Valor nutricional del pasto Cuba CT-115 (Pennisetum purpureum) basada en NIRS y quimiometría
DOI:
https://doi.org/10.19136/era.a13n2.4748Palabras clave:
Forraje tropical, análisis bromatológico, regresión múltipleResumen
En este trabajo se emplearon espectros visible e infrarrojo (VIS-NIR) y la quimiometría para desarrollar ecuaciones para estimar propiedades nutricionales y la degradación in situ del pasto Cuba CT-115 (Pennisetum purpureum). Se colectaron 134 muestras de pasto de cinco edades de rebrote y en cada una se determinó: proteína cruda (PC), fibra detergente neutro (FDN), fibra detergente ácido (FDA), contenido celular (CC), hemicelulosa (H), cenizas (C), degradación in situ de la materia seca (DIMS) y el espectro VIS-NIR. Con las propiedades medidas y los espectros de cada muestra se generaron las respectivas ecuaciones para la predicción de estas. Los coeficientes de determinación y correlación de la validación interna y externa obtenidos para cada modelo son excelentes, cercanos a la unidad (0.988 a 0.997), mientras que los errores estándar de calibración (SEC, 0.282 a 1.292) y de validación (SEV 0.317 a 1.383) son bajos; la relación SEC/SEV es buena (menor a la unidad, de 0.766 a 0.938). Las relaciones de desviación de la predicción (RPD) fueron aceptables para DIMS y FDA (1.41 y 1.71, respectivamente) y excelentes para PC, FDN, CC, H y C (2.33 a 7.88). Con base en los estadísticos se concluye que las ecuaciones de predicción, basadas en las combinaciones espectrales VIS-NIR, estiman cada parámetro, con precisión y exactitud. Con la ventaja de que el análisis con NIRS no es destructivo, no genera residuos químicos, requiere menor tiempo analítico (minutos) y menor costo del análisis; cuando es comparada con los métodos convencionales.
Descargas
Referencias
Alomar D, Montero R, Fuchslocher R (1999) Effect of freezing and grinding method on near and chemical composition of fresh silage. Animal Fedd Science and Technology 78: 57-63.
AOAC (2005) Official Methods of Analysis. Edition 18. Association of Official Analytical Chemists. Washington, EE.UU. 1928p.
Alomar D, Fuchslocher R, de-Pablo M (2003) Effect of preparation method on composition and NIR spectra of forage samples. Animal Fedd Science and Technology 107: 191-200. https://doi.org/10.1016/S0377-8401(03)00124-X
Alomar D, Fuchslocher R, Cuevas J, Mardones R, Cuevas E (2009) Prediction of the composition of fresh pastures by near infrared reflectance or interactance-reflectance spectroscopy. Chilean Journal of Agricultural Research 69(2): 198-206. https://doi.org/10.4067/S0718-58392009000200009
Andrade RMC, Loures GG, Cano SC, Nobrega de CL, Galbeiro S, Squeira VPR, Monteiro do CJP, Rodrigues FE, Geralda FJ, Nunes do PI, Prado COP, Yurika MI (2023) Prediction models of the nutritional quality of fresh and dry Brachiaria brizantha cv. Piata grass by near infrared spectroscopy. Journal of applied Animal Research 51(1): 193-203. https://doi.org/10.1080/09712119.2023.2172022
Barnes RJ, Dhanoa MS, Lister SJ (1989) Standard normal variate and de-trending of near diffuse reflectance spectra. Applied Spectroscopy 43: 772-777. https://doi.org/10.1366/0003702894202201
Basurto GR, Ramírez RE, Mariscal LG (2025) Estimación de la composición química de granos y pastas proteicas mediante espectroscopia (NIRS-FTIR). Revvista Mexicana de Ciencias Pecuarias 16(2): 428-445. https://doi.org/10.22319/rmcp.v16i2.6637
Bellon-Maurel V, Fernandez-Ahumada E, Palagos B, Roger JM, McBratney A (2010) Critical review of chemometric indicators commonly used for assessing the quality of the prediction of soil attributes by NIR spectroscopy. Trends in Analytical Chemistry 29(9): 1073-1081. https://doi.org/10.1016/j.trac.2010.05.006
Bolaños AED, Émile JC, Enríquez QJF (2010) Les fourrages au Mexique: ressources, valorisation et perspectives de recherche. Fourrage 204: 277-282.
