Epsilon Archive for Student Projects

Abstract

The aim of the study was to investigate if the Grazemore Decision Support System (DSS) is able to provide a grazing management strategy that gives a high utilisation of grazed grass in milk production in the north of Scandinavia. To do this, a grazing experiment was planed and performed during the summer 2005. Simulations in the DSS were run to get a suggestion of how the cows should graze, grazing calendar 1. Deviations and updates during the season resulted in the simulated grazing calendar 2.

During the experiment, the actual milk yield was recorded twice weekly. The difference between actual and predicted milk yield by Grazemore DSS was analysed statistically with regression analysis and the mean square prediction error (MSPE) was estimated. Plots of grass were cut in order to get an idea of the herbage mass during the experiment.

The herbage mass during the experiment was higher than predicted by the model and a surplus of grass in the paddocks was not utilised. The average milk yield during the experiment was 29,9 kg/cow/day with a standard deviation of 1,4 kg/cow/day. The DSS predicted a milk yield of 30,8 kg/cow/day in grazing calendar 1 and 31,5 kg/cow/day in grazing calendar 2. The standard deviation was 0,7 kg/cow/day in both cases. The statistical analysis showed that the model had a prediction error of 5 and 6 percent respectively. The R2 values were 0,25 for grazing calendar 1 and 0,40 for grazing calendar 2.

Grazemore DSS ability to provide a grazing management strategy that gives a high utilisation of grazed grass in milk production in the north of Scandinavia was insufficient. The milk yield observed in the experiment and the programs ability to predict this value were however satisfactory. After further research and evaluation, mainly concerning the herbage growth model and its ability to predict herbage mass, Grazmore DSS has potential to be a helpful tool for optimising grass utilisation.

Detta examensarbete är en fortsättning på EU-projektet Grazemore (QLRT-2000-
02111) där beslutsstödssystemet Grazemore Decision Support System (DSS)
utvecklades med syfte att öka utnyttjandet av bete i mjölkproduktionen.
Examensarbetet innefattar en litteraturstudie samt en utvärdering av
betesplaneringsmodellen i Grazemore DSS. Syftet med utvärderingen var att
undersöka om det är möjligt att skapa en datoroptimerad betesplanering som ger ett
högt utnyttjande av bete i mjölkproduktionen i norra Skandinavien.
Rätt utnyttjat är bete ett billigt och bra foder med positiva effekter på både djur och
produkter. Försök har visat att det är möjligt att erhålla höga produktionsnivåer
med måttliga mängder tillskottsfoder. Mjölkproduktion och foderkonsumtion på
bete påverkas av en rad olika faktorer som produktionspotential, betestilldelning,
tillskottsutfodring och säsongsinverkan.
Det finns olika typer av betessystem som kan delas in i två huvudkategorier,
kontinuerligt bete och rotationsbete. Rotationsbete anses ofta ha många fördelar
och vara mer flexibelt jämfört med kontinuerligt bete.
Betessystem är komplexa, väderberoende system och utmaningen vid betesdrift är
att hitta en balans mellan tillväxten av betesgräs och kornas konsumtion. Flera
beslutsstödssystem har utvecklats för att underlätta planering och styrning av
betesdriften. Ett av dem är Grazemore DSS, ett användarvänligt dataprogram som
möjliggör simuleringar av olika betesstrategier och klimatets inverkan på
mjölkproduktionen.
För att utvärdera betesplaneringsmodellen och användandet av betesregler i
Grazemore DSS planerades och genomfördes ett betesförsök under säsongen 2005
på Grovfodercentrums försöksgård Röbäcksdalen i Umeå. Simuleringar i
programmet utnyttjades för att ta fram ett förslag på hur korna skulle beta,
beteskalender 1. Avvikelser och uppdateringar av beteskalender 1 under säsongen
resulterade i beteskalender 2. Försöket omfattade 40 kor av rasen SRB och pågick
under sex veckor. Besättningen roterade mellan fyra betesfållor med en total areal
på 11,9 ha. Den genomsnittliga tillskottsutfodringen var 2 kg hö/ko/dag och 9 kg
kraftfoder/ko/dag.
Kornas verkliga mjölkavkastning registrerades under försöket för att jämföra med
värden beräknade av Grazemore DSS. Skillnaderna analyserades statistiskt med
regressionsanalys och prediktionsfelet, mean square prediction error (MSPE),
beräknades. Provklippning av betesfållorna genomfördes under säsongen för att få
en uppfattning om betesmängden.
Betesmängden var under försöket större än vad modellen beräknade och ett stort
överskott av gräs i fållorna utnyttjades inte. Den genomsnittliga mjölkavkastningen
under försöket var 29,9 kg/ko/dag med en standardavvikelse på 1,4 kg/ko/dag.
Beslutstödssystemet förutspådde en avkastning på 30,8 kg mjölk/ko/dag i
beteskalender 1 och 31,5 kg mjölk/ko/dag i beteskalender 2. Standardavvikelsen
var i båda fallen 0,7 kg kg/ko/dag. Den statistiska analysen visade att modellen
predikterade mjölkproduktionen med ett relativt fel på 5 respektive 6 procent.
Detta kan jämföras med 13 procent i en motsvarande utvärdering under säsongen
2004. R2
-värdena var 0,25 för beteskalender 1 och 0,40 för beteskalender 2.
Simuleringar i Grazemore DSS utnyttjades också för att jämföra det ekonomiska
resultatet vid betesgång i förhållande till att ha korna installade under
betesperioden. Säsongsresultatet, mjölkintäkter minus foderkostnader,
uppskattades till 35 000 kr högre vid betesgång under en tidsperiod på tre månader.
Grazemore DSS förmåga att skapa en datoroptimerad betesplanering som ger ett
högt utnyttjande av bete i mjölkproduktionen i norra Skandinavien var otillräcklig.
Den observerade mjölkavkastningen i försöket samt DSS förmåga att beräkna
denna var däremot tillfredsställande. Efter kompletterande forskning och
utveckling, framför allt av tillväxtmodellen, skulle Grazemore DSS kunna bli ett
användbart hjälpmedel för optimering av betesutnyttjande.