biologyscienceТимирязевский биологический журналTimiryazev Biological Journal2949-4710ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева (ФГБОУ ВО РГАУ-МСХА имени К.А. Тимирязева)10.26897/2949-4710-2024-2-3-14-24biologyscience-190Research Article2 - БОТАНИКА, ФИЗИОЛОГИЯ РАСТЕНИЙ2 - BOTANY, PLANT PHYSIOLOGYОценка уровня растворимых углеводов в люцерне и применение технологий искусственного интеллектаAssessment of soluble carbohydrate levels in alfalfa and application of artificial intelligence technologieshttps://orcid.org/0000-0003-2738-3438ХудяковаХ. К.KhudyakovaH. K.

Хатима Каримовна Худякова, ведущий научный сотрудник, кандидат сельскохозяйственных наук

141055, Московская область, г. Лобня, Научный городок, корпус 1

Hatima K. Khudyakova, CSc (Ag), Leading Research Associate

building 1, Nauchniy Cp., Lobnya, Timiryazevskaya St., Moscow region, 141055

hatima40@mail.ruhttps://orcid.org/0000-0001-7875-074XХудяковаЕ. В.KhudyakovaE. V.

Елена Викторовна Худякова, профессор кафедры прикладной информатики, доктор экономических наук, профессор

127550, г. Москва, ул. Тимирязевская, 49

Elena V. Khudyakova, DSc (Econ), Professor, Professor at the Department of Applied Information Science

49 Timiryazevskaya St., Moscow, 127434

evhudyakova@rgau-msha.ruhttps://orcid.org/0000-0002-7125-3027СтепанцевичМ. Н.StepantsevichM. N.

Марина Николаевна Степанцевич, доцент кафедры прикладной информатики

127550, г. Москва, ул. Тимирязевская, 49

Marina N. Stepantsevich, СSc (Econ), Associate Professor, Associate Professor at the Department of Information Science

49 Timiryazevskaya St., Moscow, 127434

stepantsevich@rgau-msha.ruФедеральный научный центр кормопроизводства и агроэкологии имени В.Р. ВильямсаРоссияFederal Williams Research Center of Forage Production and AgroecologyRussian FederationРоссийский государственный аграрный университет – МСХА имени К.А. ТимирязеваРоссияRussian State Agrarian University – Moscow Timiryazev Agriculture AcademyRussian Federation202419122024231424Copyright © Худякова Х.К., Худякова Е.В., Степанцевич М.Н., 20252025Худякова Х.К., Худякова Е.В., Степанцевич М.Н.Khudyakova H.K., Khudyakova E.V., Stepantsevich M.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.bioscience-journal.com/jour/article/view/190

Целью исследований является оценка уровня растворимых в нейтральном детергенте углеводов люцерны (Medicago varia Mart.) при возделывании ее в условиях Центрального Нечерноземья на дерново-подзолистой почве, а также обзор новых методов (искусственные нейронные сети) в решении данного вопроса. Содержание нейтрального детергента углеводов определяли по формуле: 100 – сырой протеин – нейтрально-детергентная клетчатка – сырая зола – сырой жир. Используя данные о содержании компонентов формулы, определяли уровни нейтрального детергента углеводов у четырех сортов люцерны в следующие фазы роста: ветвление, начало бутонизации, бутонизация и цветение. Концентрация нейтрального детергента углеводов уменьшалась по мере созревания растений и составила (% на сухое вещество в среднем для всех сортов): в ветвлении – 39,4; в начале бутонизации – 35,5; в бутонизации – 32,7; в цветении – 26,6 соответственно. В более прохладных и влажных условиях вегетации отмечается меньшее содержание сырого протеина и НДК, в связи с чем уровень нейтрального детергента углеводов был выше и составил 36,1% в фазу бутонизации. Существует тесная отрицательная корреляция между нейтральным детергентом углеводов и содержанием суммы нейтрально-детергентная клетчатка + сырой протеин и одной нейтрально-детергентной клетчатки. Коэффициенты корреляции составили 0,96 и 0,90 соответственно. Из составных частей нейтрального детергента углеводов определяли уровни неструктурных углеводов и их долю. Оба эти показателя снижались по мере вегетации растений. Методы определения протеина, клетчатки и сырой золы могут быть основаны на применении инфракрасных анализаторов. При этом важно построить адекватные калибровочные модели, которые носят нелинейный характер. К передовым методам построения калибровочных моделей можно отнести методы искусственного интеллекта, а именно искусственные нейронные сети. Такая методология может быть использована, например, для рекомендации оптимального периода проведения укоса трав.

The aim of this study is to assess the level of neutral detergent soluble carbohydrates of alfalfa (Medicago varia Mart.) when it is cultivated in the Central Non-Chernozem region on soddy-podzolic soil, as well as to review new methods (artificial neural networks) in solving this issue. The content of neutral detergent soluble carbohydrates (NDSC) was determined by the formula: 100 – crude protein (CP) – neutral detergent fiber (NDF) – crude ash (CA) – crude fat (CF). Data on the content of the components of the formula were used to determine levels of NDSC in four alfalfa varieties at the following growth phases: branching, beginning of budding, budding and flowering. Concentrations of NDSC decreased as the plants matured and were (% per dry matter on average for all varieties): at branching – 39.4, at the beginning of budding – 35.5, at budding – 32.7, and at flowering – 26.6. In cooler and more humid conditions of vegetation, the content of CP and NDF was lower, and therefore the level of NDSC was higher and amounted to 36.1% in the budding phase. There is a strong negative correlation between NDSC and the contents of the sum of NDF + CP and NDF alone. The correlation coefficients were 0.96 and 0.90, respectively. Among the components of neutral detergent carbohydrates, the content of non-structural carbohydrates and their proportion were determined. Both indicators decreased with the growth of the plants. Methods for the determination of protein, fiber and crude ash can be based on the use of infrared analyzers. It is important to build appropriate calibration models that are non-linear in nature. Advanced methods for building calibration models include artificial intelligence methods, namely artificial neural networks. Such a methodology can be used, for example, to recommend the optimal period of grass cutting.

