Search

The present re-evaluation of a dataset of systematically collected laboratory analyses and in vivo digestibility information for several types of silages gives convincing evidence of the biological weaknesses of feed characterisation based on the proximate feed analysis. The problems include intrinsic failures of the analysis in describing cause-response relationships between forage composition and digestibility, and heavy dependency of the equations on forage specific and environmental factors. It is concluded that proximate analysis is not suitable for characterisation of neither forages nor concentrate feedstuffs. In vitro pepsin-cellulase solubility of organic matter (OMS) and concentration of indigestible neutral detergent fibre (iNDF) predicted forage organic matter digestibility (OMD) with an acceptable accuracy for practical feed evaluation purposes provided that forage type dependent correction equations were employed. The revised detergent system dividing forage dry matter (DM) into almost completely available neutral detergent solubles (NDS), and insoluble residue (neutral detergent fibre, NDF) shows potential for future development. The combined use of long-term in situ ruminal incubation and NDF fractionation can be used to divide forage DM into three biologically meaningful fractions: NDS, iNDF and potentially digestible NDF (pdNDF). The summative models can then be used to predict forage D-value, i.e. apparently digestible organic matter in forage (g kg-1 DM). The models sum digestible NDS, which can be determined by Lucas equation, and digestible NDF (dNDF), which is the amount of pdNDF that is actually digested during any specific fermentation or retention time. Forage type specific summative models were as good as regression equations based on OMS or iNDF in predicting forage D-value and general summative models gave better results than general equations based on iNDF and especially OMS. If the goal is to reduce prediction error of D-value below 15 g kg-1 DM, forage type specific prediction equations should be used regardless of whether they are based on OMS, iNDF or summative models. Another option in the future may be dynamic models, which can incorporate simultaneously the two important dynamic processes constraining feed digestion in ruminants: the rates of NDF passage and degradation (kd). However, a vital prerequisite to employ dynamic models in practical feed evaluation is that iNDF and kd can be easily and reliably determined from on-farm forages. Although a NIRS prediction equation for iNDF will be adopted in practical use in the near future in Finland, the methodology for estimating kd warrants further research., Systemaattisesti kerätyn säilörehuaineiston perusteella tehty yhteenveto osoittaa selvästi ns. virallisen rehuanalyysineli Weenden analyysin biologiset puutteet rehujen ravitsemuksellisen laadun kuvaajana. Analyysi ei kuvaa rehun kemiallisen koostumuksen ja sulavuuden välisiä syy-seuraussuhteita. Lisäksi tilastolliset yhteydet vaihtelevat huomattavasti eri kasvimateriaaleilla ja ympäristöolosuhteissa. Weenden analyysin käyttöä ei siis voi suositella karkea- eikä väkirehujen laadun kuvaamiseen. In vitro pepsiini-sellulaasiliukoisuus (OMS) ja sulamattoman kuidun (iNDF) pitoisuus sen sijaan ennustivat karkearehujen orgaanisen aineen sulavuuden riittävän tarkasti käytännön ruokinnansuunnittelua varten, edellyttäen että analyysitulokset muunnettiin sulavuudeksi rehutyyppikohtaisia korjausyhtälöitä käyttäen eli erikseen ensimmäisestä sadosta ja jälkikasvusta tehdyille nurmisäilörehuille, palkokasvisäilörehuille ja kokoviljasäilörehuille. Detergenttikuituanalyysi, joka jakaa rehun kuiva-aineen liukoiseen ja lähes täysin käyttökelpoiseen solunsisällykseen (NDS) sekä liukenemattomaan kuituun (NDF), on Weenden analyysiä huomattavasti kehityskelpoisempi vaihtoehto. Kun kuituanalyysiin yhdistetään pitkä in situ pötsi-inkubaatio, rehun kuiva-aine saadaan jaettua kolmeen biologisesti mielekkääseen osaan: NDS, potentiaalisesti sulava kuitu (pdNDF) ja iNDF. Rehun D-arvo eli sulavan orgaanisen aineen pitoisuus kuiva-aineessa voidaan ennustaa ns. summatiivisella yhtälöllä. Yhtälössä lasketaan yhteen sulanut NDS, joka voidaan määrittää Lucasin yhtälöllä, ja sulanut kuitu (pdNDF-pitoisuus × pdNDF:n sulavuus tai vaihtoehtoisesti NDF-pitoisuus × NDF:n sulavuus). Rehutyyppikohtaiset summatiiviset yhtälöt ennustivat karkearehujen D-arvon lähes yhtä hyvin kuin OMS ja iNDF. Kun koko aineistoa tarkasteltiin yhdessä, summatiiviset yhtälöt olivat parempia kuin iNDF ja erityisesti OMS. Jos D-arvon ennustevirhe halutaan saada pienemmäksi kuin 15 g/kg kuiva-ainetta, on käytettävä rehutyyppikohtaisia yhtälöitä riippumatta siitä, onko laskennan perusteena OMS, iNDF tai summatiivinen yhtälö. Toinen vaihtoehto tulevaisuudessa on dynaamisten mallien käyttö. Ne pystyvät samanaikaisesti huomioimaan kaksi tärkeää dynaamista prosessia, jotka rajoittavat rehun sulatusta pötsissä eli kuidun virtaus- ja sulatusnopeuden. Dynaamisten mallien käyttö edellyttää kuitenkin sitä, että rehuista voidaan helposti ja luotettavasti määrittää iNDF-pitoisuus ja kuidun sulatusnopeus. Maatilarehujen iNDF-määritys NIRS-menetelmällä toteutuu Suomessa lähiaikoina, mutta kuidun sulatusnopeuden määritys vaatii vielä lisätyötä.