De-Boever JL, Vanacker JM, De-Brabander DL (2002) Rumen degradation characteristics of nutrients in maize silages and evaluation of laboratory measurements and NIRS as predictors. Animal Feed Science Technology 101: 73-86. https://doi.org/10.1016/S0377-8401(02)00145-1
Decruyenaere V, Lecomte P, Demarquilly C, Aufrere J, Darenne 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 and technology 148: 138-156. https://doi.org/10.1016/j.anifeedsci.2008.03.007
De-Dios-León GE, Ramos-Juárez JA, Izquierdo-Reyes F, Joaquín-Torres B, Meléndez-Nava F (2022) Comportamiento productivo y valor nutricional del pasto Pennisetum purpureum cv Cuba CT-115, a diferente edad de rebrote. Revista Mexicana de Ciencias Pecuarias 13(4): 1055-1066. https://doi.org/10.22319/rmcp.v13i4.5217
Detmann E, Fonseca PM, de Campos VFS, Huhtanen P (2014) Nutritional aspects applied to grazing cattle in the tropics: A review based on Brazilian results. Semina: Ciências Agrárias, Londrina 35(4): 2829-2854. https://doi:10.5433/1679-0359.2014v35n4Suplp2829
Fernández-Cabanás VM, Pérez-Marín DC, Fearn T (2023) Optimization of the predictive ability of NIR models to estimate nutritional parameters in elephant grass through LOCAL algorithms. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 285: 121922. https:doi.org/10.1016/j.saa.2022.121922.
Goldshleger N, Chudnosky AA, Ben-binyam R (2013) Predicting salinity in tomate using soil reflectance spectra. International Journal of Remote Sensor 34(17): 6079-6093. https:doi:10.1080/01431161.2013.793859
Hernández EA, Juárez Lagunes FI, Montero-Lagunes M, Enríquez-Quiróz JF, Loeza-Limón R, Pinos-Rodríguez JM (2021) Calibraciones de espectrofotometría de reflectancia en el infrarrojo cercano para carbohidratos en pasto Urochloa. Ecosistemas y Recursos Agropecuarios Núm. Esp. II: e2874. http:doi:10.19136/era.a8nII.2874
Jacobi HF, Ohl S, Thiessen E, Hartung E (2012) NIRS-aided monitoring and prediction of biogas yields from maize silage at a full-scalle biogas plant applying lumped kinetics. Bioresource Technology 1003: 162-172. https:doi.org/10.1016/j.biortech.2011.10.012.
Kleinebecker T, Schmidt SR, Fritz C, Smolders AJP, Norbert H (2009) Prediction of δ13C and δ15N in plant tissues with near-infrared spectroscopy. New Phytologist 184: 732-739. https://doi.org/10.1111/j.1469-8137.2009.02995.x
Lovett DK, Deaville ER, Givens DI, Finlay M, Owen E (2005) Near infrared reflectance spectroscopy (NIRS) to predict biological parameters of maize silage: effects of particle comminution, oven drying temperature and the presence of residual moisture. Animal Feed Science and Technology 120: 323-332. https:doi.org/10.1016/j.anifeedsci.2005.02.001
Molano ML, Cortés ML, Ávila P, Martens SD, Muñoz LS (2016) Near infrared spectroscopy (NIRS) calibration equations to predict nutritional quality parameters of tropical forages. Tropical Grasslands-Forrajes Tropicales 4(3): 139-145. https:doi.org/10.17138/tgft(4)139-145
Nocita M, Stevens A, van Wesemael B, Aitkenhead M, Bachmann M, Barthès B, Dor EB, Brown DJ, Clairotte M, Csorba A, Dardenne P, Demattê JAM, Genot V, Guerrero C, Knadel M, Montanarella L, Noon C, Ramirez-Lopez L, Robertson J, Sakai H, Wetterlind J (2015) Soil spectroscopy: An alternative to wet chemistry for soil monitoring. Advances in Agronomy 132: 139-159. https://doi.org/10.1016/bs.agron.2015.02.002
NordheimH, Volden H, Fystro G, Lunnan T (2007) Prediction of in situ degradation characteristics of neutral detergent fibre (aNDF) in temperate grasses and re clover using near-infrared reflectance spectroscopy (NIRS). Animal Feed and Technology 139: 92-108. https:doi.org/10.1016/j.anifeedsci.2006.11.024
Orskov ER (1992) Protein nutrition in ruminants. 2da. Edición. Nueva York. Academic Press Inc. London. 175p.
