Avaliação da espectroscopia no infravermelho próximo para previsão da composição químico-bromatológica da silagem de sorgo

Revista Agrária Acadêmica

agrariacad.com

doi: 10.32406/v6n1/2023/79-92/agrariacad

 

Avaliação da espectroscopia no infravermelho próximo para previsão da composição químico-bromatológica da silagem de sorgo1. Evaluation of near infrared spectroscopy for predicting the chemical-bromatological composition of sorghum silage1.

 

Valcicleide Oliveira dos Santos2, Marco Aurélio Delmondes Bomfim3, Sueli Freitas dos Santos4, Rafael Gonçalves Tonucci3, Ana Clara Rodrigues Cavalcante3, Igor Cassiano Saraiva Silva2, Ana Karina de Lima Chaves2, Patrício Leandro Pereira2

 

1- Parte do trabalho de mestrado da primeira autora; Projeto financiado pela Empresa Brasileira de Pesquisa Agropecuária – Embrapa
2- Mestre em Zootecnia – Universidade Estadual Vale do Acaraú, Sobral – CE, Brasil. E-mail: valcicleideoliveira@hotmail.com, cassianoigor1@hotmail.com, karinachaves15@yahoo.com.br, patricio123leandro@gmail.com
3- Pesquisador, Embrapa Caprinos e Ovinos, Sobral – CE, Brasil. E-mail: marco.bomfim@embrapa.br, rafael.tonucci@embrapa.br, ana.clara@embrapa.br
4- Pós Doutora, Embrapa Caprinos e Ovinos, Sobral – CE, Brasil. E-mail: sfsantoszootecnia@gmail.com

 

Resumo

 

Objetivou-se avaliar adequação da espectroscopia no infravermelho próximo para a previsão da composição químico-bromatológica da silagem de sorgo BRS 658 e BRS Ponta Negra, em minissilos de PVC, ensilados nos estádios de maturação dos grãos E7 ou leitoso; E8 ou pastoso e farináceo duro. O modelo usando a 1a derivada Savitzky-Golay para DIVMS apresentou menor RMSEC, RMSECV e RMSEP (5,96, 7,42, 6,96) respectivamente. Para DIVMO, o modelo Correção Multiplicativa de Sinal (MSC) + 1ª derivada Savitzky-Golay com duas janelas apresentou maior desempenho, com maior R2 na calibração, validação e predição (0,82, 0,72, 0,56) respectivamente. Na validação independente dos modelos, não se observou diferença significativa entre os valores preditos e de referência para as variáveis PB, DIVMS e DIVMO. A metodologia NIRS é capaz de predizer com acurácia os teores de proteína, digestibilidade in vitro da matéria seca e digestibilidade in vitro da matéria orgânica da silagem de sorgo.

Palavras­‐chave: Acurácia. Calibração. Gramíneas. NIRS.

 

 

Abstract

 

The objective was to evaluate the adequacy of near-infrared spectroscopy for predicting the chemical-bromatological composition of sorghum BRS 658 and BRS Ponta Negra silage, in PVC mini-silos, ensiled at grain maturation stages E7 or milky, E8 or pasty and hard mealy. The model using the Savitzky-Golay 1st Derivative for DIVMS showed lower RMSEC, RMSECV and RMSEP (5.96, 7.42, 6.96) respectively. For DIVMO, the Multiplicative Signal Correction (MSC) + Savitzky-Golay 1st Derivative model with two windows showed better performance, with higher R2 in calibration, validation and prediction (0.82, 0.72, 0.56) respectively. In the independent validation of the models, no significant difference was observed between the predicted and reference values for the BP, IVMSD and IVMOD variables. The NIRS methodology is capable of accurately predicting the protein content, in vitro digestibility of dry matter and in vitro digestibility of organic matter in sorghum silage.

Keywords: Accuracy. Calibration. Grasses. NIRS.

