O desempenho de animais em pastejo depende, em grande parte, da interação entre os mecanismos do comportamento ingestivo nas menores escalas (bocado, estação alimentar e patch) e das características estruturais da vegetação disponível. Ambientes pastoris naturais podem ser formados por espécies prostradas, geralmente de maior valor nutritivo, e espécies cespitosas, as quais apresentam maior rejeição potencial pelos animais por formarem touceiras. A presença desse tipo de estrutura no ambiente pastoril pode ser um complicador do processo de busca e seleção de forragem pelo herbívoro. Nesse contexto, foi conduzido este trabalho baseado na hipótese da existência de uma distribuição de estrato superior formado por touceiras de capim-annoni (Eragrostis plana Ness) que modifica os padrões de exploração das estações alimentares e altera a taxa de ingestão de forragem por novilhas de corte em pastejo. O trabalho foi conduzido em área experimental pertencente à EEA-UFRGS no período de junho de 2012 a dezembro de 2013. Os tratamentos consistiram de diferentes arranjos espaciais de touceiras, denominados ‘Aleatório’, Uniforme’, ‘Manchas’, ‘Faixa’ e ‘Concentrado’. A proporção de touceiras nas unidades experimentais foi em média 20,1% e o estrato inferior foi formado por Pensacola (Paspalum notatum Flugge var saurae Parodi cultivar Pensacola) e espécies nativas. Foram avaliados parâmetros em nível de patch (e.g. taxa de ingestão), de estação alimentar (e.g. taxa de bocados, bocados por estação, proporção de componentes pastejados) e de bocado (e.g. massa do bocado, taxa de manipulação dos bocados). De acordo com os resultados obtidos, a distribuição das touceiras não afeta a taxa de ingestão de forragem (0,076±0,017g de MS/kg de PV/min), devido a capacidade dos animais ajustarem seu comportamento ingestivo a curto prazo. As distribuições implicam em variação na massa do bocado, tempo e troca de sequência de bocados em estrato inferior e touceira. Além disso, a disposição das touceiras modifica o uso e exploração das estações alimentares disponíveis e a seleção de bocados dentro das mesmas. Os animais colhem maior proporção de estrato inferior quando as touceiras estão agrupadas e menor proporção quando ocorrem de maneira aleatória. Desse modo, tratamentos como ‘Manchas’ e ‘Concentrado’ podem ser considerados aqueles que oportunizam aos animais maior eficiência na ingestão. / Performance of grazing animals depends, largely, the interaction between feeding behavior mechanisms in smaller scales (bite, feeding station and patch) and structural characteristics of the available vegetation. Natural pastoral environments can be formed by prostrate species, usually presents higher nutritional value, and tussock species, which have a potential rejection by the animals because the structure formed. The presence of this type of structure in pastoral environment can be a complicating factor in the search and selection process fodder for herbivorous. In this context, we conducted a work with the hypothesis that exists a spatial distribution formed by tussocks of lovegrass (Eragrostis plana Ness) that modifies the search patterns of feeding stations and change the forage intake of beef heifers. The work was conducted in EEA- UFRGS belonging experimental area from June 2012 to December 2013. The treatments was following spatial arrangements of tussocks, called 'Random', ‘Uniform', 'Spots', 'Belt’ and 'Concentrate'. The proportion of tussocks in the experimental units was around 20.1% and the lower strata were formed by pensacola (Paspalum notatum Flugge var saurae Parodi cultivar Pensacola) and native species. There were evaluated parameters at patch level (e.g. intake rate), feeding station (e.g. bite rate, bites per feeding station, proportion of grazed component) and bite level (e. g. bite mass, handling rate). According to the results obtained, the distribution of tussocks do not affect the intake rate (0.076±0,017g DM/ kg BW/min), due to the ability of animals to adjust their short-term intake behavior. The spatial arrangements imply changes in bite mass, time and exchange sequence between lower stratum and tussocks. Furthermore, the distribution of tussocks modifies the use of feeding stations and the selection of bites. Animals consume higher proportion of lower strata when the tussocks are spots and less when they occur randomly. Thus, treatments ‘Spots’ and ‘Concentrate’, due to the similar natural environment, may be considered those which allow a better ingestive efficiency to the animals.

