• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

影响母猪断奶至配种间隔的遗传参数估计

徐志婷, 孙显月, 滕金言, 刁淑琪, 张豪, 张哲, 李加琪

徐志婷, 孙显月, 滕金言, 等. 影响母猪断奶至配种间隔的遗传参数估计[J]. 华南农业大学学报, 2020, 41(2): 18-22. DOI: 10.7671/j.issn.1001-411X.201905036
引用本文: 徐志婷, 孙显月, 滕金言, 等. 影响母猪断奶至配种间隔的遗传参数估计[J]. 华南农业大学学报, 2020, 41(2): 18-22. DOI: 10.7671/j.issn.1001-411X.201905036
XU Zhiting, SUN Xianyue, TENG Jinyan, et al. Estimation of genetic parameters affecting the weaning-to-service interval in sows[J]. Journal of South China Agricultural University, 2020, 41(2): 18-22. DOI: 10.7671/j.issn.1001-411X.201905036
Citation: XU Zhiting, SUN Xianyue, TENG Jinyan, et al. Estimation of genetic parameters affecting the weaning-to-service interval in sows[J]. Journal of South China Agricultural University, 2020, 41(2): 18-22. DOI: 10.7671/j.issn.1001-411X.201905036

影响母猪断奶至配种间隔的遗传参数估计

基金项目: 国家生猪产业技术体系(CARS-35)
详细信息
    作者简介:

    徐志婷(1997—),女,硕士研究生,E-mail: zhitingxu@126.com

    孙显月(1986—),女,硕士,E-mail: mmnl_xys@163.com;†对本文贡献相同

    通讯作者:

    李加琪(1965—),男,教授,博士,E-mail: jqli@scau.edu.cn

    †对本文贡献相同

  • 中图分类号: S828; S813.3

Estimation of genetic parameters affecting the weaning-to-service interval in sows

  • 摘要:
    目的 

    分析影响母猪断奶至配种间隔的因素,并估计母猪断奶至配种间隔的遗传参数,为猪场育种规划提供理论参考。

    方法 

    本研究材料为2011—2016年间采集的华南地区2个场区(A场和B场)大白母猪和长白母猪的繁殖记录。采用Duncan’s法对影响母猪断奶至配种间隔的因素进行显著性分析,并使用DMU软件的AI-REML结合EM算法进行遗传参数估计。

    结果 

    分娩胎次和断奶年份对母猪断奶至配种间隔影响均极显著(P<0.01);断奶季节对A、B 2个场区长白母猪及B场大白母猪的断奶至配种间隔影响均极显著(P<0.01),而对A场大白母猪的断奶至配种间隔影响不显著(P>0.05);带仔数对A、B 2个场区的母猪断奶至配种间隔影响均不显著(P>0.05)。A场大白和长白母猪的断奶至配种间隔遗传力分别为0.02和0.04,B场大白和长白母猪断奶至配种间隔的遗传力均为0.06。

    结论 

    华南地区母猪断奶至配种间隔为低遗传力性状,受分娩胎次与断奶季节的影响显著。在实际生产中应缩短母猪初产后断奶至配种间隔,并尽可能使母猪在冷季断奶。

    Abstract:
    Objective 

    To analyze the factors affecting weaning-to-service interval(WSI) of sows, estimate genetic parameters of WSI in sows, and provide theoretical references for pig breeding program.

    Method 

    The research data are the reproductive records of Yorkshire and Landrace in two farms (A and B) of South China collected from 2011 to 2016. Duncan’ s method was used to analyze the factors affecting WSI of sows. The genetic parameters were estimated using AI-REML of DMU software combined with EM algorithm.

    Result 

    Parity and weaning years had highly significant effects on WSI of sows (P<0.01). Weaning season had highly significant effect on WSI of Landrace sows in both A and B farms and Yorkshire sows in B farm (P<0.01), while it had no significant effect on WSI of Yorkshire sows in A farm (P>0.05). The number of suckling piglets had no significant effect on WSI of sows in both farms (P>0.05). The heritabilities of WSI in Yorkshire and Landrace sows in A farm were 0.02 and 0.04 respectively, and the heritabilities of WSI in both Yorkshire and Landrace sows in B farm were 0.06.

    Conclusion 

    The WSI of sows in South China is a low heritability trait, which is significantly affected by parity and weaning season. In practical production, the WSI of sows after first delivery should be shortened, and the sows should be weaned in cold season.

