1. Comparando valor relativo con los parámetros de degradación
de gramíneas y leguminosas forages1
T. J. Hackmann, J. D. Sampson y J. N. España2
División de Ciencias Animales de la Universidad de Missouri, Columbia 65211
RESUMEN: Se evaluó valor relativo (RFV) en relación a los parámetros de degradación in situ de hierba y
leguminosas forrajeras. Alfalfa Early-cut (n = 20), a finales de corte alfalfa (n = 26), el césped de temporada fría (n =
11), de clima cálido hierba (n = 4), y de gramíneas y leguminosas (n = 20) muestras se obtuvieron de las balas de
heno duplicadas presentadas el Missouri State Fair Concursos heno 2002 y 2003. Las submuestras se incubaron en
el rumen de 2 lactantes Vacas Holstein de 0, 6 o 8, 12, 24, y 48 h para determinar degradación in situ de la MS, ADF,
NDF, CP, y hemicelulosa con el tiempo. Los datos sobre degradación se ajustaron a un variedad de modelos
candidatos para estimar los parámetros de degradación. Los coeficientes de correlación entre la degradación
estimaciones de los parámetros [ordenados según forraje (earlycut alfalfa, alfalfa finales de corte, hierba, o de
gramíneas y leguminosas)] y RFV se determinaron. Para comparación adicional, correlaciones entre los parámetros
degradación NDF estima y MS digestible fueron determinados con datos a partir de un estudio previo. Los datos
sobre degradación se adaptan mejor a un modelo de gamma piscina de 2 distribuida única sin desfase. Valor
relativo de alimentación se correlacionó significativamente
(P <0.05) con el potencialmente digestible DM y CP de alfalfa principios de corte, DM potencialmente digestible
para latecut alfalfa, y potencialmente digestible DM, NDF, y hemicelulosa de gramíneas y leguminosas. El porcentaje
de significativa correlaciones (10,7%) a través de todo el conjunto de datos fue baja y no correlaciones fueron
significativas para el pasto. Valor relativo de alimentación no cuenta la variación en el parámetros de degradación,
especialmente para los pastos. Otra análisis de correlación, que comparó digestible DMI con estimaciones de los
parámetros de degradación informaron de otro conjunto de datos, puesto de manifiesto que MS digestible y
estimaciones de los parámetros de degradación se relacionan para hierba, pero no para la alfalfa forrajes. Estos
resultados sugieren que RFV está limitada por la no inclusión de la degradación parámetros.
INTRODUCCIÓN
Numerosos sistemas se han desarrollado para predecir la calidad de los forrajes alimentado a los rumiantes (Moore,
1994). Valor relativo (RFV;. Rohweder et al, 1978) es el más ampliamente utilizada. Relativa feed valor grados
forrajes según su predicción MS digestible (DDMI), el producto de la DMI y el porcentaje de digestibilidad DM
(DDM). Predicción DDMI está dividido por una base de DDMI a establecer un índice con un típico heno de
leguminosas floración completa anotando 100. Para parametrizar el sistema RFV, la Comisión Nacional Asociación
Testing forraje ecuaciones seleccionados que se relacionan forraje NDF y ADF de DMI y DDM, con un DDMI base del
1,29 % del peso corporal al día ( Linn y Martin ,
1989 ) . A pesar de la extensa utilización del sistema de RFV parametrizado de acuerdo con las recomendaciones de
la Asociación Nacional de pruebas de forraje , la RFV ha sido criticado .
En su resumen , Moore y Undersander ( 2002 ) demostraron que la FDN y FDA son predictores inconsistentes y
pobres de DDMI . Sanson y Kercher ( 1996 ) encontraron que las ecuaciones de predicción RFV representaban
menos del 1 % de la variación total en DDMI de 20 alfalfa heno alimenta a los corderos . A pesar de los malos
resultados de RFV se ha identificado estadísticamente , es necesario seguir trabajando para determinar las causas
biológicas subyacentes para esto. Un aspecto que merece atención es características de degradación .
Características de degradación , como la tasa de degradación y extensión , están vinculados a DMI y DDM ( Mertens,
1973 ) , los 2 factores en los que se basa la RFV . Muchos estudios han medido las características de degradación ,
pero sólo para un número limitado de forrajes o químicos fracciones . Por otra parte , las características de
degradación rara vez se han reunido para evaluar RFV , sólo Canbola
Evaluación de los forrajes
Tabla 1. Descripción de los henos utilizado para el análisis in situ

2. año
2002
Clase1
n
15
16
4
Forraje y corte
La alfalfa, segundo corte
ECA
Alfalfa, tercero de corte
LCA
Cebadilla, primero de corte (n = 1)
El pasto ovillo, primero de corte (n
CSG
= 1)
Timoteo, primero corte (n = 1)
Alpiste, segundo corte (n = 1)
1
Sin especificar, primero corte
WSG
16
La alfalfa-ovillo, segundo corte (n =
GL
4)
Hierba alfalfa-canario, segundo
corte (n = 2)
La alfalfa-ovillo, tercero de corte (n
= 2)
Alfalfa-timothy, segundo corte (n =
1)
Alfalfa-cebadilla, segundo corte (n
= 1)
Alfalfa-sin
especificar
hierba,
primero corte (n = 1)
Alfalfa-no especificado hierba,
segundo corte (n = 1)
Alfalfa-sin
especificar
hierba,
tercero de corte (n = 1)
El trébol rojo-festuca, segundo
corte (n = 1)
El trébol rojo-timothy, primero
corte (n = 1)
Sin especificar de gramíneas y
leguminosas, segundo corte (n = 1)
2013
5
La alfalfa, segundo corte
ECA
10
Alfalfa, tercero de corte
LCA
7
El pasto ovillo, segundo corte (n =
2)
CSG
Brome-dactilo
aglomerado,
primero de corte (n = 1)
El pasto ovillo, primero de corte (n
= 1)
El pasto ovillo heno, segundo corte
(n = 1)
Alpiste Reed, segundo corte (n = 1)
Rye heno de hierba, tercero de
corte (n = 1)
3
Heno bermuda, segundo corte (n =
WSG
4
2)
GL
Heno de bermuda, tercero de corte
(n = 1)
La alfalfa-ovillo heno, tercero de
corte (n = 2)
Alfalfa-heno del timothy, primero
corte (n = 1)
Sin especificar de gramíneas y
leguminosas, segundo corte (n = 1)
1 ECA = alfalfa principios de corte; LCA = alfalfa finales de corte; CSG = césped de temporada fría; WSG = hierba de
estación cálida, GL = gramínea-leguminosa.
et al. (2006) lo ha hecho, la búsqueda de correlaciones de variables entre las características de producción de gas in
vitro y RFV de 1 muestra de alfalfa recogió más de 3 vencimientos. Para evaluar adicionalmente la RFV, este estudio
fue diseñado para determinar las características de degradación de las leguminosas y henos de hierba que son
representativos de los clasificados por el sistema de RFV.