O desempenho de animais em pastejo depende, em grande parte, da interação entre os mecanismos do comportamento ingestivo nas menores escalas (bocado, estação alimentar e patch) e das características estruturais da vegetação disponível. Ambientes pastoris naturais podem ser formados por espécies prostradas, geralmente de maior valor nutritivo, e espécies cespitosas, as quais apresentam maior rejeição potencial pelos animais por formarem touceiras. A presença desse tipo de estrutura no ambiente pastoril pode ser um complicador do processo de busca e seleção de forragem pelo herbívoro. Nesse contexto, foi conduzido este trabalho baseado na hipótese da existência de uma distribuição de estrato superior formado por touceiras de capim-annoni (Eragrostis plana Ness) que modifica os padrões de exploração das estações alimentares e altera a taxa de ingestão de forragem por novilhas de corte em pastejo. O trabalho foi conduzido em área experimental pertencente à EEA-UFRGS no período de junho de 2012 a dezembro de 2013. Os tratamentos consistiram de diferentes arranjos espaciais de touceiras, denominados ‘Aleatório’, Uniforme’, ‘Manchas’, ‘Faixa’ e ‘Concentrado’. A proporção de touceiras nas unidades experimentais foi em média 20,1% e o estrato inferior foi formado por Pensacola (Paspalum notatum Flugge var saurae Parodi cultivar Pensacola) e espécies nativas. Foram avaliados parâmetros em nível de patch (e.g. taxa de ingestão), de estação alimentar (e.g. taxa de bocados, bocados por estação, proporção de componentes pastejados) e de bocado (e.g. massa do bocado, taxa de manipulação dos bocados). De acordo com os resultados obtidos, a distribuição das touceiras não afeta a taxa de ingestão de forragem (0,076±0,017g de MS/kg de PV/min), devido a capacidade dos animais ajustarem seu comportamento ingestivo a curto prazo. As distribuições implicam em variação na massa do bocado, tempo e troca de sequência de bocados em estrato inferior e touceira. Além disso, a disposição das touceiras modifica o uso e exploração das estações alimentares disponíveis e a seleção de bocados dentro das mesmas. Os animais colhem maior proporção de estrato inferior quando as touceiras estão agrupadas e menor proporção quando ocorrem de maneira aleatória. Desse modo, tratamentos como ‘Manchas’ e ‘Concentrado’ podem ser considerados aqueles que oportunizam aos animais maior eficiência na ingestão. / Performance of grazing animals depends, largely, the interaction between feeding behavior mechanisms in smaller scales (bite, feeding station and patch) and structural characteristics of the available vegetation. Natural pastoral environments can be formed by prostrate species, usually presents higher nutritional value, and tussock species, which have a potential rejection by the animals because the structure formed. The presence of this type of structure in pastoral environment can be a complicating factor in the search and selection process fodder for herbivorous. In this context, we conducted a work with the hypothesis that exists a spatial distribution formed by tussocks of lovegrass (Eragrostis plana Ness) that modifies the search patterns of feeding stations and change the forage intake of beef heifers. The work was conducted in EEA- UFRGS belonging experimental area from June 2012 to December 2013. The treatments was following spatial arrangements of tussocks, called 'Random', ‘Uniform', 'Spots', 'Belt’ and 'Concentrate'. The proportion of tussocks in the experimental units was around 20.1% and the lower strata were formed by pensacola (Paspalum notatum Flugge var saurae Parodi cultivar Pensacola) and native species. There were evaluated parameters at patch level (e.g. intake rate), feeding station (e.g. bite rate, bites per feeding station, proportion of grazed component) and bite level (e. g. bite mass, handling rate). According to the results obtained, the distribution of tussocks do not affect the intake rate (0.076±0,017g DM/ kg BW/min), due to the ability of animals to adjust their short-term intake behavior. The spatial arrangements imply changes in bite mass, time and exchange sequence between lower stratum and tussocks. Furthermore, the distribution of tussocks modifies the use of feeding stations and the selection of bites. Animals consume higher proportion of lower strata when the tussocks are spots and less when they occur randomly. Thus, treatments ‘Spots’ and ‘Concentrate’, due to the similar natural environment, may be considered those which allow a better ingestive efficiency to the animals.

The symbiotic unit of an arbuscular mycorrhizal fungus and its host is able toachieve and maintain far higher inflow of nutrients than non-mycorrhizal roots. The colonization strategy of the mycobiont within the plant is intrinsic to the symbiosis with respect to both structural adaptations and nutrient exchange. An investigation into the effect of Glomus etunicatum colonization on the structure and phloem transport in Eragrostis curvula (Umgeni) allowed for greater insight into the dynamic of the symbiosis. The combined use of stains (such as Trypan Blue, Chlorazol Black, Safranin and Fast Green), and techniques, (such as freeze-microtome transverse sectioning and permanent slide preparations) contributed to a successful general observation of an intermediate colonization strategy using light microscopy methods. However, clarity into structural detail of mycorrhizal forms required electron microscopy studies. The SEM method used with freeze fracture was a relatively quick and simple method allowing for the observation of surface and internal features. The TEM method allowed for highresolution images providing insight into the variations in the apoplasmic compartmental form, and how this may relate to the function of the symbiosis with regard to fungal coils or arbuscules. The apoplasmic nature of mycorrhizas was substantiated and no symplasmic connections were found between symbionts. Fluorescence studies demonstrated that 5,6-carboxyfluorescein was transported through the phloem into the roots of E. curvula, but remained predominantly in the root phloem. Unloading only occurred in optimal nutrient exchange areas of meristimatic lateral or apical growth regions. It was not possible, using fluorescence techniques and related equipment available, to conclusively establish if there were symplasmic connections between the mycobiont and its host or if bidirectional transfer of nutrients occurred at the same interface.

