بررسی دقت برخی از مدل‌ها در برآورد ضرایب آزمون تولید گاز در سیلاژ ذرت

پژوهشهای علوم دامی ایران

مقاله 5، دوره 12، شماره 4 - شماره پیاپی 44، دی 1399، صفحه 467-479   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/ijasr.v13i2.80666

نویسندگان

خلیل زابلی^{* 1}؛ سارا کلوندی¹؛ مصطفی ملکی²

¹گروه علوم دامی، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

²گروه علوم دامی، دانشکده کشاورزی،دانشگاه بوعلی سینا، همدان، ایران

چکیده

به­منظور پیش­بینی کینتیک تخمیر شکمبه­ای سیلاژ ذرت در زمان­های صفر، 30 و 60 روز پس از سیلو کردن، از تعداد چهار مدل غیر خطی استفاده شد. برای این منظور، داده­های تولید گاز در طول 144 ساعت انکوباسیون با استفاده از مدل­های نمایی (EXP)، لجستیک (LOG)، گومپرتز (GOM) و فیزو (FZH) برازش شدند. نکویی برازش مدل­ها با استفاده از آماره­های میانگین مربعات خطا (MSE)، ضریب تعیین (R²)، انحراف مطلق میانگین باقیمانده (RMAD) و میانگین درصد خطا (MPE) انجام شد. از آزمون­های دوربین-واتسون (DW)، آزمون اجرا و رگرسیون خطی به­منظور بررسی دقت مدل­ها استفاده شد. نتایج نشان داد مدل­ها از نظر پیش­بینی پتانسیل تولید گاز (A) تفاوت معنی­داری با هم نداشتند. مدل EXP دارای بیشترین مقدار MSE (50/29) و کمترین مقدار R² (961/0) در بین مدل­ها بود. مقدار RMAD در مدل GOM و FZH کمترین (به­ترتیب 591/2 و 879/2) و در مدل EXP بیشترین (807/3) مقدار بود (05/0p <). در مدل EXP مقدار MPE 527/5 به­دست آمد که تفاوت معنی­داری با سایر مدل­ها داشت (05/0p <). در مدل EXP آماره DW به عدد صفر نزدیک­تر بود (392/0) که نشان­دهنده ضعف مدل EXP در برازش داده­ها در مقایسه با سایر مدل­ها بود. بررسی رابطه رگرسیون خطی نشان داد که مدل­های FZH و LOG پیش­بینی بهتری از پروفیل تولید گاز داشتند. به­طور کلی نتایج نشان داد مدل­های GOM و FZH جهت پیش­بینی کینتیک تخمیر شکمبه­ای سیلاژ ذرت از دقت بیشتری در مقایسه با مدل­ EXP برخوردار بودند.

کلیدواژه‌ها

روش آزمون تولید گاز؛ کینتیک تخمیر شکمبه؛ مدل‌های غیر خطی و نکویی برازش

مراجع

AOAC. 1995. Official Methods of Analysis, 16th ed. Association of Official Analytical Chemists, Arlington, VA.

2- Beuvink, J. M., and J. Kogut. 1993. Modeling gas production kinetics of grass silages incubated with buffered ruminal fluid. Journal of Animal Science, 71(4):1041-1046.

3- Dhanoa, M. S., S. Lopez, J. Dijkstra, D. R. Davies, R. Sanderson, A. B. Williams, Z. Zileshi, and J. France. 2000. Estimating the extent of degradation of ruminant feeds from a description of their gas production profiles observed in vitro: Comparison of models. British Journal of Nutrition, 83:131–142.

4- Draper, N. R., and H. Smith. 1981. Applied regression analysis. Wiley, New York, USA.

5- Fedorak, P. M., and S. E. Hrudey. 1983. A Simple apparatus for measuring gas production by methanogenic cultuvesin serum bottles. Environmental Technology Letters, 4(10): 425- 432.

6- He, Z. X., Y. L. Zhao, T. A. McAllister, and W. Z. Yang. 2016. Effect of in vitro techniques and exogenous feed enzymes on feed digestion. Animal Feed Science and Technology, 213: 148–152.

7- Huhtanen, P., A. Seppälä, S. Ahvenjärvi, and M. Rinne. 2008. Prediction of in vivo neutral detergent fiber digestibility and digestion rate of potentially digestible neutral detergent fiber: comparison of models. Journal of Animal Science, 86: 2657–2669.

8- Kamalak, A., O. Canbolat, Y. Gurbuz, and O. Ozay. 2005. Comparison of in vitro gas production technique with in situ nylon bag technique to estimate dry matter degradation. Czech Journal of Animal Science, 50 (2): 60–67.

9- Korkmaz, M., and F. Uckades. 2014. An alternative robust model for in situ degradation studies “Korkmaz-Uckardes”. Iranian Journal of Applied Animal Science, 4(1): 45-51.

