CN101516209A - 用于实时表征反刍动物饲料组分的系统 - Google Patents

Abstract

一种基于计算机的系统，其用于实时表征用于反刍动物饲料配给的一种或多种成分的营养组分，其包括干物质，NDF，NDFd，木质化的NDF比例，淀粉百分数，IVSD，和草料物质的粒度；以及IVSD和谷物物质的粒度。所述系统利用专有的NIRS方程，其基于各种农作物物种的预先取样，所述农作物物种如粮饲兼用型玉米青贮饲料、多叶玉米青贮饲料、褐色叶中脉(“BMR”)玉米青贮饲料、草(青贮饲料/干的)、苜蓿(青贮饲料/干的)、BMR草料高粱、正常的马齿形淀粉谷物、粉状胚乳淀粉谷物和玻璃质胚乳谷物，并且将那些方程用于目前的相对应农作物的取样，以实时预测所述草料或谷物物质的特征。所述实时表征系统还可以利用所预测的数据来计算“配给可发酵性指数”值，该值考虑用在饲料配给中的草料和淀粉成分的总NDFd和IVSD特征(包括RAS和RBS)，以保证所述配给对于母牛将不会提供太多或太少的可消化性。

Description

用于实时表征反刍动物饲料组分的系统

对相关申请的交叉参考

本申请是于2006年7月27日递交的美国系列号(U.S.S.N)11/494,312的部分继续，所述美国系列号11/494,312通过引用完全结合于此。

发明领域

本发明涉及用于关于植物淀粉和/或纤维消化特征筛选农作物植物的系统。特别地，本发明是这样的系统，其通过近红外分光光度计(“NIRS”)分析精确预测农作物植物的淀粉和纤维消化特征，并且保留所述农作物植物的性质，以建立导致反刍动物的最佳生产力的饲料配方。

发明背景

淀粉是反刍动物日常饲料的主要组分，通常包括基于干物质(“DM”)占大于30％的泌乳奶牛日常饲料和占大于60％的用于牛饲养场精加工日常饲料的日常饲料。在反刍动物中，淀粉可以在瘤胃中发酵成挥发性的脂肪酸，在小肠中消化成葡萄糖，或者在大肠中发酵成挥发性脂肪酸。日常饮食淀粉的降解性影响消化的位置和整个消化道的消化力。消化的位置又影响发酵酸产生、瘤胃的pH、微生物产量、和微生物蛋白质生产的效率。所有这样的因素可以影响反刍动物的生产力。许多因素影响淀粉在反刍动物中的消化位置，其包括DM摄入、日常饲料的草料含量、加工和保存方法。谷物加工是高成本的，但是通常证明经济性地增加淀粉的降解性。高湿度的玉米谷物通常比干玉米谷物具有更高的淀粉降解性。这部分是因为玉米胚乳的玻璃质性在收获时随着成熟性而增加(Philippeau和Michalet-Doreau，1997)。另外，青贮的玉米增加淀粉的降解性(Philippeau和Michalet-Doreau，1999)。Stock等(1991)报道在高湿度玉米中胚乳蛋白质的溶解性与湿度水平高度相关，并且溶解性随着存储的时间增加。胚乳蛋白质似乎降低淀粉颗粒对淀粉水解酶的接近。

胚乳类型也影响淀粉的降解性，并且公知玻璃质和粉状胚乳的比例随着玉米杂种而不同。Dado和Briggs(1996)报道7种具有粉状胚乳的玉米杂种的体外淀粉可消化性(“IVSD”)比一种黄色马齿形杂种(dent hybrid)的可消化性高得多。Philippeau等(1996)报道了与在坚糊熟期和成熟期收获的硬质玉米(分别为300g kg^-1和450g kg^-1总植物DM)相比较，马齿形玉米的原位瘤胃淀粉降解性要高得多。谷物(谷物广义是指收获的农产品)加工使粉状胚乳中的淀粉可用性的增加比在玻璃质胚乳中的淀粉可用性的增加大得多(Huntington，1997)。在加工时，在粉状胚乳中的细胞完全被破坏，释放出游离的淀粉颗粒(Watson和Ramstad，1987)。相反，在加工过程中，对于玻璃质胚乳几乎没有淀粉颗粒的释放，这是因为蛋白基质更厚且更强。通常认为具有更高比例的粉状胚乳的玉米可能具有更大的淀粉可消化性并且对加工的反应更灵敏。

来自草料的中性洗涤纤维(“NDF”)是许多反刍动物日常饮食中的重要组分。需要草料NDF刺激咀嚼和分泌唾液缓冲液，以中和瘤胃中的发酵酸。增加草料中的NDF的浓度将意味着，农场主将必须产出或购买更少的NDF。因此，具有高于正常的NDF浓度的农作物将具有作为纤维来源的经济价值。然而，如果更高的NDF浓度导致更低的可消化性和更低的可获得的能量浓度，该价值将减小或消弱。Beck等WO/02096191，认识到通过考虑瘤胃的淀粉降解状态、湿度含量和所用的保存方法，认真选择具有特异性谷物胚乳类型的玉米结合选择具有特异性NDF含量和NDF可消化性的特征的用于青贮饲料生产的玉米而最优化淀粉降解性的需要。

基于其遗传选择包含在饲料配方中的植物导致不一致的反刍动物生产力。例如，基于它的谷物胚乳类型选择玉米杂种将产生随着时间不一致的反刍动物生产力。因此，本发明包括实时分析用作草料的谷物和农作物植物的淀粉和纤维可消化性特征。本发明还包括基于它们的淀粉和纤维可消化性特征保留用于草料的所述谷物和农作物植物的性质。本发明还包括将来自一种或多种性质保留的农作物植物的谷物和农作物植物用于草料，以产生导致反刍动物最佳生产力的饲料配方。