3. MATERIALES Y MÉTODOS
Todos los procedimientos con animales fueron aprobadas por el Cuidado de Animales y el empleo Comisión de la
Universidad de Missouri-Columbia. Tipos de heno y procedimientos de muestreo Hay muestras se obtuvieron de
trabajos presentados a la Feria Estatal Contest Hay Missouri en 2002 y 2003. Las entradas llegaron de todo el estado
de Missouri e incluido alfalfa principios de corte (ECA), a finales de corte alfalfa (LCA), el césped de temporada fría
(CSG), de clima cálido (GL) muestras de hierba (WSG), y de gramíneas y leguminosas. Una detallada descripción de
los forrajes, incluyendo el número de muestras recogidas por año de la cosecha, clase, variedad y corte entre años,
se informa en la Tabla 1.
Cada entrada fue presentado como pacas de heno duplicados. Cada paca se quita el corazón con una sonda de heno
( Forraje de Penn State Sampler , Nasco , Ft. . Atkinson , CO ) , y el núcleo muestras de las balas de duplicados se
combinaron para dar un representante muestra de cada entrada . Las muestras se molieron en un molino Wiley (
Arthur H. Thomas Company, Philadelphia , PA ) pase a través de una pantalla de 2 mm . suelo muestras se colocaron
en bolsas de plástico selladas y almacenadas a temperatura ambiente para su posterior análisis . El análisis in situ y
Química En características de la degradación in situ se determinaron para todas las muestras . Las muestras se
analizaron más de tres 2 -d dos periodos de tiempo: 2 -d períodos de 2.002 muestras y un periodo de 2 - d para
2003 muestras ( como se discute más adelante ) . Bolsas de dacrón con aire seco ( 10 × 20 cm , 50 ± tamaño de poro
de 15 micras; Ankom Tecnología, Macedonia , Nueva York ) se llenaron de 5 ± 0,1 g de muestra seca al aire durante
2002 muestras de heno y 4 ± 0,1 g de la muestra de 2003 muestras de heno , la muestra relación de área de masa a
la superficie fue de aproximadamente 12,5 y 10 mg/cm2 de 2002 y 2003 muestras , respectivamente , que están
dentro de los sugeridos por Nocek ( 1988 ) . duplicar bolsas se prepararon para su inserción en 2 vacas , dando un
total de 4 bolsas por muestra en cada incubación tiempo . Bolsas eran termosellada ( AIE - 200 , American
International Eléctrico , más ingenioso , CA ) , fijado al cable de plástico lazos , y atado en manojos para cuerdas de
nylon de recuperación de acuerdo a su tiempo de incubación .
Dos rumen canulado , Holstein multíparas vacas alojadas en centros de libre parada en la Universidad de Missouri Columbia Center Foremost Dairy fueron seleccionado para el procedimientos in situ . Cada animal fue siempre que
el acceso ad libitum a una dieta estándar de la lactancia . La dieta fue un silo de maíz , heno de alfalfa , alfalfa
haylagebased la dieta ( 19 % CP , 24 % ADF, y 41 % de FDN , DM base ) alimentada como una ración total mezclada .
Se insertaron Bolsas en el rumen ventral de las vacas en el orden inverso . Los tiempos de incubación fueron
escogidos 0 , 8 , 12 , 24 , y 48 h para los las muestras de heno 2002 (para el plazo original, ver más abajo) y 0 , 6 , 12
, 24 , y 48 h para las muestras de heno 2003 . todo muestras dentro de año ( 2002 o 2003 ) debían ser incubados
durante un período de 2 d , dando dos 2 -d periodos en total. Sin embargo , una de las vacas utiliza para incubar la
2002 muestras dejaron de rumiar durante el periodo de 2 –d el período de muestreo , y las muestras de esta vaca se
descartaron para ese período. Nuevos submuestras de la 2002 muestras de heno se incubaron en esta vaca por un
período de 2 - d adicional , con tiempos de incubación de 0 , 6 , 12 , 24 , y 48 h . Se incubaron las muestras de 2003
durante un único periodo de 2 -d como se había previsto , dando un total de tres 2 - d períodos durante los cuales
los forrajes se incubaron . Un forraje norma no se utiliza para corregir las diferencias entre carreras porque todas las
muestras se incubaron en un período × vaca en una carrera, y las diferencias sistemáticas entre periodo × vaca
pudiera ser detectado mediante la comparación de valores de los parámetros de degradación en períodos × vaca
con un ANOVA ( véase más adelante) . Durante todos los ensayos , las bolsas de 0 - h fueron expuestos a rumen
brevemente fluido ( aproximadamente 5 min ) para permitir la hidratación . Todas las bolsas se retiraron al mismo
tiempo , como se sugiere por Nocek ( 1988 ) . Después de la eliminación del rumen , se rociaron las bolsas con (
aproximadamente 15 ° C ) de agua fría para detener la fermentación y se enjuaga hasta que el agua de lavado
funcionó relativamente borrar . Las bolsas se lavaron a continuación en una lavadora doméstica máquina hasta que
el agua de lavado funcionó del todo claro , ya que sugerido por Cherney et al . ( 1990b ) . Las muestras fueron
secados al aire en un horno a 55 ° C de convección a una masa constante y entonces están perfectamente secos en
un horno de 105 ° C . Bolsas eran entonces al aire equilibrado y ponderado para determinar su la masa de residuos.
A continuación, se eliminaron los residuos , compuestas por duplicados dentro de la vaca , y se almacenaron a < 0 °
C durante su posterior análisis .
Bolsa de residuos y las muestras de forraje originales eran de tierra con un molino Wiley para pasar a través de un
tamiz de 1 mm . todo material fue posteriormente analizada para DM por secado a 105 ° C durante 24 h ; FDN y FDA
se analizaron secuencialmente mediante el uso de un analizador Ankom200 fibra ( Ankom Technology ) , y N total se
analizaron por la combustión análisis ( Leco FP- 428, Leco Corporation, St. Joseph , MI ) . La hemicelulosa ( HEM ) se

4. calculó como la diferencia entre la FDN y FDA . No se ensayo para determinar la contaminación microbiana se
realizó , en el trabajo anterior en que las bolsas se lavaron de manera similar, Coblenza et al. (1997) informaron de
la contaminación microbiana insignificante de los residuos. Cálculos y análisis estadístico Todos los datos de
degradación se expresaron como porcentaje desaparición. Fibra detergente neutro, HEM y Datos de degradación
ADF en cada tiempo de incubación fueron corregido para el material insoluble se lavó de la bolsa mediante el uso
de una variante de una ecuación de Weisbjerg et al. (1990), citado por Stensig et al. (1994). Debido NDF, ADF y HEM
son entidades insolubles, se asumió que la fracción soluble en verdad, W, era 0, por lo que la ecuación de Weisbjerg
et al. (1990) fue simplificada y aplicadacomo sigue:
kg ) , M ( TI ) es la (sin corregir ) medida a la degradación tiempo ti ( g / kg ) , y P es la fracción insoluble se lava de la
bolsa 0 -h ( fracción total de lavado de la 0 –h bolsa, g / kg ) . Se desarrolló un método para eliminar la bolsa de
aberrante observaciones que podrían ser causados por la bolsa sin ser detectado rotura u otros errores . A pesar de
estas observaciones puede ser identificados y eliminados mediante el uso de estadística convencional métodos (
por ejemplo, residuos estudentizado y cocinero de distancia; Kaps y Lamberson , 2004 ) , estos métodos requieren
que los datos sean ajuste a un modelo predeterminado . Sin embargo , debido a varios modelos fueron objeto de
examen , métodos convencionales no podían aplicarse , y un método alternativo para la eliminación de valores
atípicos se formuló . Bolsa observaciones que satisfacían uno cualquiera de los Se consideraron siguientes
condiciones para la eliminación : 1 . Aquellos cuya desaparición valores fueron 20 % mayor que el valor medio de
desaparición el siguiente tiempo de incubación de la misma vaca ; 2 . Aquellos cuya desaparición valores fueron 20
% menor que el valor medio de la desaparición tiempo de incubación antes de la misma vaca , o 3 . Aquellos crear >
15 % de error réplica en relación con la bolsa duplicado en el mismo tiempo de incubación y de la misma vaca .
Condición 1 se basa en la premisa de que la degradación aumenta monotónicamente ; aquellos que cumplen
condiciones 1 violar esa premisa. Para ilustración , la Figura 1A muestra 6 -h bolsa de observación de una muestra
de GL 2002 que cumplen la condición 1 y se retiró . Si una bolsa de observación tenía un valor aberrante bajo
desaparición , que podría causar la bolsa a la próxima hora de incubación a cumplir condiciones 1 , incluso si la bolsa
en la siguiente incubación el tiempo no era aberrante . Por esta razón , la condición 2 era promulgada para
identificar este tipo de bolsas con forma aberrante bajo dis –
evaluación de los pastos