O Eragrostis plana Nees (capim-annoni-2 ou capim annoni) é uma gramínea exótica trazida da África do Sul nos anos cinquenta e atualmente tem presença em aproximadamente 10% da área total do bioma Pampa, sendo a espécie mais invasiva desse bioma. Tendo em conta a grande capacidade desta espécie para se estabelecer em uma ampla variedade de condições ambientais, os efeitos ambientais e econômicos negativos envolvidos, bem como sua dificuldade de erradicação, é importante identificar as áreas mais suscetíveis à invasão em um futuro próximo, para assim aprimorar os planos de manejo e evitar a expansão de áreas infestadas. O presente trabalho foi desenvolvido no município de Aceguá – RS, com o objetivo de identificar quais áreas são as mais suscetíveis à invasão. Foram aplicados os modelos de distribuição de espécies MAXENT e GARP tendo como dados de entrada as variáveis ambientais calculadas a partir imagens espectrais, modelo numérico de elevação, mapa de solos e mapa de vias. Como algumas variáveis originalmente têm resolução espacial de 250 m e outras de 30 m, foi feita uma reamostragem tanto a 30 m como a 250 m para comparar os resultados dos modelos nas duas resoluções espaciais. Para diminuir o número de variáveis de entrada foi feita uma análise de correlação para eliminar as variáveis com alta correlação. Também foi feito o teste Jackknife para avaliar quais variáveis contribuem mais na modelagem espacial da distribuição do capim annoni. Os dois modelos, tanto no treinamento como na validação, nas duas resoluções espaciais, apresentam valores médios de ajuste de AUC acima de 0,7, sendo considerado um bom ajuste. Foram empregados três métodos para calcular os limiares ótimos de corte para cada um dos modelos: 1) sensibilidade igual à especificidade; 2) soma entre a sensibilidade e a especificidade máxima; Os limiares obtidos foram 42 para MAXENT_250, 39 para MAXENT_30, 69 para GARP_250 e 68 para GARP_30. Após a aplicação dos limiares, verificou-se que o modelo GARP prediz uma área maior que o MAXENT, 33,20% em comparação com 24,60% na resolução espacial de 250 m, e 35,83% contra 27,17% na resolução espacial de 30 m. Verificou-se também que o GARP possui melhor capacidade de generalização, o qual é importante para modelar espécies invasoras. Os dois modelos predizem com presença uma área comum de 21,23% e 23,94% nas resoluções espaciais de 250 m e 30 m respectivamente. As pastagens são as classes de uso que apresentam uma maior suscetibilidade à invasão de capim anonni. Ao cruzar os resultados dos modelos de suscetibilidade à invasão de capim annoni, com resolução espacial de 30 m, e as áreas de pastagens que estão sob alta pressão de pastejo, verificou-se que o modelo MAXENT consegue predizer uma suscetibilidade à invasão em 24,51% das áreas e o modelo GARP prediz 37,95% de suscetibilidade à invasão. As comparações entre as duas resoluções espaciais demonstrou que não há muitas diferenças em termos de quantificação de área, sendo que o principal ganho foi o detalhamento espacial, o qual foi obtido com um alto custo computacional. / The Eragrostis plana Nees (South African lovegrass), is an exotic grassy plant originally from South Africa, introduced in the 50s and is currently present in approximately 10% of the total area of the Pampa biome, being the most invasive species in this biome. Considering the large capacity of the South African lovegrass establishing itself in a wide variety of environmental conditions, the negative effects, both environmental and economical that it involves, as well as its difficulty of eradication, it is important to identify the invasion most susceptible areas in the near future, in order to improve the management to prevent the spread of infested areas. This research was developed in the municipality of Aceguá – RS, with the objective of identifying which areas are most susceptible to invasion. The MAXENT and GARP models of distribution of species were applied, having as input data the environmental variables calculated from spectral images, digital elevation model, soil map and road map. As some variables originally had spatial resolution of 250m and others of 30m, a resample was done at both 30m and 250m in order to compare the models results in these two spatial resolutions. To reduce the input variables amount, a correlation analysis was performed to eliminate the high correlation variables. The Jackknife test was also used to evaluate which variables contribute most to the South African lovegrass distribution spatial modeling. Both models, at the two spatial resolutions, during the training and the validation steps, present mean values of AUC adjustment above 0.7, being considered a good fit. Three methods were used to calculate the optimal thresholds for each model: 1) the sensitivity equals to the specificity; 2) the sum between sensitivity and specificity is the maximum; 3) the distance between the ROC curve and left top corner is minimum. The calculated thresholds were 42 for MAXENT_250, 39 for MAXENT_30, 69 for GARP_250 and 68 for GARP_30. After applying these thresholds, it was verified that the GARP model predicts an area greater than MAXENT, 33.20% compared to 24.60% for the spatial resolution of 250m, and 35.83% against 27.17% in the spatial resolution of 30m. It was also verified that GARP has a better generalization capacity, which is important for modeling invasive species patterns. Both models predict a common area with susceptible to invasion of 21.23% and 23.94% in spatial resolutions of 250m and 30m respectively. The grasslands are the land cover that presents a South African lovegrass invasion greater susceptibility. Cross-referencing the susceptibility invasion models with the overgrazing areas at 30m of spatial resolution, it was verified that the model MAXENT can predict a susceptibility to invasion in 24.51% of the areas and the GARP model predicts 37.95% susceptibility to invasion. Comparisons between the two spatial resolutions showed that there are not many differences in terms of area quantification, where the main gain was spatial detailing, which was obtained with a high computational cost.

