Отчет о независимом валидационном исследовании SCiO Сup

Весна 2022 года. John Goeser, MS, PhD, PAS, Dipl. ACAN

Что такое SCiO Cup?

Сайт на русском языке: scio.yarvet.ru

Введение

Колебания влажности в основных кормах и концентратах могут быть связаны с разными факторами: от типа корма и погоды во время заготовки до погодных условий при скармливании. Общепризнанным является тот факт, что содержание сухого вещества в кормах меняется со временем, но степень изменений и частота существенных изменений вероятно, не до конца изучены (Goeser, 2022).

Более частому анализу кормов препятствуют, прежде всего, трудозатраты или цена на лабораторный анализ. Кроме того, у влажных и сухих концентратов наблюдается большая изменчивость, чем считалось ранее, и для них также периодически требуется обновлять данные. Неучтённые изменения сухого вещества в ферментированных кормах или концентратах могут, как минимум, нести в себе дополнительную прибыль, составляющую 70-140 рублей на тонну молока (0,05 до 0,10 долларов/cwt).

Повышение производительности молочного или мясного скота, связанное с незначительными изменениями в сухом веществе, вероятно, поспособствует дополнительным возможностям для получения прибыли. Технология ближней инфракрасной спектроскопии (БИК/NIR) и портативные спектрометры на ферме дают возможность проводить регулярную оценку сухого вещества в кормах и улучшают качество кормления на молочных и мясных фермах.

SCiO Cup — это прибор, который был разработан для применения в кормлении жвачных животных и сельском хозяйстве. Как сам прибор, так и модели для различных были разработаны компанией Consumer Physics. За несколько лет эксплуатации SCiO Cup калибровки несколько изменились, поэтому необходимо провести внешнюю проверку работы прибора и моделей. Цель данной оценки — определить, способен ли SCiO Cup заменить лабораторный анализ кормов на содержание сухого вещества.

Методология и анализ данных

В течение нескольких месяцев Rock River Laboratory, Inc. (RRL, Watertown, WI) непрерывно анализировала образцы кормов с помощью SCiO Cup в дополнение к лабораторному анализу. Вкратце, образец сначала сканировался в SCiO Cup, а затем этот образец сразу же помещался в ёмкость для анализа сухого вещества.

В исследовании участвовали образцы измельченного кукурузного силоса и силоса из люцерны. Для участия в исследовании были привлечены пять различных подразделений RRL, что обеспечило участие нескольких пользователей и нескольких чаш SCiO. Одно место (лаборатория RRL в штате Огайо) было исключено из оценки в связи с отклонением от установленного протокола для данного проекта. Окончательный набор данных включал 568 наблюдений, как указано в Таблице 1. Полученные данные включали:

• сухое вещество, полученное лабораторным методом (RRL СВ)
• сухое вещство, полученное с помощью SCiO Cup (SCiO СВ)
• абсолютное отклонение между RRL СВ и SCiO СВ (СВ откл.).

Исходные данные по типу корма, местоположению и методу анализа также представлены в таблице 1.

Данные были проанализированы несколькими способами с использованием JMP Pro v15.2.1 (SAS Institute, Cary, NC): анализ распределения, график XY и множественный линейный регрессионный анализ с использованием метода обратного исключения. Для линейного регрессионного анализа фиксированные эффекты для типа корма, места проведения анализа, типа БИК (RRL или SCiO) и двухстороннего взаимодействия оценивали и сохраняли в модели при P < 0,10. Значимость объявлялась при P < 0,05. Окончательная модель сохранила тип корма, местоположение и тип корма х местоположение. Следует отметить, что тип NIR не был включен в окончательную модель.

Обсуждение

При анализе распределения сухого вещества, полученного RRL (RRL СВ) и с помощью SCiO Cup (SCiO СВ), 95 % доверительные интервалы перекрывались для различных распределений данных, что говорит о статистической схожести результатов СВ (рис. 1a и 1b) в среднем по популяции. Распределения результатов также схожи для RRL СВ и SCiO Cup СВ. Практически говоря, среднее значение и распределение результатов СВ, полученных с помощью SCiO Cup, схожи с данными, представленными RRL.

