NEW APPROACH OF PREDICTING MILK PRODUCTION RESPONSES AND FEED EFFICIENCY TO CHANGES IN DIET COMPOSITION TO BE USED IN NORFOR ONFARM SOFTWARE

Fôr representerer en av de største kostnadene i moderne melkeproduksjon. I tradisjonelle systemer for fastsetting av næringsverdien av fôr har man forutsatt at den enkelte fôrmiddel har en fast og uforanderlig verdi. Både fôropptaket, omsettinga av fôret i fordøyelseskanalen og intermediær utnyttelse av næringsstoffene er bestemt av samspill mellom dyret, fôrrasjonens sammensetting og fôrrasjonens størrelse. Denne typen informasjon ligger til grunn for fôrvurderingssystemet NorFor. Optimal næringsutnyttelse og høy fôreffektivitet betinger imidlertid utvikling av dynamiske responsfunksjoner som kan beregne marginalresponser for melkeytelse, melkas kjemiske sammensetting og produksjonsøkonomi. Nye matematiske metoder og modeller for å utvikle dynamiske responsfunksjoner er hovedmålet med dette prosjektet. Modellene vil bli implementert i NorFor sitt software system og integrert i fôrplanleggingsverktøyet som benyttes av rådgiver og melkeprodusent. En av de største utfordringene ved utviklingen av dynamiske responsfunksjoner er å kunne ta hensyn til individuelle gårdsvariasjoner. Vi må derfor ta steget vekk fra generiske modeller til gårdsspesifikke algoritmer, og i dette prosjektet vil vi benytte maskin læring som metodikk for å kunne avdekke gårdsspesifikk potensiale og variasjon ved endret fôring. Ved bruk av gårdsspesifikke modeller vil vi kunne øke fôreffektiviteten og redusere miljø og klimabelastningen fra melkeproduksjonen. De nye modellene vil bli testet ut på gårder i Danmark, Norge og Sverige for å teste robusthet i forhold til ulike produksjonsforhold og produksjonsintensitet. Resultatene viste at empiriske modeller inkludert fordøyelighet av organisk stoff og kjemiske komponenter kan brukes til å estimere energiinnholdet i fôrblandinger når informasjonen som danner grunnlag for å kunne bruke den mekanistiske modellen ikke er tilgjengelig. Når det gjelder responsfunksjonene, var dette prosjektet i stand til å utvikle en modell, basert på tidligere studier, av melkeresponser på endringer i ensilasjefordøyelighet og endringer i kraftfôrinntaket. I tillegg, første forsøk på å tilpasse denne modellen til sanntids gårdsdata. Tilpasningen av denne modellen til gårder vil tillate bøndene å ta beslutninger om fôreffektivitet og økonomi.

Based on the developed model to estimate energy content of compound feeds, NorFor will include this model in their system and use it as a practical methodology. Responses of milk to diet changes and its adaptation to real-farm time data will allow farmers and advisors to asjust concentrate levels according to the fed forage, and improve feed efficienct and profit per kg of milk.

Feed represent one of the major costs in modern dairy production. The real feed value of the diet, the animal products, and the partial efficiency of feed utilization for the particular livestock product, all influence total efficiency, and thus overall feed costs. Continues development of our common Nordic feed evaluation system, NorFor, is an important step towards implementing more sophisticated nutritional strategies to control production responses from dairy cows and improve feed utilization. In a context of a higher volatility of feed and milk prices, quantification of animals multiple responses to dietary changes is of particular interest to help dairy farmers in optimizing the feeding and reducing the environmental impact. The main objective of this project is to improve the NorFor system by developing a dynamic dairy cow nutrition approach. This means moving from a diet formulation based on a pre-defined production level to a response approach, adjusting the diet based on the response to changes in diet composition. This should improve feed efficiency and improve financial return by a more precise feeding. Improved feed efficiency will also reduce greenhouse gas emissions. This new approach will be implemented to the NorFor software system. Farm variation has been one of the biggest challenges for adaprtation from R&D into the commercial area. Thus, a big challenge for this project is the intention to bring the "Information and Communication Technologies" (ICTs) into the Animal Science Field, like Machine Learning (ML). With ML, the goal is to bring the data collected from farms by sensing technologies (body changes, milk prodcution changes, etc.) for accounting farm variation. Other big Challenge is validation of the models. The Project will test the dynamic modelling approach on farms in Denmark, Norway and Sweden by implementing the models into national NorFor Client software Tools.