O Eragrostis plana Nees (capim-annoni-2 ou capim annoni) é uma gramínea exótica trazida da África do Sul nos anos cinquenta e atualmente tem presença em aproximadamente 10% da área total do bioma Pampa, sendo a espécie mais invasiva desse bioma. Tendo em conta a grande capacidade desta espécie para se estabelecer em uma ampla variedade de condições ambientais, os efeitos ambientais e econômicos negativos envolvidos, bem como sua dificuldade de erradicação, é importante identificar as áreas mais suscetíveis à invasão em um futuro próximo, para assim aprimorar os planos de manejo e evitar a expansão de áreas infestadas. O presente trabalho foi desenvolvido no município de Aceguá – RS, com o objetivo de identificar quais áreas são as mais suscetíveis à invasão. Foram aplicados os modelos de distribuição de espécies MAXENT e GARP tendo como dados de entrada as variáveis ambientais calculadas a partir imagens espectrais, modelo numérico de elevação, mapa de solos e mapa de vias. Como algumas variáveis originalmente têm resolução espacial de 250 m e outras de 30 m, foi feita uma reamostragem tanto a 30 m como a 250 m para comparar os resultados dos modelos nas duas resoluções espaciais. Para diminuir o número de variáveis de entrada foi feita uma análise de correlação para eliminar as variáveis com alta correlação. Também foi feito o teste Jackknife para avaliar quais variáveis contribuem mais na modelagem espacial da distribuição do capim annoni. Os dois modelos, tanto no treinamento como na validação, nas duas resoluções espaciais, apresentam valores médios de ajuste de AUC acima de 0,7, sendo considerado um bom ajuste. Foram empregados três métodos para calcular os limiares ótimos de corte para cada um dos modelos: 1) sensibilidade igual à especificidade; 2) soma entre a sensibilidade e a especificidade máxima; Os limiares obtidos foram 42 para MAXENT_250, 39 para MAXENT_30, 69 para GARP_250 e 68 para GARP_30. Após a aplicação dos limiares, verificou-se que o modelo GARP prediz uma área maior que o MAXENT, 33,20% em comparação com 24,60% na resolução espacial de 250 m, e 35,83% contra 27,17% na resolução espacial de 30 m. Verificou-se também que o GARP possui melhor capacidade de generalização, o qual é importante para modelar espécies invasoras. Os dois modelos predizem com presença uma área comum de 21,23% e 23,94% nas resoluções espaciais de 250 m e 30 m respectivamente. As pastagens são as classes de uso que apresentam uma maior suscetibilidade à invasão de capim anonni. Ao cruzar os resultados dos modelos de suscetibilidade à invasão de capim annoni, com resolução espacial de 30 m, e as áreas de pastagens que estão sob alta pressão de pastejo, verificou-se que o modelo MAXENT consegue predizer uma suscetibilidade à invasão em 24,51% das áreas e o modelo GARP prediz 37,95% de suscetibilidade à invasão. As comparações entre as duas resoluções espaciais demonstrou que não há muitas diferenças em termos de quantificação de área, sendo que o principal ganho foi o detalhamento espacial, o qual foi obtido com um alto custo computacional. / The Eragrostis plana Nees (South African lovegrass), is an exotic grassy plant originally from South Africa, introduced in the 50s and is currently present in approximately 10% of the total area of the Pampa biome, being the most invasive species in this biome. Considering the large capacity of the South African lovegrass establishing itself in a wide variety of environmental conditions, the negative effects, both environmental and economical that it involves, as well as its difficulty of eradication, it is important to identify the invasion most susceptible areas in the near future, in order to improve the management to prevent the spread of infested areas. This research was developed in the municipality of Aceguá – RS, with the objective of identifying which areas are most susceptible to invasion. The MAXENT and GARP models of distribution of species were applied, having as input data the environmental variables calculated from spectral images, digital elevation model, soil map and road map. As some variables originally had spatial resolution of 250m and others of 30m, a resample was done at both 30m and 250m in order to compare the models results in these two spatial resolutions. To reduce the input variables amount, a correlation analysis was performed to eliminate the high correlation variables. The Jackknife test was also used to evaluate which variables contribute most to the South African lovegrass distribution spatial modeling. Both models, at the two spatial resolutions, during the training and the validation steps, present mean values of AUC adjustment above 0.7, being considered a good fit. Three methods were used to calculate the optimal thresholds for each model: 1) the sensitivity equals to the specificity; 2) the sum between sensitivity and specificity is the maximum; 3) the distance between the ROC curve and left top corner is minimum. The calculated thresholds were 42 for MAXENT_250, 39 for MAXENT_30, 69 for GARP_250 and 68 for GARP_30. After applying these thresholds, it was verified that the GARP model predicts an area greater than MAXENT, 33.20% compared to 24.60% for the spatial resolution of 250m, and 35.83% against 27.17% in the spatial resolution of 30m. It was also verified that GARP has a better generalization capacity, which is important for modeling invasive species patterns. Both models predict a common area with susceptible to invasion of 21.23% and 23.94% in spatial resolutions of 250m and 30m respectively. The grasslands are the land cover that presents a South African lovegrass invasion greater susceptibility. Cross-referencing the susceptibility invasion models with the overgrazing areas at 30m of spatial resolution, it was verified that the model MAXENT can predict a susceptibility to invasion in 24.51% of the areas and the GARP model predicts 37.95% susceptibility to invasion. Comparisons between the two spatial resolutions showed that there are not many differences in terms of area quantification, where the main gain was spatial detailing, which was obtained with a high computational cost.