发明概述

一种基于计算机的系统，其用于实时表征用于反刍动物饲料配给的一种或多种成分的营养组分(nutritional component)，其包括干物质，NDF，NDFd，木质化的NDF比例，淀粉百分数，IVSD，和草料物质的粒度；以及IVSD和淀粉谷物物质的粒度。所述系统利用专有的NIRS方程，其基于各种农作物物种的预先取样，所述农作物物种如粮饲兼用型(dual purpose)玉米青贮饲料、多叶玉米(leafy corn)青贮饲料、褐色叶中脉(brownmidrib)(“BMR”)玉米青贮饲料、草(青贮饲料/干的)、苜蓿(青贮饲料/干的)、BMR草料高粱(sorghum)、正常的马齿形淀粉谷物、粉状胚乳淀粉谷物和玻璃质胚乳谷物，并且将那些方程用于目前的相对应农作物的取样，以实时预测所述草料或谷物物质的特征。所述实时表征系统还可以利用所预测的数据来计算“配给可发酵性指数(ration fermentability index)”值，该值考虑用在饲料配给中的草料和淀粉成分的总NDFd和IVSD特征(包括RAS和RBS)，以保证所述配给对于母牛将不会提供太多或太少的可消化性。因此，使用该实时表征系统能够正确配制反刍动物饲料配给，并且在如果保证饲料成分的NDFd和IVSD特征随时间变化的情形中重新配制该配给。

本发明相关的方法考虑环境因素，其通过实时测量来自农作物植物的各种遗传不同的农作物植物和谷物的淀粉和纤维降解特征，以确定应该怎样将农作物植物掺加到导致反刍动物的最佳生产力的饲料配方中来进行。它包括提供导致最佳的反刍动物生产力的饲料配制，其包括下列步骤：确定一组包括农作物植物谷物的农作物植物样品的淀粉可消化特征，基于所述淀粉可消化特征研发预测方程，获得来自农作物植物的谷物样品，通过将来自所述NIRS的电子记录的近红外光谱数据输入到所述方程中通过样品的NIRS实时确定淀粉可消化性特征，在性质保留的基础上保存和/或研磨所述谷物，并且基于所述淀粉可消化性特征确定结合到饲料配方中的农作物植物的量。

本发明相关的方法还包括提供导致最佳的反刍动物生产力的反刍动物日常饲料，其包括下列步骤：确定来自遗传不同的农作物植物的谷物的淀粉可消化性特征，确定用作草料的遗传不同的农作物植物的NDF可消化性(“NDFd”)特征，基于所述淀粉可消化性和NDFd特征研发预测方程，获得用作饲料补充的谷物样品和用作草料的农作物植物，通过将与淀粉和NDFd特征相关的电子记录的近红外光谱数据输入到所述方程中，通过谷物样品和农作物植物的NIRS确定淀粉和NDFd特征，并且基于淀粉和NDF可消化性特征确定结合到饲料配方中的谷物和农作物植物的量。

本发明相关的方法还包括提供导致最佳反刍动物生产力的反刍动物日常饲料，其包括下列步骤：实时确定来自农作物植物的谷物的淀粉可消化性特征，实时确定用作草料的农作物植物的NDFd特征，基于保留的性质保存用作草料的所述谷物和农作物植物，并且基于所述淀粉和NDFd特征确定结合到饲料配方中的用作草料的所述谷物和农作物植物的量。

本发明的实时表征方法通过将性质保留的谷物一起混合在配方中获得指定程度的饲料配方的消化速率和程度而提高了饲料配方的能量利用。基于草料来源的相容性和NDFd以及谷物来源的淀粉消化速率，确定用于饲料配方中的谷物的量。还基于草料NDF的水平和用在饲料配方中的谷物的淀粉消化速率的程度和所述谷物的淀粉消化程度而确定用在饲料配方中的谷物的数量。

优选实施方案详述

一种基于计算机的系统，其用于实时表征用于反刍动物饲料配给的一种或多种成分的营养组分，其包括干物质，NDF，NDFd，木质化的NDF比例，淀粉百分数，IVSD，和草料物质的粒度；以及IVSD和谷物物质的粒度。所述系统利用专有的NIRS方程，其基于各种农作物物种的预先取样，所述农作物物种如粮饲兼用型玉米青贮饲料、多叶玉米青贮饲料、褐色叶中脉(“BMR”)玉米青贮饲料、草(青贮饲料/干的)、苜蓿(青贮饲料/干的)、BMR草料高粱、正常的马齿形淀粉谷物、粉状胚乳淀粉谷物和玻璃质胚乳谷物，并且将那些方程用于目前的相对应农作物的取样，以实时预测所述草料或谷物物质的特征。所述实时表征系统还可以利用所预测的数据来计算“配给可发酵性指数”值，该值考虑用在饲料配给中的草料和淀粉成分的总NDFd和IVSD特征(包括RAS和RBS)，以保证所述配给对于母牛将不会提供太多或太少的可消化性。因此，使用该实时表征系统能够正确配制反刍动物饲料配给，并且在如果保证饲料成分的NDFd和IVSD特征随时间变化的情形中重新配制该配给。

为了本发明的目的，“反刍动物”意指具有消化由动物反刍的饲料成分的多区室胃的任何动物，包括但不限于，奶牛(dairy cow)、肉牛(beefcow)、绵羊、山羊、牦牛、水牛和骆驼。奶牛的实例特别包括霍斯坦种奶牛(Holstein)，格恩西奶牛(Guernsey)，埃尔夏种牛(Ayshire)，瑞士褐牛(Brown Swiss)，泽西种奶牛(Jersey)，和产奶短角牛(Milking Shorthorncows)。

在本发明的上下文中，“泌乳周期”意指反刍动物在分娩新生动物后产生奶的时间期间。

当用于本发明时，“奶产量”意指在一天、一周或其它相关时间期间由泌乳反刍动物产生的奶量。

为了本发明的目的，“产奶峰值(milk peak)”意指在泌乳周期中由反刍动物获得的奶产量的最高水平。

为了本发明的目的，“产奶稳定性”意指在泌乳周期中反刍动物通过获得最佳产奶峰值和对所述反刍动物一致的产奶持续性曲线以每天接近理想的泌乳量的方式产奶。

当用于本申请时，“营养学家”意指负责指定用于反刍动物的饲料配给的组成的个体。这样的营养学家可以是奶牛场主、奶牛场公司的雇员、或由这样的奶牛场或公司雇佣的顾问。

为了本发明的目的，“中性洗涤纤维(neutral detergent fiber)”(“NDF”)意指将饲料样品在中性去污剂中煮沸之后残留的不溶的残渣。主要成分是木质素、纤维素和半纤维素，但是NDF还包括蛋白质、结合的氮、矿物质和表皮。它与饲料摄入和反刍动物的可消化性负相关。

