高寒草甸牧草常規營養成分與總能預測模型的建立

韓小東, 劉慧麗, 郝力壯, 劉書杰, 王 迅

(1. 省部共建三江源生態與高原農牧業國家重點實驗室，青海省高原放牧家畜動物營養與飼料科學重點實驗室，西寧 810016；2. 青海高原牦牛研究中心，西寧 810016；3. 青海大學 畜牧獸醫科學院，西寧 810016)

能量在飼料營養成分中占有舉足輕重的地位，通常被認為是動物日糧中的第一限制養分[1]。從20世紀初，動物營養學家就從研究飼料有效能值與其化學成分的關系入手，通過建立可靠的數學模型、化學分析、體外產氣量等相對簡單的方法對飼料有效能值進行評估。自美國的TDN體系創立以來，許多人采用可消化養分估測飼料有效能值。后來逐漸發展到采用粗纖維(CF)、中性洗滌纖維(NDF)和酸性洗滌纖維(ADF)、無氮浸出物和碳水化合物指標，結合構建飼料概略養分與飼料總能之間的關系方程，來評價飼料營養價值[2-10]。

青海省地處青藏高原，高寒缺氧，草地面積分布廣泛，季節性的氣候變化致使牧草養分出現“過山車式”的動態變化；由于天然草地物種豐富度高，逐一測定單個牧草的總能十分困難，且隨著草地載畜量的不斷增加，牧草生物量和養分供給失衡，草畜矛盾日益突出。因此，通過分析天然牧草的營養價值，結合其能值的估測來評價牧草營養價值，對于提高天然牧草利用率以及對牧區草畜平衡方案的制定至關重要。

隨著營養學的不斷發展，通過分析飼草常規營養含量建立估算能值的回歸模型具有實用、快捷和高效的特點[2]。因此，本研究通過分析海晏縣高寒草甸季節性牧草的常規營養含量，并以此建立牧草常規養分與牧草總能的數學模型，來估算天然牧草可利用能量，為青藏高原草地畜牧業可持續發展提供理論依據。

1 材料與方法

1.1 試驗地概括

試驗地位于青海省海北藏族自治州海晏縣哈勒景鄉(100°23′～101°20′E，36°44′～37°39′N)，該地區位于青海湖盆地東北部，祁連山系大通山脈的西南麓。屬于典型高山地貌，具有紫外線強，晝夜溫差大，氣候寒冷潮濕，年平均氣溫低，無霜期短等獨特的氣候特點，平均海拔在3 000 m以上。

1.2 樣品的采集與處理

試驗樣地為高寒草甸，優勢種包括高山嵩草(Kobresiapymaea)和矮生嵩草(Kobresiahumilis)，伴生種包括草地早熟禾(Poaannua)、異針茅(Stipahumilis)、珠芽蓼(Polygonumviviparum)、芨芨草(Achnatherumsplendens)等[11]。將試驗期的6-11月劃分為暖季，12、1-5月劃分為冷季，于2015年9月-2016年8月(每月25日)采用樣方法選取布局相同且具有代表性的固定樣方進行采樣，樣方大小為1 m×1 m，齊地面收割可食性牧草，當場稱其鮮質量后帶回實驗室進行風干、粉碎過篩(網篩孔徑0.45 mm)，備用。

1.3 測定指標及方法

牧草干物質(DM)質量分數依據GB/T6435-86進行測定，粗灰分(Ash)質量分數采用馬福爐灼燒法測定，粗蛋白(CP)質量分數采用GB/T6432-94半微量凱氏定氮法測定，中性洗滌纖維(NDF)和酸性洗滌纖維(ADF)質量分數測定參考Van Soest法，鈣(Ca)質量分數依據GB/T6436-92測定，磷(P)質量分數依據GB/T6437-92測定。牧草總能(GE)采用美國PARR6100全自動氧彈量熱儀測定。

1.4 數據處理

試驗數據采用Excel 2007進行初步整理，自變量為x1，DM；x2，CP；x3，Ash；x4，ADF；x5，NDF；x6，Ca；x7，P；依變量為y，GE。利用SAS 9.1軟件中的REG和CORR過程進行相關性分析并引入線性回歸，結果以“平均數±標準差”表示。

