Date
2016-11-21Metadata
Show full item record
Dissertation
The Effect of Climate Variability on Main Components of Cow Milk in Iran
Abstract
The main purpose of this study is to assess the relationship between six bioclimatic indices
for cattle (temperature humidity (THI), environmental stress (ESI), equivalent temperature
(ESI), heat load (HLI), modified heat load (HLInew) and respiratory rate predictor(RRP)) and
fundamental milk components (fat, protein, and milk yield) considering uncertainty. The climate
parameters used to calculate the climate indices were taken from the NASA-Modern Era
Retrospective-Analysis for Research and Applications (NASA-MERRA) reanalysis from 2002 to
2010. Cow milk data were considered for the same period from April to September when
cows use natural pasture, with possibility for cows to choose to stay in the barn or to graze
on the pasture in the pasturing system. The study is based on a linear regression analysis using
correlations as a summarizing diagnostic. Bootstrapping is used to represent uncertainty
estimation through resampling in the confidence intervals. To find the relationships between
climate indices (THI, ETI, HLI, HLInew, ESI and RRP) and main components of cow milk (fat,
protein and yield), multiple liner regression is applied. The least absolute shrinkage selection
operator (LASSO) and the Akaike information criterion (AIC) techniques are applied to select
the best model for milk predictands with the smallest number of climate predictors. Cross
validation is used to avoid over-fitting.
Based on results of investigation the effect of heat stress indices on milk compounds separately,
we suggest the use of ESI and RRP in the summer and ESI in the spring. THI and HLInew are
suggested for fat content and HLInew also is suggested for protein content in the spring season.
The best linear models are found in spring between milk yield as predictands and THI, ESI,HLI,
ETI and RRP as predictors with p-value < 0.001 and R2 0.50, 0.49. In summer, milk yield with
independent variables of THI, ETI and ESI show the highest relation (p-value < 0.001) with
R2 (0.69). For fat and protein the results are only marginal.
It is strongly suggested that new and significant indices are needed to control critical heat
stress conditions that consider more predictors of the effect of climate variability on animal
products, such as sunshine duration, quality of pasture, the number of days of stress (NDS),
the color of skin with attention to large black spots, and categorical predictors such as breed,
welfare facility, and management system.
This methodology is suggested for studies investigating the impacts of climate variability/change
on food quality/security, animal science and agriculture using short term data considering uncertainty
or data collection is expensive, difficult, or data with gaps.
for cattle (temperature humidity (THI), environmental stress (ESI), equivalent temperature
(ESI), heat load (HLI), modified heat load (HLInew) and respiratory rate predictor(RRP)) and
fundamental milk components (fat, protein, and milk yield) considering uncertainty. The climate
parameters used to calculate the climate indices were taken from the NASA-Modern Era
Retrospective-Analysis for Research and Applications (NASA-MERRA) reanalysis from 2002 to
2010. Cow milk data were considered for the same period from April to September when
cows use natural pasture, with possibility for cows to choose to stay in the barn or to graze
on the pasture in the pasturing system. The study is based on a linear regression analysis using
correlations as a summarizing diagnostic. Bootstrapping is used to represent uncertainty
estimation through resampling in the confidence intervals. To find the relationships between
climate indices (THI, ETI, HLI, HLInew, ESI and RRP) and main components of cow milk (fat,
protein and yield), multiple liner regression is applied. The least absolute shrinkage selection
operator (LASSO) and the Akaike information criterion (AIC) techniques are applied to select
the best model for milk predictands with the smallest number of climate predictors. Cross
validation is used to avoid over-fitting.
Based on results of investigation the effect of heat stress indices on milk compounds separately,
we suggest the use of ESI and RRP in the summer and ESI in the spring. THI and HLInew are
suggested for fat content and HLInew also is suggested for protein content in the spring season.