当用于本申请时，“NDF可消化性”(“NDFd”)在固定的时间点由瘤胃微生物发酵的NDF的量，并且用作草料质量的指征。发酵的一般终点为：24，30，或48小时。NDFd与奶牛场牛的饲料摄取、奶生产和体重获得成正相关。

为了本发明的目的，“木质化的NDF”意指由其与木质素的化学和物理关系免于发酵的NDF部分。它通常称为不可消化的NDF，并且通常估算为(木质素X2.4)。

当用于本申请时，“有效的纤维”，更通常称为“物理有效的纤维”(“peNDF”)，意指刺激反刍并且在瘤胃中形成食糜块(digesta mat)的NDF部分。当将样品干燥过滤时，它测量为保留在1.18-mm筛上的颗粒部分。

对于本发明，“干物质摄取”意指动物在给定的时间期间，典型地是24小时消耗的饲料的量(基于不含水分的量)。计算为提供的饲料-未用的饲料(都是基于不含水分的量)。

为了本发明的目的，“挥发性脂肪酸”(“VFA”)是饲料成分在瘤胃中经厌氧性微生物发酵的最终产物。常见的VFA是乙酸、丙酸、丁酸、异丁酸、戊酸和异戊酸。VFA被瘤胃吸收，并且被动物用于能量和脂质合成。

在本申请中，关于奶牛讨论本发明的实时表征系统和相关的饲养方法以及饲料组合物。然而，应该理解，本发明可以用于任何其它的反刍动物，包括不用于产奶的反刍动物，如用于产肉的食用牛。

许多不同的变量影响奶牛对饲料配给中包含的营养成分的有效递送和利用。本申请人称为“GELT作用”，所述变量包括遗传、环境、位置和性状。奶牛的特异性遗传特征将直接影响其消化和吸收营养成分的能力。同样地，草料的特异性遗传特征和饲料成分的谷物组分可以直接影响它们的碳水化合物、蛋白质和纤维的营养含量。因此，用于玉米青贮饲料生产的玉米遗传学特征具有大范围的NDF含量、NDFd和淀粉百分数含量。同样地，谷物遗传学特征具有宽范围的油、蛋白质、淀粉组成、和淀粉可消化性的速率和程度。因此，种子的遗传特征确定将营养递送至奶牛的每种青贮饲料的潜力和谷物质量性状。未使用适当的农艺学输入物(agronomicinput)(例如，肥料、除草剂、杀真菌剂、杀虫剂)及所述农艺学输入物的水平还能对从所述种子生长获得的农作物的质量性状(trail)特征具有不利的影响。

农作物生长的环境和天气条件是可变性的另一个主要来源。天气被认为是不可控的事件。关于温度和湿度，从一年到下一年没有一个生长季节是相同的。这直接影响并且对草料生产、草料质量和淀粉可消化性添加了高度的可变性，淀粉可消化性可以随后在奶牛的性状中产生不一致性。例如，生长季节过程中的温度和降雨模式可以影响纤维(NDF)的水平、数量和木质素对纤维可消化性(NDFd)的影响。这随后可以影响草料怎样“饲养”，并且可以对奶牛的干物质摄取(DMI)和能量摄取、特别是受喂饱限制和在早期泌乳期的奶牛的干物质摄取(DMI)和能量摄取具有增加或减小的影响。

在剁碎用于青贮饲料的玉米交种的谷粒和用于能量补充的玉米谷物内的淀粉可消化性也可以随着生长季节环境而变化。淀粉含量和消化的速率和程度二者都可以改变。因此，添加到日常饲料中的补充的谷物和在玉米青贮饲料中的玉米谷物可以正向或负向地影响奶牛的生产力。因此，环境确定每种草料的水平和范围以及谷物质量性状。

温度和其它饲养条件也可以直接影响奶牛摄取饲料配给中包含的干物质的积极性或能力。因此，这一环境变化使得在不利用某种类型的实时调节机制以说明这种不可控的变量因素的条件下，在给定的生产年度中几乎不可能预测并且实施对于奶牛的饲养计划策略，或者几乎不可能设计用于生长或获得草料和谷物饲料成分的收获或成分购买计划。

具体的收获技术也可能对饲料成分的营养含量具有不利的影响。恶劣的储存技术(例如，包装和储存)也可以不利地影响谷物、草料或青贮饲料的营养价值。取样流程和在分析饲料成分的营养模式过程中产生的实验室检测误差可以干扰构建适当的饲料配给。并且，用于促使草料发酵生产青贮饲料的接种体和用于青贮饲料和谷物储存的防腐剂可以不利地影响所述青贮饲料或谷物产物的营养性状。因此，收获管理技术确定每种草料和谷物质量性状的最终性质(net)。当然，饲料配给的较差配方也可以影响营养价值向奶牛的适当递送。

因此，理解没有任何两种草料或谷物样品在营养含量上是精确相同的，即使从相同的种子种类或杂种生长而成，并且不同种类和杂种的营养含量将可能显著不同----都是因为这种GELT作用，是重要的。

与本发明的实时表征系统相关的饲养方法在申请人于2006年7月27日递交的美国系列号11/494,312和申请人于同日递交的题目为“提高反刍动物营养的方法和饲养(Method and Feed for Enhancing Ruminant AnimalNutrition)”的同时待审的申请中公开，将两个申请完全结合于此。

与本发明的实时表征系统相关的饲料递送系统在申请人于2006年7月27日递交的美国系列号11/494,312和申请人于同日递交的题目为“用于提高反刍动物营养的饲料递送系统(Feed Delivery System for EnhancingRuminant Animal Nutrition)”的同时待审的申请中公开，将两个申请完全结合于此。

I.植物农作物和环境的相互影响

在1999年的生长季节，将6种玉米杂种一式两份地块(plot)生长在3个位置。位置是东兰辛，MI；林肯，NE；和帕克大学(University Park)，PA。所述6种杂种包括不同的胚乳类型：1个粉状的，1个不透明的-2，1个蜡状的，1个马齿状的和2个硬质杂种。地块是32行宽400’长(30”行)。