The calculation of whole-farm nutrient balance is an effective and simple method for estimating the potential nutrient loading from dairy farming into the environment. In Finland, however, the published results based on larger number of farms are still lacking. In this study whole-farm nitrogen (N) and phosphorus (P) balances on Finnish dairy farms were studied based on short-cut data for the year 2002. The survey was targeted to 1260 dairy farms, located all over Finland. Of the 386 replies received, 319 were used for subsequent statistical analyses. The association between selected farm variables and nutrient balance was studied using regression analysis and a sensitivity coefficient was calculated for each regression slope. The average (± standard deviation) whole-farm nutrient balance for N and P was 109 (±41.3) and 12 (±7.2) kg ha-1, respectively. The most responsive factors affecting the nutrient balances were total nutrient and fertilizer import per ha, followed by animal density, milk export per ha and concentrate import per ha. The results suggested that nutrient surpluses could be controlled more easily in combined crop and milk than in specialised milk production. It is concluded that nutrient surplus on Finnish dairy farms is markedly lower than that on areas with intensive production in central European countries. However, when nutrient balances were extrapolated to comparable production intensity as in central Europe, the level of the surpluses was equal., Intensiivisessä maidontuotannossa on tärkeää löytääkeinoja hehtaarikohtaisten ravinneylijäämien pienentämiseksi. Ravinteiden tilataseet ovat ulkomaisten tutkimusten mukaan yksinkertainen ja käytäntöön soveltuva menetelmä arvioida maidontuotannon aiheuttamaa ravinnepäästöpotentiaalia. Tässä tutkimuksessa laskettiin typen ja fosforin hehtaarikohtaiset porttitaseet suomalaisille lypsykarjatiloille vuoden 2002 tiedoista. Tutkimus suoritettiin kirjekyselynä (n = 1260), jonka tuloksena lopulliseen aineistoon saatiin 319 tilahavaintoa. Kyselyyn vastanneista 386 tilasta (vastausprosentti 31) poistettiin luonnonmukaisen viljelyn tilat (n = 16), fosforipitoisia kivijauheita käyttäneet tilat (n = 24), epätäydellisesti täytetyt kaavakkeet (n = 8) ja poikkeavat havainnot (n = 19). Ravinnetaseet laskettiin tilalle tuotujen ja sieltä vietyjen ravinnemäärien erotuksena. Ilmalaskeumaa (N ja P), typen haihtumista ja biologista N-sidontaa ei huomioitu. Valittujen tilamuuttujien yhteyttä ravinnetaseeseen tutkittiin regressioanalyysin avulla. Lisäksi valituille tilamuuttujille laskettiin herkkyyskerroin (regressiosuoran kulmakertoimen suhdeluku yhden yksikön muuttumiseen regressiomuuttujan arvossa). Keskimääräinen (±SD) porttitase oli typellä 109 (±41.3) ja fosforilla 12 (±7.2) kg/ha. Maidontuotannon intensiteetti (kg maitoa hehtaaria kohti), tilan tuotantotapa (maidontuotanto vs. maidontuotanto ja kasvinviljely yhdessä) ja rehuntuontisuhde vaikuttivat ravinnetaseisiin. Herkkyyskertoimien mukaan typen ja fosforin hehtaarikohtaisia taseita voidaan parhaiten hallita pienentämällä kokonaisravinnepanoksia hehtaaria kohden, vähentämällä hehtaarikohtaista lannoitteiden tuontia sekä alentamalla eläintiheyttä, maidontuotannon intensiteettiä sekä väkirehujen tuontia pinta-alaa kohden. Tulosten mukaan ravinteiden ylijäämä on helpommin hallittavissa harjoittamalla tilalla kasvinviljelyä pelkän maidontuotannon lisäksi. Suomalaisilla lypsykarjatiloilla ravinteiden ylijäämä pinta-alaa kohti on pienempi kuin Keski-Euroopassa intensiivisen maidontuotannon alueilla. Mikäli ravinneylijäämät kuitenkin suhteutetaan keskieurooppalaiselle maidontuotannon intensiteettitasolle, muodostuvat ylijäämät yhtä suuriksi. Jotta löydettäisiin tehokkaita keinoja lypsykarjatilojen ravinteiden käytön parantamiseksi, tarvitaan lisää tutkimusta ravinteiden tehokkaasta hyväksikäytöstä tilatasolla myös Suomessa. Tilan ravinnekierrossa kriittisiksi tekijöiksi muodostuvat silloin ravinteiden siirtäminen satoon, rehun muuttaminen maidoksi ja lannan muuttaminen kasvualustaksi.