5. Figura 1 . Ejemplos de observaciones bolsa que eran identificado como aberrante y eliminado debido a que cumplan
1 de las 3 condiciones para la eliminación de la bolsa descrita en la sección de Materiales y Métodos . Cada uno de
los 2 puntos en cada tiempo de incubación representa 1 bolsa de observación. A) A 6 -h bolsa de observación (
círculo roto ) de una muestra de gramíneas y leguminosas 2002 eliminó porque cumplió condición 1 , es decir, su
valor desaparición fue 34 % mayor que la media de la desaparición de 12 h observaciones bolsa. B) Una observación
de 12 h ( círculo roto) de una hierba fresca de temporada 2002 eliminado debido a que cumplió condición 2 , es
decir, su valor desaparición fue 85 % más baja que la desaparición media de la 6 – h observaciones bolsa. C ) Una
observación de 48 h ( círculo roto) de un par bolsa de alfalfa tardío de corte 2002 que cumplieron condición 3 , es
decir , el error de replicación era 17 % . la observación encerrado en un círculo se estimó que era la aberrante uno
de la pareja , ya que su desaparición fue anormalmente alta ( 99 % ) , tanto en términos absolutos como en relación
con la asintótica valor desaparición sugerido por observaciones antes de 48 h .

6. Figura 2 . Un ejemplo de un par bolsa 0 - h que cumple condición 3 de los criterios para la eliminación de la bolsa (
ver los Materiales y la sección de Métodos ) pero de la que la aberrante bolsa de la pareja no pudo ser identificado
para su eliminación. Las observaciones 0 -H ( entre corchetes para énfasis) tuvieron pobres repetibilidad ( 31 % de
error replicar) , pero la desaparición valores de ambas observaciones son razonables de acuerdo para el
comportamiento de la curva después de 6 h , por lo que ni la bolsa podría ser identificado como aberrante y
eliminado.
valores de la apariencia y prevenir bolsas de nonaberrant siendo eliminado . Figura 1B muestra una bolsa de 12
horas de observación a partir de una muestra de CSG 2002 que cumple la condición 2 y fue eliminado . Condición 3
fue diseñado para eliminar observaciones bolsa que no se pudieron cumplir con las condiciones 1 y 2 sin embargo,
seguían siendo sumamente aberrante ; bolso más duplicado pares repiten así (error de repetición promedio fue de
2,4 % después de la eliminación de bolsas que cumplían las condiciones 1 y 2 ) , y un error de replicación de gran
tamaño ( > 15 % ) indicó que de 1 2 bolsas en un par duplicado era aberrante. Si la condición 3 se cumplió por un
par bolsa de duplicados , la bolsa aberrante de la pareja fue identificado visualmente como un caso atípico de la
curva de degradación y eliminado . Aunque una subjetiva selección, la bolsa aberrante del par duplicado por lo
general se identifica fácilmente ; Figura 1C ilustra una ejemplo en el que una bolsa de un mal replicado ( 17 %
replicar error) par bolsa de 48 -h ( 2002 LCA muestra) fue identificado como aberrante debido a que su desaparición
( 99 % ) era anormalmente elevado , tanto en términos absolutos como en relación con el valor asintótico
desaparición sugerido por las observaciones antes de 48 h . Sin embargo, para algunas bolsas de 0 - h, la bolsa
aberrante podría no ser identificada porque los valores de la desaparición de ambos bolsas eran razonables basado
en el comportamiento de la degradación curva de > 6 h ; Figura 2 da un ejemplo de un 0 – h par bolsa de la que no
se pudo identificar una bolsa aberrante para el retiro a pesar del mal repetibilidad ( 31 % replicar de error ) de los
valores de desaparición dentro de la pareja . En este caso, no hay corrección se podría hacer , y tanto la bolsa Se
retuvieron observaciones . Modelos basados en la distribución gamma ( Estanque et al, 1988 ; . Ellis et al , 1994 ; . .
Ellis et al , 2005 ) se consideraron para describir la degradación in situ en los datos . porque del número limitado de
tiempos de incubación , sólo los modelos de la piscina individuales reportados en la Tabla 2 podrían ser
considerados . Los modelos G1 y G1L son equivalentes a la Hackmann et al.
Cuadro segundo Modelos de degradación de examinarse para describir el datos in situ
modelo
G1
G1 L
G2
G2 L
Descri`pcion
individual, 1 piscina gammadistribuido
modelo sin fase de equipo
Simple, gamma piscina 1distribuida
modelo con la fase de latencia
Ecuación
Simple, gamma piscina de 2
distribuida
modelo sin fase de latencia
Simple, gamma piscina de 2
distribuida
modelo con la fase de latencia
G3
Simple, gamma piscina 3distribuida
modelo sin fase de latencia
G3 L
Simple, gamma piscina 3distribuida
modelo con la fase de latencia
1Y (t) = desaparición (%); t = tiempo (h); τ = tiempo de retraso discreta antes de la aparición de la degradación (h);
kd = ageindependent tasa de degradación (% / h); λd = tasa de degradación dependiente de la edad (% / h), una