从9月15日开始每个地块(field)每周监测一次。在黑色层(BL)的生理成熟后，对于所有地块每周确定谷物干物质(DM)。以60％，70％和80％DM从所有地块收获谷物。为了最小化交叉授粉的可能性，从每块地块的中间两行(第16和17行)的每一行收获10穗，总共20穗。不从在400’长地块的末端100’内的植物收集穗，并且沿着剩余的200’约每20’收集。谷物用手从穗上脱下。采用500g谷物样品确定DM、玻璃质和密度。对剩余的谷物进行碾压并且在一式两份4”x 12”PVC实验室青贮窖中青贮。另外的样品(0.5kg)用作0时刻样品。

来自每块地块和每种成熟度的每个一式两份青贮窖中的一个在收获后35天打开，另一个在收获后120天打开。将青贮窖的内容物冷冻用于随后的分析。在分析之前将样品用干冰碾磨(Wiley磨，1-mm筛)。在具有20％瘤胃液的缓冲介质中培育7小时后，确定体外淀粉降解。

所有的样品关于淀粉、糖、醚提取物、粗蛋白质含量和在连续缓冲液中的蛋白质溶解性进行表征。分析在收获时获得的完整谷粒的样品的玻璃质和在乙醇中的密度(Philippeau和Michalet-Doreau，1997)。将在碾压后没有进行青贮而采集的样品(n＝72)在55℃干燥，干燥过滤，并且分析粒度。淀粉降解性，在本发明也称为可消化性，通过用瘤胃微生物体外淀粉消化和测量淀粉随时间的消失而确定。其它已知的测量淀粉消化的方法包括气体生产、利用酶的体外淀粉消失和原位淀粉消化。

检测的杂种的胚乳的玻璃质在4-62％的范围内。表1显示淀粉消化受玉米杂种的影响(49.8-60.3％，P＜0.001)。表2显示淀粉消化随着水分含量增加(46.0-65.8％，P＜0.001)。表还显示淀粉消化受青贮(0天相对于35天和120天，46.3％相对于59.3％，P＝0.001)和青贮时间(35天相对于120天，57.4％相对于61.25％，P＜0.001)的影响。

表3确定淀粉消化依赖于杂种和环境之间的一些相互作用。小于0.05的p-值对于单一来源是显著的，而小于.1的p-值对于来源之间的相互作用是显著的。因此，位置、湿度、杂种、天数，全部对淀粉可消化性具有显著影响。结果显示湿度x天数、湿度x位置、湿度x杂种、和杂种x位置的相互作用都是显著的。例如，杂种对淀粉可消化性的影响在不同的湿度水平变化。表3也显示杂种对淀粉可消化性的影响依赖于它所生长的位置，因此，具体的杂种的淀粉可消化性在不同的位置不同。表4，5，6和7显示杂种和它们的生长环境之间的相互作用和这些相互作用对所述杂种的淀粉可消化性具有的影响的数据。例如，表4显示天数x湿度对淀粉可消化性的影响与单个的环境因素是不成比例的。同样地，湿度x位置(表5)、湿度x杂种(表6)和杂种x位置(表7)的相互作用影响都显示对淀粉可消化性的强相互作用影响。

表1：关于体外淀粉可消化性(IVSD)的玉米杂种方式，3个成熟阶段、3个收获后时间间隔、每个位置2个地块和3个位置的平均。

表2：关于3种湿度和3种储存时间间隔的IVSD方式。

表3：关于在IVSD中的相关变量来源的显著性水平。

表4：关于3种湿度和3种储存时间间隔的IVSD湿度x天数相互作用方式

表5：关于3种湿度和3个位置的IVSD湿度x位置相互作用方式

表6：关于3种湿度和6种杂种的IVSD湿度x杂种相互作用方式

表7：关于6种杂种和3个位置的IVSD杂种x位置相互作用方式。括号中的数字是在位置内的杂种的等级。

II.测量淀粉和纤维降解性特征

农场上草料和谷物成分的目前库存，以及可以由奶牛场种植的任何新草料和谷物农作物需要实时表征。获得每个地块的代表性样品，并且利用NIRS以先前研发的相对应的预测方程所需要的波长进行扫描。利用该方程预测在每个地块的植物的纤维消化特征。并且，利用该组方程还预测淀粉和草料来源的淀粉消化特征。然后，将淀粉特征用于确定饲料配给中多种来源的瘤胃可用的淀粉(RAS)和过瘤胃的淀粉(ruminal by-pass starch(RBS))。

“配给可发酵性指数”(“RFI”)工具组成一系列相关的计算，所述计算评价所述饲料配给的营养效用，及其为相关生产阶段将营养价值安全递送至奶牛的能力。首先，考虑饲料配给的总可消化性，汇编(compile)由草料来源贡献的可消化纤维的磅数和由谷物和草料来源贡献的可消化的淀粉的磅数。对于奶牛的每个生产阶段，应该对在营养模板(NutritionalTemplate)32中的这一总可消化性指定范围。通过利用实时表征工具98定期检查在饲料配给中所用的各种草料和谷物淀粉成分的NDFd和IVSD值，并且将这些值填入总可消化性方程中，营养学家可以确定GELT作用是否已经使得一种或多种饲料成分为以所述饲料配给饲养的奶牛提供太多或太少的纤维和淀粉可消化性。

其次，对于单一的饲料成分应该测量NDFd和IVSD值。该数据将告诉营养学家哪种具体的成分有助于所述饲料配给的纤维和淀粉可消化性。对于不同的生产阶段，奶牛可能需要不同水平的NDFd和IVSD。

其次，应该计算相关的瘤胃淀粉(“RAS”)和瘤胃不利用淀粉(“RBS”)的值，以观察RAS/RBS比例是否在营养模板内指定的范围之内。通过控制RAS/RBS比例，可以获得最大的健康奶生产。

最后，通过针对在营养模板内指定的相对应的值比较关于总日常饲料的总配给可消化性，单个成分可消化性，和干物质，NDF，NDFd，IVSD，和RAS/RBS比例值，营养学家可以通过这一RFI工具220快速且准确地实时确定所述饲料配给成分是否需要调整以使得日常饲料符合在生产阶段过程中的具体要求。这不仅可以引起提高的奶生产和稳定性，而且它可以使得奶牛免受严重的健康问题，所述健康问题由太“热(hot)”的饲料配给引起，原因在于单个饲料成分表现出异常高的可消化性。

