对穆尔西亚诺-格拉纳迪纳地区（Murciano-Granadina）的作物而言，通过正则化的典型相关预测方法来研究生育反应与天气之间的关系，有助于优化人工授精策略

《Italian Journal of Animal Science》：Regularised canonical correlated prediction of fertility responses to weather for optimised artificial insemination strategies in Murciano-Granadina does

　　摘要
本研究探讨了气候变异性如何影响穆尔西亚诺-格拉纳迪纳山羊（Murciano-Granadina）的繁殖性能，分析了2010年至2019年间收集的21,757只山羊和32,693次人工授精（AI）记录。通过整合全面的天气数据（温度、降雨量、风速和阵风、风向、气压、光照周期和海拔高度）与繁殖结果，建立了环境与繁殖之间的关联模型。繁殖能力通过三个指标进行评估：每日繁殖率、每批公羊每天的繁殖率以及不同类型精液的繁殖率（新鲜精液与冷冻精液）。结果显示，新鲜精液的平均繁殖率（56.17%）高于冷冻精液（37.75%），且其变异性更低（标准差分别为16.52和15.96），这证实了新鲜精液在完整性上的优势。规则化典型相关分析（rCCA）揭示了气候因素与繁殖能力之间的强相关性。对于冷冻精液，两个典型函数解释了66.22%的变异（F1 = 0.230；F2 = 0.164），表明其对风不稳定性和低温敏感。新鲜精液表现出更稳定的模式，单个典型函数即可解释96.79%的变异（F1 = 0.277）；最佳繁殖条件为最低温度超过11.35°C、最高温度低于25.7°C、海拔低于489米以及降雨量低于2.5毫米。风速超过4.5米/秒会对受精产生负面影响，尤其是对冷冻精液而言。交叉验证验证了模型的稳健性，显示冷冻精液的预测准确性（CV = 0.642）高于新鲜精液（CV = 0.247），反映了冷冻精液对环境的更高敏感性。这些发现表明，气候数据可用于指导人工授精计划，实现针对不同类型精液的管理，从而提高繁殖率、加速遗传进展，并在多变的地中海气候条件下增强育种计划的可持续性。

亮点
- 在32,693次人工授精中，新鲜精液的繁殖率比冷冻精液高18.4%。
- “热舒适区”（最低温度>11°C，最高温度<25.7°C）可最大化繁殖率。
- rCCA模型解释了新鲜精液97%的变异，而冷冻精液仅解释了66%。
- 风速超过4.5米/秒和降雨量会降低受精率，尤其是对冷冻精液而言。
- 预测模型有助于根据气候条件制定特定类型精液的人工授精计划。

关键词：
山羊繁殖；人工授精结果；气候驱动因素；繁殖能力建模；多变量统计

引言
穆尔西亚诺-格拉纳迪纳山羊是西班牙最著名的山羊品种之一，因其适应多种环境的能力、广泛的放牧能力以及出色的产奶量和品质而受到国际认可（Amnate等人，2016年）。为了提升和传播这些优良特性，穆尔西亚诺-格拉纳迪纳山羊育种协会长期以来一直将人工授精技术应用于遗传改良计划中，因为人工授精是目前畜牧业中最有效的繁殖生物技术（Arrébola等人，2016a；Zamiri，2020年）。尽管该品种很好地适应了地中海气候，但其繁殖活动具有明显的季节性特征：2月至5月期间繁殖能力下降，表现为母羊的发情周期暂停和公羊精液质量的改变（Webb等人，2004年；Zarazaga等人，2021年）。这种繁殖暂停在靠近赤道或热带地区不那么明显，因为在这些地区同步化措施通常更有效（Arrébola等人，2016a）。该品种的广泛适应性还体现在其分布于西班牙不同气候类型区域——海洋性、大陆性、地中海型、大陆-地中海型和亚热带型——并在这些地区保持较高的生产水平（Young，1983年）。这种多样性凸显了了解环境变量如何影响繁殖结果的重要性（Mellado等人，2006年）。山羊通常以其耐热性而闻名，即使在高温度下也能保持生产力（Gupta和Mondal，2021年）。一些研究表明，耐热性可能因品种而异（Adjassin等人，2022年）。实际上，在极端高温的干旱环境中，穆尔西亚诺-格拉纳迪纳山羊和努比亚山羊的受精率基本不受影响（Mellado等人，2006年）。这种耐热性可能源于它们通过生理调节来减轻热应激，从而增强蒸发冷却效果并降低代谢率，维持体温（Lu，1989年；Zhou等人，2023年）。相比之下，寒冷对山羊的影响研究较少。例如，母羊在-5°C时可能开始颤抖，其临界温度估计低于-15°C（De等人，2019年）。除了温度外，湿度等环境因素也会影响繁殖能力。例如，降雨量过多会降低受精率（Mellado和Meza-Herrera，2002年）。风也会造成压力，山羊会主动避开多风和多雨的环境（Stachowicz等人，2019年），同时间接影响饲料供应、饲料质量和疾病发生率（Joy等人，2020年）。这些发现表明，气候因素不是独立的，而是相互作用的因素，共同影响繁殖结果。

传统单变量分析往往无法捕捉变量组的复杂性和相互依赖性，而多变量方法（如判别分析和典型相关分析）可以同时评估多个变量及其对相关特征的综合影响（Rencher，1995年；Johnson和Wichern，2002年）。在此背景下，这些方法不仅能识别最具影响力的因素，还能揭示可用于预测最佳授精窗口的交互模式，从而提高穆尔西亚诺-格拉纳迪纳山羊人工授精计划的效率（García-Ispierto等人，2007年；Dash等人，2016年）。

在多变量技术中，规则化典型相关分析（rCCA）特别适合本研究目的，因为它明确模拟了两个高维且高度相关的变量组——气候描述符和繁殖结果——之间的联合结构，而不是将预测因子和响应分开处理（Hotelling，1936年；Thompson，1984年）。通过利用共享的协方差模式，rCCA提高了统计功效，减少了多重检验的负担，并生成了有限数量的生物学上可解释的典型变量，这些变量总结了主要的气候-繁殖关系（Witten等人，2009年；Soneson等人，2010年；Tenenhaus和Tenenhaus，2011年）。在本研究中，这些典型维度代表了与授精成功率直接相关的气候压力特征，将复杂的环境变异性转化为可操作的预测因子。这种维度简化是多变量框架的关键贡献，因为它实现了直观的可视化、稳健的预测，并可直接应用于人工授精计划的决策制定。虽然规则化和多块CCA的方法已在方法学研究（Lê Cao等人，2009年；Girka等人，2023年）以及将气候与生产性状联系起来的畜牧业研究中得到验证（Nardone等人，2010年；Bouraoui等人，2013年；Serradilla等人，2018年），但我们的研究进一步将这些方法应用于繁殖决策，将多变量气候-授精-繁殖关联转化为预测和管理导向的框架。因此，育种计划可以优化繁殖结果，确保穆尔西亚诺-格拉纳迪纳山羊的遗传进步和可持续生产力。

本研究旨在探讨气候对穆尔西亚诺-格拉纳迪纳山羊繁殖能力的影响，并开发预测模型以优化人工授精策略。通过rCCA，我们试图捕捉气候因素与繁殖结果之间的多变量相互作用，超越传统的单变量方法。通过整合繁殖记录和详细的环境数据，我们旨在生成对天气变化的稳健繁殖反应预测，从而确定最佳授精窗口，提高该品种人工授精计划的效率和成功率。

材料与方法
采用回顾性纵向观察设计，评估气候条件对穆尔西亚诺-格拉纳迪纳山羊人工授精后繁殖结果的多变量影响。研究整合了2010年至2019年期间收集的繁殖数据、精液相关数据和环境数据，以评估时间变异性和累积环境对繁殖性能的影响。实验单位定义为授精当天。所有分析分别针对新鲜精液和冷冻精液进行，以分离不同类型精液对环境的敏感性。

样本和研究条件
研究样本包括1999年9月至2018年6月出生的21,757只穆尔西亚诺-格拉纳迪纳山羊，这些山羊是所有接受人工授精的对象。2010年1月至2019年12月期间共收集了32,693条人工授精记录，为评估繁殖性能提供了可靠的时间框架。用于授精的精液来自参与国家育种计划的115只公羊，这些公羊均经过筛选，具有较高的繁殖能力和遗传价值，确保数据集的生物学一致性和遗传相关性（图1）。