2 結果與分析

2.1 牧草常規營養質量分數與總能值

表 1 結果顯示：暖季牧草各養分質量分數和GE均高于冷季牧草(Ash、ADF除外)，其中暖季牧草DM、CP、NDF、Ca和P質量分數分別較冷季高0.28%、3.05%、18.61%、0.49%和0.03%。冷季牧草各常規營養成分的平均值分別為：DM 95.30%、CP 7.10%、Ash 6.63%、ADF 40.36%、NDF 59.66%、Ca 2.68%、P 0.050%，暖季牧草各常規營養成分的平均值分別為：DM 95.58%、CP 10.15%、Ash 6.14%、ADF 26.57%、NDF 58.05%、Ca 3.16%、P 0.080%。海晏縣冷季牧草的GE平均值為18.09 MJ，暖季牧草高于冷季，為18.65 MJ(表2)。

表1 天然牧草常規營養成分質量分數(干物質基礎)Table 1 The mass fraction of conventional nutrients in natural forage(Dry matter basis) %

表2 天然牧草總能 Table 2 GE of of natural forage

2.2 天然牧草常規營養成分與總能的關系

由表 3 可知：冷季牧草的DM和NDF與GE呈負相關，其他與GE均呈正相關，其中P與GE有較強的相關性(r=0.695，P<0.05)。暖季牧草的DM、ADF和NDF與GE呈正相關，其他與GE呈負相關。

按照相關系數R2不低于0.700 0，變異系數(Coefficient of variation， CV)不大于10%，海晏縣牧草常規營養成分與GE之間有效的預測方程有12式。由表4 (1)式～(4)式可知，隨著預測因子的增加，預測方程的R2呈遞增趨勢； 7 個因子全部參與的預測方程(1)式的R2=0.906 5，為最高值，CV=0.77%，(6)式次之，R2=0.906 3，CV=0.69%。表 5 中未出現R2值高于 0.9 的預測方程。

表3 天然牧草常規營養成分與總能的相關關系Table 3 Correlation coefficients between chemical components and GE

注 Note：*P<0.05，**P<0.01。

表4 冷季牧草常規營養成分與總能的關系方程Table 4 Prediction equations between GE(y) and chemical components(x) for cold reason forage

2.3 預測方程的驗證

為驗證上述方程的準確性，選用青海省河南蒙古族自治縣(簡稱河南縣)啟龍牧場暖季牧草，測定牧草的常規營養成分，結果見表 6 ，牧草DM質量分數為94.67%，Ash、CP、NDF、ADF、Ca、P 質量分數分別為7.39%、13.94%、48.17%、29.50%、0.34%、0.16%。

河南縣暖季牧草的GE為18.00 MJ，將暖季牧草各常規營養成分值代入對應回歸方程，結果表明：自變量組合x1～x7、x1～x6、x2～x7、x3～x7、x1～x3，x5～x7、x1～x2，x4～x7和x1～x2，x5～x7的GE預測值與實測值相差較大，分別為 -4.68 MJ、7.24 MJ、10.71 MJ、-13.09 MJ、7.02 MJ、5.85 MJ、7.54 MJ，自變量組合x1～x5、x1，x3，x4～x7與實測值相差較小，分別為2.67 MJ、-3.05 MJ，自變量組合x1～x5，x7、x1～x4，x6～x7、x1～x4，x7，與實測值接近(表7)。

表5 暖季牧草常規營養成分與總能的關系方程Table 5 Prediction equations between GE(y) and chemical components for warm reason forage

表6 河南縣暖季牧草常規營養成分組成(干物質基礎)Table 6 Chemical components of warm season forage in Henan county(dry matter basis) %

表7 河南縣暖季牧草的GE值Table 7 GE of of warm season forage grass of Henan county

3 討 論

3.1 飼料總能與預測因子之間的關系

計算飼料能值的第一步就是計算飼料的總能[12]。牧草的總能(GE)主要取決于碳水化合物、脂肪和蛋白質含量。飼料的概略養分分析方法在評定飼料的各常規營養含量上能夠準確反應飼料的營養價值。牧草的營養價值通常由常規養分體現，而且可以間接表明牧草可利用有效能值，表 1 中DM、CP、NDF、Ca、P質量分數暖季高于冷季，與表2中暖季牧草的總能值較冷季高相一致。由表4和表5可知，冷季與暖季牧草的常規營養值與總能建立的 24 個回歸方程中，出現變幅為0.723 3～0.906 5的相關系數以及0.63%～2.86% 的變異系數。法國INAPG組織按單個飼料構建的 102 種豬用飼料GE預測模型，僅僅只有CP、CF、EE、Ash 4 項指標因子，但對每個模型的預測效果沒有給與指標的評價。本研究選用的 7 個預測因子中，表 4 (1)式中 7 項因子全部參與回歸，(6)式無NDF、(8)式無Ash、(12)式無CP、Ash時回歸方程也出現較高的R2值；12 組回歸方程中，冷季牧草的R2值明顯高于暖季，CV明顯低于暖季，這種結果的出現可能與牧草所處的不同物候期相關，表明在預測因子的選擇上，不同自變量因子的組合對總能預測有較大的關聯性。