这种NIRS分析是使用便携的NIRS仪器在实验室中或在野外进行的。理想地，该测量这些性状的方法相对快速，例如，是实时的。实时是指在从获得样品并进行检测时的48小时内获得淀粉和纤维可消化性结果，并且更优选地在从获得样品并进行检测时的24小时内获得所述结果。

NIRS方法包括获得一组农作物植物样品，其具有已知的特征，诸如淀粉和纤维降解性。这些特征按照下述IVSD和NDFd测量方法进行测量。也可以使用本领域已知的其它的淀粉和NDFd测量方法。在近红外光谱下扫描这些农作物植物样品。然后记录在近红外光谱中的反射度。通过将已知的测量特征相对于用于每组样品的波长的反射度进行回归而研发关于每种性状的预测方程。

对于每种性状，通过预测对于独立的样品组的目的特征而验证所述预测方程。按照本发明，在谷物中测量的目的特征包括，但不限于：在谷物、玉米青贮饲料、HMC或干玉米中的％IVSD，和粒度。这些值反映在指定消化期间通常是7小时的瘤胃淀粉可消化性的速率和程度。IVSD应该在不同的粒度进行测量，所述粒度诸如6mm，4mm，2mm，2UD，和1UD。对于草料来源，目的特征包括，但不限于，干物质含量，NDF，纤维可消化性(NDFd)，木质素含量，体外总植物可消化性(IVTD)，玉米青贮饲料淀粉可消化性(IVSD-CS)，处于不同切割长度(peNDF)和保存加工方法的玉米青贮饲料粒度。最后，对于要用在所述饲料配给中的不同的农作物物种应该研发独立的方程，所述农作物物种包括但不限于，粮饲兼用型玉米，多叶玉米，BMR玉米，草(青贮饲料/干的)，苜蓿(青贮饲料/干的)，和BMR草料高粱，正常的马齿形玉米淀粉谷物，杂种(mutt)玉米淀粉谷物，粉状胚乳淀粉谷物，和玻璃质胚乳淀粉谷物。此外，预测方程可以预测不同粒度的草料或淀粉成分的纤维或淀粉可消化性特征。重要的价值在于“按现状”湿农作物样品可以进行实时评估，无需像常规实验室NIRS仪器需要那样进行干燥和碾碎。

近红外反射度光谱(NIRS)是非破坏性的、仪器方法，用于快速、准确且精确的确定草料和饲料的化学组成。NIRS是接受的用于饲料和草料分析以及工业应用的技术。NIRS具有一些独特的优点：分析速度，对样品的非破坏性分析，样品制备的简单性，并且一些分析可以用一种样品完成。由于NIRS分析实施起来相对简单，减少了由操作者引起的误差(Shenk和Westerhaus，1994)。

为了在体外测量淀粉降解性，在接种了含有瘤胃微生物的瘤胃液不同时间长度的介质中培养之前和之后，分析包含多种遗传不同的农作物植物的一组农作物植物样品的淀粉浓度。将淀粉降解性计算为对于每个目的时间点消失的淀粉的量占样品中总淀粉的百分数。淀粉浓度可以通过利用商购分析试剂盒分析水解之前和之后的葡萄糖浓度而确定。葡萄糖浓度可以利用葡萄糖氧化酶方法酶促确定或通过高效液相色谱法确定。关于体外测量饲料可消化性的通用方法参见Goering和Van Soest(1970)。备选的方法是将在多孔袋中的饲料样品在牛或绵羊的瘤胃中进行培育。(Philippeau和Michalet-Doreau，1997)。

为了在体外测量纤维可消化性，将干燥的植物组织用

磨碾碎，通过1mm筛。使用0.5g样品利用Goering和Van Soest(1970)方法的改进方法确定体外实际可消化性(IVTD)和体外中性洗涤纤维可消化性，所述方法利用代表目的动物的瘤胃停留时间的培育时间，诸如30小时。未消化的IVTD残渣进行中性洗涤纤维(NDF)步骤(Goering和Van Soest，1970)。NDF步骤的改进方法是在回流过程中用0.1ml α-淀粉酶处理所有样品，并且在样品过滤过程中再次处理，这如Mertens(1991)所述。按照Mertens(1991)，在使用之前测定α-淀粉酶的活性。每种样品的NDF可消化性(dNDF)通过下述方程计算：100*[(NDF-(100-IVTD))/NDF]。

确定草料的草料质量参数和谷物的淀粉可消化性模式的实验室数值的准确性对于从本发明产生数值是非常重要的。为了最大化草料和谷物规格的协同性、捕获草料来源的草料协同性的草料模板的准确性，并且为了正确地研发饲料模板，需要准确的表征。因此，仅使用由国家草料检测协会(NFTA)认证的分析性实验室来保持表征方法的准确性和一致性是重要的。

本发明需要被核准的认证的实验室来表征草料和谷物二者，以确定关于每种表征性状的历史基线。这一基线可以用来确定在给定的生长季节中对草料质量性状的杂种遗传效应和环境效应，以及用在营养模板中的草料和谷物二者的潜力饲养值。然后可以对营养模板进行准确调整，以保持所得到的关于每个奶牛生产阶段的饲养模板(Feeding Template)的准确性。

在遗传开发对于饲料成分必需的优良草料和谷物遗传特征中利用相同的实时表征方法。实时表征测量饲养方法的性状加强的方向、进展和水平。它还被用作数据库开发工具，用以筛选和鉴定本发明应用的最高表现遗传特征。

按照本发明，开发使NIR光谱与多种遗传不同的农作物植物的淀粉和纤维降解性特征相关的数据库。给定的农作物植物如玉米、大豆、或苜蓿的NIR光谱用来评估该农作物植物的淀粉和纤维降解特征。NIRS方法可以用于各种饲料农作物以及这些农作物的性状。NIRS需要相对应参照方法(Shenk和Westerhaus，1994)校准。每个组成成分需要单独校准，并且通常，所述校准对于相似类型的样品是有效的。