O Eragrostis plana Nees (capim-annoni-2 ou capim annoni) é uma gramínea exótica trazida da África do Sul nos anos cinquenta e atualmente tem presença em aproximadamente 10% da área total do bioma Pampa, sendo a espécie mais invasiva desse bioma. Tendo em conta a grande capacidade desta espécie para se estabelecer em uma ampla variedade de condições ambientais, os efeitos ambientais e econômicos negativos envolvidos, bem como sua dificuldade de erradicação, é importante identificar as áreas mais suscetíveis à invasão em um futuro próximo, para assim aprimorar os planos de manejo e evitar a expansão de áreas infestadas. O presente trabalho foi desenvolvido no município de Aceguá – RS, com o objetivo de identificar quais áreas são as mais suscetíveis à invasão. Foram aplicados os modelos de distribuição de espécies MAXENT e GARP tendo como dados de entrada as variáveis ambientais calculadas a partir imagens espectrais, modelo numérico de elevação, mapa de solos e mapa de vias. Como algumas variáveis originalmente têm resolução espacial de 250 m e outras de 30 m, foi feita uma reamostragem tanto a 30 m como a 250 m para comparar os resultados dos modelos nas duas resoluções espaciais. Para diminuir o número de variáveis de entrada foi feita uma análise de correlação para eliminar as variáveis com alta correlação. Também foi feito o teste Jackknife para avaliar quais variáveis contribuem mais na modelagem espacial da distribuição do capim annoni. Os dois modelos, tanto no treinamento como na validação, nas duas resoluções espaciais, apresentam valores médios de ajuste de AUC acima de 0,7, sendo considerado um bom ajuste. Foram empregados três métodos para calcular os limiares ótimos de corte para cada um dos modelos: 1) sensibilidade igual à especificidade; 2) soma entre a sensibilidade e a especificidade máxima; Os limiares obtidos foram 42 para MAXENT_250, 39 para MAXENT_30, 69 para GARP_250 e 68 para GARP_30. Após a aplicação dos limiares, verificou-se que o modelo GARP prediz uma área maior que o MAXENT, 33,20% em comparação com 24,60% na resolução espacial de 250 m, e 35,83% contra 27,17% na resolução espacial de 30 m. Verificou-se também que o GARP possui melhor capacidade de generalização, o qual é importante para modelar espécies invasoras. Os dois modelos predizem com presença uma área comum de 21,23% e 23,94% nas resoluções espaciais de 250 m e 30 m respectivamente. As pastagens são as classes de uso que apresentam uma maior suscetibilidade à invasão de capim anonni. Ao cruzar os resultados dos modelos de suscetibilidade à invasão de capim annoni, com resolução espacial de 30 m, e as áreas de pastagens que estão sob alta pressão de pastejo, verificou-se que o modelo MAXENT consegue predizer uma suscetibilidade à invasão em 24,51% das áreas e o modelo GARP prediz 37,95% de suscetibilidade à invasão. As comparações entre as duas resoluções espaciais demonstrou que não há muitas diferenças em termos de quantificação de área, sendo que o principal ganho foi o detalhamento espacial, o qual foi obtido com um alto custo computacional. / The Eragrostis plana Nees (South African lovegrass), is an exotic grassy plant originally from South Africa, introduced in the 50s and is currently present in approximately 10% of the total area of the Pampa biome, being the most invasive species in this biome. Considering the large capacity of the South African lovegrass establishing itself in a wide variety of environmental conditions, the negative effects, both environmental and economical that it involves, as well as its difficulty of eradication, it is important to identify the invasion most susceptible areas in the near future, in order to improve the management to prevent the spread of infested areas. This research was developed in the municipality of Aceguá – RS, with the objective of identifying which areas are most susceptible to invasion. The MAXENT and GARP models of distribution of species were applied, having as input data the environmental variables calculated from spectral images, digital elevation model, soil map and road map. As some variables originally had spatial resolution of 250m and others of 30m, a resample was done at both 30m and 250m in order to compare the models results in these two spatial resolutions. To reduce the input variables amount, a correlation analysis was performed to eliminate the high correlation variables. The Jackknife test was also used to evaluate which variables contribute most to the South African lovegrass distribution spatial modeling. Both models, at the two spatial resolutions, during the training and the validation steps, present mean values of AUC adjustment above 0.7, being considered a good fit. Three methods were used to calculate the optimal thresholds for each model: 1) the sensitivity equals to the specificity; 2) the sum between sensitivity and specificity is the maximum; 3) the distance between the ROC curve and left top corner is minimum. The calculated thresholds were 42 for MAXENT_250, 39 for MAXENT_30, 69 for GARP_250 and 68 for GARP_30. After applying these thresholds, it was verified that the GARP model predicts an area greater than MAXENT, 33.20% compared to 24.60% for the spatial resolution of 250m, and 35.83% against 27.17% in the spatial resolution of 30m. It was also verified that GARP has a better generalization capacity, which is important for modeling invasive species patterns. Both models predict a common area with susceptible to invasion of 21.23% and 23.94% in spatial resolutions of 250m and 30m respectively. The grasslands are the land cover that presents a South African lovegrass invasion greater susceptibility. Cross-referencing the susceptibility invasion models with the overgrazing areas at 30m of spatial resolution, it was verified that the model MAXENT can predict a susceptibility to invasion in 24.51% of the areas and the GARP model predicts 37.95% susceptibility to invasion. Comparisons between the two spatial resolutions showed that there are not many differences in terms of area quantification, where the main gain was spatial detailing, which was obtained with a high computational cost.

No abstract available. / Thesis (Ph.D.)-University of Natal, Pietermaritzburg, 1986.