  • 随着经济发展与人民生活水平的提高,鸡肉已成为我国仅次于猪肉的第二大肉类消费品[1]。近年来,规模化立体笼养已成为肉鸡饲养模式发展的必然趋势。但在规模化、集约化养殖条件下,饲养密度大,饲养管理如不到位极易造成肉鸡疫病大面积流行,从而给养殖场造成较大的经济损失[2]。体温是衡量肉鸡健康与否的重要指标之一[3-5]。通过实时监测肉鸡体温可以反映其因病理或应激响应带来的健康问题,从而使养殖人员及时进行疾病防治。如何及时、快速、精准地感知鸡群体温状况,降低饲养人员劳动强度,提高饲养管理自动化、智能化水平,对于我国肉鸡养殖业健康发展具有重要意义。

    传统肉鸡体温测量方法多为人工接触式测量,使用汞温度计或电子体温计测量直肠温度,费时费力且极易造成鸡只感染和笼内恐慌,显然已不适用于当前的大规模养殖环境。有学者基于温度传感器与无线通信技术建立了家禽实时体温检测系统[6-8]。但此种测温方法仍为接触式测量,存在测温装置易脱落、设备易受潮失灵、易造成畜禽疾病感染等弊端,不符合福利养殖要求。

    近年来,红外热成像技术凭借无应激、无损伤的优势,在畜禽体温测量及疾病检测应用方面正逐步取代传统测温方法[9-11]。目前,针对猪、牛等大体型、少体毛家畜,将热红外技术与图像处理技术相结合,较容易实现感兴趣区域(Region of interest,ROI)提取与识别,以完成非接触式温度测量或动物行为分析[12-15]

    在家禽热成像体温检测方面,因家禽具有体型小、羽毛厚、养殖密度大等特点,目前研究难点主要有:1)规模化商业养殖环境下红外热像上的特征区域识别较困难;2)鸡只红外体表温度是否可精准代表其体内温度等问题。陆辉山等[16]和李沛等[17]采用红外热成像技术与回归分析方法,对蛋鸡体表温度与翼下温度之间的关系进行研究,建立了体温预测模型,结果表明蛋鸡体表无羽区域红外热像可用于其翅下体温预测,从而反映鸡只体温情况。沈明霞等[18]通过深度学习提取红外热像ROI温度,结合环境温度、湿度,利用回归算法得出了肉鸡翼下温度反演模型,达到肉鸡体温检测的目的,但是该研究采用无遮挡的单只鸡站立侧面图像来提取头部和腿部特征区域,与商业养殖场肉鸡笼养模式相比显然较理想化。实际生产中随周龄增大肉鸡姿态多为卧姿,腿部信息难以获取,且鸡只经常拥挤在一起并易受到笼子、饮水线等物遮挡,从而造成特征区域提取困难。Bloch等[19]采用低成本红外相机与Lasso回归预测模型,设计了一个针对商业肉鸡场个体肉鸡的红外体温检测系统,试验结果表明,该系统有可能代替环境温度传感器有效应用于鸡舍环境控制。然而该项研究针对的是地面散养肉鸡,测温系统安装于喂食器处,只有当某只鸡采食时,才获取该鸡的体温数据,不适用于规模化笼养肉鸡的鸡群整体体温与健康实时监测。

    本文针对商业笼养肉鸡养殖环境,利用红外热成像技术获取笼养肉鸡图像,基于YOLOv5s提取鸡头特征区域温度,分别采用线性回归与非线性回归2种方法建立翅下体温预测模型,为舍内笼养肉鸡健康自动巡检设备建造奠定前期研究基础,从而促进禽畜养殖产业自动化、智能化发展。

    试验数据采集地点为河北省保定市玖兴肉鸡养殖场,试验对象为5周龄‘罗斯308’白羽肉鸡。试验选用FLIRE60型红外热像仪、汞温度计和GSP-8电子温湿度计等设备。数据采集所选白羽肉鸡平均体质量为2 kg,采集时间为08:00—17:00,每间隔1 h进行1次数据采集。将白羽肉鸡放在鸡舍中随机选取的某个上层鸡笼内,选取上层鸡笼的目的是便于数据采集,鸡笼长102 cm,宽73 cm,高40 cm。测温前将红外热像仪放置于笼前40 cm处,为了获得精准的温度数据,对红外热像仪进行标定,设置热像仪的镜头参数和发射率参数,待鸡只稳定后,利用热成像仪连续拍摄3次红外图像,用于提取体表特征区域温度;拍摄结束后,将汞温度计贴近肉鸡翅下等待5 min后取出并读取温度,重复测取3次温度数据,取平均值记录。在每只鸡数据采集完成之后,读取温湿度计记录此时鸡舍的温度和湿度。数据采集示意图如图1所示。

