《Journal of Dairy Science》：Unravelling grazing dairy cows’ response to weather through respiration rate and drooling
编辑推荐：
研究人员利用天气变量和已建立的热负荷指数来预测放牧奶牛的呼吸速率（RR）和流涎。数据来自新西兰7个牧场的483头弗里斯兰×娟姗杂交奶牛，每个牧场连续采集两个5天周期。每头奶牛每天在3个时间段（0900–1100h、1200–1400h、1700–1900h）最
研究人员利用天气变量和已建立的热负荷指数来预测放牧奶牛的呼吸速率（RR）和流涎。数据来自新西兰7个牧场的483头弗里斯兰×娟姗杂交奶牛，每个牧场连续采集两个5天周期。每头奶牛每天在3个时间段（0900–1100h、1200–1400h、1700–1900h）最多观察6次RR和流涎，并与15分钟间隔的天气数据匹配。尽管要求农民尽量减少热缓解措施，但作为标准管理的一部分，6个牧场定期提供遮荫和/或喷淋系统。使用天气变量（温度、湿度、风速、太阳辐射）、温湿指数（THI）和两种放牧热负荷指数（GHLI 2023；GHLI 2025）对RR和流涎进行建模。分别分析两个数据子集（1200–1500h和0900–1800h），前者解释了更多RR方差（65.4% vs. 61.3%）。GHLI（2025）、GHLI（2023）和THI分别解释了59.8%、59.7%和58.7%的RR方差。检测到RR与单个天气变量之间存在非线性关系（P < 0.001），温度、太阳辐射和风速共同解释的RR变异比指数多约9%。RR在约19°C以下保持稳定，在23°C以上和0.99 MJ/m2太阳辐射时急剧上升；风速具有缓解效应。尽管两种行为都与热应激相关，但RR仅解释了30%的流涎方差。当GHLI（2025）为82时，流涎概率达到50%；然而，解释的流涎方差不足20%，可能由于牧场间差异。尽管存在这些限制，结果说明天气变量对放牧奶牛热负荷响应的非线性效应；鉴于较大的牧场间变异，单个天气变量可能比线性指数更准确的预测因子。但农民需要清晰的决策指南，指数更直接易懂；因此，持续研究应完善可与奶牛佩戴设备结合使用的非线性预测模型。模型应在不同气候区域、养殖系统、品种和个体动物特征中进行验证，这将支持乳制品业在气候变化背景下实现可持续性和韧性。
**研究背景与问题**
热应激对奶牛福利、生产力和全球乳制品业经济构成重大挑战。Thornton等人（2022）估计，到本世纪末，未缓解的热应激每年将造成149亿至399亿美元的经济损失。在放牧系统（特别是新西兰）中，奶牛直接暴露于多变的气候条件，而传统的热缓解措施（如遮荫、喷淋）通常固定在基础设施附近，难以在牧草地块中持续提供。现有天气基热负荷指数，如温湿指数（THI）和放牧热负荷指数（GHLI），虽被用于预测热应激风险，但它们多采用线性假设，忽略了天气变量与奶牛生理反应之间的复杂非线性关系。此外，流涎作为热应激指标，其与呼吸速率（RR）及相关天气变量的关联尚不明确。研究人员旨在通过个体天气变量和已建立指数（THI、GHLI 2023、GHLI 2025）预测放牧奶牛的RR和流涎，以更准确地理解热负荷响应机制，为农民提供可操作的管理阈值。该研究发表于《Journal of Dairy Science》。
**主要技术方法**
研究人员从新西兰7个商业或研究牧场（来源：北岛Northland 3个、Waikato 1个；南岛Canterbury 2个、Southland 1个）共483头泌乳妊娠弗里斯兰×娟姗杂交奶牛中，连续10天（每牧场2个5天周期）在0900–1100h、1200–1400h、1700–1900h三个时间段观察RR（数呼吸次数/min）和流涎（有无），并与15-min间隔天气数据匹配（温度、相对湿度、风速、太阳辐射）。使用线性插值标准化天气数据，计算THI（Igono等，1992）及GHLI（2023；Bryant等，2023、2025；Hitchman等，2025）。统计采用广义加性混合模型（GAMM）进行正向选择，评估非线性平滑关系，并嵌套“奶牛”在“牧场”内的随机效应。