NIRS分析方法基于在红外吸收特征和样品的主要化学成分之间存在的关系(Shenk和Westerhaus，1994)。近红外吸收特征可以用来区分化学成分。每种重要的有机植物成分在近红外区域具有对所述目的成分特异性的吸收特征(由于由与碳、氧和氮缔合的氢键的拉伸和弯曲导致的振动)。吸收特征是扩散反射度的主要决定因素，其提供评估组合物的方式。样品的扩散反射度是与样品的放射-散射性质结合的吸收性质的总和。结果，近红外扩散反射度信号包含关于样品组成的信息。对反射度数据的适当的数学处理将导致组成信息的提取(Osboure等，1986)。举例说明其的最根本的方法将是测量在两个波长处的反射度，其中选择一个波长处于最大吸收点，而另一个波长处于最小吸收点，用作待分析的组成因素。两个反射度值的比例，基于对两种样品的确定，可以通过相关性与那些样品中的特异性组成因素的浓度相关。利用相关性关系，可以研发从组成因素的反射度测量预测它们的浓度的方程(Osboure等，1986)。

光谱可以从处于其天然形式的样品收集，或者通常如同利用植物或植物部分的情形，它们被碾碎，典型地通过1-mm筛。NIR反射度测量通常由反射度的倒数的对数(log(1/R))转化(Hruschka，1987)，也可以使用本领域已知的其它数学转化进行转化。通过利用一阶或二阶导数进一步数学处理所转化的反射度数据，通常不利用高阶导数(Shenk和Westerhaus，1994)。

所用的校准技术是多线性回归(MLR)方法，其使得在所选波长处的NIR吸收值(x变量)与反射值(y值)相关，两种常用的方法是递升的和逐步回归(Shenk和Westerhaus，1994)。其它校准方法是主成分回归(PCR)(Cowe和McNicol，1985)，偏最小二乘方回归(PLS)(Martens和Naes，1989)，和人造神经网络(ANN)(Naes等，1993)。

校准方程的方法依据所用的回归方法而不同。当使用MLR时，该方法从校准群体中随机选择样品，将它们从校准方法排除，并且然后将它们用作确认组以评估所述校准方程(Windham等，1989)。用于PCR或PLS回归的方程确认方法是交叉确认，其包括将校准组分成一些组，并且在每组进行增加的校准，直到每种样品已经被用于校准和确认(Jackson，1991；Martens和Naes，1989；Shenk和Westerhaus，1994)。

在这种情形中，NIRS包括收集具有已知特征的一组样品的光谱。所述光谱从谷粒或其它植物部分收集，并且进行数学转化。使用PLS方法计算校准方程，也可以使用本领域已知的其它回归方法。用于选择校准方程的标准是校准和交叉确认的低标准误差和高的多重确定的系数。

这种工具还可以用来测量农作物植物除NFDd和IVSD之外的质量性状，诸如油含量、粗蛋白质和NDF。

本发明的实时表征系统是基于计算机的工具。它包括通常可编程的计算机，其具有控制存储器的中央处理器(“CPU”)、存储器、输入/输出(“I/O”)控制器、和至少一个监控器。该计算机可操作地与数据库连接，所述数据库包含，例如，关于各种杂种的干物质、NDF、NDFd、IVSD、粒度等数据以及各种农作物植物的多样性。它还可以包括时间电路(clock circuitry)，数据界面，网络控制器，和内部数据传送总线。本领域的技术人员应该认识到，其它外围组成如打印机、驱动器、键盘、鼠标等也可以与所述可编程的计算机联合使用。另外，本领域的技术人员应该认识到，所述可编程的计算机可以使用已知的硬件、软件等不同的计算机组件配置，以最优化在所述实时表征工具中包含的数据和其它信息的存储和操作。

NIRS反射度装置用来测量农作物样品的反射波长，并且将得到的NIRS数据保存在数据库中。软件程序可以设计成以编码语言表示有组织的指令组。将这些指令编程，以与在存储器中保存的专有预测方程相互作用。当农作物样品进行实时NIRS分析时，将得到的NIRS数据通过预测方程用于预测实时农作物样品的相关特征的实际真实的数值。如上述，预测方程可以进一步预测处于不同粒度的草料或谷物物质的纤维或淀粉可消化性，其对于配制饲料配给可以是非常有帮助的。

所述系统存在其中的计算机系统可以是标准PC、便携电脑、主机、手持无线装置、或能够运行监测可移植物质进展的软件的任何自动数据处理装置。CPU控制计算机系统，并且能够运行在存储器中保存的系统。存储器可以包括，例如，内存储器如RAM和/或ROM，外存储器如CD-ROMs，DVDs，U盘(flash drives)，或任何目前存在的或将来的数据存储方式。时间电路可以包括能够产生指示当前的时间和/或日期的信息的任何类型的线路。时间线路还可以能够被编程用以计数预先确定的或设定的时间数量。如果在预先确定的时间量需要对特定类型的组织进行冷冻或植入，这可能是特别重要的。

数据界面允许一个或多个网络之间的通讯，所述网络可以是LAN(局域网)，WAN(宽域网)，或联系每个处理组织的部分的任何类型的网络。不同的计算机系统，诸如例如，便携电脑和无线装置，典型地使用不同的程序(即，不同的语言)。为了允许完全不同的装置通讯，数据界面可以包括或者与数据转换程序或装置相互作用，以交换所述数据。数据界面还可以允许完全不同的装置通过公众转换电话网络(Public Switched TelephoneNetwork)(PSTN)、因特网和私人或半私人网络进行通讯。

由这样的实时表征系统产生的输出包括关于实时样品的预测特征值。然而，所述系统还可以被编程，用以运行与上述讨论的配给可发酵性指数(RFI)相关的各种计算，并且警告使用者按照通过实时表征系统分析的饲料成分配制的饲料配给是否将在营养模板详细说明之外，并且哪种成分引起任何问题。这可以辅助营养学家为反刍动物重新配制饲料配给。这种系统还可以产生并打印一系列记录这种信息的报告。

III.实时饲料配制方法

在收获之前，分析待收获的农作物的淀粉和纤维降解性特征，以提供收获决定所需要的信息。获得每个地块的代表性样品，并且用NIR分光光度计以先前开发的预测方程所需的波长进行扫描。使用该方程预测每个地块中的植物的淀粉和/或纤维消化特征。所提供的信息用来做出收获决定，诸如在收获时的湿度浓度和对于高湿度谷物碾磨的粒度以及保存方法(高湿度谷物或干谷物)。这给出对所得到的由牛和绵羊消费的饲料的额外的控制，其帮助最优化能量摄入和营养利用。NIRS分析使用便携式NIRS仪器在实验室中或在野外进行。