    图  1  笼养肉鸡数据采集示意图
    1:红外热像仪;2:三脚架;3:下层鸡笼;4:上层鸡笼;5:饮水装置;6:饲料槽
    Figure  1.  Schematic diagram of data collection for caged broilers
    1: Infrared thermal imaging instrument; 2: Tripod; 3: Lower layer chicken cage; 4: Upper layer chicken cage; 5: Drinking water plant; 6: Feed trough

    在红外图像中不同温度的物体呈现不同的颜色,笼内肉鸡红外图像如图2所示,A、B、C 3个区域分别为鸡只头部、胸部及腿部,与鸡只身体其他部分颜色相比,此3处区域颜色明显较为明亮,可考虑选取此3处作为体表特征区域进行下一步研究。因肉鸡胸部有羽毛遮挡,且不同鸡只的羽毛覆盖率不同,导致温度提取时差异较大。且陆辉山等[16]发现鸡只羽毛覆盖区的体表温度受环境温度影响巨大,对衡量鸡只的真实体温没有实际价值,所以不选用鸡胸作为ROI研究。由图2中可看出,鸡只腿部并不容易被红外相机所捕获,所以最终选取鸡只头部作为试验的特征区域,即ROI,并取特征区域中最高温度和平均温度作为ROI温度展开研究。

    图  2  笼养肉鸡红外图像
    A:头部;B:胸部;C:腿部
    Figure  2.  Infrared image of a caged broiler
    A: Head; B: Breast; C: Leg

    由于鸡舍环境复杂,拍摄的笼内肉鸡红外图像不容易通过简单的图像处理方法得到ROI,故而通过使用深度学习来提取ROI。YOLOv5凭借着优秀的检测性能被广泛应用于目标检测领域[20-22],根据不同的深度与宽度,YOLOv5又分为YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x这4种不同的版本模型。由于YOLOv5s模型具有更快的检测速度和更小的模型体积,故本文选用YOLOv5s进行ROI提取试验研究。根据模型输出结果,获取ROI矩形框的4个顶点坐标,通过坐标信息从存有图像温度数据的CSV文件提取温度的最大值与平均值,达到ROI温度提取的目的。

    YOLOv5s由输入端、主干网络、颈部网络和输出端4个部分组成,其网络结构如图3所示。在整个目标检测网络中,输入端主要通过Mosaic数据增强、自适应锚框计算和自适应图片缩放3种方式对输入图片进行预处理。

    图  3  YOLOv5网络结构图
    Figure  3.  Structural diagram of YOLOv5 network

    主干网络为特征提取网络,主要包括Focus结构、跨阶段局部网络(Cross stage paritial,CSP)结构、卷积模块(Conv+BN+Leaky_relu,CBL)和空间金字塔池化模块(Spatial pyramid pooling module,SSP)。Focus结构对图片进行切片,经过一系列操作得到4张图片,而后将图片拼接起来,这样相对于原先的RGB三通道模式变成了12个通道,再经过1次卷积操作,使得特征提取更加充分。CSP结构分为CSP1和CSP2,CSP1是特征提取部分,用于增强网络的学习能力,减少计算量和网络参数,保证较高的准确率。

    颈部网络为特征融合网络,其采用FPN+PAN网络结构。利用自上而下与自下而上联合的特征双向融合方式,可以更好地对主干网络和检测网络提取的特征信息进行融合,然后将特征信息传入到预测层,加强网络特征融合的能力。颈部网络中采用CSP2结构,在降低计算量的同时,使得网络对特征的融合能力得到加强,保留了更丰富的特征信息。

    YOLOv5s的输出端,采用GIOU_Loss作为Bounding box的损失函数。同时针对较多目标框的筛选,采用GIOU_nms非极大值抑制的方式筛选目标位置的边框坐标。

    共采集图像4865幅,将训练所需图像通过Labelimg软件进行标注,获取对应的xml文件。xml文件内容包括图片的存储路径、文件名、标注类别、所标注位置对角坐标等信息。

    用于深度学习模型搭建与训练的硬件平台为CPU:Intel(R) Core(TM) i7-10700 CPU @ 2.90 GHz,GPU:GeForce RDTX 3070、8.0 GB独立显存和16.0 GB内存。软件环境为Windows 10、Cuda11.5、采用Pytorch深度学习框架,在Python3.7环境下对模型进行训练。训练参数Epoch为300,Batch_Size值为16;优化器为Adam,初始学习率为0.01,冲量为0.937,权重衰减(Weight decay)为0.0005。

