A maior rede de estudos do Brasil

Grátis
11 pág.
exigências de nutrientes para vacas leiteiras

Pré-visualização | Página 3 de 4

e o animal precisa comer 
mais para obter o mesmo nível de consumo de NDT 
e o nível de PB das dietas são menores que aqueles 
recomendados pelo NRC (2001) pois os níveis de 
CMS são maiores. 
O CMS tem alta influência sobre a PL (equações 3, 
8 e 9, tabela 3) e explicou 97% das variações em 97% 
das variações de PL. Isto concorda com a literatura, 
pois o CMS é a medida do valor alimentício da dieta, 
pois no primeiro momento afeta o desempenho 
do animal, e depois que este atingiu a máxima 
capacidade de CMS, a composição bromatológica 
passa a influenciar o desempenho (Sousa, 2009; Riaz 
et al., 2014). O PC teve baixa influência sobre a PL 
(tabela 2, equações 1, 3 e 4) e explica apenas 1% das 
variações. Assim, o CMS é a variável de desempenho 
de maior importância nesta modelagem. O’Neill et al. 
(2013) também relataram efeitos do CMS sobre a PL 
e observou efeitos do PC apenas na estação de verão. 
O escore corporal apresentou maior importância do 
que o PC. O CPB apresentou maior influência sobre 
a PL do que o teor de PB (tabela 2) sendo a exigência 
de 6,57 unidades de proteína bruta para cada unidade 
de PL. Huhtanen & Hristov (2009) fizeram uma meta-
análise demonstrando que em 1734 observações não 
se observaram influência do teor de PB sobre a PL 
de vacas leiteiras. Aqui o teor de PB foi importante, 
porém o CPB foi mais, pois o aumento do CMS 
reduziu os requerimentos de PB mantendo o mesmo 
consumo, variando o teor de PB de 0,68 a 1,57 
unidades para cada unidade de PL (modelos, 2, 4, 6 
e 9, tabela 2). Acharya et al. (2015) demonstraram 
que o incremento dos níveis de PB aumenta o CMS 
e portanto, a PL, especialmente em dietas com altos 
teores de FDN, conforme a Figura 1, cujos valores 
são maiores do que aqueles recomendados pelo NRC 
(2001) havendo efeitos associativos entre alimentos, 
CMS e dietas sobre a digestibilidade (Ferrareto et al., 
2015; Riaz et al., 2014).
Aqui foram testadas 9 variáveis independentes 
combinadas 9 a 9 o que geram 511 possíveis 
combinações (Figura 2). Mas, apenas 179 modelos 
foram viáveis devido à colinearidade, assim o 
máximo número possível de variáveis por modelo foi 
5 (Figura 2). Estes dados mostraram que os modelos 
mais precisos também foram os mais acurados e, com 
R² abaixo de 0,8 a acurácia diminui (aumenta MAPE) 
(Figuras 3 e 5) e, na tabela 2 foram apresentados as 10 
melhores equações, com R² próximo de 0,90 e a maior 
acurácia foi da equação 2, cujo valor de ED foi o menor 
(Tabela 2). Não há trabalhos sobre previsão no Brasil 
Rev. Cient. Prod. Anim., v.18, n.1, p.55-65, 2016
61
sobre previsão (forecast) para permitir comparações, 
mas Murphy et al. (2014) compararam 3 modelos 
de previsão da produção de leite total de rebanho e 
usou como valores de entrada no modelo (variáveis 
independentes) 2 variáveis: (DIM – dias em lactação) 
e (NCM – número de vacas em lactação). O modelo 
MOLS (mínimos quadrados ordinários múltiplos) 
apresentou valor de RMSE =10,62. Aqui os valores de 
RMSE variaram de 17,65 to 21,27%. Quanto menor 
o valor de RMSE maior é a acurácia dos modelos, 
mas os valores apresentados são satisfatórios, pois os 
valores previstos foram semelhantes aos observados 
(Figura 5).
Tabela 2. Modelos calibrados para a previsão da PL a partir de meta-dados de experimentos no Brasil com 
alimentação de vacas leiteiras.
Eq Models EPreg RMSE ED
1 PL =0,01PC+0,058PB+1.41CNDT-11,19 1,84 17,89 11,30
2 PL= 1,57PB-0,08NDT+0,80CNDT-4,12 1,97 19,16 10,53
3 PL=0,97CMS +0,01PC+0,70PB+0,12NDT 1.93 18.63 10.58
4 PL =-0,49GL+0,01PC+0,54PB+1,41CNDT-8,73 1.83 17.65 10.81
5 PL =-1,04GL+0,02PC-0,04NDT+1,68CNDT-1,01 2.06 19.83 15.38
6 PL =-0,45GL+0,76PB-0,09NDT+1,57CNDT 1.97 18.97 14.29
7 PL =0,005PC-0,02FDN+6,79CPB+0,08NDT-4.67 2.21 21.27 14.30
8 PL =0,97CMS -0,22MF+0,01PC+0,68PB+0,12NDT-18.52 1.94 18.58 14.50
9 PL =0,97CMS -0,22GL+0,01PC+0,68CP+0,12TDN 1.94 18.58 14.41