筛选所保存的饲料样品的淀粉和纤维可消化性特征，以为配制最佳能量摄入和营养利用的日常饲料提供信息。在日常饲料中限制具有高度可降解的淀粉的饲料，以防止瘤胃酸中毒，降低纤维可消化性和微生物蛋白生产的效率，并且减少能量摄入。限制具有低淀粉降解性的饲料，以最优化微生物蛋白质生产、营养利用和能量摄入。

本发明还包括利用传统的实时筛选技术，诸如湿法化学，以确定在田间的具体的农作物或基于保留的性质储存的农作物的淀粉和/或纤维可消化性特征。因此，本发明包括，使用本发明的技术或本领域已知的其它技术，实时分析性质保留的农作物的淀粉和/或纤维可消化性，并且利用所述信息制备最优化反刍动物生产力的饲料配制。

本发明还包括在特定的位置生长农作物，并且在收获之前或之后，通过NIRS实时确定用作谷物的农作物植物的淀粉降解性特征或者当用作草料时的NDF可消化性。基于保留的性质储存所述农作物植物或植物部分。基于具体的日常饮食需要，保存方法诸如高湿度发酵或野外干燥，并且进行加工包括碾压或碾磨，用来改变测量的淀粉降解性。一旦确定了反刍动物群的特异性淀粉降解性目标/需要，将混合已经按照本发明准确测量的快速和缓慢的淀粉降解性性质的掺合步骤结合到关于最佳反刍动物生产力的饲料配制中。

应该理解，本发明适用于玉米、苜蓿、和其它草料农作物，并且还可以用于实时表征草料来源。因此，术语“农作物植物”或“农作物”意欲包括用作反刍动物的青贮饲料、谷物或其它基于植物的饲料成分的任何植物。

玉米谷物和玉米草料二者的植物特征、能量(可消化性)、蛋白质和纤维含量受到遗传与环境的相互作用(GxE)的影响。因此，按照本发明，实时表征每种淀粉(谷物)和NDF(纤维)来源对于准确配制用于反刍动物的日常饲料是必要的。一旦确定了动物生产靶标，基于预先确定的代谢能量(ME)靶标、粗蛋白并且满足足够的和充分的纤维需要，通过将能量、蛋白、纤维、维生素和矿物成分组合到搅拌车(mixer wagon)中，而设计完全混合的配给(TMR)。

满足总配给NDF靶标和作为日常饲料中的总草料百分数的NDF水平确定基本日常饲料的草料成分。确定调整的草料来源的ME值以解释来自草料NDF的能量贡献(NDF可消化性)。

日常饲料和草料的生产需要/日常饲料的纤维组成将确定补充性淀粉的最佳量和来源，制备最大饲料转化率、生产力和健康日常饲料配制需要快速、缓慢或中等的淀粉降解性。日常饲料的草料特征还确定淀粉的最佳湿度含量，所述淀粉即干谷物(15.5％)或高湿度谷物，诸如高湿度玉米(HMC)为28-32重量％，并且确定对于所述日常饲料的生产和健康影响哪种保存和加工方法是有利的。

因此，应该理解，本发明是通过实时分析保留性质的饲料成分而最优化反刍动物饲料配方的系统。还应该理解，本发明包括利用各种实时测量农作物植物特征的方法。

上述说明书、附图和数据提供本发明的饲养方法和所得到的饲料组合物的完整描述。由于在不背离本发明的精神和范围的条件下可以实施本发明的许多实施方案，所以本发明包含在下文后附的权利要求中。

引用的参考文献

Dado，R.G.，和R.W.Briggs.1996.来自在黑色层后收获的高赖氨酸玉米杂种的谷物的瘤胃淀粉可消化性(Ruminal starch digestibility of grain fromhigh-lysine corn hybrids harvested after black layer).乳品科学杂志(J.DairySci.)79(增刊1)：213.

Philippeau，C.和B.Michalet-Doreau.1996.玉米基因型对瘤胃淀粉降解速率的影响(Influence of genotype of corn on rate of ruminal starchdegradation.)乳品科学杂志(J.Dairy Sci.)79(增刊1)：138.

Philippeau，C.和B.Michalet-Doreau.1997.大麦的基因型和成熟阶段对瘤胃淀粉降解性的影响(Influence of genotype andstage of maturity of maizeon rate of ruminal starch degradation.)动物饲养科学和技术(Animal Feed Sci.Tech.)68：25-35.

Philippeau，C.和B.Michalet-Doreau.1999.玉米谷物的基因型和青贮法对淀粉在瘤胃中的原位降解的影响(Influence ofgenotype and ensiling ofcorngrain on in situ degradation of starch in the rumen.)乳品科学杂志(J.DairySci.)81：2178-2184.

Stock，R.A.，M.H.Sindt，R.Cleale IV，和R.A.Britton.1991.高湿度玉米在精加工牛中的应用(High-moisture corn utilization in finishing cattle.)动物科学杂志(J.Anim.Sci.)69：1645.

Watson，S.A.，和P.E.Ramstad.编.1987.玉米化学技术(Corn Chemistryand Technology).美国谷物化学学会(Am.Soc.Cereal Chem.)，St.Paul，MN.

Cowe，I.A.和J.W.McNicol.1985.主要成分在近红外光谱分析中的应用(The use of principal components in the analysis of near infrared spectra.)应用光谱学(Applied Spectroscopy)39：257-266.

Jackson，J.E.1991.主要成分的使用者指南(A user’s guide to principalcomponents.)John Wiley和Sons.纽约，NY.

Hruska，W.R.1987.数据分析：波长选择方法(Data analysis：Wavelengthselection methods.)第35-56页.在P.Williams和K.Norris(编)在农业和食品工业中的近红外技术(Near-infrared technology in the agricultural and foodindustries)中.美国谷物化学家协会(American Association of CerealChemists).St.Paul，MN.

Martens，H.，和T.Naes.1989.多元校准(Multivariate calibration).JohnWiley和Sons，纽约，NY.

