Calibração única em espectroscopia de infravermelho próximo para determinar a qualidade de múltiplas espécies de forragens
DOI:
https://doi.org/10.33448/rsd-v10i10.18990Palavras-chave:
Fibra; Pastagem; Proteína bruta; Quimiometria; Ruminantes.Resumo
A espectroscopia no infravermelho próximo (NIRS) é uma técnica eficiente e livre de produtos químicos para avaliação rápida da qualidade da forragem. Porém, as curvas de calibração geralmente são validadas para uma única espécie de forragem e, há poucos estudos para forragens de múltiplas espécies. Assim, o objetivo deste trabalho foi desenvolver uma curva ampla de calibração pela técnica NIRS para predizer os valores de fibra em detergente neutro (FDN), fibra em detergente ácido (FDA) e proteína bruta (PB) de forragens simples e consorciadas. Assim, forragens simples e consorciadas (32 espécies de forrageiras) foram amostradas ao longo de seis anos (2013 a 2019) em diferentes regiões do estado de Santa Catarina, sul do Brasil. Amostras das forragens foram analisadas quimicamente quanto aos níveis de FDN, FDA e PB e, em seguida, os espectros foram lidos no espectrômetro. Para a calibração foram utilizados os tratamentos matemáticos Second derivative (FDN), First derivative + Multiplicative Scattering Correction (FDA), e Multiplicative scattering correction (PB). Com aproximadamente 200 amostras de forragens foi possível se alcançar valores de coeficiente de determinação (R2) para a calibração de 0,94%, 0,95%, e 0,98% e para a validação de 0,94%, 0,95%, e 0,97% para os parâmetros FDN, FDA e PB, respectivamente. As curvas de calibração foram desenvolvidas adequadamente para avaliação da qualidade de forragens de múltiplas espécies (solteiras ou consorciadas) e podem ser usadas na rotina do laboratório sem produtos químicos e como uma ferramenta de rápida determinação.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Caroline Massignani; Bruna Búrigo Vandresen; Júlia Vargas Marques; Ricardo Kazama; Milene Puntel Osmari; Daniele Cristina da Silva-Kazama
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