图1. 穆尔西亚诺-格拉纳迪纳山羊幼崽（上排）和母羊（下排）。

补充表S1概述了西班牙不同省份（特别是格拉纳达地区）内各山羊养殖场的地理位置。数据包括农场缩写、所在国家、省份、城镇以及精确的纬度和经度坐标。这些地理信息对于了解每个农场周围的环境和物流因素至关重要，有助于管理和研究这些地区的山羊群体。提供的坐标确保了准确的地图绘制，并支持与农场管理或生态研究相关的空间分析。

公羊的地理位置
公羊最初被饲养在安达卢西亚山羊选育中心（Albolote，68HQ + 3R Granada，Granada，Spain），直到2014年，之后被转移到Fuente Vaqueros（66GP + 6X Santa Fe，Granada，Spain）（图2）。

图2. Caprigen（山羊生物技术中心）中的穆尔西亚诺-格拉纳迪纳公羊（Lozano Palazón，2013年）。

这两个设施均位于Vega de Granada地区，该地区具有大陆性地中海气候（图3）。这种气候的特点是昼夜温差显著，每日最高温度和最低温度之间的差异通常超过20°C。降雨集中在晚秋至早春，该地区经常出现霜冻，平均每年有6.2–8.7个霜冻日。年平均降水量约为419.5毫米。在饲养期间，所有公羊都获得了统一的饲养和管理条件，包括每天0.5公斤的商业浓缩饲料、自由采食的干草和新鲜水，以及矿物质补充剂，以确保最佳营养并减少饮食相关因素的影响（图3）。

所有公羊都遵循统一的饲养和管理方案，每天提供0.5公斤的商业浓缩饲料，同时可自由采食干草和新鲜水，并补充矿物质，以满足其营养需求并减少潜在的饮食相关变量。

图4. 冷冻精液（上图）和新鲜精液（下图）数据集的典型函数特征值散点图，显示了第一和第二典型函数解释的变异比例。

天气数据
每日气象数据来自西班牙国家气象局（AEMET，http://www.aemet.es/），基于距离授精中心最近的天气站的记录。记录和分析的环境变量包括：环境温度（°C，最高、最低和平均值）、平均风速（m/s）、风速（km/h）、光照周期（日照小时/天）、气压（hPa，最高和最低值）、风向（度）和平均日降雨量（mm）。虽然这些数据可通过AEMET公开获取，但某些变量（如风向和风速）需要进一步处理才能准确评估。标准化过程包括：
1. 确定风速相对于地理北方的角度（例如，45°风速表示风从北方偏转45°）。
2. 根据最近的风向点对风向进行分类（45°对应东北方向，90°对应东方，135°对应东南方向等）。
3. 以所需的单位报告风速（例如米/秒）。

然后分析这些气候参数，以评估它们在不同季节和年份对繁殖能力的潜在影响。

精液制备
精液使用人工阴道收集后立即置于37°C的水浴中单独评估。用于人工授精的精液选择标准为：体积大于0.5毫升，浓度大于3000×10^6个精子/毫升，运动能力评分大于4。

对于冷冻精液，使用Inra 96扩展剂（IMV Technologies，Saint-Ouen-sur-Iton，France），调整后的精子浓度为每支吸管200×10^6个精子。吸管在5°C下冷藏，并在精液制备后4–6小时内进行授精。对于冷冻精液，使用Triladyl扩展剂（IMV Technologies，Saint-Ouen-sur-Iton，France），精子浓度为每支吸管150×10^6个精子。精子冷冻使用Digitcool可编程冷冻机（IMV Technologies，Saint-Ouen-sur-Iton，France）完成。授精前，吸管在37°C下解冻30秒。

人工授精程序和妊娠检测
人工授精在110个饲养穆尔西亚诺-格拉纳迪纳山羊的商业农场进行，通常在去除海绵后约46小时进行授精。使用配备内置光源的窥阴器通过宫颈进行授精。授精后42天，通过腹部超声检查（使用5 MHz探头）来评估妊娠情况。此外，还记录了出生数据以确认这些幼崽确实是通过授精程序产生的。

**生育变量及其评估**

生育能力通过三个不同的变量来评估：**
1. **授精当天的生育率**；
2. **每批公猪的生育率及授精日期**；
3. **根据精液类型（新鲜或冷冻）的生育率**。
每个变量都根据数据的分布和正态性被划分为从“非常低”到“非常高”的等级。这些分类的阈值是通过分析分布曲线并参考以下既定区间确定的：
- **非常低**：≤20%
- **低**：20–40%
- **中**：40–60%
- **高**：60–80%
- **非常高**：80–100%

**授精当天的生育率**变量衡量了特定日子的每日生育率，基于成功妊娠的百分比来评估授精的整体效果。
**每批公猪的生育率及授精日期**变量通过考虑每批公猪随时间的表现来评估生育能力，这包括精液质量、授精时机和环境因素等。
**根据精液类型的生育率**变量则根据使用的是新鲜精液还是冷冻精液来评估生育率，这一指标突显了精液保存方法对生育结果的影响。

这些生育阈值是通过分析每个变量的数据分布和正态性来确定的。所采用的统计方法确保了分类（非常低、低、中、高、非常高）基于实证数据，从而保证了生育评估的一致性、可靠性和在等级上的等距性。这些发现为影响生殖成功的因素提供了宝贵的见解，并有助于改进人工授精（AI）实践。

**统计分析**

**先验假设**

鉴于气候和生育数据集内部及之间的高维度和内在相关性，采用了rCCA（正则化典型相关分析）框架。正则化典型相关分析假设典型变量与每组变量之间存在线性关系。然而，从rCCA中得出有效结论的前提是满足三个关键假设（Hair等人，1998年；Razali和Wah，2011年）。

首先，与其他多变量方法一样，rCCA假设变量遵循多变量正态分布（Hair等人，1998年；Razali和Wah，2011年）。为了评估正态性，使用了XLSTAT 2014软件（Addinsoft，法国巴黎）中的Kolmogorov–Smirnov检验，该检验在大样本量和不同分布下都具有良好的效果。初步结果显示两组变量（精液质量参数和与天气相关的特征）均不符合正态分布。因此，在XLSTAT 2014中评估了Q-Q图，确认数据来自正态分布的总体。

其次，必须验证同方差性假设。通过XLSTAT进行的Levene检验表明存在异方差性（p < 0.05）。在这种情况下，建议使用排列检验来进行典型相关分析，因为排列检验不假设潜在的分布，并且可以处理非独立性和异方差性（Winkler等人，2020年）。

使用GraphPad Prism 9.0（La Jolla，CA）中的ROUT方法检测异常值，该方法结合了鲁棒回归和假发现率控制（Motulsky和Brown，2006年）。应用了1%的Q系数，未发现异常值（Martins-Bessa等人，2021年）。

第三，在建模之前，为了进一步确保模型的有效性，使用方差膨胀因子（VIFs）筛查多重共线性，并通过分布诊断和基于排列的推断来评估模型假设。rCCA需要足够大的样本量，通常每个变量至少有十个案例，尽管对于更大的数据集，这一阈值可以放宽（Tabachnick等人，2007年）。VIF用于确认变量冗余不会扭曲矩阵结构；应用了VIF ≤ 5的阈值（Marín Navas等人，2021年）。

**正则化广义典型相关分析**

通过rCCA分析典型结构，以表征生育与气候的交互模式，并评估先验与后验的生育分类。这种综合设计能够识别与最佳AI结果相关的气候特征，同时最小化单变量或纯预测方法固有的混杂效应。rCCA使用XLSTAT 2014（纽约市，NY）和SPSS 25.0语法（SPSS Inc.，芝加哥，IL）进行（González等人，2008年）。应用了正则化技术来减轻过拟合，特别是在涉及高维数据和小样本量的情况下，从而确保更准确地检测线性关系（Parkhomenko等人，2009年）。