    由采集数据可知,1天内肉鸡翅下温度基本保持恒定,但体表温度随环境变化而发生改变。本试验共采集翅下温度、鸡头最高温度、鸡头平均温度、环境温度、环境湿度5类数据。为分析各类数据之间的相关性,采用Excel进行多元线性回归分析,采用SPSS进行多元非线性回归分析,对60组数据进行模型拟合及拟合结果测试,得出翅下温度与其他变量之间的函数关系,并应用决定系数($ {R}^{2} $)及误差检验其拟合效果。

    采用精准率($ {{P}} $r)、召回率($ {{R}} $)、F1值和每秒传输帧数(FPS)这4项指标来评价基于YOLOv5s训练的ROI模型的性能,具体计算公式如下:

    $${{ P_{\rm{r}}}} = \dfrac{{{\rm{TP}}}}{{{\rm{TP}} + {\rm{FP}}}} ,$$ (1)
    $$ \begin{split}&\;\\ & R = \dfrac{{{\rm{TP}}}}{{{\rm{TP}} + {\rm{FN}}}}, \end{split}$$ (2)
    $$ F1 = \dfrac{{2P_{\rm{r}} R}}{{P_{\rm{r}} + R}}, $$ (3)

    式中,$ {\rm{TP}} $表示正确检测到的肉鸡鸡头,$ {\rm{FP}} $表示错误检测到的肉鸡鸡头,$ {\rm{FN}} $表示未被正确检测到的肉鸡鸡头,F1值为精准率和召回率的调和平均数。FPS表示模型每秒可以处理的图像数量,FPS越高,检测速度越快。

    将60张待测试红外图像输入到训练后的YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x模型中进行检测并记录结果。计算各算法模型对笼内肉鸡红外图像识别结果的精准率Pr、召回率RF1值和FPS,各算法模型测试结果对比如表1所示。在本试验中,设置的检测阈值(IOU)为0.5,当模型预测的目标边界与测试集对应的标注数据中的边界框的IOU大于或等于设定阈值时,则认为检测结果正确,否则视为检测错误。通过分析4种不同算法模型的测试结果,可以看出YOLOv5s算法模型在保证检测精度的同时,FPS达到65,综合对比检测精度和检测速度,YOLOv5s算法模型具有更好的综合检测性能。最终经过测试统计,YOLOv5s模型对ROI识别精准率为93.8%,召回率为95.8%。

    表  1  各算法模型测试结果对比
    Table  1.  Comparison of test results of different algorithm models
    模型
    Model
    精准率/%
    Precision
    (Pr)
    召回率/%
    Recall
    (R)
    F1每秒传输帧数
    Frame per
    second (FPS)
    YOLOv5s 93.8 95.8 94.8 65
    YOLOv5m 93.8 96.2 95.2 58
    YOLOv5l 91.8 89.1 90.4 53
    YOLOv5x 93.5 90.6 92.0 50
    下载: 导出CSV 
    | 显示表格

    图4为YOLOv5s模型对测试图像的检测结果。图4a中3只鸡的ROI均被正确识别;图4b中共检测出2个ROI,但其中1个ROI为模型将鸡只胸部误识别为头部;图4c中共有2个ROI,但模型仅识别出1个ROI,另外1个没有被识别。原因可能在于误识别区域特征与头部特征类似、模型没有完全学习到未识别区域特征。为减少误识别和识别遗漏情况的发生,后续可增加训练集数量,使模型更加充分地学习到ROI特征。

    图  4  模型对测试图像的检测结果
    Figure  4.  Detection results of the model on the test image

    本文选用多元线性回归和多元非线性回归2种方法建立反演模型,并对模型结果进行对比分析。不同时刻肉鸡翅下温度和特征区域温度及环境温、湿度试验数据如表2所示。其中翅下温度由温度计测得,鸡头最高温度及平均温度由红外热成像测得,环境温度和环境湿度由温湿度计测得。

    表  2  不同时刻肉鸡翅下温度、头部温度及环境温湿度试验数据
    Table  2.  Test data of temperature under wing of broiler, head temperature as well as ambient temperature and humidity at different time
    时刻
    Time moment
    翅下温度/℃
    Temperature
    under wing
    头部最高温度/℃
    Maximum
    head temperature
    头部平均温度/℃
    Average
    head temperature
    环境温度/℃
    Ambient
    temperature
    环境湿度/%
    Ambient
    humidity
    08:0041.036.535.122.045
    09:0041.336.234.922.145
    10:0041.136.835.322.145
    11:0041.136.334.922.145
    12:0041.236.635.222.045
    13:0041.436.535.122.245
    14:0041.536.735.422.245
    15:0040.936.134.622.345
    16:0041.637.035.422.245
    17:0040.836.935.122.045
    下载: 导出CSV 
    | 显示表格