7. fracción = degradados a t = 0 (%), a + b = potencial de extensión de la degradación (%); b = fracción no degradada
en t = 0 que es potencialmente degradable (%).
modelos de cinética de primer orden de uso general de Ørskov y McDonald ( 1979 ) y McDonald ( 1981 ) ,
respectivamente , y fueron considerados con menos utilizados , dependiente de la edad G2 , G2L , G3 , y modelos
G3L . El procedimiento NLIN (SAS Inst . Inc. , Cary , NC) fue utilizado para calcular los parámetros de los modelos de
DM , NDF , ADF, HEM y datos de degradación del PP. Parámetros estimados incluyeron la degradación dependiente
de la edad tasa , λd ( % / h ) ; fracción degradada en t = 0 , un ( % ) ; fracción no se degrada en t = 0 que era
potencialmente degradable , b ( % ) ; Potencial de extensión de la degradación , a + b ( % ) , y el tiempo de retraso
discreta antes de que el comienzo de la degradación , τ ( h ) . Tenga en cuenta que la mayoría de las tasas de
degradación descritos en la literatura son tarifas independientes de la edad , es decir, se refieren a las tasas de
degradación específicos ( g de sustrato degradado ∙ g de total de sustrato - 1 ∙ h- 1 ) que se mantienen constantes en
el tiempo . La velocidad de degradación específico asociado con λd ( un agedependent rate) aumenta
asintóticamente a λd ( Estanque et al, 1988 ; . Ellis et al , 1994 ) . . Por esta razón , la comparación entre las tasas de
independientes de la edad reportados en la mayoría la literatura y la tasa depende de la edad , λd , no es acorde y
conduce a la conclusión de que dependiente de la edad las tasas son mayores que las de edad independientes. para
permitir una comparación más acorde , la degradación del medio tasa de λd , k, se calculó como 0,59635 × λd (
Estanque et al . , 1988 ) . Esta tasa media es la degradación específica tipo asociado a λd , promediada en el tiempo.
Es efectivamente un equivalente independiente de la edad de un dependiente de la edad tasa y puede ser
comparado con la edad – independiente tasas comúnmente reportados en la literatura. Debido NDF , ADF y datos
de degradación HEM tenían sido corregida para hacer desaparición 0 en t = 0 , la valor de una se vio obligado a 0
para los procedimientos de ajuste para estas fracciones . Para todas las fracciones , el valor de a + b fue delimitada
entre 0 y 100 % , que son el teórico límites de la degradación . Mediante el uso de los criterios para la eliminación
de observaciones bolsa aberrantes , casi todos los NDF , ADF y observaciones bolsa HEM tuvo que ser eliminado
para una muestra de la CEPA 2003 . Tan pocas observaciones bolsa se quedaron después de esta eliminación que
NDF , ADF y HEM datos de degradación no podía estar en forma de un modelo para esta muestra de forraje. En un
primer momento , se mantuvieron los datos de degradación de cada vaca separar el procedimiento de ajuste . Sin
embargo , después de un ANOVA preliminar indicó que parámetro de degradación valores no difirieron
consistentemente a través de vaca Por período , los datos vaca × período se agruparon por año de forraje ( 2002 o
2003 ) de modo que los datos sobre 2 vacas (n = 2 , 2002 y n = 2 , 2003 ) se utilizaron para construir cada
degradación curva . Los resultados del ajuste del modelo con este agrupado conjunto de datos se utiliza en todas las
estadístico posterior análisis . Los modelos fueron evaluados mediante el uso de sumas residuales de cuadrados (
SSREs ) , cuadrado medio residual ( MSRES ) , y Criterio de los valores de información Akaike ( AIC ) para la DM , CP ,
y los datos de degradación NDF . El modelo con la valor numérico más bajo para cada prueba se consideró mejor (
Kaps y Lamberson , 2004 ) . Valor relativo y el parámetro de degradación del forraje estimaciones ( λd , k, a, b, y a +
b ) se clasificaron de acuerdo a la clase de forraje ( ECA , LCA , hierba o GL ) . la
Procedimiento CORR de SAS se utilizó para determinar la correlación coeficientes entre RFV y la degradación
estimaciones de los parámetros . Las correlaciones con P < 0,05 fueron considerado significativo. Comparación con
los datos de Mertens ( 1973 ) Por comparación, las correlaciones entre RFV , NDF los parámetros de degradación , y
DDMI reportados por Mertens ( 1973 ) se determinaron . Los datos de hierba 15 ( 11 CSG y 4 WSG ) y 15 de alfalfa
forrajes fueron seleccionados para crear un conjunto de datos con variedades forrajeras y químicos composiciones (
media y DE) similares a las del forraje poblaciones examinadas en este estudio . Corte de la alfalfa no se informó por
Mertens ( 1973 ) , por lo que , la alfalfa muestras se agruparon bajo una clase común de alfalfa . la Clase GL no fue
examinada , ya que sólo 4 muestras de GLeran apropiados para el análisis de correlación , los otros 8 GL muestras
de Mertens ( 1973 ) incluyen loto de los tre- papel de aluminio , que no fue examinado en este estudio .
DigestibleDMI se informó de ovejas , ganado, o ambos , y si DDMI se informó a los animales , entonces el promedio
DDMI se calculó como usados. Mertens ( 1973 ) se ajustan los datos de degradación para un modelo similar al
modelo de G1L ( Tabla 2 ) , que incluía la la degradación de los parámetros kd y τ pero no λd .. El parámetro λd se
estima a partir de tiempo de vida medio ( Ellis et al, 2005 ) , que se relaciona con kd , τ , y n de la siguiente manera .
:

8. tiempo de vida media = n / ( λd/100 ) = 1 / ( kd/100 + τ ) ;
por lo tanto ,
λd = n ⋅ kd / ( 1 + kd/100 ) ⋅τ ,
donde n es el orden de la distribución gamma asociado con λd . Valor relativo de alimentación , DDMI , y la
degradación del forraje estimaciones de los parámetros ( λd , k , a, b , a + b , y τ ) , fueron ordenados de acuerdo a la
clase de forraje ( alfalfa o pasto ) . la Procedimiento CORR de SAS se utilizó para determinar la correlación
coeficientes entre RFV y la degradación parámetros . Las correlaciones con P < 0,05 fueron considerados
significativo .
RESULTADOS Y DISCUSIÓN
Composición química La composición química y la RFV de los forrajes es reportado en la Tabla 3 . La media y la
desviación estándar de la química los datos de composición eran generalmente similares a los resumidos por la NRC
Dairy ( 2001 ) , lo que indica que una gama representativa de los forrajes se incluyó en este estudio . Sin embargo ,
WSG general tenía NDF inferior, ADF, la cintura, así como una mayor CP de bermuda informó en el NRC ( 2001 ) .
Pastos de estación cálida en este estudio fueron en general de mejor calidad que los que se resumen por la NRC (
2001 ) . Esta diferencia está relacionada a los concursantes del Estado Contest Hay Fair Missouri presentar sólo
superior WSG calidad. Selección del modelo La Tabla 4 muestra los valores de SSREs , MSRES y AIC obtenido durante
el montaje de la G1 , G1L , G2 , G2L , G3 , y Modelos G3L a la MS, PC y FDN datos de degradación de todos los
forrajes . Estos valores se utilizaron como criterios para ajuste del modelo , con los valores más bajos para un
determinado modelo que indica mejor ajuste ( Kaps y Lamberson , 2004 ) . Sobre esta base , Se asignaron los
modelos (G1 , G1L , G2 , G2L , G3 , y G3L ) un rango de ajuste del modelo ( del 1 al 6 , donde 1 indica mejor en forma
y 6 la peor ) en relación con otros modelos dentro de cada fracción química ( MS, PC y FDN) . Cuadro 5 informes la
media y la gama de estos rankings a través de las fracciones ( MS, PC y FDN) . Al otro lado de las fracciones químicas
, los valores de SSREs fueron los más bajos para el modelo G1L , y los valores de SSREs fueron menores para los
modelos desfasados ( G1L , GL2 , GL3 ) que por su nonlagged homólogos (G1 , G2 , G3 , Tabla 4 ) . Como tal ,
modelos el modelo G1L se clasificó mejor y quedó clasificados mejor que los modelos nonlagged de acuerdo con la
SSREs criterio ( Tabla 5 ) . Sin embargo , el uso de SSREs como criterio de selección de modelo no era acorde en este
caso porque SSREs disminuye con el aumento parámetros y los modelos desfasados contenían 1 más parámetros de
los modelos nonlagged . Como la relación de SSREs a un error df , cuentas para MSRES el número de parámetros en
el modelo y es un más criterio de selección apropiado que SSREs donde elnúmero de parámetros varía a través de
los modelos , como es elcaso en el presenteestudio . Sin embargo , todavía tiende MSRESa disminuir con un número
creciente de parámetros ( Kaps y Lamberson , 2004 ) , por lo que existe el riesgo de sesgo hacia la selección de los
modelos más grandes cuando se utiliza MSRES como un criterio de selección . La expresión de la AIC [ n log ( SSREs /
n ) + 2p , donde n es el número de observaciones y p es el número de parámetros ] para penaliza parámetros de
excesivas en un modelo determinado para evitar tales sesgada selección , y por esta razón , la AIC es el más
preferible criterio de selección de modelo en este estudio . Los valores de ambos MSRES y AIC fueron más bajos
para el Modelos y G2 , con la excepción de los MSRES para la G1 modelo , fueron menores para los modelos
nonlagged ( G1 , G2 , G3 ) que sus contrapartes rezagados ( G1L , G2L , G3L ; Tabla 4 ) . En consecuencia , el modelo
G2 se clasificó mejor y los modelos nonlagged clasifican mejor que su rezagada contrapartes . Estos resultados
indicaron que el modelo G2 era óptimo . También sugieren que la disminución en error total ( SSREs ) por la
inclusión de un término retraso fue no justificada por la adición de un parámetro de modelo en al hacerlo . La
discusión anterior se refiere a significar SSREs , MSRES , y los valores de AIC y clasificaciones . Valores de SSREs ,
MSRES , y los valores de AIC se diferenciaban por la fracción química y así lo hicieron posiciones en algunos casos (
Tablas 4 y 5 ) . Sin embargo , las clasificaciones basadas en la AIC , los más preferidos criterio , mostró de manera
inequívoca que el modelo G2 fue mejor , ya que se clasificó 1 en todas las fracciones químicas. Las diferencias en el
rendimiento entre los modelos pueden ser entenderse considerando formas de modelo. Figura 3 muestra el ajuste
de la G2 vs G1 ( A) , G1L ( B ) , y G3 ( C ) modelos a datos de desaparición de MS de una muestra de LCA 2003 (
donde las 2 observaciones en cada tiempo de incubación representar los valores de cada uno de los 2 vacas media)
para ilustrar estas formas . El G2 y otra dependiente de la edad modelos representan la degradación como después
de una sigmoidal curva , con un sigmoidal cada vez más prolongada forma a medida que aumenta la orden de G2 a
GN ( donde N representa el orden del modelo , véase la Figura 3C ; Estanque et al , 1988 ; . Ellis et al , 1994 ) . . El
modelo G1 , por el contrario , representa la degradación como un primer orden abrupta proceso de descomposición