 

 

Introdução

 

No Brasil, as pastagens constituem a principal e mais barata fonte de alimentação dos rebanhos (BARROS et al., 2009). Grande parte da produção de pequenos ruminantes no semiárido nordestino, é feita em pastagem nativa. Entretanto, a produção animal é afetada pelas épocas de estiagens que proporcionam uma variação tanto na disponibilidade como na qualidade do pasto ao longo do ano (GLADSTON, 2007).

Assim, alternativas tecnológicas como a produção de silagem devem ser integradas ao sistema de produção como forma de garantir sua eficiência e reduzir os custos com alimentação. Dentre as principais culturas utilizadas para a produção de silagem, destaca-se o sorgo, devido a vantagens como a elevada produção de forragem, menor exigência em fertilidade do solo e alta tolerância ao déficit hídrico (REZENDE et al., 2011).

Além da produção, é necessário conhecer a composição bromatológica dos alimentos fornecidos aos animais para posteriormente definir as estratégias de manejo alimentar. A análise de alimentos é um importante ponto para conhecer a composição química dos alimentos, na determinação do teor de substâncias nutritivas através da análise centesimal (SILVA e QUEIROZ, 2006).

A análise de alimento tradicional é considerada onerosa por parte dos produtores. É também demorada e sofre críticas com relação aos resíduos decorrentes do uso de reagentes. Nesse contexto a utilização da espectroscopia de reflectância do infravermelho próximo (NIRS), vem sendo aplicada com sucesso como uma alternativa as metodologias analíticas de composições bromatológicas (ONÓRIO et al., 2010).

A tecnologia NIRS permite a obtenção de forma não destrutiva da amostra, com informações sobre a composição química, sem gerar resíduos para o meio ambiente com obtenção dos resultados em menor tempo. E com potencial de previsão quantitativa de parâmetros principais, como proteínas, gorduras, umidade, relacionados à qualidade dos produtos agrícolas como grãos, farinhas, forragem, sementes oleaginosas, carnes e laticínios (WILLIAMS, 2001).

Portanto, objetivou-se avaliar a espectroscopia no infravermelho próximo para a previsão da composição em proteína bruta e digestibilidades in vitro da matéria seca e matéria orgânica da silagem de sorgo – BRS Ponta Negra e o BRS 658.

 

Materia e métodos

 

Desenho experimental

 

Foram utilizadas duas cultivares de sorgo – BRS Ponta Negra e o BRS 658, as mais recomendadas para o Nordeste brasileiro, cultivadas na safra 2018 e 2019, provenientes de unidades de referência tecnológica do projeto “Forrageiras para o semiárido”, parceria Embrapa/CNA, em diferentes municípios nos Estados de Alagoas, Paraíba, Sergipe, Ceará (Sobral e Ibaretama), Bahia (Baixa Grande e Itapetinga) e Minas Gerais (Carlos Chagas e Montes Claros). As cultivares foram ensiladas, em cada um dos municípios, quando atingiram o período de maturação do grão farináceo duro, com quatro repetições, totalizando 72 minissilos.

Visando aumentar o número de amostras, e adicionar mais variação aos dados para geração de modelos com maior faixa de amplitude, aumentando sua robustez, além das 72 amostras de silagem provenientes dos nove municípios acima mencionados, foram adicionadas 33 amostras de silagens de sorgo BRS Ponta Negra e BRS 658 de um ensaio realizado na Fazenda Três Lagoas, pertencente à Embrapa Caprinos e Ovinos, em Sobral/CE, em que as plantas foram colhidas e ensiladas nos estádios – E7 ou leitoso; E8 ou pastoso (PINHO,2014), assim como no estádio de grão duro (quando o grão estava passado da maturidade fisiológica), com cinco repetições. Com isso, o banco foi composto por 105 amostras de silagens de sorgo provenientes de minissilos de PVC.

As plantas de sorgo foram cultivadas em uma área de 6,5 x 6,0m conforme o período chuvoso de cada região. Na (Figura 1), podem ser observadas as precipitações pluviométricas acumulada correspondente aos municípios onde foram instaladas as áreas de cultivo.