Text in English, Tswana / Low nutrient intake affects metabolism and growth in pregnant heifers and limits milk production in lactating cows on communal area smallholder dairy farms of the subtropics. Two studies were conducted during the current research. The first study evaluated effects of nutrient supply in standardized dairy diets on the growth and body reserves of pregnant Jersey heifers raised on communal area smallholder farms in a semi-arid zone of South Africa. Twenty-two farms with a total of 42 heifers, aged 22 to 28 months which were seven months pregnant at the beginning of the study were selected for the study. These represented the total number of farms with dairy cows in the area that were supported through a structured Dairy Development Program (DDP) of South Africa. Each farm had at least two pregnant Jersey heifers during the summer season of 2016. Each heifer was supplied 2.5 kg of a far-off (60-30 d prepartum) dry cow concentrate and increased to 3.3 kg of the same concentrate at close-up period (29-0 d prepartum). Feeding of concentrate was based on a standardized feeding program as recommended by DDP. During this study, no feeding treatment was imposed on the heifers. Eragrostis curvula hay was supplied by DDP. Daily intake of 7.2 and 5.4 kg; respectively for heifers at 60-30 d prepartum and 29-0 d prepartum was determined based on residual hay. Heifer diet (HD1) and heifer diet HD2 were therefore simulated respectively for cows at 60-30 d preparpartum and 29-0 d prepartum, respectively. Diets were assessed for nutrient composition using chemical analyses and in vitro ruminal degradation. Post ruminal nutrient absorption and animal responses were predicted using the Large Ruminant Nutrition System (LRNS) version 1.0.33 (level 1). Actual measurements of body weight (BW), body condition score (BCS) were done and blood was collected and analysed for proteins monthly. Heifers’ responses were validated against the model predicted values and comparative analysis of animal performance during pregnancy was done against the National Research Council (NRC, 2001) reference values. Relative to the minimum requirement for ruminants, both HD1 and HD2 diets had relative feed value (RFV) below 144. About 35% of HD1 dietary crude protein (CP) was within the slowly degrade neutral detergent fibre (NDF) fraction which is the neutral detergent fibre insoluble crude protein (NDFICP) while 32% was not available as the acid detergent insoluble crude protein (ADICP). Equally, HD2 diet had effectively 5.2% of CP as available protein and the fraction of the slowly degraded NDF constituted only 52.3% of the effective available protein. Energy density of HD1 and HD2 were 25% and 16% higher than expected at far-off and close-up period, respectively. The intake of metabolzable protein (MP) were 32 and 25% higher than predicted for the far-off and close-up period, respectively. Supply of MP was 37 % and was higher than NRC predictions of daily requirement in Jersey cow. This allowed BW gain of 29 kg and BCS of 0.33 which was within 25th percentile for pregnant heifers. Mean concentration of blood urea at both far-off and close-up periods deviated by 25% from NRC values. Creatinine (CR) concentration was 145 μmol /L at far-off and 155 μmol /L at close-up period. The second study assessed the adequacy of two lactation diets fed to 42 primiparous Jersey cows, aged 24 to 30 months during early (1-30 d postpartum) and peak (31-60 d postpartum) periods on the lactation performance of the cows. Cows received 4.5 and 5 kg of dairy concentrate at 1-30 d postpartum and peak milk (31-60 d postpartum) respectively. Eragrostis curvula hay was supplied ad libitum and dry matter intake (DMI) was estimated at 7.2 kg of hay/cow/day from residual hay. No feeding treatment was imposed except for the standardised diets typical to the production environment. Two simulated lactation diets (LD1 and LD2) were prepared based on dry matter intake (DMI) of grass hay and lactation concentrate. Diets were assessed for nutrient composition using wet chemistry and in vitro ruminal degradation. Nutrient supply of diets and absorption from the small intestines as well as cows’ responses were predicted using the Large Ruminant Nutrition System (LRNS) version 1.0.33 (level 1). Body weight and BCS were monitored, blood was collected and analysed for proteins monthly. A record of milk yield was taken daily, and milk was analysed for fat, protein, lactose and urea nitrogen weekly. Cows had DMI of 11.2 kg which was 12% higher than the expected at 1-30 d postpartum period and 11.6 kg which was 21% higher than the expected in 31-60 d postpartum cows. Diets had low available protein as % of dietary protein (LD1=46%; LD2=45%) and the slowly degraded NDF fraction (NDFICP) constituted 64% of the available protein. Intake of energy was 20% and 17% lower than the predicted value for the cows, respectively, at 1-30 d postpartum and 31-60 d postpartum period. Cows had negative energy balance of -6.5 and -5.6 Mcal respectively at 1-30 d postpartum and 31-60 d postpartum cows. Protein intake of lactating cows was low, which