Van Soest[3]提出纖維分析方案后，很多研究者將飼料的纖維成分，如中性洗滌纖維(NDF)、酸性洗滌纖維(ADF)作為重要的指標對有效能值進行預測，且飼料的纖維含量與有效能值呈高度負相關[13]。本研究發現，預測因子中在含有ADF的情況下，能夠建立R2值較高的預測方程，表 3 中的結果也說明這一點。相關研究表明，對飼料進行分類或者建立單一飼料的預測模型，會提高估測的準確度[14]。本研究在預測方程的建立中未獲得單因子預測方程的回歸，單因子預測方程雖相對簡單，但其準確性有待深入研究。有必要對天然牧草進行分類或單一牧草品種建立預測方程，獲得更多的單因子或多因子預測模型，更準確地利用天然牧草常規養分預測牧草總能。

3.2 預測因子的選擇組合與預測方程的準確性

預測方程按照變量的數量來分，可分為單因子預測方程和多因子預測方程。對單因子預測方程，粗飼料的纖維含量通常比較高，隨技術的發展，測定也變得相對容易。建立有效能值預測模型時，通常將纖維因子(NDF、ADF)作為首選因子納入到方程中[15-17]。本研究中，在相關系數和變異系數約束下，未選擇出單因子作為預測要素，而出現 24 組多因子回歸方程。雖然以全套預測因子作為預測方程要素在獲得回歸方程時出現較高的相關系數，但從驗證結果中看出，并非所有預測因子組合在一起代入方程就能夠獲得與實測值相符的預測值，而且在相關系數R2值相對不理想、變量組合合理的狀態下，驗證也能得到與實測值更為接近的結果，因此，在預測方程建立過程中，可以避免全部預測因子納入回歸方程的計算，而是選擇較為準確的預測組合進行回歸。在表 4 與表 5 中，作為冷季(6)式R2最高值0.906 3，表 7 驗證方程中，更接近GE實測值的自變量組合分別為DM、CP、Ash、ADF、NDF、P，DM、CP、Ash、ADF、Ca、P，DM、CP、Ash、ADF、P，預測因子均包含DM、CP、Ash、ADF、P，因此，在牧草總能值的預測中，可選擇DM、CP、Ash、ADF、P作為預測因子建立預測模型。亦可輔助其他因子組合參與預測方程的回歸，獲得較高的決定系數，提高預測模型的準確性。研究表明，一般扣除飼料纖維成分如CF、ADF和NDF建立的回歸模型，不但提高預測效果，而且簡化方程[18]，這與本研究各預測因子與GE的相關性及驗證結果較為接近的預測因子選擇相一致。大量研究結果表明，把CF、NDF和ADF與其他因子相結合所建立的預測模型比單獨建立的預測模型效果更好[19]，本研究選擇多個因子作為預測模型符合建立模型需要，以ADF作為預測因子獲得的回歸方程相關系數R2高于以NDF為預測因子獲得的回歸方程，而且含有ADF的預測方程其驗證結果更接近實測值，表明在預測因子的選擇上ADF優于NDF。綜合考慮簡便、快速、經濟、準確等因素，引入何種因子、因子個數、實驗室條件及分析程序的難易程度均需要考慮[20]。預測因子的選擇組合還與其他諸多因素相關，如牧草的營養成分或家畜的采食性及消化力等。因此，在建立預測方程時還應考慮各種因素的干擾，使建立的預測模型更準確可靠。

4 結 論

綜上，利用高寒草甸牧草常規養分作為自變量，牧草總能(GE)作為依變量建立回歸方程，并結合牧草總能實測值驗證表明，以ADF作為首選自變量因子，并結合DM、CP、Ash、P組合建立的回歸方程有較高的決定系數，預測準確性較高的模型為：y=9 469-57.71x1+1.34x2-11.06x3+7.70x4+11.38x6+2 306x7，R2=0.906 3，CV=0.69%；y=-6 117+93.81x1+39.82x2+230.61x3+15.54x4-65.96x6-8 000x7，R2=0.815 9，CV=2.44%。此外，在高寒草甸牧草建立總能的預測模型中，考慮自變量因子DM、CP、Ash、ADF、P的組合可得到與實測值更為接近的預測方程。