The best linear models are found in spring between milk yield as predictands and THI, ESI,HLI,
ETI and RRP as predictors with p-value < 0.001 and R2 0.50, 0.49. In summer, milk yield with
independent variables of THI, ETI and ESI show the highest relation (p-value < 0.001) with
R2 (0.69). For fat and protein the results are only marginal.
It is strongly suggested that new and significant indices are needed to control critical heat
stress conditions that consider more predictors of the effect of climate variability on animal
products, such as sunshine duration, quality of pasture, the number of days of stress (NDS),
the color of skin with attention to large black spots, and categorical predictors such as breed,
welfare facility, and management system.
This methodology is suggested for studies investigating the impacts of climate variability/change
on food quality/security, animal science and agriculture using short term data considering uncertainty
or data collection is expensive, difficult, or data with gaps.
Das Ziel dieser Studie ist es, den Zusammenhang zwischen sechs bioklimatischen Indizes,
die in der Rinderzucht Verwendung finden, (temperature humidity (THI), environmental stress
(ETI), heat load (HLI), modified heat load (HLInew) und respiratory rate predictor(RRP)) und
wesentlichen Milchparametern (Fett- und Proteingehalt sowie Milchertrag) unter Berücksichtigung
der vorhandenen Unsicherheiten zu bewerten. Für die Berechnung der Klimaindizes
wurde der Reanalyse-Datensatz der NASA-Modern Era Retrospective-Analysis for Research
and Applications (NASA-MERRA) im Zeitraum von 2002 bis 2010 verwendet. Die Daten für
die Kuhmilchproduktion liegen für die Monate April bis September (2002-2010) vor, da Kühe
in diesen Monaten natürliches Futter (innerhalb des betrachteten Futtersystem) entweder im
Stall oder auf der Weide nutzen. Der Zusammenhang wird mittels linearer Regression ermittelt.
Die Unsicherheiten werden durch bootstrapping abgeschätzt. Um die Beziehung zwischen
den Klimaindizes (THI, ETI, HLI, HLInew, ESI und RRP) und den Milchparametern detailliert zu
evaluieren werden multiple lineare Regressions Modelle benutzt. Dabei kommen die Methoden
”least absolute shrinkage selection operator (LASSO)” und “Akaike information criterion
(AIC)” zur Anwendung, um das beste Prognosemodell für Vorhersagen von Milcherträgen und
–qualität mit der kleinsten Anzahl von Klimaparametern auszuwählen. Zur Vermeidung von
der Überanpassung wird Kreuzvalidierung (cross validation) benutzt.
Die univariate Regressionsanalyse zeigt, dass die Auswirkungen der Hitzebelastung auf die
einzelnen Milchparameter durch ESI und RRP im Sommer und ESI im Frühling am besten
erfolgt. Für den Fettgehalt wird THI und HLInew und für den Proteingehalt wird HLInew im
Frühling empfohlen.
Die besten multiplen linearen Regressionsmodelle werden im Frühling zwischen den Prädikanden
Milchertrag und den Prädiktoren THI, ESI, ETI, HLI und RRP (p-value < 0.001 und R2
(0.50, 0.49)) identifiziert. Im Sommer zeigen Milchertrag mit den unabhängigen Variablen
THI, ETI und ESI den größten Zusammenhang (p-value < 0.001 und R2 (0.69)). Für den
Fettgehalt und Proteingehalt kann kein signifikant besseres multiple lineares Regressionsmodell
gefunden werden.
Es wird empfohlen, dass neue und aussagekräftigere Indizes entwickelt werden können, um
kritische Hitzebelastungszustände zu analysieren. Der Effekt von Klimavariabilität auf Milchprodukte
wird in Form von Sonnenscheindauer, Qualität des Weidelands, Anzahl der Belastungstage
(NDS), Hautfarbe mit Berücksichtigung von großen schwarzen Flecken, und kategorischen
Prädiktoren wie Zucht, Versorgung und dem Managementsystem betrachtet.
