年度、胎次与奶牛产奶量、乳成分、高峰日和高峰奶的相关性分析

本研究旨在通过对河北省不同年度、胎次奶牛与其产奶量及乳成分、高峰日、高峰奶的相关性分析得出规律,为河北奶牛平衡育种提供数据支撑。本研究收集河北省2017-2021年近5年的奶牛生产性能测定(DHI)数据,分别按胎次和年度进行横向、纵向统计和方差分析。结果显示,年度和胎次对日单产、乳脂率、体细胞数、高峰奶、高峰日、305d奶量都具有显著的影响。不同年度除对乳蛋白率的影响不显著外,均显著地影响产奶量和其他乳成分指标。胎次与高峰奶量呈正相关(P<0.01),与高峰日呈负相关(P<0.01),与日产奶量和群体305d奶量呈正相关(P<0.01),与体细胞数呈正相关(P<0.05),与乳蛋白率呈负相关(P<0.01);胎次对乳脂率、尿素氮有影响,但不显著(P>0.05)。

奶牛酮病与乳成分指标的相关性分析

奶牛酮病是高产奶牛产后40~60天内最常发生的一种以碳水化合物和挥发性脂肪酸代谢紊乱为基础的代谢病,碳水化合物和挥发性脂肪酸代谢紊乱必将引起蛋白质、水和无机盐等代谢发生紊乱,代谢紊乱临床上以呈现兴奋、昏睡、血酮升高、血糖降低以及体重迅速下降,低乳或无乳为特征。奶牛酮病也称酮血病、酮尿病、醋酮血病。奶牛酮病遍及全世界各个国家,据报道,奶牛临床酮病在欧美等国家发病率达到20%,主要发生在产后14~60天的亚临床酮病的发病率可达34%。近年来,随着我国人们对奶牛奶产量要求的不断提高,奶牛酮病的发病率呈现逐年升高的趋势。酮病发病奶牛不仅产奶量、奶质量明显下降,还会引发奶牛真胃变位、繁殖障碍病的产生,同时也易引起所产牛犊发病率较高和死亡率增高。

傅里叶变换中红外光谱的牛奶品质无损检测分级

市场上普遍存在“高蛋白”,“高乳脂”等特色牛奶。为了实现对特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,收集了河北省10个牧场不同月份(1月、3月—10月)的5121份牛奶样本并采集中红外光谱数据,分别测定牛奶中的乳蛋白、乳脂和体细胞数,构建了牛奶品质分级模型。首先,分析牛奶光谱并去除冗余波段,最终选择925~1597和1712~3024 cm^(-1)的敏感波段组合作为全光谱用于建立模型。为了提高模型的性能,采用标准正态变量变换(SNV),多元散射校正(MSC),一阶导数,二阶导数,一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型(NB)和随机森林模型(RF),确定二阶差分为最佳预处理方法,其测试集准确率分别为92.11%和96.87%。为了简化模型,利用无信息变量消除法(UVE)、竞争性自适应重加权算法(CARS)与稳定性竞争性自适应重加权采样算法(SCARS)以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。然后,分别基于全光谱和所选特征变量数据,建立NB模型和RF模型。结果表明,SCARS算法为NB模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为94.45%,93.94%;UVE-SCARS算法为RF模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为99.86%,96.48%。综上,基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型,可以实现特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,通过建立中红外光谱模型,首次将乳蛋白、乳脂含量和体细胞数直接结合进行分级鉴定,这是以往未曾有过的。模型应用方便,只需将获得的牛奶红外光谱数据输入模型即可输出预测类别,在牛奶产业中具有实际应用价值。

科学调整奶牛不同生理阶段TMR对奶牛生产性能的影响

选取新产(A组)、高产(B组)、低产(C组)牛各40头用于试验,根据牛场环境、产奶量及牛群体况等,科学调整日粮配方,研究其对奶牛干物质采食量、产奶量、乳成分等的影响。结果显示:饲喂调整后TMR,B组干物质采食量由试验前23.43kg/(头·d)上升到试验后24.49kg/(头·d),相对升高了4.52%;整个试验期内各组奶牛日产奶量上升较慢;试验后期,各试验组脂蛋比、尿素氮含量趋于合理化,乳中体细胞数低于24万个/mL,各组平均乳糖率在4.94%~5.28%范围内。由结果可知,奶牛饲喂科学调整后的TMR会对日产奶量、乳脂率、乳蛋白率、尿素氮含量以及体细胞数等DHI指标产生影响,而这些指标是影响产奶量和乳品质的关键因素。所以,规模化奶牛场应该积极科学调整TMR、正确解读DHI报告,以提高奶牛的采食量,改善奶牛的体况,降低乳房炎发病率。