Espectroscopia de reflectância no infravermelho próximo de fezes para predizer variáveis nutricionais de vacas leiteiras confinadas

• Ano de defesa: 2021
• Autor(a) principal: Graças, Larissa Estefane Cruz das
• Orientador(a): Danés, Marina de Arruda Camargo
• Banca de defesa: Danés, Marina de Arruda Camargo, Casagrande, Daniela Rume, Dórea, João Ricardo Rebouças
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Zootecnia
• Departamento: Departamento de Zootecnia
• País: brasil
• Palavras-chave em Português: Machine learning; Nutrição de precisão; Espectroscopia no infravermelho próximo; Gado leiteiro - Nutrição; Validation strategies; Near infrared spectroscopy; Precision nutrition
• Área do conhecimento CNPq: Zootecnia
• Link de acesso: https://repositorio.ufla.br/handle/1/46470

A ingestão individual de nutrientes, bem como variáveis relacionadas a esta caracteristica são essenciais dentro de um sistema de nutrição de precisão e ainda assim díficeis de medir individualmente quando se tem animais criados em grupo. Foi proposto que as informações químicas contidas nas fezes são representativas da dieta consumida e estão relacionadas à ingestão e digestibilidade. A espectroscopia no infravermelho próximo (NIRS) para analisar 234 amostras fecais de 64 vacas leiteiras em lactação alimentadas com TMR, de 5 experimentos realizados em condições semelhantes, nos quais foram analisados o CMS individual medido em um tie-stall, digestibilidade e composição da dieta consumida (PB, FDN e amido) e seleção de partículas de alimentos. Foram utilizados dois softwares para as análises estatísticas dos dados, os software The Unscrambler e Python. Os espectros foram analisados com regressor de mínimos quadrados parciais (PLSR), support vector machine (SVR), k-nearest neighbors regressor (KNNR) e gradient boosting regressor (GBR) com ou sem pré-tratamento do conjunto de dados (MSC ou SNV). Duas estratégias de validação foram testadas: remover do conjunto de treinamento todos os pontos de dados de um animal (deixar um animal de fora - LOAO) ou de um experimento (LOEO) e usar o conjunto de dados excluído para testar o algoritmo. Não foram encontradas grandes diferenças entre os algortimos, o melhor algoritimo variou de acordo com a variável estudada. A melhor estratégia de validação foi a LOAO. Para valiação dos modelos utilizamos o RMSE. O CMS apresentou erro de 2,98 Kg/d, acompanhado e valores inferiores a 0,5% para composição da dieta consumida. Para digestibilidades foram obtidos valores de RMSE inferiores a 8,71%. A melhor acurácia para seleção de partículas foi da peneira de 8mm, com erro médio de 8,85%. Para EUN a média foi de 2,65% e para EA igual a 0,23 Kg leite/ Kg MS. Concluímos que a análise de dados espectrais recebe influência de diversos fatores externos que irão determinar qual melhor método a ser utilizado para se obter melhores resultados. É importante notar que, embora os resultados sejam promissores e as estratégias de validação visem minimizar o emaranhamento biológico dentro de uma vaca ou ensaio, o conjunto de dados veio inteiramente do mesmo rebanho. Assim, é possível que o modelo seja menos preciso quando usado em um rebanho e ambientes completamente diferentes. É necessário que estes algoritmos sejam explorados, buscando pelos melhores hiperparâmetros, utilizando conjunto de dados maiores e com validação externa para verificar a aplicabilidade desses modelos.