
✓总磷的ATTD及STTD数据，新版提供大约87种饲料的。
部分动物源
性饲料如血浆、牛奶类产品等P的消化率较高，最常用的鱼粉的P消
化率也只有79%，鸡肉副产品P的消化率还不到50%，消化率最低
的则是植物中的谷实类加工产品及块根块茎类饲料，如米糠的
ATTD仅为13%，而木薯粉的ATTD最低为10%。
二、饲料能值的预测回归模型的构建与分析
22.11饲料总能回归模型与分析
2.2饲料消化能回归模型与分析
2.3饲料代谢能回归模型与分析
22.44饲料净能回归模型与分析
模型构建的基本方法
·回归模型中的自变量：
x1,干物质，DM%；x2，粗蛋白，
CP%;x3,粗纤维，CF%；x4,粗脂肪，EE%；x5,酸性醚
提取物，AEE%；x6，粗灰分，Ash%；x7,淀粉，ST%；
x8,中性洗涤纤维,NDF%;x9,酸性洗涤纤维，ADF%；
x10,半纤维素，HC%；x11,酸性洗涤木质素，ADL%。
·对预测变量即因变量的定义:
GE，饲料总能，kcal/kg;
DE,饲料消化能，kcal/kg；ME，饲料代谢能，kcal/kg；
NE，饲料净能，kcal/kgg。
2.1饲料中总能（GE）回归模型的构建
2.1.1不分饲料类型，对所有饲料的GE的回归模型
22.11饲料中总能（GE）回归模型的构建
·分析：
1.能够初步建立所有饲料类型中饲料基础养分及其
组合与GE的回归模型；
2.R2为0.8058~0.7361,C.V.为5.94~6.86%
3.目前仅有INAPG组织公布了大约100种饲料的
GE预测模型
2.1饲料中总能（GE）回归模型的构建
2.1.2“玉米及其加工产品类”的GE模型构建
R2=0.9994~0.6502C.V.=0.61~6.17%
二、饲料中总能（GE）回归模型的构建
2.1.3“大豆及其加工产品类”的GE模型构建
R2=0.9834~0.7940C.V.=1.16~4.51%
2.2饲料中消化能（DE）回归模型的构建
2.2.1“玉米及其加工派生原料”饲料的DE的回归模型
R2=0.9192~0.7763C.V.=5.93~8.36%
2.2饲料中消化能（DE）回归模型的构建
2.2.2“大豆及其加工派生原料”饲料的DE的回归模型
R2=0.9996~0.9047C.V.=0.75~5.45%
2.2饲料中消化能（DE）回归模型的构建
2.2.3饲料的DE的回归模型的应用
可以利用获得的回归模型，预测出的97号、101号及102号饲
料的消化能值。
分别用式（29）和式（37）模型计算得到3种饲料消化能为：
4441、4493和4475Kcal/kg，及3861、4163及4127kcal/kg。
而3种饲料的总能分别为3985、5306及5282kcal/千克。
3861、4163及4127kcal/kg数据是可行的。
2.3、饲料中代谢能（ME）回归模型的构建
2.3.1“玉米及其加工派生原料”饲料的ME的回归模
型
R2=08882~00.7231C.V.=621~88.76%
0.88826.21
22.33饲料中代谢能（ME）回归模型的构建
2.3.2“大豆及其加工派生原料”饲料的ME的回归模
型
R2=0.9994~0.8727C.V.=0.84~5.98%
2.3饲料中代谢能（ME）回归模型的构建
2.3.3饲料ME的回归模型的应用
可以利用获得的回归模型，预测出的97号、101号及102
号饲料的代谢能ME值。
采用ME14大豆类（式（51））模型计算得到3种饲料代谢能分别为
3435,3850及3862kcal/kg，而该3种对应的消化能计算得到的分别为
3861、4163及4127kcal/kg，符合代谢能低于消化能的基本规律，且分
别的代谢率为89.0%，92.5%及93.6%，体现了不同饲料间的差异性，
表明通过预测模型推算的3种饲料的消化能及代谢能基本可行
2.3饲料中代谢能（ME）回归模型的构建
2.3.4DE回归模型与ME回归模型的比较
对具有相同自变量的回归模型的变量系数对比发现，预测
ME与ME的模型的主要差别在于变量x2的系数差异明显，而
其他变量的系数甚至截距数值都非常接近。
例如，就DE01玉
米类模型（式（19））与ME01玉米类模型（式（38））比较，两者的回归
系数（均取2位有效数）的对比为：
-13620/-13594，213.92/213.59；–20.70/-27.46；98.82/98.76；-21.61/-21.59；
-14.66/-14.63；55.46/55.56；-19.53/-19.50；-77.46/-77.45;28.26/28.37；
2.08/2.11；149.84/149.74。
2.4饲料中净能（NE）回归模型的构建
2.4.1“玉米及其加工派生原料”饲料的NE的回归模型
R2=0.9290~0.7852C.V.=6.52~7.04%
2.4.饲料中净能（NE）回归模型的构建
2.4.2“大豆及其加工派生原料”饲料的NE的回归模型
R2=0.9996~0.9788C.V.=2.49~9.53%
三、小结与展望
11.可以建立针对所有饲料原料的饲料基础成分（概略成分及
CHO组分）与总能的普适方程。
本研究的回归效果不甚
理想的原因是饲料原料缺值项目较多造成的；
22.尚不能建立起饲料基础成分与DE、ME及NE之间的回归
方程，因为饲料基础成分无论怎样组合，回归效果均不
理想；
33.按具有某些相同特性的饲料归类为子集时，回归发现，玉
米及其加工产品类、大豆及其加工产品类，饲料基础成分
三、小结与展望
组合，与饲料的DE、ME甚至NE具有非常好的相关性；
4.对于同一类饲料，具有相同变量的DE、ME回归模型，
变量的回归系数具有明显的关联，而主要的差别在变量
项x2（（粗蛋白）的系数上，其他系数基本相同；
5.建立NE回归模型时，将GE作为自变量参与回归，可改
善回归模型的拟合效果。
6.利用建立的有效回归模型，根据已有的变量数据，选择
合适的回归模型，可以对已经发布的成分表补充数据
三、小结与展望
1.展望1：
获得大样本的饲料养分的原始数据，建立理想的
饲养养分的预测模型，应成为饲料营养价值间接评定的方
向；
2.展望2：
提供经受起考验的能值预测模型，原则上比提供
固定数据的成分表更科学，因为模型反映的数据是动态的
，更适合我国千差万别的饲料资源。
饲料配方及饲料计算技术总汇---下载
下载
Feedmix反刍营养百分百饲料配方软件（牛羊奶牛）
GeneticAlgorithm饲料配方软件（猪鸡）
饲料配方及技术
（1）
饲料配方及技术
（2）
饲料配方及技术（3）
饲料配方及技术（4）
饲料配方及技术（5）
饲料配方及技术（6）
饲料配方及技术（7）
饲料配方及技术（8）
饲料配方及技术（9）
饲料配方及技术（10）
饲料配方及技术（11）
饲料配方及技术（12）
饲料配方及技术（13）
饲料配方及技术（14）
饲料配方及技术（15）
升级会员 