Methan (CH4) zählt zu den bedeutendsten Treibhausgasen in der Atmosphäre und trägt zur Klimaerwärmung bei. Emissionen, die auf den Menschen zurückzuführen sind, müssen aus Gründen des Umweltschutzes reduziert werden. Die Milchwirtschaft als Hauptemittent in der Landwirtschaft muss daher ressourcenschonend und nachhaltig produzieren. Eine akkurate individuelle Quantifizierung der CH4-Emission von Milchkühen und Betrieben zur Kontrolle der CH4-Emission und zur Umsetzung von CH4-Minderungsstrategien ist derzeit technisch nicht möglich. In dieser Arbeit wurde ein indirekter Marker zur Schätzung der tierindividuellen CH4-Emission anhand der Konzentration von Milchfettsäuren (MFA) sowie der Milchleistung entwickelt, der für eine große Anzahl von Tieren eingesetzt werden kann. Zu diesem Zweck erhielten 20 Milchkühe der Rasse Deutsch Holstein in einer Cross-over-Studie vier verschiedene Futterrationen (n = 10/Ration), die bekanntermaßen die CH4-Produktion nach unten oder oben beeinflussen. Dabei handelte es sich um totale Mischrationen, die überwiegend aus Gras- oder Maissilage bestanden und denen extrudierter Leinsamen beigemischt wurde oder nicht. Die Quantifizierung der CH4-Emission wurde in Respirationskammern vorgenommen und zum selben Zeitpunkt wurden Milchproben der Tiere gewonnen. Die Milch-Fettsäuremuster (MFA) wurden mit zwei verschiedenen Methoden, der Gaschromatografie (GC) und der Infrarotspektroskopie im mittleren Wellenlängenbereich (MIRS), untersucht. Mit Hilfe der GC-Methode wurden 43 individuelle MFA quantifiziert. Mit der verwendeten MIRS-Methode konnte nur eine geringere Anzahl von MFA (7 MFA-Gruppen und 2 individuelle MFA) quantifiziert werden. Aufgrund bekannter metabolischer Zusammenhänge zwischen der CH4-Emission und den MFA sowie auf Basis der in der Studie erhaltenen Daten und berechneter signifikanter Korrelationen wurden rationsbezogene und über mehrere Rationen gepoolte CH4-Vorhersagegleichungen (L/d) anhand der gemessenen MFA abgeleitet. Mit der MIRS-Methode konnte nur eine geringere Variablenanzahl von MFA-Konzentrationen im Datensatz verwendet werden. Um die Regressionsgleichungen dennoch vergleichen zu können, wurden die 43 MFA aus der GC-Analyse in der Weise gruppiert, dass ein zusätzlicher zweiter GC-Datensatz äquivalent zu dem Datensatz mit den MIRS-analysierten MFA entstand. Ergänzend wurden Gleichungen erstellt, die zusätzlich zu den MFA die Variablen Trockensubstanzaufnahme (DMI) oder Energie-korrigierte Milchleistung (ECM) im Datensatz enthielten. Alle entwickelten Gleichungen wurden einer internen Kreuzvalidierung unterzogen. Die beste Vorhersagegüte wurde für die Gleichungen erreicht, die aus den 43 GC analysierten MFA erstellt wurden. Die Vorhersagegüte der Gleichungen aus dem MIRS- und dem äquivalenten GC-Datensatz waren vergleichbar. Die zusätzlichen Variablen DMI oder ECM konnten die Vorhersagegüte in den meisten Fällen verbessern. Es konnte in den verschiedenen Vorhersagegleichungen keine einzelne, wiederkehrende MFA mit überragendem Vorhersagepotential identifiziert werden. Unabhängig von der verwendeten Methode zur Bestimmung der MFA-Konzentrationen wurde eine schlechtere Vorhersagegüte für die Leinsamen-supplementierten Rationen erhalten. Universelle CH4-Vorhersagegleichungen, basierend auf gepoolten Daten aller Rationsgruppen, konnten mit moderater bis hoher Präzision (R2CV von 0,48 bis 0,85) abgeleitet werden. Die Ergebnisse dieser Arbeit zeigen, dass CH4-Vorhersagegleichungen ausschließlich basierend auf Variablen aus MFA-Konzentrationen möglich sind. Universelle Gleichungen können zur Bestimmung der individuellen CH4-Emission von Kühen eingesetzt werden. Darüber hinaus kann die Methode MIRS zur Bestimmung von MFA verwendet werden, um daraus CH4-Vorhersagegleichungen abzuleiten. Die Variablen DMI und ECM verbessern die Güte von CH4-Vorhersagegleichungen. Für milchproduzierende Betriebe ist der Einsatz von CH4-Vorhersagegleichungen basierend auf MIRS-analysierten MFA und der zusätzlichen Variable ECM der tauglichste indirekte Marker, da die dafür notwendigen Parameter aus der Milchprüfung bereits zur Verfügung stehen oder leicht integriert werden können.