    多元线性回归是用来研究1个因变量与2个或2个以上对其有主要影响的自变量之间关系的一种方法。通过PR2来判断回归模型的拟合度和相关性。P越接近0,则自变量与因变量相关性越大[23-24]R2越接近1,则模型的拟合效果越好,预测结果越准确。本模型中共有4个自变量,为了得到准确的预测结果,采用逐步回归方法进行分析,共建立3种多元线性回归模型(表3)。

    表  3  肉鸡翅下温度的预测模型
    Table  3.  Prediction model of temperature under wing of broiler
    模型
    Model
    dfPR2平均差值/℃
    Average
    difference
    140.0010.680.118
    230.0010.480.160
    330.0010.680.123
    下载: 导出CSV 
    | 显示表格

    模型1为头部最高温度、环境温度、环境湿度与肉鸡翅下温度的关系。模型2为头部平均温度、环境温度、环境湿度与肉鸡翅下温度的关系。模型3为头部最高温度、头部平均温度、环境温度、环境湿度与肉鸡翅下温度的关系。由表3可知,3种模型的P均为0.001,接近于0,表明4种自变量均与翅下温度相关。模型1与模型3的R2相同且均大于模型2,表明模型1与模型3拟合效果更好,满足多元线性回归分析的要求。模型1与模型3的回归系数(B)及显著性分析如表4所示。

    表  4  模型1和3的回归系数及显著性分析
    Table  4.  Regression coefficients and significance analyses of model 1 and 3
    模型
    Model
    参数
    Parameter
    常量
    Constant
    头部最高温度
    Maximum head temperature
    头部平均温度
    Average head temperature
    环境温度
    Ambient temperature
    环境湿度
    Ambient humidity
    1B22.840.480.03−0.03
    P0.0010.0010.510.001
    3B22.970.470.010.03−0.03
    P0.0010.0010.830.490.001
    下载: 导出CSV 
    | 显示表格

    经过显著性分析可知,模型1中常量、头部最高温度和环境湿度的P<0.01,表明其相关性较强,不可去除,变量环境温度的P为0.51 (P>0.05)表明其对因变量影响较小。模型3中常量、头部最高温度和环境湿度的P<0.01,表明其相关性较强,不可去除,变量头部平均温度和环境温度的P均大于0.05,表明其对因变量影响较小,相关性弱。

    表4回归系数可以得到模型1和模型3多元线性回归模型方程为:

    $$\tag{3} {Y} 1=22.84+0.48 x_1+0.03 x_3-0.03 x_4, $$
    $$ {Y} 2=22.97+0.47 x_1+0.01 x_2+0.03 x_3-0.03 x_4 ,$$ (4)

    式中,Y1和Y2为肉鸡翅下温度;x1、x2、x3x4分别为肉鸡头部最高温度、肉鸡头部平均温度、环境温度和环境湿度。

    为了进一步比较模型1与模型3的性能,选取60组测试数据进行拟合。并将预测值与实测值进行对比,计算相对误差。经计算,模型1平均误差为0.118 ℃,平均相对误差为0.28%,最大差值为0.34 ℃。模型3平均误差为0.123 ℃,平均相对误差为0.29%,最大差值为0.35 ℃。对比可知,模型1的拟合度优于模型3,模型1具有更高的精准度,更能反应肉鸡翅下的真实温度。模型1下60组测试数据的实测值与预测值的对比结果如图5所示。

    图  5  线性回归模型1测试组实测值与预测值对比图
    Figure  5.  Comparison between the measured value and predicted value of the test group in linear regression model 1

    多元非线性回归分析是指包含2个以上变量的非线性回归模型。通过上述线性回归分析可知,线性回归分析中模型1性能最好,且头部平均温度对因变量影响最不显著,故而选择对模型1中头部最高温度、环境温度、环境湿度3种自变量进行曲线拟合。选用SPSS软件进行非线性回归分析,采用多项式回归方程建立因变量与自变量的非线性回归数学模型:

    $$ \begin{split} Y=&{a}_0+{a}_1 x_1^2+{a}_2 x_3^2+{a}_3 x_4^2+\\ & {a}_4 x_1 x_3+{a}_5 x_1 x_4+{a}_6 x_3 x_4 \end{split},$$ (5)