Naes，T.，K.Kvaal，T.Isaksson，和C.Miller.1993.在多元校准中的人造神经网络(Artificial neural networks in multivariate calibration).近红外光谱法杂志(Journal of Near Infrared Spectroscopy)1：1-12.

Osbourne，B.G.，R.Fearn，和P.H.Hindle.1986.用在食品和饮料分析中的实用NIR光谱法(Practical NIR spectroscopy with applications in food andbeverage analysis).朗曼科学和技术(Longman Scientific and Technical).Essex，英格兰.

Shenk，J.S.和M.O.Westerhaus.1994.近红外反射度光谱学(NIRS)对草料分析的应用(The application of near infrared reflectance spectroscopy(NIRS)to forage analysis).第406-499页.在G.C.Fahey(编)草料质量、评价和应用(Forage quality，evaluaion，and utilization)中.关于草料质量、评价和应用的国家会议(National conference on Forage quality，evaluation，andutilization)，内布拉斯加州大学(University ofNebraska)，Lincoln，NE.，1994年4月13-15日.ASA，CSCA，SSSA，Madison，WI.

Windham，W.R.，D.R.Mertens，F.E.Barton II.1989.增刊1.NIRS校准的步骤：样品选择和方程研发和确认(Protocol for NIRS calibration：sampleselection and equation development and validation).第96-103页在：Marten，G.C.，J.S.Shenk，和F.E.Barton II(编)近红外反射度光谱学(NIRS)：草料质量的分析(Near infrared reflectance spectroscopy(NIRS)：Analysis offorage quality)中.USDA农业手册(USDA Agricultural handbook)No.643Washington，D.C.

Goering，H.K.，和P.J.Van Soest.1970.草料纤维分析：装置、试剂、步骤、和一些应用(Forage fiber analysis：apparatus，reagents，procedures，and someapplications).USDA-ARS手册379.U.S.Govt.Print.Office，Washington，DC.

Martens，G.C.，和R.F.Barnes.1980.使用体外瘤胃发酵和真菌酶系统预测草料的能量可消化性(Prediction of energy digestibilities of forages with invitro rumen fermentation and fungal enzyme systems).第61-71页.在W.J.Pigden等.(编)(关于饲料分析方法的国际研讨会进展)Proc.Int.Workshopon standardization of analytical methodology for feeds.IDRC-134e，Ottawa，加拿大.1979年3月12-14日.Unipub.纽约，NY.

Mertens，D.R.1991.中心去污剂纤维(Neutral detergent fiber).第A12A16.在国家草料检测协会草料分析研讨会进展(Proe.National Forage TestingAssociation forage analysis workshop)中.Milwaukee，WI.1991年5月7-8日.

Claims (20)

1.一种实时表征要用在饲料配给中的农作物植物以最优化消耗所述的饲料配给的反刍动物的生产力的系统，所述系统包括：

(a)确定一组包括所述农作物植物样品的谷物的农作物植物样品的淀粉可消化性特征；

(b)基于所述淀粉可消化性特征研发预测方程；

(c)获得来自农作物植物的谷物样品；

(d)通过将来自所述NIRS的电子记录的近红外光谱数据输入到所述方程中，通过所述样品的NIRS来实时确定所述淀粉可消化性特征；

(e)在保留性质的基础上，储存和/或研磨所述谷物；和

(f)基于在步骤(d)中确定的淀粉可消化性特征，确定结合在饲料配给中的所述农作物植物的量。

2.按照权利要求1的实时表征系统，其中所述农作物植物是褐色叶中脉玉米。

3.按照权利要求1的实时表征系统，其中所述农作物植物是粮饲兼用型玉米。

4.按照权利要求1的实时表征系统，其中所述农作物植物是多叶玉米。

5.按照权利要求1的实时表征系统，其中所述农作物植物是苜蓿。

6.按照权利要求1的实时表征系统，其中所述农作物植物是草。

7.按照权利要求1的实时表征系统，其中所述农作物植物是高粱(sorghum)。

8.按照权利要求1的实时表征系统，所述表征系统还包括：

基于所述预测方程，预测包含处于不同粒度的所述农作物植物样品的谷粒的农作物植物样品的淀粉可消化性特征。

9.一种实时表征要用在饲料配给中的农作物植物以最优化消耗所述饲料配给的反刍动物的生产力的系统，所述系统包括：

(a)确定来自遗传上不同的农作物植物的谷物的淀粉可消化性特征；

(b)确定用作草料的遗传上不同的农作物植物的dNDF特征；

(c)基于所述淀粉可消化性和dNDF特征研发预测方程；

(d)获得用作饲料补充剂的谷物样品和用作草料的农作物植物；

(e)通过将关于所述特征的电子记录的近红外光谱数据输入到所述方程中，通过所述谷物样品和所述农作物植物的NIRS来确定淀粉和NDF可消化性特征；和

(f)基于在步骤(e)中确定的所述淀粉和NDF可消化性特征，确定结合在饲料配方中的所述谷物和所述农作物植物的量。

10.按照权利要求9的实时表征系统，其中所述农作物植物是褐色叶中脉玉米。

11.按照权利要求9的实时表征系统，其中所述农作物植物是粮饲兼用型玉米。

12.按照权利要求9的实时表征系统，其中所述农作物植物是多叶玉米。

13.按照权利要求9的实时表征系统，其中所述农作物植物是苜蓿。

14.按照权利要求9的实时表征系统，其中所述农作物植物是草。

15.按照权利要求9的实时表征系统，其中所述农作物植物是高粱。

16.按照权利要求9的实时表征系统，所述表征系统还包括基于所述预测方程，预测包含处于不同粒度的所述农作物植物样品的谷粒的农作物植物样品的淀粉可消化性特征。

17.按照权利要求9的实时表征系统，所述表征系统还包括基于所述预测方程，预测包含处于不同粒度的所述农作物植物样品的草料的农作物植物样品的草料可消化性特征。

18.按照权利要求1的实时表征系统，其中所述系统包括结合所述预测方程的基于计算机的工具。

19.按照权利要求19的实时表征系统，其中所述系统是便携式的。

20.按照权利要求1的实时表征系统，所述表征系统还包括基于所表征的所述农作物植物的数值，计算所得到的饲料配给的一种或多种配给可发酵性指数值，以确定所述饲料配给是否需要重新配制。