Methane (CH4) is a greenhouse gas contributing to global warming. Anthropogenic greenhouse gas emissions should be decreased to increase efficiency and sustainability in agriculture especially in dairy farming. Currently, individual largescale quantification of methane emission from dairy cows or farms are not technically feasible but are the prerequisite for monitoring and mitigation of CH4-emission. In the present work an indirect marker of methane emission based on milk fatty acids (MFA) concentrations and energy-corrected milk yield (ECM) was developed to estimate cow-individual CH4-emission applicable on farm. For this purpose, 20 lactating Holstein Friesian cows were fed four different diets (n = 10/diet) in a cross-over design to provoke a wide range of CH4-production. The fed diets were total mixed rations based largely on grass- or corn silage supplemented with or without extruded linseed. Quantification of CH4-emission was recorded in respiration chambers and at the same time milk samples were collected. The MFA profile was determined by two different analytical methods namely gas chromatography (GC) and mid-infrared spectroscopy (MIRS). It is well known that common metabolic pathways between CH4-emission and MFA exist and correlations in the present study have been confirmed such a relationship. Therefore CH4-prediction equations using MFA as variables were developed for individual and pooled dietary groups. Using the GC method concentrations of 43 individual MFA variables were provided for the statistical dataset to develop the regression equations. Using the MIRS method concentrations of less MFA variables could be estimated (7 MFA groups and 2 individual MFA) and used to construct a dataset. We were interested to know the predictive power of equations containing groups of biochemically related MFA instead of individual MFA. For comparing the developed equations among the two analytical methods, the 43 MFA of the GC-derived dataset were summed as biochemically related MFA groups in the same manner as MFA groups were predicted by MIRS. In total two MFA datasets based on GC analyses and one dataset based on MIRS-derived MFA were made available. In addition, all datasets were extended further by the implementation of dry matter intake (DMI) or ECM data. All developed equations were revised by an internal cross-validation. The best accuracy was observed for CH4-prediction equations based on datasets with 43 MFA. The accuracies of CH4-prediction equations based on datasets with MFA determined by MIRS or the equivalent MFA analyzed by GC but biochemically grouped were comparable. The additional variables DMI or ECM improved prediction accuracy in most cases. No individual MFA variable providing a superior predictive value could be identified. Independent of the used dataset, prediction accuracy was worse for diets supplemented with linseed compared to diets without linseed supplementation. Universal prediction equations could be developed for datasets based on all pooled dietary groups resulting in moderate to high prediction accuracy (R2CV ranged from 0.48 to 0.85). It can be concluded from the present work that CH4-prediction equations based solely on MFA variables are suitable. Universal prediction equations for data from all diets collectively can be used to estimate individual CH4-emission of dairy cows. In addition, MFA determined by MIRS could be used to develop CH4-prediction equations. The inclusion of DMI or ECM improved the prediction accuracy of the models. Among investigated prediction equations, models based on MFA estimated by MIRS and ECM were the best as screening method for individual methane emission of cows.