Diese vorgeschlagene Methodekombination erweist sich als sinnvoll für Studien, die die Auswirkungen
von Klimaveränderung und -wandel auf Nahrungsmittelqualität/sicherheit, Nutztierwissenschaften
und Landwirtschaft mit Berücksichtigung der Unsicherheiten untersuchen, die bei
Daten mit geringe Stichprobenumfänge auftreten, weil die Datenerhebung teuer und schwierig ist oder generell Datenlücken vorhanden sind.
die in der Rinderzucht Verwendung finden, (temperature humidity (THI), environmental stress
(ETI), heat load (HLI), modified heat load (HLInew) und respiratory rate predictor(RRP)) und
wesentlichen Milchparametern (Fett- und Proteingehalt sowie Milchertrag) unter Berücksichtigung
der vorhandenen Unsicherheiten zu bewerten. Für die Berechnung der Klimaindizes
wurde der Reanalyse-Datensatz der NASA-Modern Era Retrospective-Analysis for Research
and Applications (NASA-MERRA) im Zeitraum von 2002 bis 2010 verwendet. Die Daten für
die Kuhmilchproduktion liegen für die Monate April bis September (2002-2010) vor, da Kühe
in diesen Monaten natürliches Futter (innerhalb des betrachteten Futtersystem) entweder im
Stall oder auf der Weide nutzen. Der Zusammenhang wird mittels linearer Regression ermittelt.
Die Unsicherheiten werden durch bootstrapping abgeschätzt. Um die Beziehung zwischen
den Klimaindizes (THI, ETI, HLI, HLInew, ESI und RRP) und den Milchparametern detailliert zu
evaluieren werden multiple lineare Regressions Modelle benutzt. Dabei kommen die Methoden
”least absolute shrinkage selection operator (LASSO)” und “Akaike information criterion
(AIC)” zur Anwendung, um das beste Prognosemodell für Vorhersagen von Milcherträgen und
–qualität mit der kleinsten Anzahl von Klimaparametern auszuwählen. Zur Vermeidung von
der Überanpassung wird Kreuzvalidierung (cross validation) benutzt.
Die univariate Regressionsanalyse zeigt, dass die Auswirkungen der Hitzebelastung auf die
einzelnen Milchparameter durch ESI und RRP im Sommer und ESI im Frühling am besten
erfolgt. Für den Fettgehalt wird THI und HLInew und für den Proteingehalt wird HLInew im
Frühling empfohlen.
Die besten multiplen linearen Regressionsmodelle werden im Frühling zwischen den Prädikanden
Milchertrag und den Prädiktoren THI, ESI, ETI, HLI und RRP (p-value < 0.001 und R2
(0.50, 0.49)) identifiziert. Im Sommer zeigen Milchertrag mit den unabhängigen Variablen
THI, ETI und ESI den größten Zusammenhang (p-value < 0.001 und R2 (0.69)). Für den
Fettgehalt und Proteingehalt kann kein signifikant besseres multiple lineares Regressionsmodell
gefunden werden.
Es wird empfohlen, dass neue und aussagekräftigere Indizes entwickelt werden können, um
kritische Hitzebelastungszustände zu analysieren. Der Effekt von Klimavariabilität auf Milchprodukte
wird in Form von Sonnenscheindauer, Qualität des Weidelands, Anzahl der Belastungstage
(NDS), Hautfarbe mit Berücksichtigung von großen schwarzen Flecken, und kategorischen
Prädiktoren wie Zucht, Versorgung und dem Managementsystem betrachtet.
Diese vorgeschlagene Methodekombination erweist sich als sinnvoll für Studien, die die Auswirkungen
von Klimaveränderung und -wandel auf Nahrungsmittelqualität/sicherheit, Nutztierwissenschaften
und Landwirtschaft mit Berücksichtigung der Unsicherheiten untersuchen, die bei
Daten mit geringe Stichprobenumfänge auftreten, weil die Datenerhebung teuer und schwierig ist oder generell Datenlücken vorhanden sind.