**研究结果**
**Weather（天气）**：7个牧场在0900–1800h期间的天气变量差异显著。例如，Farm 8最高温达37.2°C，最低相对湿度55.6%；Farm 4平均风速4.2 m/s，太阳辐射2.6 MJ/m2。
**Correlation between respiration rate and weather variables and indices（RR与天气变量及指数的相关性）**：RR与温度（r=0.50）、THI（r=0.50）、GHLI（2023）（r=0.53）和GHLI（2025）（r=0.54）呈中等正相关，与相对湿度弱负相关（r=?0.33）。
**Modeled relationships between respiration rate and weather variables and indices（RR与天气变量及指数的建模关系）**：在1200–1500h数据子集中，包含温度、太阳辐射、风速及其二维平滑项的GAMM解释了最高总变异（68.6%；表1 Step4），优于GHLI（2025）的59.8%。温度在19°C以下时预测RR稳定约54次/min，超过23°C后加速上升；太阳辐射在0.99 MJ/m2以上时RR从52增至66次/min；风速在4 m/s以内具有缓解作用（图3）。交互作用分析显示，在风速1 m/s、温度>23°C、太阳辐射1–4 MJ/m2时RR急剧升高；在高风速>4 m/s时阈值提升至28°C（图4）。
**Relationship between respiration rate and drooling（RR与流涎的关系）**：GAMM显示，RR每增加1次/min，流涎概率非线性上升；当RR达90次/min时流涎概率50%（图5A），模型仅解释30.4%的流涎变异。
**Modeled relationships between drooling and weather variables and indices（流涎与天气变量及指数的建模关系）**：GHLI（2025）、GHLI（2023）和THI对流涎的解释方差均<20%（表3）。流涎概率50%对应GHLI（2025）为81.8、温度>29°C、THI>75（图5B）。牧场间流涎发生率差异大（4%–36%），表明牧场特异性因素影响更大。
**讨论与结论**
本研究揭示，单个天气变量（温度、太阳辐射、风速）的非线性模型比线性指数更能预测放牧奶牛的RR，支持了热应激响应多维且需情境特定化的观点。湿度因与温度和太阳辐射的共线性被排除，提示需用机器学习等方法捕捉其独立贡献。RR在约23°C、太阳辐射0.99 MJ/m2时出现阈值，风速提供缓冲，但指数掩盖了这些阈值效应。流涎预测不佳主要归因于低观测频率、高牧场间变异及可能的个体差异。研究人员认为，基于特定组合（如图4中的温度和风速/太阳辐射组合）的阈值比单一指数更具实际指导意义。研究结论部分翻译如下：
**结论**：本研究显示，将温度、太阳辐射和风速等天气变量纳入预测模型可有效预测呼吸速率（RR）；但这些关系是非线性的，表明放牧奶牛热应激响应的复杂性。相对湿度从模型中排除，尽管其在热应激中已知重要，凸显了传统线性统计方法在处理共线环境变量时面临的挑战。此外，流涎的牧场间变异以及天气预测因子对此热应激指标的有限解释力表明，牧场特异性因素影响奶牛的热应激易感性。这强调了向农民提供的工具需结合各牧场情境来预测和缓解热应激。所有阈值均应视为估计值；奶牛的响应会因自身及牧场特征而异，影响程度的感知取决于最关注的结局变量（如呼吸频率或产奶量）。未来研究应聚焦于完善预测模型（包括采用更复杂的方法），并在不同气候区域、养殖系统、品种和个体动物响应中进行验证。这些方法可整合实时传感器技术，前提是其与已建立的热应激指标（如RR和流涎）一致。最终，开发农民可用的预测建模方法有望支持奶牛健康和生产力，并促进乳制品业在气候变化下的可持续性和韧性。