**用于正则化典型相关分析的变量集**

为了研究环境条件与生殖表现之间的多变量关系，定义了两组具有生物学意义的变量集用于rCCA：
1. **与天气相关的变量**；
2. **生育指数特征**。

**与天气相关的变量**

解释变量集包括10个描述实验地点环境气候条件的指标。气候数据来自最接近AI中心的气象站，并与授精日期时间对齐，以确保生物学相关性。选定的变量包括平均环境温度、最低和最高温度、平均日降雨量、风向、平均风速、最大风速、光照周期以及最低和最高气压。这些指标共同捕捉了可能影响生殖生理和生育结果的短期和中期温度、大气和光照波动。

**生育指数变量**

响应变量集包括三个互补的生育指数，旨在从操作、遗传和技术层面捕捉生殖表现。**授精当天的生育率**量化了每日授精成功率，即确认妊娠的比例。**每批公猪的生育率及授精日期**评估了每批公猪随时间的表现，综合考虑了精液质量、授精时机和环境因素的变化。**根据精液类型的生育率**比较了使用新鲜精液和冷冻精液时的每日生育结果，从而评估了精液保存方法对生殖效率的影响。这种结构化的解释变量和响应变量集定义使得能够全面评估气候-生育交互作用，同时考虑了基于AI的生殖系统所固有的层次性和操作复杂性。

**先验假设**

在评估多重共线性后，使用XLSTAT 2014计算了变量集内部和之间的皮尔逊积矩相关系数（Pearson’s product-moment correlations），遵循既定的解释指南（Profillidis和Botzoris，2018年；Gil-Lebrero等人，2020年）。

**有效性**

rCCA的正则化有助于防止过拟合，提高高维数据集中的估计可靠性（Girka等人，2023年）。为了测试典型相关性，使用了Pillai的迹（trace）方法，因为它对正态性、同方差性和独立性的违反具有鲁棒性（Olson，1976年）。所有测试均使用STATA 16（StataCorp，2019年）进行。

**变异解释**

特征值是从模型和逆误差矩阵的乘积计算得出的，对应于平方的典型相关性。较大的特征值表示在典型变量中解释了更高的方差比例。

**典型相关性**

典型相关性范围从-1到1，其解释方式与皮尔逊相关性类似（Profillidis和Botzoris，2018年；Gil-Lebrero等人，2020年）。相关性≥0.30被视为有意义的，大约解释了10%的方差。冗余系数用于量化一组变量解释的另一组变量的方差。

**根**

根对应于特征值的排序顺序。每个根都检验了相关典型相关性为零的零假设，有助于确定完全描述集合间关系所需的维度数量。

**Wilks’ lambda和R2**

Wilks’ lambda是通过每组测试数据的（1 - 典型相关性）值的乘积计算得出的。接近0的值表示强关联，而接近1的值表示弱关联（Tabachnick等人，2007年）。

**rCCA k折交叉验证**

使用R 4.1.1和CCA及mixOmics包（González等人，2008年；R Core Team，2020年；Lê Cao和Déjean，2021年）进行了k折交叉验证，以评估模型的稳健性和预测性能。使用tune.rcc函数优化了正则化参数λ1和λ2，以最大化交叉验证分数（González等人，2009年）。

**先验和后验分类评估：对适应性的影响**

应用交叉验证来评估基于生育指数的Murciano-Granadina母猪的先验和后验分类的一致性。先验分类反映了动物最初被分配到的性能类别，而后验分类结合了三次回归模型的精细区分能力。目的是确定后验结果是否将动物重新分配到更高或更低的生育类别，并评估分类在生育指数上的准确性和稳健性。

**初步分析**

初步分析显示精液质量参数和与气候相关的特征均不符合正态分布。Kolmogorov–Smirnov检验表明由于轻微的尾部偏离而不符合正态分布，这可能是由不显著的异常值引起的。然而，Q-Q图的检查表明数据总体上遵循正态分布，因此验证了分析的假设。Levene的异方差性检验显示存在异方差性（p < 0.05），这促使在典型相关分析中使用排列检验。使用ROUT方法（Q = 1%）进行异常值筛查，未发现显著异常值。

表1提供了新鲜精液和冷冻精液的天气相关因素和生育指数的对比概览，突出了两者之间的明显差异。两种情况下的天气条件都表现出相当大的变异性，特别是在温度、降雨量和气压方面。新鲜精液在平均环境温度上略高（18.13°C vs 15.40°C），并且最高温度的范围也比冷冻精液更广。有趣的是，冷冻精液与更高的平均降雨量（3.14 mm vs 0.81 mm）和稍强的风变异性相关，而海拔和光照周期值在两组之间几乎相同，反映了相似的季节性和地理背景。

**当考虑生育表现时，差异更加明显。新鲜精液始终优于冷冻精液，其每日授精率（56.17% vs 37.75%）、每批公猪的生育率及授精日期（57.05% vs 40.30%）以及根据精液类型的生育率（55.82% vs 36.91%）均显著更高。标准差也显示新鲜精液的生育值更加稳定，而冷冻精液的变异性更大，反映了结果的更高变异性。这些发现表明，尽管两种精液的环境条件大致相似，但新鲜精液的生物完整性带来了明显的生殖优势（Trujillo García，2017年）。总体而言，数据强调了精液类型在生殖成功中的实际重要性，强调了在所研究条件下新鲜精液作为更可靠选择的重要性。**

使用VIF（方差膨胀因子）评估了多重共线性，阈值设为VIF < 5。在天气数据集中，光照周期最初显示出极高的VIF（≈35,036），在第一轮被剔除。在第二轮中，由于VIF约为33,358，最低气压也被剔除；最高气压暂时保留但随后也被剔除。经过四轮逐步剔除后，最终保留的天气变量——最低环境温度（VIF = 3.01）、最高环境温度（VIF = 3.03）、平均日降雨量（VIF = 1.12）和海拔（VIF = 1.21）——的VIF值均低于临界阈值。

对于生育数据集，授精当天的生育率在第一轮显示出高VIF（6.83）并被剔除。每批公猪的生育率及授精日期（VIF = 6.07）被保留以进一步评估，以及根据精液类型的生育率（VIF = 2.36）。在第二轮中，最终保留的变量——每批公猪的生育率及授精日期和根据精液类型的生育率——的VIF值均降至2.07，均在可接受范围内。这些结果确认，在逐步剔除后，天气和生育模型中使用的预测因子均无问题性的多重共线性（所有VIF < 5），确保了后续统计分析的稳健性和可靠性（补充表S2）。

**正则化广义典型相关分析**

新鲜精液和冷冻精液的生育指数之间的相关分析显示了强烈的正相关关系（表2）。对于冷冻精液，每批公猪的生育率及授精日期和根据精液类型的生育率高度相关（r = 0.717），表明这两个指标之间存在强关联。同样，在新鲜精液中，这些变量也显示出强正相关（r = 0.681），尽管略低于冷冻精液。这些结果表明，无论精液类型如何，批次级别和精液类型级别的生育结果都紧密相关，进一步强调了这些生育指标在评估生殖表现时的一致性和可靠性。

**表3中的相关矩阵描述了使用新鲜或冷冻精液进行授精时的天气条件之间的关系。在冷冻精液条件下进行的授精中，最高和最低环境温度高度相关（r = 0.674），反映了日常温度极端值之间的自然联系。降雨与风相关的变量有中等程度的关联，显示出与阵风（r = 0.445）和平均风速（r = 0.296）的正相关。正如预期的那样，阵风和平均风速之间有非常强的关系（r = 0.823），这突显了它们在气象上的相互依赖性。然而，最大气压与其他气候变量几乎没有相关性，表明它们相对独立。表3显示了天气相关参数对之间的皮尔逊相关性。下载CSV显示表格。

在使用新鲜精液的授精过程中，也出现了类似的模式。最高和最低环境温度的相关性更强（r = 0.729），而降雨与阵风的相关性较弱但仍然为正（r = 0.122）。阵风和平均风速再次显示出强相关性（r = 0.762），这与在冷冻精液条件下的观察结果一致。其他变量，如海拔高度和风向，显示出弱相关性或可忽略不计的相关性。综合这些发现表明，授精是在温度和风相关因素紧密聚集的环境条件下进行的，而降雨和气压则表现得更为独立，在两种授精情境中趋势大致相当。