Citation
@phdthesis{urn:nbn:de:hebis:34-2016112151512,
author={Marami Milani, Mohammad Reza},
title={The Effect of Climate Variability on Main Components of Cow Milk in Iran},
school={Kassel, Universität Kassel, Fachbereich Ökologische Agrarwissenschaften},
month={11},
year={2016}
}
0500 Oax
0501 Text $btxt$2rdacontent
0502 Computermedien $bc$2rdacarrier
1100 2016$n2016
1500 1/eng
2050 ##0##urn:nbn:de:hebis:34-2016112151512
3000 Marami Milani, Mohammad Reza
4000 The Effect of Climate Variability on Main Components of Cow Milk in Iran / Marami Milani, Mohammad Reza
4030
4060 Online-Ressource
4085 ##0##=u http://nbn-resolving.de/urn:nbn:de:hebis:34-2016112151512=x R
4204 \$dDissertation
4170
5550 {{Kuhmilch}}
5550 {{Klimaschwankung}}
5550 {{Iran}}
7136 ##0##urn:nbn:de:hebis:34-2016112151512
<resource xsi:schemaLocation="http://datacite.org/schema/kernel-2.2 http://schema.datacite.org/meta/kernel-2.2/metadata.xsd"> 2016-11-21T12:44:18Z 2016-11-21T12:44:18Z 2016-11-21 urn:nbn:de:hebis:34-2016112151512 http://hdl.handle.net/123456789/2016112151512 eng Urheberrechtlich geschützt https://rightsstatements.org/page/InC/1.0/ AIC LASSO climate indices ESI ETI HLI RRP THI linear regression model milk components bootstrap 630 The Effect of Climate Variability on Main Components of Cow Milk in Iran Dissertation The main purpose of this study is to assess the relationship between six bioclimatic indices for cattle (temperature humidity (THI), environmental stress (ESI), equivalent temperature (ESI), heat load (HLI), modified heat load (HLInew) and respiratory rate predictor(RRP)) and fundamental milk components (fat, protein, and milk yield) considering uncertainty. The climate parameters used to calculate the climate indices were taken from the NASA-Modern Era Retrospective-Analysis for Research and Applications (NASA-MERRA) reanalysis from 2002 to 2010. Cow milk data were considered for the same period from April to September when cows use natural pasture, with possibility for cows to choose to stay in the barn or to graze on the pasture in the pasturing system. The study is based on a linear regression analysis using correlations as a summarizing diagnostic. Bootstrapping is used to represent uncertainty estimation through resampling in the confidence intervals. To find the relationships between climate indices (THI, ETI, HLI, HLInew, ESI and RRP) and main components of cow milk (fat, protein and yield), multiple liner regression is applied. The least absolute shrinkage selection operator (LASSO) and the Akaike information criterion (AIC) techniques are applied to select the best model for milk predictands with the smallest number of climate predictors. Cross validation is used to avoid over-fitting. Based on results of investigation the effect of heat stress indices on milk compounds separately, we suggest the use of ESI and RRP in the summer and ESI in the spring. THI and HLInew are suggested for fat content and HLInew also is suggested for protein content in the spring season. The best linear models are found in spring between milk yield as predictands and THI, ESI,HLI, ETI and RRP as predictors with p-value < 0.001 and R2 0.50, 0.49. In summer, milk yield with independent variables of THI, ETI and ESI show the highest relation (p-value < 0.001) with R2 (0.69). For fat and protein the results are only marginal. It is strongly suggested that new and significant indices are needed to control critical heat stress conditions that consider more predictors of the effect of climate variability on animal products, such as sunshine duration, quality of pasture, the number of days of stress (NDS), the color of skin with attention to large black spots, and categorical