Ramos RC, Basurto GR, Ramírez RE, Reis de STC, Mariscal LG (2023) Predicción de la composición química de las heces y digesta ileal de cerdos mediante espectroscopia de reflectancia en el infrarrojo cercano (NIRS). Revista Mexicana de Ciencias Pecuarias 14(3): 488-504. https://doi.org/10.22319/rmcp.v14i3.6175
Richardson AD, Reeves JB, Timothy GG (2003) Multivariate analyses of visible/near infrared (VIS/NIR) absorbance spectra reveal underlying spectral differences among dried, ground conifer needle samples from different growth environments. New Phytologist 161(1): 291-301. https:doi:10.1046/j.1469-8137.2003.00913.x
Saha U, Endale D, Tillman G, Johnson W, Sonon L, Schomberg H, Yang Y (2017) Analysis of various quality attributes of sunflower and soybean plants by near infrared reflectance spectroscopy: Development and validation calibration models. American Journal of Analytical Chemistry 8: 462-492. https://doi.org/10.4236/ajac.2017.87035
Sandoval-Mejía LA, Bueso-Uclés FJ, Vélez-Nauer M (2008) Predicción nutricional para pastos tropicales por espectroscopia de reflectancia en el infrarrojo cercano. Agronomía Mesoamericana 19(2): 221-225. https:doi.org/10.15517/am.v19i2.5003
Vaithilingam S, Sun OS, Moisescu OI, Nair MS (2024) Robustness checks in PLS-SEM: A review of recent practices and recommendations for future applications in business research. Journal of Business Research 173: 114465. https://doi.org/10.1016/j.jbusres.2023.114465
Van-Soest PJ, Robertson JB, Lewis BA (1991) Methods for dietary fiber, neutral detergent fiber and nonstarch polysaccharides in relation to animal nutrition. Journal Dairy Science 74: 3583-3597.
Valenciaga D, O La O, Chongo B, Oramas A (2006) Efecto del tiempo de reposo en la degradabilidad ruminal in situ del complejo lignocelulósico y la producción de gas in vitro del clon Cuba CT-115 (Pennisetum purpureum sp.). Revista Cubana de Ciencia Agrícola 40(1): 71-81.
Valenciaga D, De Olivera ES, O laO, Chongo B, Oramas A, Cairo JC (2007) Obtención de las curvas de calibración para la determinación de la composición química de la especie Pennisetum purpureum mediante la Espectroscopia de Reflectancia en el Infrarrojo Cercano (NIRS). Revista Cubana Ciencia Agrícola 41: 165-168.
Van-Soest PJ, Robertson JB, Lewis BA (1991) Methods for dietary fiber, neutral detergent fiber and nonstarch polysaccharides in relation to animal nutrition. Journal Dairy Science (74): 3583-3597. https:doi.org/10.3168/jds.S0022-0302(91)78551-2.
Vega-Vilca JC and Guzmán J (2011) Regresión PLS y PCA como solución al problema de multicolinealidad en regresión múltiple. Revista de Matemática: Teoría y Aplicaciones 18(1): 9-20.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Ecosistemas y Recursos Agropecuarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Licencia CC BY-NC-ND 4.0 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
This work is licensed under CC BY-NC-ND 4.0 
