En tant que nutritionniste, l’une de mes tâches est de développer des programmes d’alimentation qui traitent une variété de types de bovins. Dans la plupart des cas, les producteurs auront des attentes de rendement pour le bétail qu’ils alimentent. Dans le cas du semi-finition du bétail, cela peut impliquer de viser un gain quotidien moyen spécifique pendant une période définie. La finition des bovins implique généralement d’atteindre un poids d’abattage spécifique à une date de commercialisation définie. La réalisation de ces objectifs est fonction de plusieurs facteurs, notamment la nature de la ration, le type d’animal, l’impact de l’environnement, ainsi que la gestion de l’alimentation/des couchettes. Avec tous ces facteurs entrant en jeu, on peut se demander s’il est possible de prédire avec précision les performances des bovins. Avec cet article, je veux vous présenter l’un des outils sur lesquels les nutritionnistes s’appuient lorsqu’ils tentent cette tâche.
Commençons par l’évidence. Les nutritionnistes expérimentés ont une assez bonne idée de la performance de certains types de bovins avec une ration donnée. Cependant, dans l’environnement d’alimentation concurrentiel d’aujourd’hui, avoir une bonne idée des performances n’est pas toujours suffisant, en particulier lorsque la date de commercialisation dépend des attentes en matière de performances. Pour améliorer la précision, de nombreux nutritionnistes s’appuient sur des modèles informatiques qui intègrent les résultats d’un vaste corpus de recherches publiées pour prédire les performances.
En Amérique du Nord, des exemples de tels modèles incluent ceux développés et publiés avec les publications 1996 à 2000 et 2016 Nutrient Requirements of Beef Cattle. Le populaire programme Alberta Agriculture Cowbytes est basé en partie sur le modèle de 1996 à 2000 du NRC. Les zootechniciens de l’Université Cornell ont joué un rôle déterminant dans ce domaine, en développant des modèles pour les bovins de boucherie et les vaches laitières.
Bien que de complexité différente, la plupart des modèles ont une structure de travail similaire. Avant tout, ils intègrent des équations basées sur la recherche et des intrants animaux et environnementaux spécifiques pour prédire les besoins en nutriments du bétail en question, soit en quantités absolues, soit en pourcentage de la matière sèche. Par exemple, lors de l’utilisation de Cowbytes pour développer une ration pour les veaux sevrés, on peut entrer l’âge, le poids, la race, le sexe, l’épaisseur de la peau, l’état de l’implant et de l’ionophore, et le poids à maturité/à l’abattage du bétail nourri. De plus, des facteurs environnementaux tels que la température, la vitesse du vent et la profondeur de la boue peuvent être saisis à la discrétion de l’utilisateur. Dans le cas de veaux de 500 livres avec un gain prévu de deux livres par jour, avec les entrées ci-dessus, ce modèle fournira des estimations des livres de nutriments digestibles totaux nécessaires par jour ou dans le cas de l’énergie nette, les méga calories nécessaire par jour pour l’entretien et le gain. De même, le modèle fournira des estimations des besoins en protéines, minéraux et vitamines ainsi que des coûts des rations. En modifiant les entrées telles que le poids et les performances attendues, il est possible de modéliser les besoins nutritionnels de ce groupe de veaux du sevrage à l’abattage dans des conditions environnementales variables. Selon la complexité du modèle, des estimations des besoins en protéines métabolisables et en acides aminés sont générées, ainsi que des prévisions de la production de méthane et de l’excrétion du fumier.
En plus de prédire les besoins en éléments nutritifs, un élément important de ces modèles est la prédiction de l’apport en matière sèche (DMI). Ceci est accompli en utilisant des équations qui intègrent des entrées telles que le poids corporel réduit de l’animal et l’énergie nette pour la concentration de maintien du régime alimentaire. Des ajustements peuvent être effectués pour l’utilisation d’implants et d’additifs alimentaires, le score d’état corporel ainsi que les conditions environnementales variables. Une prédiction précise de l’apport en matière sèche est importante pour prédire les performances ainsi que pour comparer les apports réels aux prévisions. Bien que la plupart des modèles prédisent la DMI, il est également nécessaire de saisir les apports réels ou attendus de chaque ingrédient alimentaire pour déterminer l’apport en éléments nutritifs, comme indiqué ci-dessous.
Un troisième composant commun à ces modèles est une bibliothèque d’aliments qui fournit des valeurs typiques pour la teneur en éléments nutritifs des aliments courants. Lorsqu’ils sont disponibles, les résultats réels des tests de flux peuvent remplacer les valeurs comptables. Des aliments nouveaux et/ou locaux et leur teneur en éléments nutritifs peuvent être ajoutés à la bibliothèque à la discrétion de l’utilisateur.
Avec les intrants animaux et environnementaux appropriés, ces composants du modèle fonctionnent de concert pour déterminer d’abord les besoins en nutriments essentiels de l’animal en question. Ensuite, l’apport de nutriments essentiels — notamment ceux d’énergie et de protéines — est déterminé à partir de l’apport en matière sèche de chaque aliment disponible et de sa teneur en nutriments associée. Les modèles mécanistes tels que celui de Cornell prédisent l’approvisionnement en nutriments en fonction de l’énergie du rumen et de la dynamique des protéines des aliments ingérés et du flux projeté de nutriments vers l’intestin inférieur. Dans les deux cas, pour un animal et un niveau de performance donnés, le résultat est un ensemble de prédictions, une pour les besoins d’un nutriment donné (c’est-à-dire l’énergie) et une pour l’apport en nutriments. Si le solde est négatif, les performances prévues seront inférieures aux prévisions. Si l’approvisionnement en énergie est égal au besoin,
La modélisation de la performance des bovins a parcouru un long chemin, grâce aux efforts de chercheurs au Canada, aux États-Unis et dans de nombreux autres pays. Cependant, ce n’est pas une science parfaite. Des recherches supplémentaires sont nécessaires pour améliorer la précision des équations de prédiction. Pour l’instant, il est important de comprendre que ces modèles permettent de prédire les performances ; ils n’offrent pas une garantie absolue de performance.
Source : https://www.canadiancattlemen.ca/nutrition/predicting-cattle-performance-is-not-a-simple-science/