predictors such as breed, welfare facility, and management system. This methodology is suggested for studies investigating the impacts of climate variability/change on food quality/security, animal science and agriculture using short term data considering uncertainty or data collection is expensive, difficult, or data with gaps. Das Ziel dieser Studie ist es, den Zusammenhang zwischen sechs bioklimatischen Indizes, die in der Rinderzucht Verwendung finden, (temperature humidity (THI), environmental stress (ETI), heat load (HLI), modified heat load (HLInew) und respiratory rate predictor(RRP)) und wesentlichen Milchparametern (Fett- und Proteingehalt sowie Milchertrag) unter Berücksichtigung der vorhandenen Unsicherheiten zu bewerten. Für die Berechnung der Klimaindizes wurde der Reanalyse-Datensatz der NASA-Modern Era Retrospective-Analysis for Research and Applications (NASA-MERRA) im Zeitraum von 2002 bis 2010 verwendet. Die Daten für die Kuhmilchproduktion liegen für die Monate April bis September (2002-2010) vor, da Kühe in diesen Monaten natürliches Futter (innerhalb des betrachteten Futtersystem) entweder im Stall oder auf der Weide nutzen. Der Zusammenhang wird mittels linearer Regression ermittelt. Die Unsicherheiten werden durch bootstrapping abgeschätzt. Um die Beziehung zwischen den Klimaindizes (THI, ETI, HLI, HLInew, ESI und RRP) und den Milchparametern detailliert zu evaluieren werden multiple lineare Regressions Modelle benutzt. Dabei kommen die Methoden ”least absolute shrinkage selection operator (LASSO)” und “Akaike information criterion (AIC)” zur Anwendung, um das beste Prognosemodell für Vorhersagen von Milcherträgen und –qualität mit der kleinsten Anzahl von Klimaparametern auszuwählen. Zur Vermeidung von der Überanpassung wird Kreuzvalidierung (cross validation) benutzt. Die univariate Regressionsanalyse zeigt, dass die Auswirkungen der Hitzebelastung auf die einzelnen Milchparameter durch ESI und RRP im Sommer und ESI im Frühling am besten erfolgt. Für den Fettgehalt wird THI und HLInew und für den Proteingehalt wird HLInew im Frühling empfohlen. Die besten multiplen linearen Regressionsmodelle werden im Frühling zwischen den Prädikanden Milchertrag und den Prädiktoren THI, ESI, ETI, HLI und RRP (p-value < 0.001 und R2 (0.50, 0.49)) identifiziert. Im Sommer zeigen Milchertrag mit den unabhängigen Variablen THI, ETI und ESI den größten Zusammenhang (p-value < 0.001 und R2 (0.69)). Für den Fettgehalt und Proteingehalt kann kein signifikant besseres multiple lineares Regressionsmodell gefunden werden. Es wird empfohlen, dass neue und aussagekräftigere Indizes entwickelt werden können, um kritische Hitzebelastungszustände zu analysieren. Der Effekt von Klimavariabilität auf Milchprodukte wird in Form von Sonnenscheindauer, Qualität des Weidelands, Anzahl der Belastungstage (NDS), Hautfarbe mit Berücksichtigung von großen schwarzen Flecken, und kategorischen Prädiktoren wie Zucht, Versorgung und dem Managementsystem betrachtet. Diese vorgeschlagene Methodekombination erweist sich als sinnvoll für Studien, die die Auswirkungen von Klimaveränderung und -wandel auf Nahrungsmittelqualität/sicherheit, Nutztierwissenschaften und Landwirtschaft mit Berücksichtigung der Unsicherheiten untersuchen, die bei Daten mit geringe Stichprobenumfänge auftreten, weil die Datenerhebung teuer und schwierig ist oder generell Datenlücken vorhanden sind. open access Marami Milani, Mohammad Reza Kassel, Universität Kassel, Fachbereich Ökologische Agrarwissenschaften Ploeger, Angelika (Prof. Dr.) Hense, Andreas (Prof. Dr.) Kuhmilch Klimaschwankung Iran 2016-11-17 </resource>
The following license files are associated with this item:
:Urheberrechtlich geschützt