resulted in negative protein balance of 59% and 42% of cow’s daily requirement, respectively, at 1-30 d postpartum period and 31-60 d postpartum period. There was loss of BW and BCS, low milk yield, energy corrected milk (ECM: 9.50 kg/d) and feed efficiency (FE) of less than 1 (LD1= 0.85; LD2 =0.89) in cows at both periods. Composition of fat, protein and lactose in milk were negatively affected by the low level of dietary protein. Somatic cell count (SCC) in milk was 121 ± 13 x 103/ml and cows did not show signs of illness. Mean milk urea nitrogen (MUN) concentration was 12 ± 2.7 mg/dl reflecting the low protein status of the lactating cows. Cows had high creatinine concentration of 116 and 102 μmol /L at 1-30 d postpartum and 31-61 d postpartum period, respectively, which may indicate muscle breakdown due to heat stress relative to the hot production environment. Results showed that diets fed to dairy cows on communal area smallholder farms in Sekhukhune and Vhembe districts in Limpopo province had low feeding value and their low nutrient supply affected rumen fermentation, heifers’ ‘growth, body reserves and early lactation in Jersey dairy cows. In conclusion, diets supplied to dairy cows raised on smallholder farms are low in nutrients and do not support efficient growth in heifers and optimal milk production in early lactation. Development of a nutrition plan for improved dairy diets is required to maximise production and longevity in cows and enhance sustainability of dairy production on the smallholder farms in South Africa. / Go ja dijo tse di nang le dikotla tse di kwa tlase go ama metaboliseme le kgolo ya meroba e e dusang mme e ngotla tlhagiso ya mašwi ya dikgomo tse di tlhagisang mašwi mo dipolaseng tse dinnye tse di tlhakanetsweng mo mafelong a a mogote. Go dirilwe dithutopatlisiso di le pedi jaaka karolo ya patlisiso ya ga jaana. Thutopatlisiso ya ntlha e sekasekile ditlamorago tsa tlamelo ya dikotla mo dijong tsa teri tse di rulagantsweng mo kgolong le dirasefe tsa mmele tsa meroba ya Dijeresi e e dusang mo dipolaseng tse dinnye tse di tlhakanetsweng mo karolong e e batlileng e nna sekaka mo Aforika Borwa. Go tlhophilwe dipolase di le 22 tse di nang le meroba e le 42, e e bogolo jo bo magareng ga dikgwedi tse 22 le 28 mme e na le dikgwedi tse supa e ntse e dusa kwa tshimologong ya thutopatlisiso. Tsone di emetse palogotlhe ya dipolase tse di mo karolong eo tse di tshegediwang ke Lenaneo le le rulaganeng la Tlhabololo ya Teri (DDP). Polase nngwe le nngwe e ne e na le bonnye meroba ya Jeresi e le mebedi e e dusang ka paka ya selemo sa 2016. Moroba mongwe le mongwe o ne o fepiwa ka 2.5 kg ya dijo tse di omileng tsa dikgomo tsa fa go sa ntse go le kgakala (malatsi a le 60-30 pele ga go tsala) mme tsa okediwa go nna 3.3 kg fa malatsi a atamela (malatsi a le 29-0 pele ga go tsala). Dijo tseno di ne di di rulagantswe go ya ka lenaneo le le rulagantsweng la kotlo le le atlenegisitsweng ke DDP. Mo nakong ya thutopatlisiso eno, ga go na kalafi epe ya kotlo e e neng e patelediwa meroba. DDP e ne e tlamela ka furu ya eragrostis curvula. Go ja ga letsatsi le letsatsi ga meroba ga 7.2 le 5.4 kg ka nako ya malatsi a le 60-30 pele ga go tsala le malatsai a le 29-0 pele ga go tsala go ne go ikaegile ka furu e e setseng. Ka jalo go ne ga tlhagisiwa gape kotlo ya meroba ya 1 (HD1) le kotlo ya meroba ya 2 (HD2) mo dikgomong tse di mo malatsing a le 60-30 pele ga go tsala le malatsi a le 29-0 pele ga go tsala. Dikotlo tseno di ne tsa sekwasekwa go bona go nna gona ga dikotla mo go tsona go dirisiwa tshekatsheko ya dikhemikale mo mogodung. Go ne ga bonelwa pele monyelo ya dikotla morago ga go feta mo mpeng ya ntlha le tsibogo ya diphologolo go ya ka Thulaganyo ya Kotlo ya Diotli tse Dikgolo (LRNS) mofuta wa 1.0.33 (legato 1). Go dirilwe tekanyo ya boima jwa mmele (BW) le maduo a seemo sa mmele (BCS) mme go ne ga tsewa madi le go a sekaseka go bona diporoteini kgwedi le kgwedi. Tsibogo ya meroba e ne ya tlhomamisiwa ka dipalo tse di bonetsweng pele tsa sekao mme ga dirwa tshekatsheko e e tshwantshanyang ya tiragatso ya diphologolo ka nako ya go dusa go dirisiwa dipalo tsa Lekgotla la Bosetšhaba la Dipatlisiso (NRC, 2001). Malebana le ditlhokegopotlana tsa diotli, HD1 le HD2 di ne di na le boleng jo bo tshwantshanyegang jwa kotlo (RFV) jo bo kwa tlase ga 144. Poroteini e e tala (CP) ya dijo e e ka nnang 35% ya HD1 e ne e le mo karolwaneng ya tekanyetso ya faeba e e bolang ka iketlo (NDF) e leng poroteini e e tala ya faeba e e lekanyediwang (NDFICP), fa 32% di ne di seyo jaaka poroteini e tala e e sa monyelegeng ya esete (ADICP). Fela jalo, HD2 e na le 5.2% tsa CP e e dirang jaaka poroteini e e teng mme karolo ya NDF e e bolang ka iketlo e ntse fela 52.3% tsa poroteini e e dirang e e gona. Bogolo jwa maikatlapelo a HD1 le HD2 bo ne bo le kwa godimo ka 25% le 16% go na le jaaka go ne go solofetswe mo dipakeng tse di kgakala le tse di atamelang. Go jewa ga poroteini e e silegang (MP) go ne go le kwa godimo ka 32% le 25% go na le jaaka go ne go solofetswe mo dipakeng tse di kgakala le tse di atamelang. Tlamelo ya MP e ne e le 37%, e leng e e kgolwane go na le diponelopele