表4显示了授精期间的生育结果与环境条件之间的相关性，总体上相关性较弱，尽管出现了一些一致的模式。对于使用冷冻精液的授精，最高和最低环境温度与每批公牛的生育率（r = 0.160和r = 0.145）以及每天按精液类型划分的生育率（r = 0.182和r = 0.181）都有小的但正的相关性，这表明较温暖的条件可能对生育率有轻微的积极影响。降雨、海拔高度和风向与生育率的关系可以忽略不计或接近零，而阵风和平均风速仅显示出弱相关性。在这些条件下，最大气压与生育率几乎没有相关性。

对于使用新鲜精液的授精，温度的相关性略强。最高和最低环境温度再次与两种生育率指标呈正相关，其中最低温度的相关性最高（每批公牛的生育率为r = 0.180，每天按精液类型划分的生育率为r = 0.208）。相比之下，降雨与生育率呈负相关（r = -0.062和r = -0.096），这表明较潮湿的条件可能不利。其他环境变量，包括风相关因素和气压，相关性非常弱或可以忽略不计。总体而言，这些结果表明温度在两种授精情境中都起着最一致的作用，而降雨可能对新鲜精液的授精起到限制作用，其他环境参数则基本无关。

对于使用冷冻精液的授精，第一个典型函数的特征值（0.053）大于第二个典型函数的特征值（0.027），解释了两组变量之间66.22%的变异性。这表明第一个典型函数是共享方差的主要贡献者，尽管第二个函数也解释了相当一部分变异（33.78%）。总的来说，需要两个典型函数来完全描述冷冻精液情境下两组变量之间的关系。相比之下，对于使用新鲜精液的授精，第一个典型函数的特征值（0.077）明显大于第二个（0.003）。第一个典型函数解释了96.79%的变异性，意味着几乎所有的共享方差都被这个单一函数捕获。第二个典型函数仅解释了3.21%的变异性，表明它几乎没有额外的解释能力。这些结果表明，在冷冻精液的情况下，两个典型函数是相关的，而在新鲜精液的情况下，两组变量之间的关系几乎完全由第一个典型函数解释。

应用于评估生育结果与解释变量之间关系的多变量测试在冷冻和新鲜精液条件下都显示出了显著效应（表5）。对于使用冷冻精液的授精，所有四个多变量统计量（Hotelling–Lawley迹、Pillai迹、Roy最大根和Wilks’ lambda）的观察F值都远高于各自的临界值，p值非常显著（<0.0001）。这对于每批公牛的生育率和每天按精液类型划分的生育率都是如此，尽管测试统计量相对较小（迹值在0.24到0.27之间）。

对于使用新鲜精液的授精，温度的相关性略强。最高和最低环境温度再次与两种生育率指标呈正相关，其中最低温度的相关性最高（每批公牛的生育率为r = 0.180，每天按精液类型划分的生育率为r = 0.208）。相比之下，降雨与生育率呈负相关（r = -0.062和r = -0.096），这表明较潮湿的条件可能不利。其他环境变量，包括风相关因素和气压，相关性非常弱或可以忽略不计。总体而言，这些结果表明温度在两种情境中对生育结果的影响最为一致，而降雨可能对新鲜精液的授精起到限制作用，其他环境参数似乎基本无关。

对于使用冷冻精液的授精，第一个典型函数的特征值（0.053）大于第二个典型函数的特征值（0.027），解释了两组变量之间66.22%的变异性。这表明第一个典型函数是共享方差的主要贡献者，尽管第二个函数也解释了相当一部分变异（33.78%）。总的来说，需要两个典型函数来完全描述冷冻精液情境下两组变量之间的关系。相比之下，对于使用新鲜精液的授精，第一个典型函数的特征值（0.077）明显大于第二个（0.003）。第一个典型函数解释了96.79%的变异性，意味着几乎所有的共享方差都被这个单一函数捕获。第二个典型函数仅解释了3.21%的变异性，表明它几乎没有额外的解释能力。这些结果表明，在冷冻精液的情况下，两个典型函数是相关的，而在新鲜精液的情况下，两组变量之间的关系几乎完全由第一个典型函数解释。

多变量测试显示，在冷冻和新鲜精液条件下，生育结果与解释变量之间的关系都存在显著效应（表5）。对于使用冷冻精液的授精，所有四个多变量统计量（Hotelling–Lawley迹、Pillai迹、Roy最大根和Wilks’ lambda）的观察F值都远高于各自的临界值，p值非常显著（<0.0001）。这对于每批公牛的生育率和每天授精的生育率以及每天按精液类型划分的生育率都是如此，尽管测试统计量相对较小（迹值在0.24到0.27之间）。

对于使用新鲜精液的授精，结果更为明显。尽管Hotelling–Lawley和Pillai迹的值在数值上较小（0.07–0.18），但由于样本量极大，观察到的F值非常高（例如Roy最大根为218.04和406.57），所有这些值都远超过临界阈值，p值<0.0001。这些发现表明，解释变量对两种精液条件下的生育结果有非常显著的影响，由于样本量大和测试统计量高度稳健，新鲜精液的分析显示了特别强的关联统计证据。

表6展示了分别针对冷冻和新鲜精液类型获得的两个典型函数的典型相关性和冗余系数。Wilks’ lambda值在所有情况下都得到了高度显著的F统计量支持（p < 0.0001），证实了两个典型函数（F1和F2）对每种精液类型都具有统计显著性。

对于冷冻精液，第一个典型函数（F1）显示出最强的关联，典型相关性为0.230（平方相关性=0.053）。冗余系数分别为0.008（精液数据集Y1）和0.034（响应数据集Y2），表明虽然该函数具有显著性，但解释的方差量较小。第二个典型函数（F2）也有贡献，尽管程度较小，典型相关性为0.164（平方相关性=0.027），冗余系数分别为0.005（Y1）和0.010（Y2）。

对于新鲜精液，第一个典型函数（F1）显示出稍强的关联，典型相关性为0.277（平方相关性=0.077）。该函数解释了最大的共享方差部分，冗余系数分别为0.014（Y1）和0.062（Y2）。第二个函数（F2）虽然具有统计显著性，但其典型相关性非常低（0.050；平方相关性=0.003），冗余系数也很小（Y1和Y2均为0.000），表明其在解释变异性方面的贡献很小。

图5展示了两个典型相关性的双变量图——一个针对新鲜精液，一个针对冷冻-解冻精液——描绘了沿前两个典型轴的气候因素与精液质量特征之间的关系。在新鲜精液中，前两个典型函数共同解释了100.00%的总共享方差，其中F1解释了96.79%，F2解释了3.21%，表明主要轴具有很强的主导作用。相比之下，在冷冻精液中，F1和F2也解释了100.00%的方差，但轴之间的贡献更为平衡（F1 = 66.22%，F2 = 33.78%），表明冷冻保存后气候影响在多个维度上重新分布。

标准化典型系数图显示了新鲜和冷冻精液授精的标准化典型系数和冗余系数。标准化典型系数的方向和大小独立于尺度效应，表明F1代表了两种精液类型中环境条件与精液质量之间的主要协变轴。在新鲜精液的双变量图中，F1主要由热变量和精子功能特征之间的对比定义，温度相关参数的向量与渐进性和总运动性的向量相对立。这种配置表明，热应力主要与新鲜采集的精液中精子运动动态的变化有关。相比之下，新鲜精液中的F2反映了大气动态（特别是降雨、风速和气压）与精子结构或韧性相关特征（如顶体完整性和渗透压抗性）之间的对立关系。值得注意的是，精子浓度与压力和风相关的向量紧密对齐，而精液体积和运动性特征与降雨更密切相关，表明降水可能在新鲜条件下有利于增加精液输出和改善运动性。

在冷冻-解冻精液的双变量图中，整体向量分散更为紧凑，表明冷冻保存后环境效应部分减弱。尽管如此，F1仍然将气候压力因素与解冻后的功能属性对立起来，强调运动性相关特征仍然对冷冻前的环境条件敏感。总体而言，双变量图配置强化了气候变异性对生殖生理的多方面影响。虽然新鲜精液的质量似乎对即时天气驱动的运动性和精液特征变化更为敏感，但冷冻精液主要通过结构和韧性相关特征保留了环境压力的特征。这强调了在精液质量的评估和管理中纳入天气相关压力因素的重要性，特别是在繁殖和冷冻保存计划中。