9. que carecen de la forma sigmoidal suave de los modelos dependientes de la edad ( Figura 3A ) . Una fase de latencia
es a menudo se añade al modelo G1 , produciendo el modelo de G1L (Figura 3B ), ya que la degradación no
comienza en
Tabla 3. Composición química (base seca) y el valor relativo (RFV) de los forrajes
stantaneously sino más bien muestra una fase de lenta degradación en los puntos de tiempo iniciales , seguido por
la degradación más rápida más tarde ( véase la Figura 3 de Van Milgen et al , 1991 . ) ; esta fase de retardo también
se puede añadir a la dependiente de la edad modelos , como se hizo en este estudio con fines comparativos , como
se discute a continuación. En este estudio , la forma sigmoidal del modelo G2 aparecido para dar cabida a la
transición entre estas fases de degradación lenta y rápida mejor que un G1 modelo , como se indica por el mejor
ajuste a la degradación datos entre 6 y 12 h ( Figura 3A ) y el error menor ( SSREs ) para el modelo G2 en relación
con el modelo G1 . Un análisis similar sugirió que el modelo G3 ( y modelos de orden superior ) parecían tener
demasiado prolongado una forma sigmoidal para modelar adecuadamente la degradación datos ( Figura 3C ) .
Aunque la adición de una fase de retardo en el modelo de G1L disminución del error total ( SSREs ) en relación con
el modelo G1 , no mejoró ajuste para que coincida con la parsimonia de la G2 modelo , como se indica por los

10. valores más bajos de MSRES y AIC para el modelo G2 . La Figura 3B muestra un ejemplo típico en que error del
ajuste del modelo G1L ( SSREs = 0.0829 ) fue de hecho menor que la del modelo G2 ( SSREs = 0.0836 ) pero era tan
marginal que la creciente complejidad de las el modelo G1L (donde se midió la complejidad del modelo en términos
de número de parámetros) no se justifica . La adición de un término de desfase en los modelos G2l y G3L No hizo
error total sensiblemente inferior en relación con nonlagged contrapartes y MSRES causados y los valores de AIC
aumentando. La forma sigmoidal de la dependiente de la edad curvas ya representaban la transición entre lento y
las fases de degradación rápida , por lo que la adición de un retraso fase era redundante y menor parsimonia . A
menudo , como en el caso de la muestra LCA se muestra en la Figura 3 , la Valor estimado de la fase de latencia para
la G2L y G3L modelos de 0 h , produciendo un modelo de forma idéntica a los de los modelos G2 y G3 y que
demuestran que la término retraso fue una adición superflua . La conclusión de que un modelo de 2
compartimentos , tales como el modelo G2 obtuvo mejores resultados que la G1L acuerdo con Van Milgen et al . (
1991 ) . Este informe , junto con que de Ellis et al . ( 2005 ) sugieren que multicompartimental modelos
dependientes de la edad a menudo se desempeñan mejor que el G1 de uso frecuente y modelos G1L y debe ser
considerada en el futuro in situ y en la degradación in vitro experimentos .
Tabla 4. Sumas de cuadrados residuales (SSREs), cuadrado medio residual (MSRES) y de Akaike Criterio de
Información (AIC) obtenido durante el montaje MS, PC y FDN degradación los datos a los diversos modelos
1G1 = single,
gamma
modelo de pool 1-distribuido sin una fase de latencia; G1L = single, 1 gamma-distribuido modelo de piscina con una
fase de latencia; G2 = single, gamma modelo de piscina de 2 distribuida sin fase lag; G2L = single, gamma modelo de
piscina de 2 distribuida con una fase de latencia; G3 = single, gamma modelo de pool 3-distribuido sin fase de
latencia; G3L = single, gamma modelo de pool 3-distribuido con una fase de latencia. Ver Tabla 2 para las
ecuaciones del modelo.
Valores la siguiente lista son los valores reales multiplicado por 100.
Valor 3Mean en fracciones químicas.
Values lista son los valores reales multiplicado por 1.000.
Influencia de los tiempos de incubación en el modelo Selección y parámetro estimaciones, y estimaciones de
parámetros
Para maximizar el número de forrajes que podría ser analizada, el número de observaciones de degradación era
limitado a sólo 5 (0, 6 o 8, 12, 24, y 48 h), con relativamente algunas observaciones en puntos de tiempo tempranos
y tardíos. Algunos pueden sugerir que la inclusión de la degradación más temprana observaciones habrían
conducido a un mejor rendimiento de rezagado frente a los modelos nonlagged, sobre todo cuando se considera
que la primera observación no-0-h (6 o 8 h) cae más allá de la mayoría de los valores de la fase de latencia (valores

11. típicos que van de 1 a 6 h; Mertens, 1973; von Keyserlingk et al., 1996). Si hay de hecho existe un desfase discreta
fase antes de la aparición de la degradación, tal como se representa por los modelos retardados, la omisión de la
degradación temprana observaciones habrían mejorado artificialmente el ajuste de los modelos nonlagged. Sin
embargo, si la degradación de
Tabla 5. Clasificación relativa (1 a 6) de modelos de degradación de acuerdo con los valores medios de las sumas
de cuadrados residuales (SSREs), cuadrado medio residual (MSRES), e información de Akaike criterio (AIC)
Significa y gama filas se refieren a clasificación a través de fracciones (MS, PC y FDN).2G1 = single, gamma modelo
de pool 1-distribuido sin una fase de latencia; G1L = single, 1 gamma-distribuido modelo de piscina con una fase
de latencia; G2 = single, gamma modelo de piscina de 2 distribuida sin fase lag; G2L = single, gamma modelo de
piscina de 2 distribuida con una fase de latencia; G3 = single, gamma modelo de pool 3-distribuido sin fase de
latencia; G3L = single, gamma modelo de pool 3-distribuido con una fase de latencia. Ver Tabla 2 para las
ecuaciones del modelo.
Figura 3 . Ajuste de (A ) , gamma solo grupo 2 – distribuida modelo sin fase de latencia (G2 ) vs single, 1 gamma –
distribuido modelo de piscina sin fase de latencia ( G1 ) , (B ) vs G2