10- Korkmaz, M., F. Uckades, and A. Kaygisiz. 2011. Comparision of wood, gaines, parabolic, hayashi, dhanno and polynomial models for lactation season curve of Simmental cows. Journal of Animal and Plant Sciences, 3: 448-458.

11- López, S., J. France, M. S. Dhanoa, F. Mould, and J. Dijkstra. 1999. Comparison of mathematical models to describe disappearance curves obtained using the polyester bag technique for incubating feeds in the rumen. Journal of Animal Science, 77: 1875–1888.

12- López, S., M. Prieto, J. Dijkstra, M. S. Dhanoa, and J. France. 2004. Statistical evaluation of mathematical models for microbial growth. International Journal of Food Microbiology, 96: 289- 300.

13- Menke, K. H., and H. Steingass. 1988. Estimation of the energetic feed value obtainedfrom chemical analysis in vitro gas production using rumen fluid. Animal Research and Development, 28: 7-55.

14- Menke, K. H., L. Raab, A. Salewski, H. Steingass, D. Fritz, and W. Schneider. 1979. The estimation of the digestibility and metabolizable energy content of ruminant feeding stuffs from the gas production when they are incubated with rumen liquor in vitro. Journal of Agricultural Science, 93: 217-222.

15- NRC. 2007. Nutrient Requirements of Small Ruminants: Sheep, goats, cervids, and New World camelids. National Academies Press, Washington, DC.

16- Peripolli, V., E. R. Prates, J. O. J. Barcellos, C. M. McManus, C. A. Wilbert, J. BracciniNeto, C. M. Camargo, and R. B. Lopes. 2014. Models for gas production adjustment in ruminant diets containing crude glycerol. Livestock Research for Rural Development 26 (2), from http://www.lrrd.org/lrrd26/2/peri26028.htm.

17- Pineiro, G., S. Perelman, J. P. Guerschman, and J. M. Paruelo. 2008. How to evaluate models: observed vs. predicted or predicted vs. observed? Ecological Modelling, 216: 316–322.

18- Pitt, R. E., T. L. Cross, A. N. Pell, P. Schofield, and P. H. Doane. 1999. Use of in vitro gas production models in ruminal Kinetics. Mathematical Biosciences, 159(2):145-163.

19- Rabbani, H. R. 2012. Study on silage characteristics of two varieties of amaranth forage (amaranthus hypochondriacus) and its comparison with corn silage. Thesis submitted for Master of Science in field of animal science, Department of Animal Science, Bu-Ali Sina University. (In Persian)

20- Sahin, M., F. Uckardes, O. Canbolat, A. Kamalak, and A. I. Atalay. 2011. Estimation of Partial Gas Production Times of Some Feedstuffs Used in Ruminant Nutrition. Kafkas Üniversitesi Veteriner Fakültesi Dergisi Journal, 17: 731-734.

21- SAS, 1999. The SAS system for windows. Release 8.0.1. SAS Institutue Inc, Cary, USA.

22- Schofield, P., R. E. Pitt, and A. N. Pell. 1994. Kinetics of fibre digestion from in vitro gas production. Journal of Animal Science, 72: 2980-2991.

23- Seker, E. 2002. The determination of the energy values of some ruminant feeds by using digestibility trial and gas test. Revue de Medecine Veterinaire, 153(5): 323-328.

24- Tedeschi, L. O., P. Schofield, and A. N. Pell. 2008. Determining feed quality for ruminants using in vitro gas production technique. 1. Building an anaerobic fermentation chamber. In: The 4th Workshop on Modeling in Ruminant Nutrition: Application of the gas production technique, Juiz de Fora, Brazil

25- Tilley, J. M. A., and R. A. Terry. 1963. A two-stage technique for the in vitro digestion of forage crops. Journal of the British Grassland Society, 18: 104-11.

26- Van-Soest, P. J., J. B. Robertson, and B. A. Lewis. 1991. Methods for dietary fiber, neutral detergent fiber and nonstarch polysaccharides in relation to animal nutrition. Journal of Dairy Science, 74: 3583–3597.

27- Wang, M., S. X. Tang, and Z. L. Tan. 2011. Modeling in vitro gas production kinetics: Derivation of Logistic-Exponential (LE) equations and comparison of models. Animal Feed Science and Technology, 165: 137-150.

28- Wang, M., X. Z. Sun, S. X. tang, Z. L. Tan, and D. Pacheco. 2013. Deriving fractional rate of degradation of logistic-exponential (LE) model to evaluate early in vitro fermentation. Animal, 7(6): 920-929.

29- Zaboli, Kh. 2016. Comparison of fitting of some mathematical models to describe the ruminal fermentation kinetics according to gas production technique for Alfalfa hay. Animal Production Research, 5(3): 35-47. (In Persian)

30- Zwitering, M. H., I. Jongenburger, F. M. Rombouts, and K. Van’tRiet. 1990. Modeling of the bacterial growth curve. Applied and Environmental Microbiology, 56(6):1875-1881.