对于冷冻精液的授精，第一个典型函数（F1）的特征值较大（0.053），解释了两组变量之间66.22%的变异性。这表明第一个典型函数是共享方差的主要贡献者，尽管第二个函数也解释了相当一部分变异性（33.78%）。总的来说，需要两个典型函数来完全描述冷冻精液情境下的两组变量之间的关系。相比之下，对于使用新鲜精液的授精，第一个典型函数的特征值（0.077）明显大于第二个（0.003）。第一个典型函数解释了96.79%的变异性，意味着几乎所有的共享方差都被这个单一函数捕获。第二个典型函数仅解释了3.21%的变异性，表明它几乎没有额外的解释能力。这些结果表明，在冷冻精液的情况下，两个典型函数是相关的，而在新鲜精液的情况下，两组变量之间的关系几乎完全由第一个典型函数解释。

多变量测试显示，在冷冻和新鲜精液条件下，生育结果与解释变量之间的关系都存在显著效应（表5）。对于使用冷冻精液的授精，所有四个多变量统计量（Hotelling–Lawley迹、Pillai迹、Roy最大根和Wilks’ lambda）的观察F值都远高于各自的临界值，p值非常显著（<0.0001）。这对于每批公牛的生育率和每天授精的生育率以及每天按精液类型划分的生育率都是如此，尽管测试统计量相对较小（迹值在0.24到0.27之间）。

对于使用新鲜精液的授精，结果更为明显。尽管Hotelling–Lawley和Pillai迹的值在数值上较小（0.07–0.18），但由于样本量极大，观察到的F值非常高（例如Roy最大根为218.04和406.57），所有这些值都远超过临界阈值，p值<0.0001。这些发现表明，解释变量对两种精液条件下的生育结果有非常显著的影响，由于样本量大和测试统计量高度稳健，新鲜精液的分析显示了特别强的关联统计证据。

表6展示了冷冻和新鲜精液类型的两个典型函数的典型相关性和冗余系数。Wilks’ lambda值在所有情况下都得到了高度显著的F统计量支持（p < 0.0001），证实了两个典型函数（F1和F2）对每种精液类型都具有统计显著性。

对于冷冻精液，第一个典型函数（F1）显示出最强的关联，典型相关性为0.230（平方相关性=0.053）。精液数据集（Y1）的冗余系数为0.008，响应数据集（Y2）的冗余系数为0.034，表明尽管该函数具有显著性，但解释的方差量较小。第二个典型函数（F2）也有贡献，尽管程度较小，典型相关性为0.164（平方相关性=0.027），冗余系数分别为0.005（Y1）和0.010（Y2）。

对于新鲜精液，第一个典型函数（F1）显示出稍强的关联，典型相关性为0.277（平方相关性=0.077）。该函数解释了最大的共享方差部分，冗余系数分别为0.014（Y1）和0.062（Y2）。第二个函数（F2）虽然具有统计显著性，但其典型相关性非常低（0.050；平方相关性=0.003），冗余系数也很小（Y1和Y2均为0.000），表明其在解释变异性方面的贡献很小。

总体而言，冗余分析证实，对于冷冻和新鲜精液，第一个典型函数（F1）解释了大部分共享方差。特别是对于新鲜精液，F1函数表现出最高的解释能力，而第二个典型函数尽管具有统计显著性，但贡献较小。

图5展示了两个典型相关性的双变量图——一个针对新鲜精液，一个针对冷冻-解冻精液——描绘了沿前两个典型轴的气候因素与精液质量特征之间的关系。在新鲜精液中，前两个典型函数共同解释了100.00%的总共享方差，其中F1解释了96.79%，F2解释了3.21%，表明主要轴具有很强的主导作用。相比之下，在冷冻精液中，F1和F2也解释了100.00%的方差，但轴之间的贡献更为平衡（F1 = 66.22%，F2 = 33.78%），表明冷冻保存后气候影响在多个维度上重新分布。

标准化典型系数图显示了新鲜和冷冻精液授精的标准化典型系数和冗余系数。标准化典型系数的方向和大小独立于尺度效应，表明F1代表了两种精液类型中环境条件与精液质量之间的主要协变轴。在新鲜精液的双变量图中，F1主要由热变量和精子功能特征之间的对比定义，温度相关参数的向量与渐进性和总运动性的向量相对立。这种配置表明，热应力主要与新鲜采集的精液中精子运动动态的变化有关。相比之下，新鲜精液中的F2反映了大气动态（特别是降雨、风速和气压）与精子结构或韧性相关特征（如顶体完整性和渗透压抗性）之间的对立关系。值得注意的是，精子浓度与压力和风相关的向量紧密对齐，而精液体积和运动性特征与降雨更密切相关，表明降水可能在新鲜条件下有利于增加精液输出和改善运动性。

在冷冻-解冻精液的双变量图中，整体向量分散更为紧凑，表明冷冻保存后环境效应部分减弱。尽管如此，F1仍然将气候压力因素与解冻后的功能属性对立起来，强调运动性相关特征仍然对冷冻前的环境条件敏感。F2主要捕捉了大气变量与结构稳健性指标之间的关联，顶体完整性和膜稳定性与动态天气因素相对立，表明冷冻前的气候压力可能会加剧冷冻损伤的敏感性。

总体而言，双变量图配置强化了气候变异性对生殖生理的多方面影响。虽然新鲜精液的质量似乎对即时天气驱动的运动性和精液特征变化更为敏感，但冷冻精液主要通过结构和韧性相关特征保留了环境压力的特征。这强调了在精液质量的评估和管理中纳入天气相关压力因素的重要性，特别是在繁殖和冷冻保存计划中。

冷冻精液的典型函数：

第一个典型函数（F1）：
- 天气侧变量（V1）：V1 = -0.49×最高环境温度 - 0.52×最低环境温度 - 0.40×平均日降雨量 - 0.04×海拔高度 - 0.06×风向 + 0.96×阵风 - 0.69×平均风速 - 0.29×最高气压
- 生育率侧变量（U1）：U1 = +0.28×每批公牛的生育率和每天授精的生育率 - 1.18×每天按精液类型划分的生育率

解释：该函数强调了寒冷、干燥和多风的条件以及强烈的阵风。它与每次授精批次的较高生育率相关，但每天不同精液类型的生育率较低，表明阵风和不稳定的气候对冷冻保存精液的生育率一致性有负面影响。

第二个典型函数（F2）：
- 天气侧变量（V2）：V2 = -0.16×最高环境温度 - 0.18×最低环境温度 + 0.15×平均日降雨量 - 0.17×海拔高度 + 0.25×风向 - 1.36×阵风 + 0.62×平均风速 + 0.18×最高气压
- 生育率侧变量（U2）：U2 = -1.41×每批公牛的生育率和每天授精的生育率 + 0.81×每天按精液类型划分的生育率

解释：该轴强调了阵风（负相关）和稳定风速（正相关）之间的对立。在阵风条件下，每次授精批次的生育率显著降低，而每天不同精液类型的生育率则受到稳定风和适度降雨的相对青睐。

新鲜精液的典型函数：

第一个典型函数（F1）：
- 天气侧变量（V1）：V1 = -0.47×最高环境温度 - 0.35×最低环境温度 + 0.21×平均日降雨量 - 0.52×海拔高度 + 0.14×风向 - 0.06×阵风 - 0.13×平均风速 - 0.30×最高气压
- 生育率侧变量（U1）：U1 = -0.27×每批公牛的生育率和每天授精的生育率 - 0.80×每天按精液类型划分的生育率

解释：该函数反映了一个梯度，其中较低的温度、较高的海拔和较高的气压与适度的降雨量相对立。在生育率方面，它将每次授精批次的生育率和每天按精液类型划分的生育率与这些气候限制联系起来。

第二个典型函数（F2）：
- 天气侧变量（V2）：V2 = +0.54×最高环境温度 - 0.05×最低环境温度 + 0.48×平均日降雨量 - 0.14×海拔高度 + 0.68×风向 + 0.11×阵风 - 0.13×平均风速 - 0.13×最高气压
- 生育率侧变量（U2）：U2 = +1.34×每批公牛的生育率和每天授精的生育率 - 1.11×每天按精液类型划分的生育率

解释：该轴强调了温暖、多雨和风向变化的条件与每次授精批次的较高生育率之间的对立，但同时当考虑每天不同精液类型时，生育率较低。这表明短期的环境有利条件并不一定转化为不同精液类型之间的一致生育率。

图6显示了应用于新鲜和冷冻精液数据集的rCCA的10折交叉验证结果。对于新鲜精液（左侧面板），交叉验证系数在λ1–λ2网格上显示出平滑的梯度，最佳性能（左下角的白色/黄色区域）出现在λ1 = 0.001和λ2 = 0.001–0.25时。这表明模型从对两个典型变量的更强惩罚中受益，实现了稳定的相关性并最小化了过拟合。相比之下，冷冻精液（右侧面板）显示出更明显的过渡，高性能仅限于λ1 = 0.001和λ2在0.001到0.5之间的狭窄区域，而大部分参数空间的得分明显较低（红色区域）。这表明与冷冻保存精液相关的生育结果对正则化设置更为敏感，需要更强的收缩来捕获稳健的信号。新鲜精液的最大交叉验证得分（0.247）低于冷冻精液（0.642），这与Wilks’ lambda测试的结果一致，支持保留的维度的可靠性，并确认前两个典型轴捕获了大部分解释的方差。

分类分析（表7）显示了新鲜和冷冻精液之间的预测准确性存在显著差异。对于新鲜精液，大多数公山羊被一致地归类为高生育力和中等生育力类别，分别有8451次和3549次正确的分类，对应的准确率分别为72.30%和35.78%。按精液类型划分的每日生育力也显示出相似的模式，有6797只公山羊被正确识别为高生育力（59.29%），6983只被识别为中等生育力（58.90%）。相比之下，冷冻精液的准确率显著较低，其中低生育力类别的表现最好，有195只公山羊被正确分类（76.77%），其次是高生育力类别（33.82%）和中等生育力类别（34.74%）。对于非常高的和非常低的生育力类别，两种精液类型的预测效果都很差，在许多情况下都没有正确的分类。这些结果表明，分类系统在处理新鲜精液时表现稳健，尤其是在高生育力和中等生育力类别中，而在处理冷冻精液时预测准确率急剧下降，这突显了冷冻保存样本的更大变异性和较低的稳定性。

表7. 新鲜精液和冷冻精液的生育力（先验后验）分类混淆矩阵，涵盖了两个生育力尺度（每批公山羊的生育力和授精日，以及按精液类型划分的每日生育力）。下载CSV显示表格