12. , gamma modelo de pool 1 - distribuido solo con la fase lag ( G1L ) y (C ) G2 vs sola , gamma piscina 3 – distribuida
modelo sin fase de latencia (G3 ) a la desaparición DM observada datos ( % ; ♦ ) de finales de 2003 una corte de
muestras de alfalfa . Los 2 observaciones en cada tiempo de incubación representan los valores medios de cada uno
de los 2 vacas . Ver Tabla 2 para las ecuaciones del modelo . mínimos de una respuesta más sigmoidea , como se
representa por la Modelos G3 G2 y el ajuste de los modelos desfasados tendrían ha mejorado artificialmente . Por
lo tanto , el número limitado de observaciones en los tiempos de incubación temprana hace la selección del G2 más
incierto pero no lo hace inherentemente apoyar el modelo quedado G1L u otro como más apropiada . Para los
presentes propósitos , los procedimientos estadísticos identifican el modelo G2 como el mejor para el uso con este
conjunto de datos , por lo que todo parámetro de degradación estima presentado en este documento se refieren al
modelo G2 . Por el contrario , la observación de terminal era menos de el tiempo necesario para acercarse a la
degradación asintótica ( aproximadamente 24 y 60 h para los de alta calidad y 48 a 72 h para forrajes de mala
calidad ; Ørskov et al , 1980 ) . . asintótico degradación probablemente no fue abordado por la observación terminal
de 48 - h para algunas muestras , en particular para el WSG peor calidad . En la primera consideración , el uso de un
48 - h terminal de observación puede parecer a subestimar en gran medida a + b , la estimación de la degradación
asintótica , pero tenga en cuenta que a + b no era medido como el valor de la 48 - h terminal de observación , sino
más bien se estimó durante el modelo de ajuste procedimiento . Uso de regresión no lineal para estimar un + b , en
comparación con el uso de una transformación log-lineal , disminuye la sensibilidad de a + b para el valor de la
observación terminal y aparece a reportar más Los valores reales de a + b cuando las observaciones terminales de
48 h o menos se utilizan ( Van Milgen et al . , 1991 ) . Los modelos G1 y G1L estima el valor de a + b un 100 % , el
conjunto límite superior durante los procedimientos de ajuste ,
para 16 y 4 de las curvas de degradación total de 402 , respectivamente ; éstos representan un pequeño número de
casos en los que a + b se sobreestimó claramente a pesar del uso de regresión no lineal . Estos casos de
sobreestimación puede deberse más al modelo de ajuste pobres que a los relativamente temprana tiempo de
incubación de terminal en sí, como la figura 3ª muestra , el modelo G1 ( y el modelo G1L en menor medida ) a
menudo se vio obligado a sobreestimar los valores de degradación de más tarde los tiempos de incubación para
adaptarse mejor a la forma sigmoidal del perfil de la degradación en puntos de tiempo tempranos , la cual llevado a
una sobreestimación de a + b en algunos casos . El G2 y otros modelos de orden superior no parecen mostrar esta
propiedad sobreestimación ( véase la Figura 3A , 3B, y 3C ) y no alcanzó el 100 % de unión de a + b en cualquier caso
. Dado que el modelo G2 fue adoptado en última instancia para estimar todos los parámetros de degradación ,
porque regresión no lineal se ha demostrado para entregar más estimaciones realistas de a + b (Van Milgen et al. ,
1991 ) , y porque los valores de a + b fueron similares a aquellos en los informes publicados ( Mertens , 1973 ;
Brown y Pitman , 1991 ; . Von Keyserlingk et al , 1996 ) , se puede inferir global que a + b se subestimó
mínimamente , en todo caso , mediante el uso de una incubación de terminal de 48 - h . Degradación Parámetro
Estimación Medios Tabla 6 informes de los medios del parámetro de degradación estimaciones λd , k , a, b , y a + b
cuando se utiliza el modelo de G2 . Estos medios , con la excepción de λd ( ver más abajo ) , son similares a los
presentados por otros informes (Smith et al , 1971 ; . Mertens , 1973 ; . von Keyserlingk et al , 1996 ) , lo que indica
que eran adecuados para la posterior análisis de correlación comparando parámetro de degradación estimaciones
con RFV . Como se discutió en los materiales y Sección de métodos , los valores de λd generados en este estudio
eran numéricamente mayor que la tasa de degradación
Tabla 6. Parámetro de degradación de las estimaciones de los forrajes por clase de forraje y químicas fracción

13. λd = tasa de degradación, k = 0,59635 ∙ λd; una fracción = degradada en t = 0; a + b = potencial de extensión de la
degradación, y b = fracción no degradada en t = 0 que es potencialmente degradable. 2El n para DM y CP. El n de
FDN, FDA y hemicelulosa es 19 porque NDF, ADF y datos sobre la degradación de la hemicelulosa 1 muestra no
podría estar en forma para un modelo de degradación (véase la sección de Materiales y Métodos).
valores reportados por otros investigadores porque λd es un tasa de degradación dependiente de la frecuencia ,
mientras que la mayor degradación las tasas reportadas en la literatura son independientes de la edad tasas . Para
la comparación entre acorde las tasas de degradación de ésta y de anteriores estudios , la media tasa de
degradación k se debe utilizar para la referencia ( véase Sección de Materiales y Métodos ). Correlación entre la RFV
y Degradación valores de los parámetros Los resultados del análisis de correlación entre la degradación
estimaciones de los parámetros y resultados de RFV se presentan en la Tabla 7 . Seis de los 56 , o 10,7 % , de las
correlaciones probados fueron significativas . Este porcentaje excede sólo ligeramente lo que se espera por azar ( 5
% ) causada por la incidencia de error de tipo I con α = 0,05 . Por otra parte , correlaciones fueron significativas para
las gramíneas. Correlaciones eran por lo tanto pobre en general . Estadísticamente, esto es probablemente porque

14. la relación entre la degradación de NDF características y la concentración de FDN es justo al pobre, con 275
leguminosas y forrajes CSG , Mertens ( 1973 ) encontró que el coeficiente de correlación entre el NDF y la tasa de
degradación de la FDN , la extensión , y el retraso que 0,59, -0,28 Y 0,22 , respectivamente . Debido a que la RFV es
esencialmente una reexpresión de la FDN ( Weiss, 2002 ) , justo Se esperaría que la escasa correlación entre la RFV y
características de degradación . Razones biológicas para esta mala relación se discuten en las deficiencias de la
estructura conceptual de la sección RFV continuación. A pesar de la falta general de correlaciones , unos patrones
fueron observados en el análisis de correlación . la parámetro DMa + b , el posible alcance de la degradación de la
MS ( % ) , fue consistentemente significativa con RFV las puntuaciones de la CEPA , LCA y GL . Los valores de la
correlación coeficiente , r , para estas correlaciones y todas significativas correlaciones fueron siempre positivos.
Aunque no es evidente por qué DMa b solos + fue consistentemente significativa con RFV , los valores positivos de r
de este y otras correlaciones indican que la RFV representó la relación correcta y positiva entre la degradación
valores de los parámetros y resultados de RFV .Aunque se observaron algunos patrones en la correlación análisis,
hay que destacar que la degradación
Tabla 7. Correlaciones significativas entre la degradación estimaciones de los parámetros de forrajes y su avance
en relación valor
DMa + b = potencial de extensión de la degradación de la MS (%); NDFB = NDF no se degrada en el instante t = 0
que es potencialmente degradable (%); Hemb = hemicelulosa no se degrada en el instante t = 0 que es
potencialmente degradable (%).
Tabla 8. Correlaciones significativas entre la degradación de la FDN parámetros y MS digestible para una
submuestra de alfalfa (n = 15) y de la hierba (n = 15) forrajes en los datos de Mertens (1973)

