Page 29 - MG293

97%
95%
99%
98%
75%
70%
90%
80%
Process
Lin+
K
S/D
0
C
Y
Y
K
M+Y
M
BAL
Y
M
BAL
K
S/D
C
Y
M
BAL 80% 40%
K
0
Y
BAL
M
K
C
C
K
K
S/D
C+Y
0
C
C+M
S/D
BAL
M
M
Y
C
C
K
K
C
S/D
C+Y
M
Y
K
C
0
K
Y
BAL 80% 40%
Y
BAL
C
M
C
M
0
K
S/D
K
Y
BAL
M+Y
K
BAL
S/D
Y
BAL 80% 40%
C
M
M
C
K
M
BAL
Y
0
C
K
M
BAL 80% 40%
Y
C+M
S/D
C
K
5%
5%
4%
4%
3%
3%
2%
2%
Para ello, es necesario observar a los ani- modelos de predicción para su uso, basados BAL 80% 40% vidual, potenciando la toma de decisión en 60% 50% BAL 80% 40% 40% Y M 30% C 25% K 20% K 5% 4% 3% 2% 10% S/D 5% 3% BAL Y 2% M 1% C K 0/100% Times 1P 0.5P 2P Times 4P 0 Times Times 0.5 P Times 1 P Times 2 P Times 4 P Times BAL 80% 40% Y M C K M+Y S/D BAL Y M C K 1/17 C K C+Y S/D BAL Y M C K V1
males con detenimiento, proporcionar una en herramientas de análisis multivariante, a función de los parámetros de calidad de la
alimentación adecuada y reaccionar con rapi- veces bastante complejas, un conocimiento leche producida.
dez a los cambios (Bewley, 2010). Además, la profundo del mercado y uso potencial de la Para lograr este objetivo, se ha desa-
adopción de PLF para apoyar las estrategias variedad de sensores NIRS disponibles (en rrollado un modelo de predicción basado
de gestión puede conducir a la reducción del precio, prestaciones, soporte técnico, etc.). en una red neuronal, desplegado en una
impacto ambiental de las granjas y mitigar los No obstante, los progresos tecnológicos aplicación móvil en un teléfono Android.
riesgos ambientales, ya que puede conducir en sensores no destructivos NIRS (dismi- La elección de este sistema operativo ha
a una reducción de las emisiones de gases nución considerable del tamaño y peso de sido determinada por la gran cantidad de
de efecto invernadero (GHG) y amoníaco los equipos, la disponibilidad de instrumen- dispositivos disponibles para la plataforma,
(NH ) en el aire, nitratos y contaminación tos portátiles, la rapidez en la adquisición con diferentes rangos de precios.
3
por antibióticos en agua, fósforo, antibióti- de espectros) y su uso en el tratamiento
cos y metales pesados en el suelo (Tullo et matemático y estadístico de la multitud de DESARROLLO DEL MODELO DE
al., 2019). La gura 1 representa de forma datos generados por dichos sensores, los PREDICCIÓN Y SU VALIDACIÓN
resumida el objetivo principal de PLF. avances en telefonía móvil, minería de datos, Para el desarrollo del modelo de predic-
Si hay un concepto a destacar en la estra- “cloud computing” y sistemas de apoyo a la ción y su posterior validación, se recogieron
tegia planteada anteriormente, es la nece- decisión, todo ello unido al conocimiento un total de 873 muestras de leche cruda
sidad del control. En consecuencia, PLF no cada vez más profundo de la nutrición y de vaca del rebaño lechero del Serida, así
es solamente un conjunto de programas, la alimentación animal, auguran un futuro como de algunas explotaciones lecheras de
sensores y robots automáticos, sino que prometedor para la integración de sensores Asturias, durante los años 2015 hasta 2018,
está cambiando la manera de gestionar los NIRS en PLF. para considerar los cambios en la compo-
animales, monitorizando al animal para me-
jorar su alimentación y su salud. La nutrición Figura 2. Sensor NIRS portátil y rango
y la gestión de las prácticas alimenticias, con- espectral de trabajo.
cretamente del vacuno lechero, repercute MicroPHAZIR 1624
TM
directamente en la composición de la leche
obtenida, aunque la relación entre alimen- Incremento longitude de onda @ 8.1 nm
Análisis in situ
tos-composición láctea es compleja. Los
mayores cambios en respuesta a la dieta se Longitud de onda (nm)
observan en el contenido en grasa, seguidos 400 600 800 1000 1200 1400 1600 1800 2000 2200 2400 2500
de la proteína o lactosa.
TECNOLOGÍA NIRS En el presente artículo se trata de am- sición de la matriz, incluidos los cambios
La tecnología NIRS se encuadraría dentro pliar y consolidar la información generada temporales por tratarse de un material
de la de nición de “Smart sensors”, conse- acerca del potencial de instrumentación biológico, con el n de desarrollar modelos
cuencia de los principales atributos que la NIRS de última generación para ser uti- robustos que proporción en resultados
caracterizan: su alta velocidad de respuesta, lizado a nivel de explotaciones lecheras, correctos que tuviesen en cuenta incluso
su bajo coste analítico por muestra, facilidad como una integración en la ganadería de la deriva del instrumento.
de uso en rutina, su carácter no destructivo, precisión (PLF), lo que representa una in- De este conjunto de muestras se de-
su versatilidad para el análisis de muy di- vestigación pionera en este terreno, llevada nieron al azar dos subconjuntos: un
versos productos y parámetros, su elevada a cabo por investigadores del Serida del conjunto de entrenamiento utilizado
reproducibilidad y repetibilidad, el ser una grupo de I+D de Nutrición, con el apoyo para desarrollar y optimizar el modelo
técnica limpia que no utiliza reactivos y que, del departamento de Informática de la por validación interna compuesto por
por tanto, no produce residuos, así como su Universidad de Oviedo. Para lo cual se 802 muestras y un conjunto formado 71
aptitud para su incorporación en medidas ha incorporado la información espectral muestras para evaluar el modelo median-
en línea/in situ y para posibilitar el análisis a proporcionada por un sensor NIR portátil te validación externa. Además, se utilizó
gran escala. y algoritmos de aprendizaje automáticos, un tercer conjunto de 30 muestras de
Sin embargo, no está siendo considera- para permitir la gestión y optimización en leche adicionales recopiladas y analizadas
da como herramienta en la ganadería de tiempo real del control de calidad de la durante el primer trimestre de 2019, con
precisión, fundamentalmente por ser una producción de leche en una explotación el n de evaluar la estabilidad del modelo
tecnología que requiere el desarrollo de ganadera para cada vaca de manera indi- en el tiempo.
Marzo / Abril 2020 MUNDO GANADERO 29