Buscar en Google Scholar
Título: Predicción de composición nutricional de pastos nativos de Pomacochas usando espectroscopía en infrarrojo cercano
Asesor(es): Castro Silupu, Wilson Manuel
Fecha de publicación: 2018
Institución: Universidad Nacional Toribio Rodríguez de Mendoza - UNTRM
Resumen: El objetivo de la investigación fue evaluar dos diferentes modelos de predicción de la composición nutricional de pastos nativos de la localidad de Pomacochas mediante espectroscopía de infrarrojo cercano (NIR). Además, se analizó para esto parámetros nutricionales como: humedad (H), proteína cruda (PC), extracto etéreo (EE) y ceniza (Cen), extracto libre de nitrógeno (ELN), fibra detergente neutro (FDN), fibra detergente ácida (FDA), energía bruta (EB) y digestibilidad in vitro. Se recolectó muestras de tres variedades de pastos nativos (Holcus lanatus, Pennisetum clandestinum y Paspalum scabrum), en tres estados fenológicos de la planta (inicio de floración, floración y post floración) con tres repeticiones, dichas muestras fueron secadas en una estufa con aire forzado a 60 ° por 48 horas, molidas y envasadas en bolsa de polietileno de alta densidad. Se obtuvieron los espectros de absorbancia en el rango de longitud de onda de 1100 - 2500 nm. Se desarrollaron las predicciones mediante el software Matlab 15ª con modelos de redes neuronales (ANN) y regresión por mínimos cuadrados parciales (PLSR), con 14 longitudes de onda relevantes en FDA, 16 en FDN, 20 en digestibilidad in vitro y 18 en los demás parámetros evaluados. Los resultados obtenidos demostraron que el modelo PLSR en comparación del modelo ANN brinda mejores ajustes (R2 > 0.70), obtenidos en la validación para pastos nativos.
Disciplina académico-profesional: Producción Animal
Institución que otorga el grado o título: Universidad Nacional Toribio Rodríguez de Mendoza. Escuela de Postgrado
Grado o título: Maestría en Producción Animal
Fecha de registro: 12-jul-2018; 12-jul-2018



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons