Calibración única en espectroscopia de infrarrojo cercano para determinar la calidad de múltiples especies de forraje
DOI:
https://doi.org/10.33448/rsd-v10i10.18990Palabras clave:
Fibra; Pasturas; Proteína cruda; Quimiometría; Rumiantes.Resumen
La espectroscopia de infrarrojo cercano (NIRS) es una técnica eficiente y libre de químicos para la evaluación rápida de la calidad del forraje. Sin embargo, las curvas de calibración generalmente se validan para una sola especie forrajera y existen pocos estudios para forraje de múltiples especies. Así, el objetivo de este trabajo fue desarrollar una amplia curva de calibración utilizando la técnica NIRS para predecir los valores de fibra detergente neutra (FDN), fibra detergente ácida (FDA) y proteína cruda (PC) de forrajes simples e mixtas. Así, se muestrearon forrajes simples e mixtas (32 especies forrajeras) durante seis años (2013 a 2019) en diferentes regiones del estado de Santa Catarina, sur de Brasil. Las muestras de forraje se analizaron químicamente para determinar los niveles de FDN, FDA y PC y luego se leyeron los espectros en el espectrómetro. Para la calibración se utilizaron los tratamientos matemáticos Second derivative (FDN), First derivative + Multiplicative Scattering Correction (FDA), e Multiplicative scattering correction (PC). Con aproximadamente 200 muestras de pastos fue posible alcanzar valores de coeficiente de determinación (R2) para la calibración de 0.94%, 0.95% y 0.98% y para la validación de 0.94%, 0.95% y 0.97% para los parámetros FDN, FDA y PC, respectivamente. Las curvas de calibración se han desarrollado adecuadamente para evaluar la calidad de forrajes de múltiples especies (individuales o mixtas) y se pueden utilizar de forma rutinaria en el laboratorio sin productos químicos y como una herramienta de determinación rápida.
Citas
Andueza, D., Picard, F., Martin-Rosset, W., & Aufrère, J. (2016). Near-infrared spectroscopy calibrations performed on oven-dried green forages for the prediction of chemical composition and nutritive value of preserved forage for ruminants. Applied Spectroscopy, 70, 1321-1327. Retrieved from https://journals.sagepub.com/doi/pdf/10.1177/0003702816654056 DOI: 10.1177/0003702816654056.
Association of Official Analytical Chemists (1984). Official methods of analysis (14th ed.). Arlington: AOAC.
Association of Official Analytical Chemists (1995). Official methods of analysis (16th ed.) Arlington: AOAC.
Azzouz, T., Puigdoménech, A., Aragay, M., & Tauler, R. (2003). Comparison between different data pre-treatment methods in the analysis of forage samples using near-infrared diffuse reflectance spectroscopy and partial least-squares multivariate calibration method. Analytica Chimica Acta, 484, 121-134. DOI: 10.1016/S0003-2670(03)00308-8.
Barcellos, A. O., Ramos, A. K. B., Vilela, L., & Junior, G. B. M. (2008). Sustentabilidade da produção animal baseada em pastagens consorciadas e no emprego de leguminosas exclusivas, na forma de banco de proteína, nos trópicos brasileiros. Revista Brasileira de Zootecnia, 37, 51-67. Retrieved from https://www.scielo.br/j/rbz/a/KwNbj7GpY83JLJFfxWRGNxr/?lang=pt DOI: 10.1590/S1516-35982008001300008
Barros Neto, B., Scarminio, I.S., & Bruns, R. E. (2006). 25 anos de quimiometria no Brasil. Química Nova, 29, 1401-1406. Retrieved from https://www.scielo.br/j/qn/a/mQNsqf68QY9TmMw3KytvdvN/?lang=pt DOI: 10.1590/S0100-40422006000600042.
Bjorsvik, H. R., & Martens, H. (2001). Data Analysis: Calibration of NIR Instruments by PLS Regression. In D. A. Burns, & E. W. Ciurczak (Eds), Handbook of Near-infrared Analysis (pp. 185-208). New York: Marcel Dekker.
Bokobza, I. (2002). Origin of near-infrared absorption bands. In H. W. Siesler, Y. Ozaki, S. Kawata, & H. M. Heise (Eds), Near-Infrared Spectroscopy: Principles, Instruments, Applications (pp. 11-42). Weinheim: Wiley-VCH.
Decruyenaere. V., Lecomte, P., Demarquilly, C., Aufrere, J., Dardenne, P., Stilmant, D., & Buldgen, A. (2009). Evaluation of green forage intake and digestibility in ruminants using near infrared reflectance spectroscopy (NIRS): Developing a global calibration. Animal Feed Science Technology, 148, 138-156. DOI: 10.1016/j.anifeedsci.2008.03.007
Fernandes, C. O. M. (2012). Princípios da Produção de Leite a Pasto. In U. A. Córdova (Ed), Produção de leite à base de pasto em Santa Catarina (pp. 15-30). Florianópolis: Epagri.
Fontaneli, R. S., Scheffer-Basso, S. M., Dürr, J. W., Appelt, J.V., Bortolini, F., & Haubert, F. A. (2004). Predição da composição química de bermudas (Cynodon spp.) pela espectroscopia de reflectância no infravermelho proximal. Revista Brasileira de Zootecnia, 33, 838-842. Retrieved from https://www.scielo.br/j/rbz/a/WHhqdNqHKzWSKs6ks6nGyKQ/?format=pdf&lang=pt. DOI: 10.1590/S1516-35982004000400003
Frizon, C. N. T., Oliveira, G. A., Perussello, C. A., Peralta-Zamora, P. G., Camlofski, A. M. O., Rossa, U. B., & Hoffmann-Ribani, R. (2015). Determination of total phenolic compounds in yerba mate (Ilex paraguariensis) combining near infrared spectroscopy (NIR) and multivariate analysis. LWT-Food Science and Technology, 60, 795-801. DOI: 10.1016/j.lwt.2014.10.030
Kirkpinar, F., & Açikgöz, Z. (2018). Feeding. In B. Yücel, & T. Taşkin (Eds), Animal Husbandry and Nutrition (pp.97-114). London: IntechOpen.
Li, Z., Xu, G., Wang, J., Du, G., Cai, W., & Shao, X. (2016). Outlier detection for multivariate calibration in near infrared spectroscopic analysis by model diagnostics. Chinese Journal of Analytical Chemistry, 44, 305-309. DOI: 10.1016/S1872-2040(16)60907-6
Lobos, I., Gou, P., Hube, S., Saldaña, R., & Alfaro M. (2013). Evaluation of potential nirs to predict pastures nutritive value. Journal of Soil Science and Plant Nutrition, 13 (2), 463-468. Retrieved from https://scielo.conicyt.cl/pdf/jsspn/v13n2/aop3613.pdf. DOI: 10.4067/S071895162013005000036
Manley, M., & Baeten, V. (2018). Spectroscopic technique: Near infrared (NIR) spectroscopy. In D. V. Sun (Ed.). Modern techniques for food authentication (pp. 51-102). Cambridge: Academic Press.
Modroño, S., Soldado, A., Martínez-Fernández, A., & Roza-Delgado, B. (2017). Handheld NIRS sensors for routine compound feed quality control: Real time analysis and field monitoring. Talanta, 162, 597-603. DOI: 10.1016/j.talanta.2016.10.075
Molano, M. L., Cortés, M. L., Ávila, P., Martens, S. D., & Muñoz, L. S. (2016). Ecuaciones de calibración en espectroscopía de reflectancia en el infrarrojo cercano (NIRS) para predicción de parâmetros nutritivos en forrajes tropicales. Tropical Grasslands - Forrajes Tropicales, 4, 139-145.
Monrroy, M., Gutiérrez, D., Miranda, M., Hernández, K., & García, J. R. (2017). Determination of brachiaria spp. forage quality by near-infrared spectroscopy and partial least squares regression. Journal of the Chilean Chemical Society, 62 (2), 3472-3477. Retrieved from https://scielo.conicyt.cl/pdf/jcchems/v62n2/art10.pdf. DOI: 10.4067/S071797072017000200010
Neves, A. C. O., Soares, G. M., Morais, S. C., Costa, F. S. L., Porto, D. L., & Lima, K. M. G. (2012). Dissolution testing of isoniazid, rifampicin, pyrazinamide and ethambutol tablets using near-infrared spectroscopy (NIRS) and multivariate calibration. Journal of Pharmaceutical and Biomedical Analysis, 57, 115-119. DOI: 10.1016/j.jpba.2011.08.029
Norman, H. C., Hulm, E., Humphries, A. W, Hughes, S. J., & Vercoe, P. E. (2020). Broad near-infrared spectroscopy calibrations can predict the nutritional value of >100 forage species within the Australian feedbase. Animal Production Science, 60, 1111-1122. Retrieved from https://www.publish.csiro.au/an/pdf/AN19310. DOI: 10.1071/AN19310
Parrini, S., Acciaioli, A., Crovetti, A., & Bozzi, R. (2018). Use of FT-NIRS for determination of chemical components and nutritional value of natural pasture. Italian Journal of Animal Science, 17, 87-91. Retrieved from https://www.tandfonline.com/doi/full/10.1080/1828051X.2017.1345659. DOI: 10.1080/1828051X.2017.1345659
Pasquini, C. (2003). Near infrared spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, 14, 198-219. Retrieved from https://www.scielo.br/j/jbchs/a/R8Z76mVbzwxk6RCYCLGkSnz/?format=pdf&lang=en. DOI: 10.1590/S0103-50532003000200006
Pereira, S. A., Shitsuka, D. M., Parreira, F. J. & Shitsuka, R. (2018). Metodologia da pesquisa científica. UFSM.
Ramirez, J. A., Posada, J. M., Handa, I.T., Hoch, G., Vohland, M., Messier, C., & Reu, B. (2015). Near‐infrared spectroscopy (NIRS) predicts non‐structural carbohydrate concentrations in different tissue types of a broad range of tree species. Methods in Ecology and Evolution, 6, 1018-1025. Retrieved from https://besjournals.onlinelibrary.wiley.com/doi/epdf/10.1111/2041-210X.12391. DOI: 10.1111/2041-210X.12391
Sánchez, M. T., Pérez-Marín, D., Torres, I., Gil, B., Garrido-Varo, A., & De la Haba, M. J. (2017). Use of NIRS technology for on-vine measurement of nitrate content and other internal quality parameters in intact summer squash for baby food production. Postharvest Biology and Technology, 125, 122-128. DOI: 10.1016/j.postharvbio.2016.11.011
Siesler, H. W., Ozaki, Y., Kawata, S., & Heise, H. M. (2008). Near-infrared spectroscopy: principles, instruments, application. Weinheim: Wiley-VCH.
Ullmann, I., Herrmann, A., Hasler, M., & Taube, F. (2017). Influence of the critical phase of stem elongation on yield and forage quality of perennial ryegrass genotypes in the first reproductive growth. Field Crops Research, 205, 23-33. DOI: 10.1016/j.fcr.2017.02.003
Van Soest, P. J., Robertson, J. B., & Lewis, B. A. (1991). Methods for dietary fiber, neutral detergent fiber, and nonstarch polysaccharides in relation to animal nutrition. Journal of Dairy Science, 74, 3583-3597. DOI: 10.3168/jds.S0022-0302(91)78551-2.
Williams, P. (2014). The RPD statistic: a tutorial note. NIR News, 25, 22-26. Retrieved from https://journals.sagepub.com/doi/pdf/10.1255/nirn.1419. DOI: 10.1255/nirn.1419
Yang, Z., Nie, G., Pan, L., Zhang, Y., Huang, L., Ma, X., & Zhang, X. (2017). Development and validation of near-infrared spectroscopy for the prediction of forage quality parameters in Lolium multiflorum. PeerJ, 5, 3867. Retrieved from https://peerj.com/articles/3867/. DOI: 10.7717/peerj.3867.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Caroline Massignani; Bruna Búrigo Vandresen; Júlia Vargas Marques; Ricardo Kazama; Milene Puntel Osmari; Daniele Cristina da Silva-Kazama
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