    式中,Y为肉鸡翅下温度;a0a1a2a3a4a5a6为非线性模型回归系数;x1x3x4分别为肉鸡头部最高温度、环境温度和环境湿度。

    采用双重迭代的拟合方法利用式(5)对试验数据进行非线性拟合,此方法通过每次迭代中建立的二次规划来确定优化方向,不断把估计参数带入损失函数中求值,以R2和残差平方和进行评定。最终模型函数迭代27次时R2=0.71,残差平方和达到最小值1.192时计算截止。拟合得到肉鸡翅下温度最优预测模型:

    $$ \begin{split} {Y}=&28.421+0.025 x_1^2+0.051 x_3^2+0.01 x_4^2-\\ &0.026 x_1 x_3-0.014 x_1 x_4-0.2 x_3 x_4 。 \end{split}$$ (6)

    选取与线性模型相同的60组测试数据对非线性回归模型进行检验。并将预测值与实测值进行对比,计算误差。经计算,非线性模型平均误差为0.113 ℃,平均相对误差为0.27%,最大差值为0.32 ℃,优于线性模型。非线性回归下60组测试数据的实测值与预测值的对比结果如图6所示。

    图  6  非线性回归模型测试组实测值与预测值对比图
    Figure  6.  Comparison between the measured value and predicted value of the test group in the nonlinear regression model

    由上述分析可知,线性回归模型1的R2为0.68,非线性回归模型的R2为0.71,表明多元非线性回归模型拟合效果优于线性回归模型。对比图5图6可知,图6预测值明显比图5预测值更接近于实测值,根据60组测试数据的误差分析结果,非线性模型优于线性模型,能更准确地预测出肉鸡翅下温度。

    1)本文提出了一种基于深度学习及多元线性回归的肉鸡温度预测方法。利用YOLOv5框架进行深度学习,以笼内肉鸡头部作为ROI训练识别模型,可以准确地提取红外图像中鸡只头部最高温度与平均温度,试验结果表明,该识别模型在测试集中的精准率和召回率分别为93.8%和95.8%。

    2)分别利用多元线性回归模型和多元非线性回归模型对白羽肉鸡翅下温度进行了分析,结果表明,线性回归中模型1(鸡头最高温度,环境温度,环境湿度)平均相对误差与最大差值为3种模型中最低的,分别为0.28%和0.34 ℃,非线性模型平均相对误差与最大差值分别为0.27%和0.32 ℃,在一定程度上2种模型均可满足肉鸡体温测量要求。

  • 图  1   不同胎次母猪断奶至配种间隔的多重比较

    相同样本柱子上方的不同小写字母表示差异显著(P<0.05,Duncan’ s法)

    Figure  1.   Multiple comparisons of weaning-to-service intervals in sows among different parities

    Different lowercase letters on bars of the same type of sample indicate significant difference (P<0.05, Duncan’ s method)

    表  1   华南2个场区大白与长白母猪断奶至配种间隔的描述统计

    Table  1   Descriptive statistics of the weaning-to-service interval of Yorkshire and Landrace sows in two farms of South China

    场区
    Farm
    大白 Yorkshire 长白 Landrace
    观测数
    Number
    断奶至配种间隔1)/d
    Weaning-to-service interval
    观测数
    Number
    断奶至配种间隔1)/d
    Weaning-to-service interval
    A 3 153 7.24±6.95 2 986 6.44±6.27
    B 2 210 7.55±8.15 995 7.41±7.64
     1) 此列数据为平均值±标准误
     1) Data in this column are means ± standard errors
    下载: 导出CSV

    表  2   影响母猪断奶至配种间隔的不同因素显著性检验结果1)

    Table  2   Significance test results of different factors affecting the weaning-to-service interval of sows

    场区
    Farm
    因素  
    Factor  
    大白 Yorkshire 长白 Landrace
    DF F DF F
    A 胎次 Parity 5 41.53** 5 18.05**
    年份 Year 5 5.15** 5 14.19**
    季节 Season 1 0.89 1 18.96**
    带仔数 Number of suckling piglets 4 0.49 4 0.73
    B 胎次 Parity 5 110.66** 5 59.08**
    年份 Year 2 8.78** 2 4.63**
    季节 Season 1 74.28** 1 12.96**
    带仔数 Number of suckling piglets 4 1.11 4 1.68
     1)“**”表示影响极显著(P<0.01)
     1)“**”indicates the effect is highly significant (P<0.01)
    下载: 导出CSV