讨论
与之前关于Murciano-Granadina山羊的研究一致（Arrébola等人，2016a），授精时的气象条件强烈影响了生育力，这进一步证实了环境温度、湿度、太阳辐射和降雨量作为生物学上重要的限制因素，而不是背景噪声来源。新鲜精液相比冷冻精液具有显著更高的生育力——绝对优势约为18-19个百分点——并且变异性更低，可预测性更高，这与比较研究结果一致，这些研究表明使用新鲜或液态精液比使用冷冻-解冻后的精液可以获得更好的妊娠结果（Schuh，1992；Maicas等人，2019；Pytlík等人，2020）。
从实际角度来看，新鲜精液和冷冻精液之间的差异对畜群管理有直接影响。更高的且更稳定的受孕率意味着更少的授精失败，减少了非生产性天数，并更有效地利用了繁殖资源，这与长期以来的证据相符，即冷冻精液由于冷冻损伤和解冻后活力下降而引入了更大的不确定性（Tamargo等人，2024）。
反过来，这促进了更快的基因更新和更可预测的繁殖结果（Fernández álvarez等人，2023），特别是在环境条件具有挑战性的情况下，气候压力可能会加剧繁殖损失，这一点在牛和小型反刍动物中都有记录（Langford等人，1979；Abril-Parre?o和Fair，2026）。强调这些联系有助于将生物学结果置于实际生产系统中，并突出了根据当前环境条件调整授精策略的价值。
这些发现的相关性不仅限于单一品种。像Murciano-Granadina和Florida这样的西班牙山羊品种是在类似的地中海系统中管理的，并且在相似的气候压力下进化而来，这支持了它们作为评估气候对繁殖性能影响的合适生物模型的使用。数据集的时间跨度超过三十年，涵盖了三十年的出生记录和十年的人工授精记录，进一步强化了将气候视为反复出现的选择性和限制因素的解释（Arrébola等人，2016a，2026b）。
在其他小型反刍动物（如绵羊）以及低营养级生产物种（如鱼类和家禽）中也报告了一致的模式，表明环境温度和降雨量与春季后的生育力密切相关，这包括各种繁殖策略，无论是人工授精、自然交配还是自然产卵（Chemineau等人，2007；Sejian等人，2018）。综合这些观察结果支持了这里观察到的关系的生物学合理性，并表明气候对生育力的限制是动物生产系统面临的一个普遍挑战，无论这些系统是否暴露在热应激和水分应激中。
除了方法上的严谨性外，本研究中应用的多变量框架将复杂的气候相互作用转化为生物学上可解释的模式，这些模式对农场决策具有直接相关性。与不利气候特征相关的生育力损失会导致可衡量的经济后果，包括未回收的饲养和管理成本、降低的终生产奶量以及优质遗传物质的传播延迟（Ravagnolo和Misztal，2000；Bernabucci等人，2007）。
这些后果不仅限于Murciano-Granadina山羊，也反映了在地中海、干旱和半干旱地区报告的绵羊、山羊和奶牛面临的挑战，其中热应激和相关的气候压力会损害卵泡发育、卵子活力和早期胚胎存活（Dunshea等人，2013；Hansen，2019；Forcada和Abecia，2006）。类似的繁殖限制也在温带和亚热带地区记录到，在季节性热浪期间尤为明显，表明气候引起的生育力损害不仅限于传统上的炎热环境。随着极端气候事件的频率和强度增加，预计这些限制将在全球范围内扩大，这突显了需要在反刍动物系统中采取适应性繁殖管理策略的必要性（Krishnan等人，2017）。
将定量生育力反应与生产者面临的环境条件联系起来，为预测气候驱动的繁殖风险和调整不同物种、生产系统和地理环境下的人工授精策略提供了一个可转移的框架。这种综合的、数据驱动的方法越来越被认为是维持在加速气候变化下牲畜系统繁殖效率和遗传进步的关键（Nardone等人，2010）。
气候变异性和季节动态被广泛认为是影响人工授精成功的主要因素，然而它们仍然是商业生产系统中最难以控制的限制因素之一（Peláez Caro等人，2024）。通过利用一个异常庞大且长期的数据集，本研究表明山羊的生育力反应不是由单一气候变量驱动的，而是由综合的环境特征驱动的，其影响因精液类型而异。这一模式与绵羊生产系统的证据密切相关，在那里热负荷、光照周期和降雨量共同调节卵巢活动、发情表现和人工授精的生育力，特别是在晚春和夏季（Chemineau等人，2008；Sejian等人，2018）。同样，在奶牛中，温度-湿度指数、风速和太阳辐射的多变量组合已被证明对受孕率有累积效应，通常超过单个预测因子的解释能力（Ravagnolo和Misztal，2000；Bernabucci等人，2014）。
在这种情况下，rCCA的应用使得气候-生育力关系的数值复杂性转化为生物学上可解释的模式，反映了真实的农场条件（González-Recio等人，2014）。这些发现在山羊、绵羊和牛中的一致性支持了所提出方法的稳健性，并强调了其在地中海、亚热带或易受热影响的环境中适用于多种牲畜物种的适用性，其中气候驱动的繁殖效率低下是生产力和盈利能力的主要限制（Nardone等人，2010；Dunshea等人，2013）。
最初，每日生育力是根据公山羊的身份、精液类型和平均每日生育力来评估的。多重共线性分析揭示了生育力指标之间的大量冗余；因此，后续分析集中在每批公山羊的生育力和授精日以及按精液类型划分的每日生育力上，这些指标被证明是最独立和最有信息量的繁殖性能指标。这种维度上的细化反映了在绵羊和奶牛研究中采用的方法，其中在商业条件下评估环境效应时，按公羊或精液批次聚合生育力比单独的授精结果更为稳健（Caceres Bautista和Mogollon，2017）。同样，通过对气候变量的细化，排除了最低气压，因为它与最高气压有很强的相关性，平均差异为3.44毫巴，反映了之前与山羊有利繁殖结果相关的稳定反气旋条件的典型气压动态（Arrébola等人，2016a，2016b）。在牛和绵羊的研究中也报告了类似的简化，其中压力衍生变量通常传达了与天气稳定性相关的重叠信息，而不是独立的生理压力因素（Polsky和von Keyserlingk，2017；Sakatani，2017）。
平均环境温度也被排除在外，取而代之的是最低和最高环境温度，后者更好地捕捉了生物学上有意义的热变异性（范围1.6-28°C；平均差异13°C）。这种方法与奶牛和绵羊中的热应激研究一致，在这些研究中，每日温度极端值比平均温度更能准确预测配子质量、发情表现和受孕率的干扰（Ravagnolo和Misztal，2000；Sejian等人，2018）。
回归树分析和典型模型一致地识别出一个明确的气候范围，在此范围内Murciano-Granadina山羊的生育力达到最大化。当最低环境温度超过11-12°C且最高温度保持在大约25-26°C以下时，实现了最佳的繁殖性能，这与之前在地中海山羊系统中的观察结果一致（Arrébola等人，2014；Abecia等人，2016）。超出这个舒适区的热条件导致生育力显著下降，特别是当使用冷冻精液时，这反映了其对环境压力的高度敏感性，这些压力会损害精子膜的完整性和解冻后的活力（Graham和Mocé，2005；Salvador等人，2005）。相比之下，新鲜精液在更广泛的热范围内保持了相对稳定的生育力，这与其对热和氧化挑战的更强抵抗力一致。
海拔进一步调节了热敏感性，突显了区域气候和局部微气候之间的相互作用。在海拔489米以下，最低温度超过13°C就足以维持生育力，而更高海拔的系统需要更高的温度来抵消较冷的条件和相关的生理限制。在山区绵羊和牛的生产系统中也报告了类似的海拔-温度相互作用，这加强了这些气候-生育力关系的生物学一致性和跨物种的相关性（Nardone等人，2010；Sejian等人，2018）。
除了温度之外，综合的热-湿度条件也对繁殖结果产生了强烈影响。降雨主要对生育力有负面影响，尤其是在温度升高时，通过增加热负荷，这反映在温度-湿度指数（THI = T + 0.36 × RH + 41.2）中，这是一个广泛用于牲畜热应激的综合指标（Bohmanova等人，2007；Hahn等人，2009）。授精时的高THI值与繁殖效率的显著下降相关，这与体温调节和内分泌紊乱一致（da Silva等人，2023）。在绵羊和奶牛中也报告了类似的温度-湿度相互作用，其中高THI与发情表现减弱、配子质量下降和受孕率降低有关（Ravagnolo和Misztal，2000；Sejian等人，2018）。
风动态进一步调节了这些效应。轻风、稳定的气流（速度低于约4.5米/秒）增强了对流散热，支持了更好的人工授精结果，而持续或阵风则会引起生理压力并降低生育力（Gudev等人，2005；Dobson等人，2012）。当使用冷冻精液时，这些不利效应更为明显，可能反映了冷冻保存的精子对环境不稳定性的高度敏感性。在暴露的绵羊群和奶牛系统中也描述了类似的风介导的热应激和生育力调节（Silanikove，2000；Polsky和von Keyserlingk，2017）。典型生物图分析确认了这些气候驱动因素的协同作用，而不是独立作用。降雨量超过约2.5毫米/天、风速超过约4.5米/秒以及相对较高的稳定气压条件（>1015百帕，日变化<4百帕）共同影响了精子的活力、浓度和射精量。这种综合的气候信号与将季节性环境变异性与公牛精液质量和田间生育力联系起来的证据一致（Fatmila等人，2025），并强调了单一变量阈值的局限性。相反，结果支持了基于气候信息的多变量决策支持框架，适用于日益暴露在气候变异性下的牲畜系统。
将定量生育力反应与生产者面临的环境条件联系起来，为预测气候驱动的繁殖风险和调整不同物种、生产系统和地理环境下的人工授精策略提供了一个可转移的框架。这种综合的、数据驱动的方法越来越被认为是维持在加速气候变化下牲畜系统繁殖效率和遗传进步的关键（Nardone等人，2010）。
气候变异性和季节动态被广泛认为是影响人工授精成功的主要因素，然而它们仍然是商业生产系统中最难以控制的限制因素之一（Peláez Caro等人，2024）。通过利用一个异常庞大且长期的数据集，本研究表明山羊的生育力反应不是由单一气候变量驱动的，而是由综合的环境特征驱动的，其影响因精液类型而异。这一模式与绵羊生产系统的证据密切相关，在那里热负荷、光照周期和降雨量共同调节卵巢活动、发情表现和人工授精的生育力，特别是在晚春和夏季（Chemineau等人，2008；Sejian等人，2018）。同样，在奶牛中，温度-湿度指数、风速和太阳辐射的多变量组合已被证明对受孕率有累积效应，通常超过单个预测因子的解释能力（Ravagnolo和Misztal，2000；Bernabucci等人，2014）。
在这种情况下，rCCA的应用使得气候-生育力关系的数值复杂性转化为生物学上可解释的模式，反映了真实的农场条件（González-Recio等人，2014）。这些发现在山羊、绵羊和牛中的一致性支持了所提出方法的稳健性，并强调了其在地中海、亚热带或易受热影响的环境中适用于多种牲畜物种的适用性，其中气候驱动的繁殖效率低下是生产力和盈利能力的主要限制（Nardone等人，2010；Dunshea等人，2013）。
最初，每日生育力是根据公山羊的身份、精液类型和平均每日生育力来评估的。多重共线性分析揭示了生育力指标之间的大量冗余；因此，后续分析集中在每批公山羊的生育力和授精日以及按精液类型划分的每日生育力上，这些指标被证明是最独立和最有信息量的繁殖性能指标。这种维度上的细化反映了在绵羊和奶牛研究中采用的方法，其中在商业条件下评估环境效应时，按公羊或精液批次聚合生育力比单独的授精结果更为稳健（Caceres Bautista和Mogollon，2017）。同样，通过对气候变量的细化，排除了最低气压，因为它与最高气压有很强的相关性，平均差异为3.44毫巴，反映了之前与山羊有利繁殖结果相关的稳定反气旋条件的典型气压动态（Arrébola等人，2016a，2016b）。在牛和绵羊研究中也报告了类似的简化，其中压力衍生变量通常传达了与天气稳定性相关的重叠信息，而不是独立的生理压力因素（Polsky和von Keyserlingk，2017；Sakatani，2017）。
平均环境温度也被排除在外，取而代之的是最低和最高环境温度，后者更好地捕捉了生物学上有意义的热变异性（范围1.6-28°C；平均差异13°C）。这种方法与奶牛和绵羊中的热应激研究一致，在这些研究中，每日温度极端值比平均温度更能准确预测配子质量、发情表现和受孕率的干扰（Ravagnolo和Misztal，2000；Sejian等人，2018）。
回归树分析和典型模型一致地识别出一个明确的气候范围，在此范围内Murciano-Granadina山羊的生育力达到最大化。当最低环境温度超过11-12°C且最高温度保持在大约25-26°C以下时，实现了最佳的繁殖性能，这与之前在地中海山羊系统中的观察结果一致（Arrébola等人，2014；Abecia等人，2016）。超出这个舒适区的热条件导致生育力显著下降，特别是当使用冷冻精液时，这反映了其对环境压力的高度敏感性，这些压力会损害精子膜的完整性和解冻后的活力（Graham和Mocé，2005；Salvador等人，2005）。相比之下，新鲜精液在更广泛的热范围内保持了相对稳定的生育力，这与其对热和氧化挑战的更强抵抗力一致。
海拔进一步调节了热敏感性，突显了区域气候和局部微气候之间的相互作用。在海拔489米以下，最低温度超过13°C就足以维持生育力，而更高海拔的系统需要更高的温度来抵消较冷的条件和相关的生理限制。在山区绵羊和牛的生产系统中也报告了类似的海拔-温度相互作用，这加强了这些气候-生育力关系的生物学一致性和跨物种的相关性（Nardone等人，2010；Sejian等人，2018）。
除了温度之外，综合的热-湿度条件也对繁殖结果产生了强烈影响。降雨主要对生育力有负面影响，尤其是在温度升高时，通过增加热负荷，这反映在温度-湿度指数（THI = T + 0.36 × RH + 41.2）中，这是一个广泛用于牲畜热应激的综合指标（Bohmanova等人，2007；Hahn等人，2009）。授精时的高THI值与繁殖效率的显著下降相关，这与体温调节和内分泌紊乱一致（da Silva等人，2023）。在绵羊和奶牛中也报告了类似的温度-湿度相互作用，其中高THI与发情表现减弱、配子质量下降和受孕率降低有关（Ravagnolo和Misztal，2000；Sejian等人，2018）。
风动态进一步调节了这些效应。轻风、稳定的气流（速度低于约4.5米/秒）增强了对流散热，支持了更好的人工授精结果，而持续或阵风则会引起生理压力并降低生育力（Gudev等人，2005；Dobson等人，2012）。当使用冷冻精液时，这些不利效应更为明显，可能反映了冷冻保存的精子对环境不稳定性的高度敏感性。在暴露的绵羊群和奶牛系统中也描述了类似的风介导的热应激和生育力调节（Silanikove，2000；Polsky和von Keyserlingk，2017）。典型生物图分析确认了这些气候驱动因素的协同作用，而不是独立作用。降雨量超过约2.5毫米/天、风速超过约4.5米/秒以及相对较高的稳定气压条件（>1015百帕，日变化<4百帕）共同影响了精子的活力、浓度和射精量。这种综合的气候信号与将季节性环境变异性与公牛精液质量和田间生育力联系起来的证据一致（Fatmila等人，2025），并强调了单一变量阈值的局限性。相反，结果支持了基于气候信息的多变量决策支持框架，适用于日益暴露在气候变异性下的牲畜系统。
规范化的典型相关性分析揭示了精液对气候变异性的显著特异性敏感性，突显了新鲜精液和冷冻精液在环境适应性方面的根本差异。在冷冻精液中，两个典型函数解释了大约66%的共享方差，反映了与不规则风模式和随机环境波动的强烈相互作用，这与已知的冷冻保存精子的脆弱性一致（Watson，2000；Mocé和Graham，2008）。相比之下，与新鲜精液相关的生育结果主要由一个典型函数解释，该函数解释了大约97%的方差，表明其与温度、海拔和气压等关键气候驱动因素之间存在稳定和可预测的关系。这种差异反映了在绵羊和奶牛中的观察结果，其中冷冻精液的生育力对授精前后突然的环境变化更为敏感，而新鲜或冷却精液在变化的田间条件下表现出更大的稳健性（Salamon和Maxwell，2000；Vishwanath和Shannon，2000）。冗余分析进一步确认了第一个典型函数解释了大部分共享方差，强调了温度、降雨量、海拔和风动态对繁殖成功的主要和反复影响。总体而言，这些结果超越了统计抽象，表明新鲜精液可以容忍更广泛的环境条件，而冷冻精液则需要明确定义的气候窗口才能实现最佳生育力——这一见解可以直接应用于暴露在气候压力下的不同物种和生产系统的人工授精管理策略（Nardone等人，2010；Sejian等人，2010）。引用2018）：对典型模型的交叉验证揭示了在不同精液类型中预测强度与稳定性之间的明显权衡。涉及冷冻精液的分析获得了更高的最大预测性能（得分=0.642），但需要更强的正则化来防止过拟合，这反映了冷冻-解冻精子对氧化应激、膜破坏和环境干扰的敏感性（Khan等人引用2021；Ibrahim引用2024）。虽然明显的环境信号可以增强短期预测能力，但最终会降低模型的鲁棒性和分类稳定性，这与冷冻保存会放大解冻后精子的运动能力和受精能力的变异性这一证据一致（Rodriguez-Martinez引用2005）。因此，冷冻精液的预测结果主要局限于低生育力类别，占正确分类的76.77%，表明在波动条件下变异性增加且可预测性降低。相比之下，新鲜精液的峰值预测得分较低（0.247），但鲁棒性和一致性显著更高，高生育力和中等生育力类别的正确预测率分别为72.30%和35.80%——这些模式与非冷冻保存精子的更大生理完整性和环境适应性相符（Tamargo等人引用2024）。从管理角度来看，这些结果表明冷冻精液放大了气候效应，但牺牲了决策的可靠性，而新鲜精液在多变的环境条件下提供了更稳定和可预测的生育结果（Mocé等人引用2020；Rodriguez-Martinez引用2005）。在绵羊和奶牛的人工授精项目中也报告了类似的模式，其中冷冻精液对气候压力的反应更强烈，但在不同生产环境中的重复性较低，而新鲜或冷却精液在多变的环境条件下提供了更稳定的生育结果（Salamon和Maxwell引用2000；Vishwanath和Shannon引用2000）。这些观察结果加强了这样的生物学解释：新鲜精液本质上对环境异质性更具抵抗力，而冷冻精液的表现取决于严格定义和精心管理的气候窗口，这与大量关于冷冻保存精子对氧化、热和渗透压压力的敏感性的证据一致（Watson引用2000；Mocé和Graham引用2008）。因此，在绵羊和奶牛系统中提倡采用特定的精液管理策略，在环境波动时优先使用新鲜或冷却精液，将冷冻精液保留用于气候稳定期或受控环境（Schuh引用1992；Decuadro-Hansen引用2004）。基于这些证据，本研究展示了如何将这些生物学敏感性正式整合到人工智能管理的预测框架中。通过将正则化典型预测与实时气候监测相结合，人工智能程序可以从反应性管理转变为预测性管理，从而实现优化的授精计划、提高受孕率和更高效的基因传播。尽管Murciano-Granadina羊在某种程度上能够适应热应激（Menéndez-Buxadera等人引用2012；Delgado等人引用2017），但其繁殖效率仍然高度依赖于环境变异性。在绵羊和奶牛中报告的类似气候驱动的限制表明，仅靠遗传潜力和管理质量无法完全抵消不利的热和大气条件。在这种情况下，这里开发的预测模型框架将复杂的气候-生育力相互作用转化为可操作的、特定于精液的决策规则，适用于面临日益增加的气候不确定性的各种牲畜物种和生产系统。

