A matematikai táplálkozási modellek rövid összefoglalása

Körülbelül 55 éve számítógépes modelleket használnak döntéstámogató rendszerként (DSS) a tudományos ismeretek gyakorlatilag a tudomány minden ágára történő alkalmazására: az élettudományoktól (pl. a gyógyszerek molekuláris szerkezetének fejlesztésétől és az élelmiszerek fenntartható előállításának irányításától és tervezésétől) a földtudományokig (pl. űrkutatás és globális felmelegedés). Az emberiség óriási hasznot hajtott azáltal, hogy DSS-t használt olyan területeken, ahol a kísérletezés gyakorlatilag lehetetlen vagy megvalósíthatatlan. A döntéstámogató rendszerek (más néven intelligens döntési eszközök) nagyjából öt osztályba sorolhatók: kommunikáció-vezérelt, adat-vezérelt, dokumentum-vezérelt, tudásalapú és modell-vezérelt (D. J. Powers). Az 1960-as évek végén az adat- és modell-vezérelt DSS-t tudományos ismeretek, elméleti fejlesztés és operatív kutatási koncepciók alapján építették fel. Csak a mikrokomputerek és szoftverek 1980-as évek közepén történt fejlõdésével vált a DSS felhasználóbaráttá és gyakorlatilag elkezdték alkalmazni. A DSS fejlesztése szorosan kapcsolódott a mikroszámítógépek architektúrájának és feldolgozási teljesítményének fejlődéséhez.

A kérődző állatokat széles körben használják az ember által nem ehető takarmányok tápláló táplálékká történő átalakítására világszerte nagyon eltérő körülmények között. A kérődzők táplálkozásának fokozásának célja a termelékenység javítása, az erőforrások felhasználásának csökkentése és a környezet védelme. A tudósoknak azonban gyakran ki kell extrapolálniuk a standardizált, ellenőrzött, laboratóriumi kutatási körülmények között kialakult tápanyagigényeket és takarmányértékeket a szarvasmarha-típusok, takarmányok, valamint a környezeti és kezelési feltételek minden kombinációjára. Ezekben az esetekben a DSS virtuális szimulátorként használható a tápanyagigény és a takarmány-felhasználás előrejelzésére a legkülönbözőbb termelési körülmények között.

A nagy kérődzők táplálkozási rendszere (LRNS) egy olyan számítógépes modell, amely a hús- és tejelő szarvasmarhák tápanyagigényét és ellátottságát becsüli az állattípus, a környezet (éghajlati tényezők), a gazdálkodás és a rendelkezésre álló takarmányok fizikai-kémiai összetétele esetén. A gazdaságspecifikus gazdálkodás, a környezeti és étrendi jellemzők elszámolása lehetővé tette a szarvasmarha növekedésének, a tejtermelésnek és a tápanyagok kiválasztásának pontosabb előrejelzését különböző termelési helyzetekben. Az LRNS a Cornell Net szénhidrát és fehérje rendszer alapvető számítási motorját használja (CNCPS) modell, 5. verzió, további módosításokkal és megvalósításokkal.

Ezen és más matematikai táplálkozási modellek történetének, valamint azok jövőbeli alkalmazásának részletesebb tárgyalása ebben a cikkben található.

Matematikai kérődzők táplálkozási modelljei felhasználhatók a takarmány, a bevitel, az emésztés és az átjutási sebesség ismereteinek integrálására a takarmány energiaértékeire, az étkezési fehérje kiszabadulására és a mikrobiális növekedés hatékonyságára. Értékes eszközök lehetnek az állatok szükségleteinek és a takarmányokból származó tápanyagok becsléséhez az egyes egyedi mezőgazdasági termelési szcenáriókban, és ezáltal fontos szerepet játszhatnak olyan információk nyújtásában, amelyek felhasználhatók a döntéshozatali folyamatban az etetési rendszer fejlesztésére (Tedeschi et al. ., 2005b). A gazdaságspecifikus állat-, takarmány- és környezeti jellemzők figyelembevételével a szarvasmarhák fenntartásához, növekedéséhez és tejtermeléséhez, valamint a tápanyag-kiválasztáshoz való tápanyagigény pontosabb előrejelzése lehetséges különféle termelési helyzetekben (Fox és mtsai, 2004).