    表  3   不同断奶季节母猪断奶至配种间隔多重比较

    Table  3   Multiple comparisons of weaning-to-service intervals in sows among different weaning seasons

    场区
    Farm
    季节
    Season
    大白 Yorkshire 长白 Landrace
    观测数
    Number
    断奶至配种间隔1)/d
    Weaning-to-service interval
    观测数
    Number
    断奶至配种间隔1)/d
    Weaning-to-service interval
    A 冷季 Cold 1 467 6.89±6.55b 1 329 5.65±4.83b
    热季 Hot 1 686 7.54±7.26a 1 657 7.07±7.16a
    B 冷季 Cold 1 050 5.74±5.23b 466 6.16±5.84b
    热季 Hot 1 160 9.20±9.80a 529 8.52±8.79a
     1) 此列数据为平均值±标准误;相同猪场同列数据后的不同小写字母表示差异显著(P<0.05, Duncan’ s法)
     1) Data in this column are means±standard errors; Different lowercase letters in the same column of the same pig farm indicate significant difference (P<0.05, Duncan’ s method)
    下载: 导出CSV

    表  4   母猪断奶至配种间隔的方差组分和遗传参数1)

    Table  4   Variance components and genetic parameters of weaning-to-service interval in sows

    场区
    Farm
    母猪品种
    Sow breed
    加性遗传方差
    Additive genetic variance
    (σa2)
    残差方差
    Residual variance
    (σe2)
    遗传力
    Heritability
    (h2)
    A 大白 Yorkshire 0.86±0.53 44.29±1.19 0.02±0.01
    长白 Landrace 1.43±0.56 35.84±1.01 0.04±0.01
    B 大白 Yorkshire 3.05±1.10 48.47±1.66 0.06±0.02
    长白 Landrace 2.70±1.39 42.07±2.14 0.06±0.03
     1)表中数据为平均值±标准误
     1) Data in the table are means± standard errors
    下载: 导出CSV
  • [1] 宋志芳, 石岗. 利用GWAS研究母猪繁殖性状的进展[J]. 猪业科学, 2019, 36(3): 102-104.
    [2] 李瑞珍, 张丽红. 缩短非生产天数对提高母猪年生产力的影响[J]. 山西农业科学, 2013, 41(12): 1391-1393.
    [3] 蒲红州, 沈林園, 蒋小兵, 等. 断奶至发情间隔天数对母猪年生产力的影响[J]. 猪业科学, 2013, 30(6): 110-112. doi: 10.3969/j.issn.1673-5358.2013.06.052
    [4] 何勇军, 胡松恩. 南方湿热条件下母猪断奶至配种间隔期对部分繁殖性能的影响[J]. 中国畜牧杂志, 2004, 40(9): 47-49. doi: 10.3969/j.issn.0258-7033.2004.09.019
    [5] 叶健, 傅金銮, 叶道武, 等. 断奶至配种间隔的遗传参数估计及影响因素分析[J]. 中国畜牧杂志, 2016, 52(23): 6-9.
    [6] 张腾, 罗想林, 陈银开, 等. 断奶−发情间隔对母猪繁殖性能的影响[J]. 养猪, 2013(6): 28-30. doi: 10.3969/j.issn.1002-1957.2013.06.010
    [7] 王怀禹. 断奶至配种间隔和妊娠期对母猪繁殖性能的影响[J]. 西南农业学报, 2009, 22(4): 1099-1102. doi: 10.3969/j.issn.1001-4829.2009.04.048
    [8]

    TANTASUPARUK W, LUNDEHEIM N, DALIN A M, et al. Weaning-to-service interval in primiparous sows and its relationship with longevity and piglet production[J]. Livest Sci, 2001, 69(2): 155-162. doi: 10.1016/S0301-6226(00)00256-6

    [9]

    FISHER R A. On the mathematical foundations of theoretical statistics[J]. Philos T Roy Soc A, 1922, 222(1): 309-368.

    [10]

    MADSEN P, JENSEN J. A user's guide to DMU: A package for analyzing multivariate mixed models[DB/CD]. Tjele, Denmark: University of Aarhus, 2013.