Рисунок 1a и 1b. Анализ распределения сухого вещества, полученного в лаборатории (RRL СВ) и с помощью SCiO (SCiO СВ) для кукурузного силоса и сенажа люцерны.

Другим способом оценки данных является анализ абсолютного отклонения между SCiO Cup и RRL для каждого образца. Это значение становится важным для понимания ожидаемого отклонения между показаниями прибора SCiO на ферме и результатами коммерческой лаборатории, которые считаются золотым стандартом. Анализ отклонений с помощью анализа распределения и оценки квантилей дает возможность понять процент результатов, попадающих в квантили. Например, квантили для результатов, полученных здесь, показывают, что 80 % результатов отклоняются менее чем на 3,0 единицы, с отклонением 3,3 единицы для бобового силоса и 2,6 единиц для кукурузного силоса, соответственно (рисунок 2). Кроме того, в 50 % случаев результаты выглядят отклоняются менее чем на 1,5 единицы. В целом, анализ распределения показывает, что популяции для измерений СВ схожи, и отклонения представляются допустимыми.

Рисунок 2. Анализ распределения абсолютных значений отклонений между RRL СВ и SCiO СВ.

Для оценки точности в дополнение к прецизионности были проведены линейный регрессионный анализ (график XY) и множественный линейный регрессионный анализ. Среднеквадратичная ошибка (RMSE) после простого линейного регрессионного анализа показала ошибки в 1,9 и 2,5 единицы для кукурузного и бобового силоса, соответственно (рисунок 3). Значения модели R2 составили 0,80 для кукурузного силоса и 0,89 для бобового силоса. Наблюдаемому R2 для кукурузного силоса, вероятно, препятствует ограниченный диапазон набора данных, с большинством наблюдений между 30 и 45% сухого вещества, с небольшой долей наблюдений между 45 и 60% DM (Рисунок 3). Простой линейный регрессионный анализ показывает приемлемое согласие между двумя методами.

Рисунок 3: График XY для SCiO DM по отношению к RRL DM, в зависимости от типа корма для кукурузного силоса и бобового силоса. Наблюдаемые значения RMSE составили 1,9 и 2,5 для кукурузного силоса и бобового силоса, соответственно.

Более сложный множественный линейный регрессионный анализ был направлен на выяснение статистически значимых переменных при определении сухого вещества. Используя метод обратного исключения, тип определения сухого вещества (т.е. RRL или SCiO) исключился из модели после учета значимой дисперсии, обусловленной другими факторами. Это наблюдение говорит о том, что даже после учета таких параметров, как тип корма или место проведения анализа, различия в полученных результатах по СВ для разных методов (RRL или SCiO) отсутствовали. И эти методы дали статистически схожие результаты. Место проведения анализа (P < 0,001), тип корма (P < 0,001) и тенденция взаимодействия местоположения и корма (P < 0,07) были сохранены в модели.

Резюме и заключение

Данный проект представляет собой обширную оценку SCiO Cup, включающую несколько приборов в разных местах и чашки, используемые разными пользователями. Полученные данные проанализировали несколькими различными способами. Результаты свидетельствуют о приемлемой схожести результатов, полученных с помощью SCiO Cup и лабораторным методом определения в Rock River Laboratory, Inc. Стандартная ошибка после простого линейного регрессионного анализа составляет приблизительно 2,2 единицы при усреднении для кукурузного и бобового силоса. Исходя из этих наблюдений, точность SCiO Cup представляется подходящей для молочных и мясных ферм или консультантов для измерения сухого вещества корма.

Ссылки

Goeser, J.P. 2022. Uncovering hidden or under recognized feed cost and margin opportunities on your dairy farm. Proc. California Animal Nutrition Conference. Sacramento, CA.