Az Egyesült Államokban az állattartó gazdaságok egyre nagyobb nyomás alatt vannak a tápanyag-felhalmozás és a trágya tápanyag-kiválasztás csökkentése érdekében, hogy megfeleljenek a környezetvédelmi előírásoknak (Fox et al., 2006). A Természeti Erőforrások Megőrzési Szolgálata (NRCS), az Egyesült Államok Mezőgazdasági Minisztériumának irodája (USDA) megállapította a takarmánykezelés javításának szükségességét a koncentrált takarmányozási műveletek során (CAFO) a trágya tápanyagainak csökkentésére. Az USDA-NRCS kidolgozta a takarmánykezelésre vonatkozó nemzeti megőrzési gyakorlati szabványt (# 592; USDA-NRCS, 2003), amelyet a tápanyag-gazdálkodás (# 590; USDA-NRCS, 2006) részeként kell felhasználni. A takarmánygazdálkodási terv célja (1) az állattartáshoz szükséges rendelkezésre álló tápanyagok mennyiségének biztosítása, a kiválasztott tápanyagok mennyiségének csökkentése mellett, és (2) a tápanyagok hatékonyabb takarmányozása révén a gazdaság nettó jövedelmének javítása.

A takarmányozási és tápanyag-gazdálkodási tervek kidolgozása bonyolult, és nagyszámú kutatási és tudásinformáció integrálását igényli. Ezért matematikai táplálkozási modellek felhasználhatók a kormányzati előírásoknak megfelelő technológia kiépítésében azáltal, hogy megkönnyítik a helyspecifikus tervek alkalmazását és kidolgozását. Ezenkívül a mechanisztikus modellek pontosabban figyelembe veszik az állatok és növények szükségleteit, valamint a trágya és a talaj kezelését, mint a rögzített, táblázatos irányelvek, mert testre szabhatók és kalibrálhatók a helyspecifikus jellemzők és ajánlások szerint (Tedeschi et al., 2005a; Tedeschi et al., 2005b).

A szarvasmarhák iránti igények meghatározása és az e követelmények pontosabb kielégítése érdekében az étrend kialakítása a legjobb jelenlegi stratégia a termelt hús vagy tej kilogrammonkénti tápanyag-kibocsátásának minimalizálására. A precíziós etetés és a fázis-etetés kifejezéseket széles körben használták olyan tápanyag-gazdálkodási gyakorlatok leírására, amelyek a tápanyagok csökkent kiválasztását eredményezik a CAFO által. Mindkét kifejezés egy pontosabb táplálkozási rendszerre utal, ahol a táplálkozási szakemberek kielégítik a szarvasmarha táplálkozási szükségleteit anélkül, hogy többlet tápanyagot szállítanának, csökkentenék az outputokat és az inputokat. A fehérje fázisfogyasztása vagy a fehérje kivonása olyan szisztematikus módszer, amely precíziós takarmányozási koncepciókat alkalmaz az állatok növekedésének különböző fázisaira, hogy pontosan megfeleljenek tápanyagigényüknek az etetési időszakban. A fázis etetés magában foglalja a specifikusabb adagok megfogalmazását és biztosítását a növekedés-specifikus időszakokban, amikor az állat érik (Vasconcelos et al., 2007).

A kérődzők táplálkozásának matematikai modelljeit több mint három évtizede alkalmazták (Chalupa és Boston 2003), és ösztönözte a szarvasmarhák etetésének javulását. Az elmúlt években rendelkezésre álló teljesebb adatsorok, különféle matematikai megközelítésekkel kombinálva lehetővé tették számunkra a táplálkozási modellek fejlesztését. A kérődzők táplálkozásának számos matematikai modelljét kidolgozták a múltban (Tedeschi és mtsai. 2005b), és valószínű, hogy a felhasználás gyakorisága növekszik, hogy támogassa a döntéshozatalt nemcsak a szarvasmarhák táplálkozásában, hanem más szempontokból is, ideértve a gazdaság gazdaságtanait is, állatgazdálkodás és a környezeti hatások értékelése (Tylutki et al. 2004).

