Lypsylehmän energiataseen mallintaminen tuotoskauden alkuvaiheessa

Energiataseen mallinnus on osa KarjaKompassi-hankkeeseen liittyvää kehitystyötä. Tutkielman tavoitteena oli kehittää lypsylehmän energiatasetta etukäteen ennustavia ja tuotoskauden aikana saatavia tietoja hyödyntäviä matemaattisia malleja. Selittävinä muuttujina olivat dieetti-, rehu-, maitotuotos-, koelypsy-, elopaino- ja kuntoluokkatiedot. Tutkimuksen aineisto kerättiin 12 Suomessa tehdyistä 8 – 28 laktaatioviikon pituisesta ruokintakokeesta, jotka alkoivat heti poikimisen jälkeen. Mukana olleista 344 lypsylehmästä yksi neljäsosa oli friisiläis- ja loput ayshire-rotuisia. Vanhempien lehmien päätiedosto sisälsi 2647 havaintoa (koe * lehmä * laktaatioviikko) ja ensikoiden 1070. Aineisto käsiteltiin SAS-ohjelmiston Mixed-proseduuria käyttäen ja poikkeavat havainnot poistettiin Tukeyn menetelmällä. Korrelaatioanalyysillä tarkasteltiin energiataseen ja selittävien muuttujien välisiä yhteyksiä. Energiatase mallinnettiin regressioanalyysillä. Laktaatiopäivän vaikutusta energiataseeseen selitettiin viiden eri funktion avulla. Satunnaisena tekijänä mallissa oli lehmä kokeen sisällä. Mallin sopivuutta aineistoon tarkasteltiin jäännösvirheen, selitysasteen ja Bayesin informaatiokriteerin avulla. Parhaat mallit testattiin riippumattomassa aineistossa. Laktaatiopäivän vaikutusta energiataseeseen selitti hyvin Ali-Schaefferin funktio, jota käytettiin perusmallina. Kaikissa energiatasemalleissa vaihtelu kasvoi laktaatioviikosta 12. alkaen, kun havaintojen määrä väheni ja energiatase muuttui positiiviseksi. Ennen poikimista käytettävissä olevista muuttujista dieetin väkirehuosuus ja väkirehun syönti-indeksi paransivat selitysastetta ja pienensivät jäännösvirhettä. Ruokinnan onnistumista voidaan seurata maitotuotoksen, maidon rasvapitoisuuden ja rasva-valkuaissuhteen tai EKM:n sisältävillä malleilla. EKM:n vakiointi pienensi mallin jäännösvirhettä. Elopaino ja kuntoluokka olivat heikkoja selittäjiä. Malleja voidaan hyödyntää karjatason ruokinnan suunnittelussa ja seurannassa, mutta yksittäisen lehmän energiataseen ennustamiseen ne eivät sovellu.

The aim of this study was to develop mathematical energy balance models for early and middle lactation period of dairy cows. The traits for predicting were information of diet, feed, milk production, milk composition, body weight and body condition score. This study was a part of development work of KarjaKompassi-project. The data used in this study was based on 12 feeding experiments performed in Finland. The complete data from the studies included 2647 weekly records from multiparous dairy cows and 1070 weekly records from primiparous dairy cows. The data was collected from calving to 8-28 weeks of lactation. Three-fourths of the totals of 344 dairy cows were Finnish Ayshire cows and the rest of the cows were Friesian Cattle. The cows were fed by the Finnish feeding standards. The data was handled by the Mixed-procedure of the SAS-programme. The outliers were removed with Tukey´s method. The relationship between energy balance and predictor traits was studied with correlation analysis. The regression analysis was used to predicting energy balance. To quantify the relationship of lactation day to energy balance, 5 functions were fitted. The random factor was a cow in the experiment. The model fit was assessed by residual mean square error, coefficient of determination and Bayesian information criterion. The best models were validated in the independent data. Ali-Schaeffer achieved the highest fit functions. It was used by the basal model. The error in every model grew after the 12th lactation week, because the number of records decreased and energy balance turned positive. The proportion of concentrate in the diets and concentrate dry matter intake index were the best predictors of energy balance from traits of diet. Milk yield, ECM, milk fat and milk fat-protein ratio were good predictors during lactation period. The RMSE was lower when ECM was standardized. The body weight and body condition score didn’t improve the predictive value of the basal model. The models can be used to predict energy balance in the herd level, but they are not applicable for predicting individual cow energy balance.