    [11] 张茂, 孙艳发, 许卫华, 等. 胎次、分娩季节、品种和杂交方式对母猪繁殖性能的影响[J]. 江苏农业科学, 2018, 46(19): 194-197.
    [12]

    TANTASUPARUK W, LUNDEHEIM N, DALIN A M, et al. Effects of lactation length and weaning-to-service interval on subsequent farrowing rate and litter size in Landrace and Yorkshire sows in Thailand[J]. Theriogenology, 2000, 54(9): 1525-1536. doi: 10.1016/S0093-691X(00)00472-6

    [13] 刘德武, 庞冲, 吴珍芳. 二元杂种母猪胎次、断奶至配种间隔与繁殖性能的关系[J]. 养猪, 2006(6): 15-16. doi: 10.3969/j.issn.1002-1957.2006.06.009
    [14] 单妹, 凌宝明, 蓝天, 等. 杜洛克纯种母猪断奶至配种间隔与胎次和繁殖性能的关系[J]. 养猪, 2013(4): 25-27. doi: 10.3969/j.issn.1002-1957.2013.04.015
    [15] 刘春燕, 田文儒. 哈白猪复旧期子宫胶原蛋白的降解[J]. 黑龙江畜牧兽医, 2002(5): 27-29. doi: 10.3969/j.issn.1004-7034.2002.05.021
    [16]

    TEN N J, DE VRIES A G, BUITING G A, et al. Genetics of the interval from weaning to estrus in first-litter sows: Distribution of data, direct response of selection, and heritability[J]. J Anim Sci, 1995, 73(8): 2193-2203. doi: 10.2527/1995.7382193x

    [17]

    PRUNIER A, QUESNEL H, BRAGANÇA M M D, et al. Environmental and seasonal influences on the return-to-oestrus after weaning in primiparous sows: A review[J]. Livest Sci, 1996, 45(2/3): 103-110.

    [18] 范春国. 母猪断奶后影响再发情时间诸因素的探讨[J]. 中国畜牧杂志, 1988(4): 29-31.
    [19]

    LEITE C D, LUI J F, ALBUQUERQUE L G, et al. Environmental and genetic factors affecting the weaning-estrus interval in sows[J]. Genet Mol Res, 2011, 10(4): 2692-2701. doi: 10.4238/2011.November.4.2

    [20]

    TANTASUPARUK W, LUNDEHEIM N, DALIN A M, et al. Reproductive performance of purebred landrace and Yorkshire sows in Thailand with special reference to seasonal influence and parity number[J]. Theriogenology, 2000, 54(3): 481-496. doi: 10.1016/S0093-691X(00)00364-2

    [21] 张剑搏, 袁超, 岳耀敬, 等. 不同动物模型对高山美利奴羊早期生长性状遗传参数估计的比较[J]. 中国农业科学, 2018, 51(6): 1202-1212. doi: 10.3864/j.issn.0578-1752.2018.06.018
    [22] 王鹏宇, 官却扎西, 祁全青, 等. 母体遗传效应对青海细毛羊生产性能遗传参数估计的影响[J]. 遗传, 2012, 34(5): 584-590.
    [23]

    HANENBERG E H A T, KNOL E F, MERKS J W M. Estimates of genetic parameters for reproduction traits at different parities in Dutch Landrace pigs[J]. Livest Sci, 2001, 69(2): 179-186. doi: 10.1016/S0301-6226(00)00258-X

  • 期刊类型引用(6)

    1. 刘雨滢,杜婷,付奕博,叶鑫煜,闫佳慧,卢玉婷. 丁酸梭菌的功能及其在水产养殖业中的应用. 饲料研究. 2025(05): 159-162 . 百度学术
    2. 周秀珍,刘滔,张毅,王扬,赵敏洁,王旭堂,黄菊,冯凤琴. 混合益生菌对大口黑鲈生长性能、肉品质及肠道健康的影响. 动物营养学报. 2024(07): 4588-4609 . 百度学术
    3. 常静,万建美. 丁酸梭菌调控动物肠道健康的研究进展. 饲料研究. 2024(16): 172-176 . 百度学术
    4. 亓秀晔,张修,张冠军,陈静,徐龙飞. 一株丁酸梭菌冻干菌粉的获得及体内安全性评价. 家畜生态学报. 2024(10): 29-35 . 百度学术
    5. 庞孟瑶. 日粮中添加丁酸梭菌对蛋鸡生产性能、血清生化指标及经济效益的影响. 饲料研究. 2023(05): 46-50 . 百度学术
    6. 徐亚飞. 丁酸梭菌在水产养殖中的研究及应用进展. 水产养殖. 2023(08): 18-23 . 百度学术

    其他类型引用(5)

图(1)  /  表(4)
计量
  • 文章访问数:  2387
  • HTML全文浏览量:  13
  • PDF下载量:  2694
  • 被引次数: 11
出版历程
  • 收稿日期:  2019-05-19
  • 网络出版日期:  2023-05-17
  • 刊出日期:  2020-03-09

目录

/

返回文章
返回