A matematikai modellek kidolgozása és alkalmazása elengedhetetlen a tudományos kutatási terület több ágában. Nevezetesen a prediktív modelleket használják azon kísérletek kimenetelének becslésére, amelyek gyakorlatilag (vagy etikailag) nem végezhetők el, közvetlenül nem mérhetők, költségkímélőek, vagy egyszerűen azért, mert rengeteg rendelkezésre álló adat található, és az új adatok gyűjtése sem nem indokolható, sem nem elfogadható. Annak ellenére, hogy a modelleket a tudományos közösség általánosan elfogadja, a prediktív célú megfelelőségük meghatározása rendkívül fontos a bizalom kialakításában és a jóslatok elfogadásában tágabb helyzetekben.

Széles körben megvitatták a modelljóslások helyességének értékelésének szükségességét, és számos technikát javasoltak (Easterling és Berger, 2002; Hamilton, 1991; Tedeschi, 2006). Ennek ellenére a legtöbb értékelés felszínes, és alig vagy egyáltalán nem nyújt információt arról, hogy a modell képes-e előre jelezni a jövőbeni eredményeket. Ez részben magyarázható, mert a legtöbb matematikai modellt statikusnak, determinisztikusnak és tartományfüggőnek tervezték, ami azt jelenti, hogy létezik egy sor optimális prediktív képesség, és gyakran inkább szűkebb és helyspecifikus alkalmazásuk van, mint tágabb. A második ok a matematikai modellek alkalmasságának megítélésének nehézségével függ össze, mivel az adatbázis nem változik meg önmagában; így befolyásolja az értékelési folyamat eredményeit. A modell alapos és elfogulatlan értékelése nemcsak a modell jóslataiba vetett bizalom megteremtése, hanem a rugalmasabb modellek megtervezése is szükséges. Végül egy harmadik ok abban rejlik, hogy az értékelési folyamatot egy matematikai modell helyességének és robusztusságának bizonyítására, vagy akár mások általi elfogadásának és felhasználhatóságának elősegítésére használják (Sterman, 2002).

Az állattenyésztés fenntartható jövőjének modellezése

"A jelenlegi élelmiszer-előállítási rendszereink többsége a termelékenység és a jövedelmezőség maximalizálásán alapul, nem megfelelő gondot fordítva a környezet védelmére vagy helyreállítására. A világ népességének várhatóan 2050-re eléri a 9,55 milliárdot, egyre nagyobb nyomás nehezedik a globális élelmiszerekre. Ennek érdekében, miközben csökkentik a környezetre gyakorolt hatást, világszerte a növények, a talaj és az állattudósok számára gyors és hatékony megoldásokra van szükség.

Az állattenyésztés önmagában az egyik kritikus globális hozzájáruló az üvegházhatást okozó gázokhoz - a termelési rendszertől függően akár 14% -át teszi ki az emissziónak. Az ipar egyéb negatív környezeti hatásai közé tartozik a víztesteket szennyező tápanyagok elfolyása, a talajerózió és a nem megújuló erőforrások fogyasztása.

Ezek a káros környezeti változások sok egyéb eredmény mellett gyorsan ellensúlyozzák a mezőgazdasági termelékenység javulását a talaj minőségének romlása, fokozott felmelegedés, a betegségek újjáéledése és a biológiai sokféleség kimerülése révén. Globális lakosságunk jövőbeni élelmiszer-szükségleteinek kielégítése valóban nem lehetséges környezetvédelem nélkül.

Röviden, annak biztosítása érdekében, hogy az emberi népesség növekedése ne haladja meg az élelmiszertermelés képességét, gondoskodnunk kell az ipar középpontjában álló természeti erőforrásokról - hogy azok elérhetőek legyenek a jövő generációi számára. Ezenkívül egyértelmű, hogy az élelmiszer-termelés bármilyen növekedését a terméshozam növelésével kell elérni, nem pedig a földterület bővítésével, mivel ez tovább növelné a környezet terheit. "

Olvassa el a teljes cikket a Scientia oldalán, vagy töltse le a PDF-fájlt itt.