10 PL =0,004PC-0,04FDN+6,57CPB+0,08NDT+0,016CFDN 2.22 21.20 15.14
Fonte: desta pesquisa. Eq = equação. EP = erro padrão. RMSE = Root Mean Square Error. ED = Distância 
Euclidiana.
Fonte: desta pesquisa. N viável = número viável de 
modelos.
Figura 2. Número total de combinações de modelos. 
Número de modelos viáveis. Número de modelos 
colineares.
Fonte: desta pesquisa
Figure 3. Relações entre MAPE calibrado, R² e 
valor-p.
Fonte: desta pesquisa. Cada ponto é um modelo. O 
mais acurado possui a menor distância ED, medida a 
partir da origem dos eixos.
Figure 4. Gráfico para escolha do modelo mais 
acurado 
Rev. Cient. Prod. Anim., v.18, n.1, p.55-65, 2016
62
Fonte: desta pesquisa. PL = Produção de leite. Yobs = valor observado variável independente. Yest = valor 
estimado variável independente
Figura 5. Acurácia dos 10 melhores modelos para previsão da produção de leite a partir de meta-dados de 
experimentos com vacas leiteiras.
Rev. Cient. Prod. Anim., v.18, n.1, p.55-65, 2016
63
O espaço amostral deste artigo foi maior que o de 
Freitas et al. (2006) e variou de 4,67 to 34,6 kg.dia-1 
e o CMS variou de 5,32 to 23,5 kg.dia-1 enquanto os 
valores de PL deles variou de 16 to 26 kg.dia-1 e o 
CMS foi de 14,7 a 20,3 kg.dia-1 O teste dos valores 
previstos é a última etapa da modelagem e não 
trabalhos feitos a respeito. As equações calibradas 
aqui podem ser utilizadas na previsão da PL (e dos 
requerimentos nutricionais, bastando desenvolvê-
las algebricamente) em toda a área de origem dos 
metadados, o que inclui a região centro-sul do Brasil 
e alguns municípios da região nordeste.
Conclusões
Estes modelos calibrados podem prever o 
desempenho de vacas leiteiras e o seus requerimentos 
nutricionais com alta precisão e são mais robustos que 
os modelos de predição desenvolvidos anteriormente 
por outros autores, incluindo meta-dados de 
experimentos de várias regiões no Brasil. 
Referências Bibliográficas
ACHARIA IP.; SCHINGOETHE D.J; KALSCHEUR, 
K. F; CASPER, D. P. Response of lactating dairy 
cows to dietary protein from canola meal or distillers’ 
grains on dry matter intake, milk production, milk 
composition, and amino acid status. Canadian Journal 
of Animal Science, v.95, n.2, p.267-279, 2015.
AQUINO, A.A.; BOTARO, B.C.; IEKEDA, F.S.; 
RODRIGUES, P.H.M.; MARTINS, M.F.; SANTOS, 
M.V. Effect of increasing dietary urea levels on milk 
yield and composition of lactating cows. Brazilian 
Journal of Animal Science, v.36, n.4, p.881-887, 
2007.
CORDEIRO, C.F.D.A.; PEREIRA, M.L.A.; 
MENDONÇA, S.S.; ALMEIDA, P.J.P.; AGUIAR, 
L.V. Figueiredo. Intake and total digestibility of 
nutrients and milk production and composition in 
dairy cows fed with increasing crude protein levels in 
the diet with sugar cane and concentrates. Brazilian 
Journal of Animal Science, v.36, n.6S, p.2118-2126, 
2007.
CORRÊA, C.S. Performance of Holstein cows fed 
sugarcane or corn silages of different grain textures. 
Scientia Agricola, v.60, n.4, p.621-629, 2003.
COSTA, L.T.; SILVA, F.F.; VELOSO, C.M.P.; 
VIEIRA, A.J.; NETO, A.L.R.; BONOMO, P.; 
MENDES, F.B.L.; OLIVEIRA, J.S.; AZEVEDO, S.T.; 
TANNUS, S.; SILVA, V.L. Performance, digestibility, 
production and composition of milk from crossbred 
cows receiving different levels of concentrate in the 
diets based on sugar cane. Brazilian Journal of health 
and animal production, v.10, n.4, p.1019-1031, 2009.
COSTA, M.G.; CAMPOS, J.M.S.; FILHO, S.C.V.; 
VALARARES, R.F.D.; MENDONÇA, S.S.; SOUSA, 
D.P.; TEIXEIRA, M.P. Effects of Feeding Corn 
Silage or Different Dietary Ratios of Sugarcane and 
Concentrate on Production of Lactating Dairy Cows. 
Brazilian Journal of Animal Science, v.34, n.6S, 
p.2437–2445, 2005.
FERRARETTO, L.F.; FONSECA, A.C.; SNIFFEN, 
C.J.; FORMIGONI, A.; SHAVER, R.D. Effect of 
corn silage hybrids differing in starch and NDF 
digestibility on lactation performance and total tract 
nutrient digestibility by dairy cows. Journal of Dairy 
Science, v.98, n.1, p.395-405, 2015.

Crie agora seu perfil grátis para visualizar sem restrições.