углеводырастворимые в нейтральном детергентесырой протеиннейтрально-детергентная клетчаткафазы вегетациинеструктурные углеводыискусственные нейронные сетиneutral detergent soluble carbohydratescrude proteinneutral detergent fibervegetative phasesnon-structural carbohydratesartificial neural networksReferencesHomolka P., Koukolova V., Podsedniček M., Hlavačkova A. Nutritive value of red clover and lucerne forages for ruminants estimated by in vitro and in vivo digestibility methods. Czech Jornal of Animal Science. 2012; № 57(10):454-568. http://doi.org/10.17221/6346-CJASHomolka P., Koukolova V., Podsedniček M., Hlavačkova A. Nutritive value of red clover and lucerne forages for ruminants estimated by in vitro and in vivo digestibility methods. Czech Jornal of Animal Science. 2012;57(10):454-568. http://doi.org/10.17221/6346-CJASRooke, John A. and Hatfield, Ronald D. Biochemistry of ensiling. P. 120. Электронный ресурс. Режим доступа: http://digitalcommons.unl.edu/usdaarsfacpub/1399 (дата обращения: 01.08.2024)Rooke John A., Hatfield Ronald D. Biochemistry of Ensiling. URL: http://digitalcommons.unl.edu/usdaarsfacpub/1399 (accessed: August 01, 2024)Hall M.B., Hoover W.H., Jennings J.P. and Miller Webster T.K. A method for partitioning neutral detergent-soluble carbohydrates. Jornal of the Science of Food and Agriculture. 1999;79:2079-2086.Hall M.B., Hoover W.H., Jennings J.P. and Miller Webster T.K. A method for partitioning neutral detergent-soluble carbohydrates. Jornal of the Science of Food and Agriculture. 1999;79:2079-2086.Villalba J.J., Ates S and MacAdam J.W. Non-fiber Carbohydrates in Forages and Their nfluence on Beef Production Systems. Frontiers in Sustainable Food Systems. 2021;5:56633875. https://doi.org/10.3389/fsufs.2021.566338Villalba J.J., Ates S and MacAdam J.W. Non-fiber Carbohydrates in Forages and Their nfluence on Beef Production Systems. Frontiers in Sustainable Food Systems. 2021;5:56633875. https://doi.org/10.3389/fsufs.2021.566338Van Soest P.J., Robertson J.B., Lewis B.A. Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition. The Journal of Dairy Science. 1991;74:3583-3597. https://doi.org/10.3168/jds.S0022-0302(91)78551-2Van Soest P.J., Robertson J.B., Lewis B.A. Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition. The Journal of Dairy Science. 1991;74:3583-3597. https://doi.org/10.3168/jds.S0022-0302(91)78551-2Mary Beth Hall. Working with Non-NDF Carbohydrates with Manure Evaluation and Environmental Considerations. URL: https://www.txanc.org/Proceedings/2002/Non-NDF-Carbohydrates.pdf (дата обращения: 01.08.2024)Mary Beth Hall. Working with Non-NDF Carbohydrates with Manure Evaluation and Environmental Considerations. URL: https://www.txanc.org/Proceedings/2002/Non-NDF-Carbohydrates.pdf (accessed: August 01, 2024)Marković J., Babić S., Terzić D., Zornić V. et al. Carbohydrate content of alfalfa harvest at different development stage in the spring growth. 11th International Symposium ‘Modern Trends in Livestock Production’. October 11-13, 2017. Belgrade, Serbia, 2019:706-712.Marković J., Babić S., Terzić D., Zornić V. et al. Carbohydrate content of alfalfa harvest at different development stage in the spring growth. 11th International Symposium ‘Modern Trends in Livestock Production’. October 11-13, 2017. Belgrade, Serbia, 2019:706-712.Gu Y., Wu J., Guo Y., Hu S. et al. Grade Classification of Camellia Seed Oil Based on Hyperspectral Imaging Technology. Foods. 2024;13(20):3331. https://doi.org/10.3390/foods13203331Gu Y., Wu J., Guo Y., Hu S. et al. Grade Classification of Camellia Seed Oil Based on Hyperspectral Imaging Technology. Foods. 2024;13(20):3331. https://doi.org/10.3390/foods13203331Kaewsorn K., Phanomsophon T., Maichoon P., Pokhrel D.R. et al. Modeling Textural Properties of Cooked Germinated Brown Rice Using the near-Infrared Spectra of Whole Grain. Foods. 2023;12(24):4516. https://doi.org/10.3390/foods12244516Kaewsorn K., Phanomsophon T., Maichoon P., Pokhrel D.R. et al. Modeling Textural Properties of Cooked Germinated Brown Rice Using the near-Infrared Spectra of Whole Grain. Foods. 2023;12(24):4516. https://doi.org/10.3390/foods12244516

The authors declare that there are no conflicts of interest present.