tsa NRC tsa ditlhokego tsa letsatsi le letsatsi tsa dikgomo tsa Jeresi. Seno se letlile gore go nne le koketsego ya BW ya 29 kg le BCS ya 0.33 e leng se se neng se le mo diperesenteng tsa bo25 tsa meroba e e dusang. Go nna teng ga urea ya madi mo dipakeng tse dikgakala le tse di atamelang go ne go farologane ka 25% go tswa mo dipalong tsa NRC. Go nna teng ga kereitini (CR) e ne e le 145 μmol/L mo pakeng e e kgakala le 155 μmol/L mo pakeng e e atamelang. Thutopatlisiso ya bobedi e sekasekile ditlamorago tsa dijo tse pedi tsa tlhagiso ya mašwi mo tiragatsong ya tlhagiso ya mašwi ya dikgomo tsa Jeresi di le 42 tse e leng la ntlha di tsala tsa bogolo jwa dikgwedi tse di magareng ga 24 le 30 mo pakeng ya ntlha (malatsi a le 1-30 morago ga go tsala) le ya setlhoa (malatsi a le 31-60 morago ga go tsala). Dikgomo di amogetse 4,5 le 5 kg ya motswako wa teri mo dipakeng tsa mašwi tsa ntlha (malatsi a le 1-30 morago ga go tsala) le tsa setlhowa (malatsi a le 31-60 morago ga go tsala). Go ne go tlamelwa ka furu ya eragrostis curvula go ya ka tlhokego mme go ja dijo tse di omileng (DMI) go ne go lekanyediwa go 7.2 kg ya furu/ka kgomo/ka letsatsi go tswa mo furung e e neng e setse. Go ne go sa patelediwe kalafi epe ya phepo, kwa ntle fela ga dijo tse di rulagantsweng tse di tshwanetseng tikologo ya tlhagiso. Go ne ga baakanngwa dijo tsa tlhagiso ya mašwi tse di tlhagisitsweng gape (LD 1 le LD 2) di ikaegile ka go jewa ga tse di omileng (DMI) e leng furu ya tlhaga le metswako ya tlhagiso ya mašwi. Go nna teng ga dikotla ga dijo tseno go ne ga lekanyediwa go dirisiwa khemisitiri e e bongola le go bola mo mpeng ga in vitro. Go ne ga bonelwa pele tlamelo ya dikotla ya dijo, monyelo go tswa mo maleng a mannye mme go ne ga bonelwa pele tsibogo ya dikgomo go dirisiwa Thulaganyo ya Kotlo ya Diotli tse Dikgolo (LRNS) mofuta wa 1.0.33 (legato 1). Go ne ga elwa tlhoko boima jwa mmele le BCS, go ne ga tsewa madi mme a sekasekwa go bona diporoteini kgwedi le kgwedi. Go ne ga rekotiwa tlhagiso ya mašwi letsatsi le letsatsi mme mašwi a sekasekwa go bona mafura, poroteini, laketose le urea naeterojini beke le beke. Dikgomo di ne di na le DMI ya 11.2 kg, e e neng e le kwa godingwaga ka 12% go na le jaaka go ne go solofetswe mo pakeng ya malatsi a le 1-30 morago ga go tsala, le DMI ya 11.6 kg, e e neng e le kwa godingwana ka 12% go na le jaaka go ne go solofetswe mo dikgomong tse di nang le malatsi a le 31-60 di tsetse. Dijo di ne di na le poroteini e e gona e e kwa tlase jaaka peresente ya poroteini ya dijo (LD1=46% le LD2=45%) mme karolwana ya NDF e e bodileng ka bonya (NDFICP) e nnile 64% tsa poroteini e e gona. Go jewa ga maikatlapelo go ne go le kwa tlasenyana ka 20% le 17% go na le dipalo tse dineng di bonetswe pele mo dikgomong mo dipakeng tsa malatsi a le 1-30 morago ga go tsala le malatsi a le 31-60 morago ga go tsala. Go rekotilwe balanse ya maikatlapelo a a tlhaelang a dikgomo ya -6.5 le -5.6 Mcal mo malatsing a le 1-30 morago ga go tsala le 31-60 morago ga go tsala. Go jewa ga poroteini ke dikgomo tse di tlhagisang mašwi go ne go le kwa tlase, mme seo sa baka balanse e e tlhaelang ya poroteini ya 59% le 42% tsa ditlhokego tsa letsatsi le letsatsi tsa dikgomo mo pakeng ya malatsi a le 1-30 morago ga go tsala le malatsi a le 31-60 morago ga go tsala. Go rekotilwe tatlhegelo ya BW le BCS, tlhagiso e e kwa tlase ya mašwi, mašwi a a baakantsweng maikatlapelo (ECM: 9.50 kg/ka letsatsi) le bokgoni jwa furu (FE) jo bo kwa tlase ga 1 (LD1=0.85; LD2=0.89) mo dikgomong mo dipakeng tseo tsotlhe. Go nna teng ga mafura, poroteini le laketouse mo mašwing di amegile ka tsela e e sa siamang ka ntlha ya seelo se se kwa tlase sa poroteini e e kwa tlase. Tekanyetso ya disele tsa somatiki (SCC) mo mašwing e ne e le 121±13x10³/ml mme dikgomo ga di a bontsha matshwao ape a bolwetsi. Motswako wa urea naeterojini ya mašwi (MUN) e ne e le 12±2.7mg/dl, e leng se se bontshang seemo se se kwa tlase sa poroteini sa dikgomo tse di tlhagisang mašwi. Dikgomo tseno di ne di na le motswako wa kereitine wa 116 le 102 μmol/L mo dipakeng tsa malatsi a le 1-30 morago ga go tsala le malatsi a le 31-61 morago ga go tsala, mme seo se ka supa go fokotsega ga mesifa ka ntlha ya kgatelelo ya mogote e e bakwang ke tikologo e e mogote e go tlhagisiwang mo go yona. Dipholo di bontshitse gore dijo tsa dikgomo tsa teri mo dipolaseng tse dinnye tse di tlhakanetsweng mo dikgaolong tsa Sekhukhune le Vhembe kwa Porofenseng ya Limpopo di na le boleng jo bo kwa tlase jwa kotlo le gore dijo tse di nang le dikotla tse dinnye di amile titielo ya dijo, kgolo ya meroba, dirasefe tsa mmele le tlhagiso ya mašwi ka bonako mo dikgomong tsa teri tsa Jeresi. Kwa bokhutlong, dijo tsa dikgomo tsa teri tse di godisediwang mo dipolaseng tse dinnye di na le dikotla tse di kwa tlase mme ga di tshegetse kgolo e e mosola ya meroba le tlhagiso e e siameng ya mašwi mo nakong ya ntlha ya tlhagiso ya mašwi. Go tlhokega leano la dikotla go tokafatsa dijo tsa teri go tokafatsa tlhagiso le go tshela sebaka ga dikgomo le go tokafatsa go nnela leruri ga tlhagiso ya teri mo dipolaseng tse dinnye mo Aforika Borwa. / Agriculture and  Animal Health / Ph.D. (Agriculture)