结论：Murciano-Granadina羊的繁殖表现受到气候条件的强烈影响，温度是决定生育力的主要因素。正则化典型相关性分析显示，最佳人工授精成功的温度舒适窗口较窄（最低温度>11–12°C；最高温度<25–26°C），超出此范围生育力显著下降。这种下降在冷冻精液中更为明显，而新鲜精液显示出更高的、更稳定的受孕率和对环境变异性的更大抵抗力。阵风和不稳定的风（>约4.5米/秒）进一步影响了生育力，尤其是在使用冷冻精液时，海拔高度也调节了温度敏感性，海拔超过约489米的群体需要更高的最低温度（1–2°C）以保持相似的表现。总体而言，这些结果支持基于气候信息的人工智能管理，以优化授精时间、提高繁殖效率并加速奶山羊的遗传进展。

伦理批准：本研究遵循了《赫尔辛基宣言》中描述的原则。西班牙经济与竞争力部通过皇家法令-法律53/2013及其授权机构——科尔多瓦大学的动物实验伦理委员会，允许应用本研究中引用的协议，因为所评估的动物用于授权的动物技术用途。这项国家法令遵循了2010年9月22日的欧盟指令2010/63/UE。此外，本研究处理的是记录数据而非活体动物，并且这些记录是在最小化处理后获得的；因此，不需要特别许可。

补充材料：
- 补充表S1.xlsx（下载MS Excel文件，大小14.4 KB）
- 补充表S2.xlsx（下载MS Excel文件，大小14.6 KB）

数据可用性声明：数据将在合理请求下由相应作者F.J.N.G.提供。