Predicción de componentes nutricionales de pastos altoandinos mediante algoritmos de procesamiento de imágenes Red-Green-Blue, multiespectrales y tecnología de infrarrojo cercano.

Abstract

El objetivo de este estudio fue realizar la predicción de componentes nutricionales de pastos altoandinos mediante algoritmos de procesamiento de imágenes RGB, Multiespectrales y tecnología de infrarrojo cercano. Las calibraciones NIRS se obtuvieron para proteína cruda (PC), fibra detergente neutra (FDN), fibra detergente ácida (FDA) y digestibilidad in vitro (DIV). Para maximizar la variabilidad, el conjunto de muestras para el análisis se seleccionó de una parcela de campo instalada en la EEA Amazonas del INIA, cosechada durante tres frecuencias de corte y con dos diferentes dosis de fertilización. Las muestras se escanearon usando un NIR de sobremesa modelo SpectraStar 2500 XL con rango de 1100-2500 nm. Se utilizó un total de 90 muestras, 72 para calibrar y 18 para validar de forma cruzada las ecuaciones derivadas. Se utilizó un conjunto independiente separado (18 muestras) para probar las predicciones. Modelos de predicción completos y óptimos fueron generados utilizando la regresión por mínimos cuadrados parciales (PLSR). El R2 de los valores de validación para los modelos fueron >0.8, con un error de predicción (RPD) de 3.563 para PC, 3.756 para FDN, 3.16 para FDA, 3.3 para DIV y 3.841 para Ce. Los modelos NIR obtenidos de este estudio tienen el potencial de usarse en programas de mejoramiento para evaluar la calidad nutritiva de pastos altoandinos.