Les modèles de prévision de l'ingestion journalière d'herbe et de la production laitière des vaches au pâturage - l'unam - université nantes angers le mans Accéder directement au contenu
Article Dans Une Revue (Article De Synthèse) Productions Animales Année : 2005

Modelling of daily herbage intake and milk production by grazing dairy cows

Les modèles de prévision de l'ingestion journalière d'herbe et de la production laitière des vaches au pâturage

Résumé

The wide range of grazing and feeding management of grazing dairy cows does not enable a simple and accurate estimate of their herbage intake. The purpose of this review is to describe the main predictive models of herbage intake by grazing dairy cows. The most recently published models take into account the characteristics of the herd, sward, and feeding and grazing conditions, and are included in decision support tools for grazing management (Patur'IN, Sepatou, Grazemore) or feeding management at grazing (GrazFeed, Diet-Check, INRAtion soon). The response of herbage intake to grazing conditions and supplementary feeding are simulated from several models. The accuracy of the existing models is studied from a global statistical approach comparing the actual herbage intake of experimental herds (n = 304) with the predicted values. The mean error of prediction ranges from 10 to 25% according to the model, i.e. from 1.5 to 3.8 kg DM of herbage intake per cow per day. The low accuracy of the predictions is related first to the lack of robustness of the predictions for unusual grazing conditions. Moreover, few models enable to predict cow performance (milk production, body weight change) from the prediction of herbage and nutrient intake.
La diversité des pratiques de gestion des prairies et de complémentation des vaches laitières au pâturage rend très difficile l’estimation de l’ingestion d’herbe par les animaux en fermes. Cet article a pour objectif principal de faire le point sur les modèles simples ou complexes de prévision de l’ingestion des vaches laitières au pâturage. Les modèles les plus complets prennent en compte à la fois les caractéristiques du troupeau, de la prairie pâturée, des conditions de pâturage et des compléments alimentaires apportés au troupeau. Les modèles récents, intégrés dans des outils d’aide à la gestion du pâturage (Pâtur’IN, Sepatou, Grazemore) ou dans des outils d’aide à l’alimentation des vaches au pâturage (GrazFeed, Diet-Check, INRAtion prochainement), sont ici décrits dans leurs principes. Des simulations réalisées à partir des modèles ou des logiciels disponibles permettent également de décrire et de comparer les principales lois de réponse de l’ingestion des vaches aux variations des conditions de pâturage et de complémentation. La précision des différents modèles existants est estimée par une approche statistique globale en comparant l’ingestion observée expérimentalement et celle prévue indépendamment par les modèles à l’échelle troupeau-parcelle (n = 304). L’erreur moyenne de prévision varie de 10 à 25 % selon les modèles, soit de 1,5 à 3,8 kg MS d’herbe ingérée par vache et par jour. Les écarts de précision entre modèles proviennent essentiellement de la façon dont les conditions de pâturage sont prises en compte, notamment pour les situations extrêmes de chargement. Par ailleurs, très peu de modèles permettent de prévoir les performances animales (lait produit, variation de poids) à partir de l’ingestion d’herbe.

Mots clés

Fichier principal
Vignette du fichier
2005_delagarde_prod_anim_1.pdf (677.2 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-02682485 , version 1 (01-06-2020)

Identifiants

  • HAL Id : hal-02682485 , version 1
  • PRODINRA : 11911
  • WOS : 000234767200002

Citer

Remy Delagarde, Mike O'Donovan. Les modèles de prévision de l'ingestion journalière d'herbe et de la production laitière des vaches au pâturage. Productions Animales, 2005, 18 (4), pp.241-253. ⟨hal-02682485⟩
50 Consultations
91 Téléchargements

Partager

Gmail Facebook X LinkedIn More