Forage Nonstructural Carbohydrates and Nutritive Value as Affected by Time of Cutting and Species
Notice bibliographique
Résumé
Total nonstructural carbohydrates (TNC) provide readily fermentable energy to rumen microbes and their increased concentration in forages improves N use efficiency in dairy cows ( Bos taurus ). This study was conducted to compare TNC concentration of grass and legume forage species and to determine how variations of TNC concentration caused by time of cutting during the day differ among forage species and how these variations are related to other attributes of forage nutritive value. Six grass and two legume species were cut at 0900 h (AM) and 1530 h (PM) in the spring growth and summer regrowth of two harvest years. The TNC concentration was estimated by the sum of sucrose, glucose, fructose, pinitol, fructans, and starch. Red clover ( Trifolium pratense L.) and tall fescue [ Schedonorus phoenix (Scop.) Holub] had the greatest TNC concentration [94.2 g kg −1 of dry matter (DM) across time of cutting and growth periods] whereas reed canarygrass ( Phalaris arundinacea L.) had the lowest TNC concentration (65.5 g kg −1 DM). Concentration of TNC of all species increased with PM cutting but the extent of this increase varied among forage species. This increase, averaged across growth periods, went from 13% in smooth bromegrass ( Bromus inermis Leyss; 67.0–73.9 g kg −1 DM) to 68% in reed canarygrass (49.6–81.4 g kg −1 DM). Increased TNC concentration with PM‐cutting resulted in significant but small decreases in N, acid detergent fiber (ADF), and neutral detergent fiber (aNDF) concentrations and a small increase in in vitro true digestibility (IVTD). Both species selection and PM cutting can be used to increase forage total nonstructural carbohydrates (TNC) concentrations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».