5种检测反刍动物产的甲烷量

来自欧盟项目： SmartCow介绍宣传片

三种检测反刍动物产的甲烷量：

image.png

（1）呼吸室, 最准的方法，国际标准方法

image.png image.png image.png

（2）SF₆追踪技术
非直接的方法

image.png image.png
image.png image.png

（3）Greenfeed 系统（美国商业公司sea lock在2010左右开发）

image.png image.png

其他两种还有：挤奶或喂食期间的呼吸采样、和激光甲烷检测器。

优缺点比较

image.png

1 用于奶牛遗传评价的甲烷测量方法比较（文章）2019.

https://doi.org/10.3390/ani9100837
背景：
欧洲科技合作 (COST) 行动 METHAGENE 专家工作组 2 (WG2) 的合作伙伴使用了几种方法来测量不同环境条件下个体奶牛的甲烷排放量。
方法包括呼吸室、六氟化硫 (SF6) 示踪技术、挤奶或喂养期间的呼吸采样、GreenFeed 系统和激光甲烷检测器。呼吸室被认为是“黄金标准”，但不适合大规模测量甲烷排放，而这是遗传评估所必需的。

目的：
在这项研究中，对大规模研究方法的适用性进行了审查和比较。

结果：
所有方法都显示出与呼吸室的高度相关性，但替代方法之间的比较通常具有较低的相关性。
然而，结果证实，所有方法的测量方法之间存在足够的相关性，这些方法要结合适当的权重，用于国际遗传学研究。这将为饲养甲烷排放量较低的牛铺平道路。

2 整合异质跨国数据用于基于代理的随机森林预测奶牛肠道甲烷（文章）2022.

https://doi.org/10.3168/jds.2021-20158
背景：
直接测量个体动物的甲烷 (CH4) 既困难又昂贵。基于 CH4 代理的预测是一种可行的选择。大多数预测模型都基于多元线性回归 (MLR) 和商业农场通常不可用的预测变量，例如干物质摄入量 (DMI) 和饮食成分。尚未报告使用机器学习 (ML) 算法从跨国异构数据集中预测 CH4 排放。

目的：
是比较 ML 集成算法随机森林 (RF) 和 MLR 模型在预测奶牛代理 CH4 排放方面的性能，并评估估算缺失数据点对预测准确性的影响。

数据和方法：
10 个国家提供了来自 20 个畜群的 CH4 排放和 CH4 替代数据。综合数据集包含来自 3,483 头奶牛的 43,519 条记录，其中 18.7% 的缺失数据点使用 k-最近邻插补进行插补。创建了三个数据集，3k（无缺失记录）、21k（缺失DMI，来自牛奶、脂肪、蛋白质、体重进行预测 ）和 41k（缺失 DMI， 来自牛奶，脂肪和蛋白质记录预测）。这些数据集用于测试场景（有或没有 DMI、估算与非估算 DMI、乳脂肪和蛋白质）和预测模型（RF 与 MLR）。通过 10 倍交叉验证在畜群内部和畜群之间评估模型预测能力。预测准确性测量为观察和预测 CH4、均方根误差 (RMSE) 和平均归一化折现累积增益 (NDCG) 之间的相关性。

结果：
-在模型中包含 DMI 将 RF 中的群内和群间预测准确度提高到 0.77 (RMSE = 23.3%) 和 0.58 (RMSE = 31.9%)，在 MLR 中提高到 0.50 (RMSE = 0.327) 和 0.13 (RMSE = 42.71)，分别比 DMI 不包括在预测模型中时。
-当估算缺失的 DMI 记录时，群体内和群体间的准确度分别增加到 0.84 (RMSE = 18.5%) 和 0.63 (RMSE = 29.9%)。
在所有情况下，RF 模型都优于 MLR 模型。

结论：
结果表明，如果结合最先进的插补技术和用于预测建模的高级 ML 算法，奶牛场的常规测量变量可用于开发全球稳健的 CH4 预测模型。