15. b = NDF no se degrada en el instante t = 0 que es potencialmente degradable (%); kd = tasa de degradación
promedio (% / h); λd = degradación dependiente de la edad tasa basada en una distribución gamma de segundo
orden (% / h); τ = discreta tiempo de demora antes de que el comienzo de la degradación (h).
valores de los parámetros ción se correlacionan mal con RFVen general . Dado que los parámetros de degradación
son a menudovinculada a una interfaz DMI y DDM ( Mertens , 1973 ) , los factores en el que se basa la RFV , se
puede concluir tentativamente RFV que era inadecuado debido a las correlaciones débiles entre ella y los
parámetros de degradación .
Asunción en el análisis de correlación
Esta conclusión provisional de que RFV fue inadecuado descansa en el supuesto de que las características de
degradación están relacionados con DDMI . Debido a que la RFV es un índice de DDMI , la evaluación más directa de
RFV implicaría una comparación entre DDMI y RFV . Sin embargo , si las características de degradación están
relacionados con DDMI , como se supone , RFV se puede comparar con la degradación características como si se
compara directamente con DDMI . La hipótesis está apoyada por la observación que los parámetros de DMI , DDM ,
y la degradación son relacionada ( Mertens , 1973 ) . Sin embargo , no ha sido probado directamente , ya que no se
ha demostrado si existe una relación lineal simple entre DDMI y valores de degradación para un amplio conjunto de
datos de forraje .
Comparación con los datos de Mertens ( 1973 )
Para poner a prueba esta hipótesis directamente , los datos de Mertens ( 1973 ) se utilizaron para determinar la
correlación entre Parámetros de degradación de FDN y en vivo DDMI , que se informó para una amplia gama y
número de hierba alfalfa y forrajes. Tabla 8 informes correlaciones encontradas entre DDMI y valores de los
parámetros de degradación NDF reportado por Mertens ( 1973 ) . Las correlaciones entre DDMI y NDF parámetros
de degradación fueron consistentemente importantes para la hierba ; correlaciones implican kd ,
λd , y τ fueron todas significativas ( P < 0,001 , P < 0,001 , yP = 0,05 , respectivamente ) , y la correlación que implica
b mostró una tendencia estadística ( p = 0,06 ; datos no se muestra ) . Curiosamente , solo NDFB se correlacionó
significativamente con DDMI de alfalfa. Estos resultados apoyan la idea de DDMI que está linealmente relacionada
con los parámetros de degradación de la hierba , pero no la alfalfa ; por lo tanto , nuestra hipótesis de que
características de degradación están relacionados con DDMI era no se admite para la alfalfa . Debido a que los
valores de parámetros de degradación no eran fuertemente correlacionada con DDMI para la alfalfa , se podría
inferir que las correlaciones medidas en este estudio no se puede usarse para demostrar que la RFV es inadecuada
para la alfalfa . Sin embargo , hay varias limitaciones en el análisis con los datos de Mertens ( 1973 ) que debe
precaución en contra de sacar esta conclusión . En primer lugar, el corte momento de la alfalfa no se podía
considerar ya que no se informó por Mertens ( 1973 ) . Debido a la alfalfa valores de los parámetros de degradación
difieren por el tiempo de corte ( TJ Hackmann , JD Sampson y JN España , inédito datos) , las relaciones entre la
degradación valores de los parámetros , DDMI RFV , y pueden diferir por tiempo de corte también. Por lo tanto , el
examen de estas relaciones lo que se refiere solamente a una clase de alfalfa general, hecho en el análisis que
implica el conjunto de datos Mertens ( 1973 ) , hace caso omiso de las diferencias de potencial entre la CEPA y LCA
que pueden afectar significativamente los resultados de la correlación . Por ejemplo , valores de los parámetros de
degradación y DDMI fueron pobremente correlacionados para la clase de alfalfa Mertens ( 1973 ) , pero es posible
que las correlaciones más fuertes existir para ECA y LCA cuando cada corte es considerados por separado , y estas
correlaciones más fuertes fueron simplemente enmascarado en el análisis de Mertens ( 1973 ) poniendo en común
los tiempos de corte . El análisis también se limita porque los parámetros de degradación de la no - NDF química
fracciones no pueden ser considerados, ya que la necesaria datos carecían de Mertens ( 1973 ) . Como tal , la
conclusiones extraídas del análisis de la participación de los datos de Mertens no se aplican necesariamente al corte
específicon tiempos de alfalfa o de parámetro de degradación no NDF valores .
Deficiencias de la Conceptuales Estructura de RFV
Teniendo en cuenta las limitaciones en el análisis de la participación de la conjunto de datos de Mertens ( 1973 ) , y
teniendo en cuenta otros estudios que la hallan RFV insuficiente ( Sanson y Kercher , 1996 ; Moore y Undersander ,

16. 2002 ; Weiss , 2002 ) ,b sugerimos que la RFV puede estar limitado por su mala relación con valores de los
parámetros de degradación. Porque parámetros de degradación se relacionan con DMI y DDM ( Mertens , 1973 ) , la
falta de relación entre la RFV y los parámetros de degradación relativamente limita la precisión de ecuaciones RFV .
La falta de una relación entre los parámetros de degradación y RFV indica un pivote , pero no aislado , defecto en la
estructura conceptual de la RFV . relativo valor alimenticio es un sistema de predicción empírica sencilla que se basa
fundamentalmente en ecuaciones lineales para predecir DMI del NDF y ADF de DDM . No lo hace incluir
explícitamente los términos de los parámetros de degradación o cualesquiera otros factores . En representación de
DMI y DDM como funciones de NDF y sola ADF, RFV no considera explícitamente plantrelated factores que afectan
la DMI y DDM . Una multitud factores relacionados con la planta de no excluyen mutuamente afectan DMI y DDM ,
incluyendo especies forrajeras , las condiciones de crecimiento (tipo de suelo , la fertilización , el clima ) , la madurez
, el corte fecha , la morfología ( proporción de hoja y tallo ) , propiedades físicas ( densidad , resistencia a la ruptura
) , método de la enfermedad y tratamiento ( cortar , peletizado ; Van Soest et al , 1978 ; . Minson , 1990 ; Van Soest ,
1994 ) . Al menos en algunos casos , estos factores pueden cambiar DMI y DDM independientemente del FDN y
concentraciones ADF , contrariamente a la estructura conceptual de la RFV . para ejemplo , Cherney et al . ( 1990a )
encontró que la ingesta y DDM , de 12 de hierba heno de ovejas cambió con la planta morfología de la ingesta
aumenta con una mayor proporción de la lámina de la hoja , y la admisión y DDM disminuyeron con una mayor
proporción de células madre , a pesar de similares concentraciones de FDN ( 65,8 ± 0,7 % , con una media ± SEM ) y
ADF ( 28,9 ± 0,8 % ) en todo el heno . Tenga en cuenta que la mayoría de los factores relacionados con las plantas
que no se registran por RFV características de degradación afectó ( forraje especies, las condiciones de crecimiento ,
la madurez , la fecha de corte , morfología , véase la revisión de Mertens, 1993 ) . sugerimos que la variación en las
características de degradación puede capturar alguna variación en factores relacionados con la planta que afectan
DMI y DDM , de tal manera que la incorporación de la degradación características de un sistema de predicción de la
calidad del forraje puede mejorar la precisión de la predicción de forraje específica clases y recortes . La
incorporación de parámetros de degradación en un sistema de predicción de la calidad del forraje es poco probable
para tener en cuenta todos los factores que influyen en la calidad del forraje , tales como los factores relacionados
con los animales que interactúan con los la calidad del forraje ( Minson , 1990 ) , pero es adecuada una primera un
paso en la mejora de los sistemas de predicción de la calidad del forraje . Ya sea un sistema de calidad tales forraje
debe utilizar un enfoque empírico ( tales como RFV ) o una más mecanicista enfoque ( Baldwin , 1995 ) está sujeta a
los resultados de estudio en el futuro . Si la incorporación de características de degradación en un sistema de
predicción de la calidad del forraje muestra más promesas, se debe determinar la forma en la degradación
características deben ser estimados o medidos , porque convencional in situ o en procedimientos in vitro son
demasiado laborioso para el análisis de rutina .
LITERATURA CITADA
Baldwin , R. L. 1995 . Modelado de digestión de los rumiantes y el metabolismo . Chapman and Hall, London, Reino
Unido.
Brown , W. F. , y W. D. Pitman . 1991 . La concentración y la degradabilidad de fracciones de nitrógeno y fibra en
pastos tropicales seleccionadas y legumbres . Trop . Grassl . 25:305-312 .
Canbolat , O. , A. Kamalak , CO Ozkan , A. Erol , M. Sahin , E. Karakas , y E. Ozkose . 2006 . Predicción del valor
relativo de la alfalfa heno cosechado en diferentes estados de madurez utilizando in vitro la producción de gas . Res
Ganado. Dev. Rural. http://www.cipav.org .
co/lrrd/lrrd18/2/canb18027.htm consultado el 23 de marzo de 2007.
Cherney , D. J. , D. R. Mertens , y J. E. Moore . 1990a . de admisión y de digestibilidad de carneros como la influencia
de la morfología de forraje tres niveles de oferta de forraje . J. Anim . Ciencia . 68:4387-4399 .
Cherney , DJR , JA Patterson y RP Lemenager . 1990b . influir de en la bolsa situ aclarado técnica en la determinación
de las zonas secas importa desaparición . J. Dairy Sci. . 73:391-397 .Coblenza , WK , JO Fritz , RC Cochran , WL
Rooney y KK
Bolsen . 1997 . La degradación de proteínas en respuesta a espontánea calentamiento en heno de alfalfa por
métodos in situ y ficina . J. Dairy Sci. . 80:700-713 .