A dataset of grasses and respective silages was collected by systematically varying the harvesting time in primary growth (n = 27) and in regrowth (n = 25). The swards were mixtures of timothy and meadow fescue. The grasses were ensiled unwilted with formic acid. Fixed or mixed regression procedure of SAS was used to investigate the relationships between composition of grasses and respective silages and to develop regression equations for predicting silage in vivo organic matter digestibility (OMD) from herbage pepsincellulase organic matter solubility (OMS). The silages were well preserved showing only limited amounts of secondary fermentation products. The silage dry matter (DM), crude protein and neutral detergent fibre contents could be estimated relatively accurately from grass variables as judged by relatively small prediction errors (RMSEmixed = 3.6, 8.1 and 18 g (kg DM)-1, respectively). The average OMS of grasses was significantly higher than that of respective silages (779 vs. 756 g (kg DM)-1, P < 0.001). However, silage OMD was equally accurately predicted from grass and silage OMS (RMSEmixed = 15.1 and 15.8 g (kg DM)-1, respectively). When predicting silage OMD from OMS, specific equations should be used for primary growth and regrowth silages, because the slopes and intercepts of correction equations were numerically though not statistically significantly different. It is concluded that silage composition and digestibility can be reliably predicted from herbage characteristics provided that silages are well preserved with moderate ensiling losses., Tässä tutkimuksessa selvitettiin mahdollisuuksia ennustaanurmisäilörehun koostumus ja sulavuus säilörehun raaka-aineena käytetyn ruohon koostumus- ja in vitro #NIMI? ja nurminadan seoskasvustoista tehdyistä säilörehuista, joista 27 oli ensimmäisestä sadosta ja 25 jälkikasvusta. Säilörehujen ja raaka-aineiden koostumus määritettiin standardimenetelmin ja sulavuutta arvioitiin pepsiini-sellulaasiliukoisuudella. Säilörehujen in vivo sulavuus määritettiin pässeillä sonnan kokonaiskeruumenetelmällä. Raaka-aineen ja vastaavan säilörehun ominaisuuksien yhteyksiä tarkasteltiin regressioanalyysillä. Kaikki säilörehut olivat hyvin säilyneitä. Säilörehun kuiva-aine-, raakavalkuais- ja solunseinäkuitupitoisuus pystyttiin arvioimaan suhteellisen tarkasti raaka-aineen perusteella, sillä ennustevirheet olivat melko pieniä. Ruohojen pepsiini-sellulaasiliukoisuus oli merkitsevästi korkeampi kuin säilörehujen [779 vs. 756 g (kg kuivaainetta)- 1], mikä johtuu pääasiassa säilönnän aikana tapahtuvan sulavan orgaanisen aineen hävikistä hengitys-, käymis- ja puristenestetappioiden takia. Säilörehun sulavuus pystyttiin kuitenkin arvioimaan yhtä hyvin ruohon ja säilörehun pepsiini-sellulaasiliukoisuuden perusteella. Ensi- ja jälkikasvusta tehdyille rehuille pitäisi käyttää eri korjausyhtälöitä pepsiini-sellulaasiliukoisuuden muuntamisessa sulavuudeksi, sillä regressioyhtälöiden vakiot ja kulmakertoimet poikkesivat lukuarvoiltaan selvästi toisistaan. Säilörehun koostumus ja sulavuus voitiin arvioida luotettavasti raaka-aineena käytetyn ruohon perusteella, kun aineistona käytettiin hyvin säilyneitä säilörehuja.