17. Ellis , W. C. , M. Mahlooji , J. y H. Matis . 2005 . Modelos para la estimación parámetros de digestión de la fibra
neutro detergente por ruminal microorganismos . J. Anim . Ciencia . 83:1591-1601 . Ellis, WC , JH Matis , TM Hill, y
MR Murphy. 1994 . metodología para la estimación de la digestión y la cinética de paso de los forrajes .
Páginas 682-753 en la calidad del forraje , Evaluación y Utilización .
GC Fahey, Jr. , M. Collins, DR Mertens, y LE Moser , ed. Am . Soc . Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc . Am . ,
Madison, WI . Kaps , M. y W. Lamberson . 2004 . Bioestadística de Ciencia Animal .CABI Publishing, Cambridge , MA .
Linn , J. G., N. y P. Martin . 1989 . Pruebas de calidad del forraje y la interpretación . Univ . Ext. de Minnesota . Ser .
Publ . AG -FO -2637 .Univ . de Minnesota, St. Paul .
McDonald, I. 1981 . Un modelo revisado para la estimación de la degradabilidad de la proteína en el rumen . J. Agric
. Ciencia . 96:251-252 . Mertens , D. R. 1973 . Aplicación de modelos matemáticos teóricos a la digestión de la pared
celular y el consumo de forraje en rumiantes . PhD Diss . Cornell Univ . , Ithaca , NY.
Mertens , D. R. 1993 . Cinética de la digestión de la pared celular y el paso en rumiantes . áginas 535-570 en forraje
Celular Estructura de pared y La digestibilidad . H. G. Jung , D. R. Buxton , R. D. Hatfield , y J. Ralph , ed. Am . Soc .
Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc Am . , Madison , WI. Minson , D. J. 1990 . Forraje en Nutrición de
Rumiantes . Academic Press,
Londres, Reino Unido. Moore , J. E. 1994 . Índices de calidad del forraje : Desarrollo y aplicación. Páginas 967-998 en
forraje Celular Estructura de pared y digestibilidad.
HG Jung , DR Buxton , RD Hatfield y J. Ralph , ed. Am . Soc . Agron. - Crop Sci . Soc . - Soil Sci. Am. . Soc . Am . ,
Madison, WI .
Moore , J. E. , y D. J. Undersander . 2002 . Relativa calidad del forraje : Una alternativa al valor relativo y el índice de
calidad. Páginas 16-32 en Proc . 13 ª Annu . Florida Rumin . Nutr . Symp . , Gainesville , FL . Univ . Florida, Gainesville.
Nocek , J. E. 1988 . En los métodos in situ y otros para estimar ruminal proteínas y digestibilidad de la energía : una
revisión . J. Dairy Sci. .71:2051-2069 .
NRC. 2001 . Requerimientos Nutricionales del Ganado Lechero . 7 ª rev . ed. Natl . Acad . Press, Washington, DC .
Ørskov , ER , FD De , B. Hovell y F. Mould . 1980 . El uso de los la técnica de bolsa de nylon para la evaluación de los
piensos . Trop . Anim . Prod . 5:195-213 . Ørskov , E. R. e I. McDonald . 1979 . La estimación de la degradabilidad de
la proteína en el rumen a partir de mediciones de incubación ponderadosde acuerdo con la velocidad de paso . J.
Agric . Ciencia . 92:499-503 . Pond, KR , WC Ellis , JH Matis , HM Ferreiro y JD Sutton. 1988 . Modelos de
compartimiento para los atributos de estimación de digesta
Rohweder , D. A. , R. F. Barnes, y N. Jorgeson . 1978 . heno propuesta normas de clasificación basado en los análisis
de laboratorio para la evaluación
calidad . J. Anim . Ciencia . 47:747-759 . Sanson , D. W. y C. J. Kercher . 1996 . Validación de ecuaciones utilizadas
para estimar valor relativo de heno de alfalfa . Prof. Anim . Ciencia .
12:162-166 . Smith , LW , HK Goering , DR Waldo y CH Gordon. 1971 . En la tasa de digestión in vitro de los
componentes de la pared celular de forraje . J. Dairy
Ciencia . 54:71-76 . Stensig , T., M. R. Weisbjerg y T. Hvelplund . 1994 . Estimación de digestibilidad ruminal de la
FDN en sacco de degradación y rumen
tasa de flujo de salida . Acta Agric . Scand . Sección A Anim . Ciencia . 44:96 - 109 .
Van Milgen , J. , M. R. Murphy, L. y L. Berger. 1991 . A compartimental modelo para analizar la degradación ruminal .
J. Dairy Sci. . 74:2515-2529 .
Van Soest , P. J. 1994 . Ecología nutricional de los rumiantes . 2 ª ed . Cornell University Press , Ithaca , NY.

18. Van Soest , P. J. , D. R. Mertens , y B. Deinum . 1978 . Antes de la cosecha factores que influyen en la calidad del
forraje conservado . J. Anim . Ciencia . 47:712-720 .
von Keyserlingk , MAG , ML Swift , R. Puchala y JA Shelford . 1996 . Características de degradabilidad de la materia
seca y proteína cruda de los forrajes en rumiantes . Anim . Alimente Ciencia . Technol. 57:291-311 .
Weisbjerg , MR , PK Bhargava , Hvelplund T. y J. Madsen . 1990 . Anvendelse af nedbrydningsprofiler i
fodermiddelvurderingen . Beretning 679 . Statens Husdyrbrugs - forsøg , Foulum , Dinamarca .
Weiss , W. P. 2002 . Valor relativo del forraje y las vacas lecheras : A valoración crítica . Páginas 127-140 en Proc .
Nutr Tri -State Dairy .Conf . , Ft. . Wayne , in.a
Césped de estación cálida (n = 4)
Mezcla de gramíneas y leguminosas (n = 20)