 

Figura 1 – Precipitação pluviométrica em municípios do Nordeste brasileiro e Norte de Minas Gerais conforme o período chuvoso de cada região em meses dos anos de 2018 e 2019. Fonte: Dados da Rede do Instituto Nacional de Meteorologia (INMET, 2019) e estações meteorológicas nos municípios de Batalha – AL, Tenório – PB, Carira – SE, Baixa Grande – BA, Itapetinga – BA, Carlos Chagas – MG, Montes Claros – MG, Ibaretama – CE (2018).

 

Colheita e ensilagem

 

O corte das plantas foi realizado a uma altura de 20 cm do solo. A planta inteira foi posteriormente picada em picadeira estacionária em partículas entre 2 e 3 cm. A ensilagem foi realizada em minissilos de PVC, com tampas tipo Bunsen adaptadas para permitir o escape dos gases provenientes da fermentação. Em cada minissilo foi colocado 1,963 kg da massa picada, possuíam volume aproximado (3,927 dm³) com densidade de compactação média de 500 kg.m3.

Para deposição dos efluentes, na base dos minissilos continham 200g de areia, a qual foi separada por telas para impedir contato direto com a massa ensilada. A compactação foi realizada com êmbolo de madeira.

 

Composição físico-química e análises de referência

 

Todos os minissilos produzidos em outros municípios foram enviados à Embrapa Caprinos e Ovinos para, que junto como os minissilos produzidos na própria unidade, serem destinados a realização dos procedimentos analíticos no Laboratório de Nutrição Animal (LANA) e no Laboratório de NIR (LABNIR).

Logo após abertura de cada minissilo, a massa ensilada foi homogeneizada e retirada uma alíquota para mensuração do pH (SILVA, 1990). Para obtenção dos valores de referência, outra alíquota de cada minissilo, foi pré-seca e moída em moinho tipo Willey (1 mm) (SILVA e QUEIROZ, 2006) para determinação dos teores de matéria seca (MS) (AOAC, 2010), fibra em detergente neutro (FDN) (SENGER et al., 2008). O teor de nitrogênio total (N) foi determinado em sistema de combustão segundo método AOAC, (2010), utilizando um analisador de N LECO® CN628 (Leco Corp. St. Joseph, MI, EUA). Para conversão dos valores de N em proteína bruta (PB) usou-se a correção 6,25. A digestibilidade in vitro da matéria seca (DIVMS) e digestibilidade in vitro da matéria orgânica (DIVMO) das amostras foram determinadas utilizando incubadora automática tipo MA443 (MA443, Marconi Instrumentos para Laboratórios Ltda., Piracicaba, SP, Brasil), conforme princípios de técnica já estabelecida (TILLEY e TERRY, 1963), com segundo estágio feito em solução de FDN (SENGER et al., 2008).

 

Coleta dos espectros

 

As amostras secas e moídas, antes de terem seus espectros coletados foram para estufa de ventilação forçada a 55°C até que suas massas se estabilizassem (LYONS e STUTH, 1992). A coleta dos espectros foi realizada em instrumento NIR FOSS© 5000 (Foss NIR Systems Inc., Silver Spring, MD, USA), com comprimento de onda de 1100 a 2500 nm e intervalo espectral de 2 nm.

 

Análises quimiométricas

 

Logo após a coleta dos espectros das amostras, foi empregado um pré-tratamento matemático para correção de espalhamento pela técnica de Correção Multiplicativa de Sinal (MSC) (CHEN et al., 2013). Assim como também, utilizou-se a técnica multivariada de reconhecimento padrão não supervisionada, a análise de componentes principais (PCA), para a análise exploratória das amostras, a fim de avaliar a formação de grupos (LYRA et al., 2010) nas amostras de silagens de sorgo BRS 658 e BRS Ponta Negra.

 

Desenvolvimento dos modelos

 

Previamente ao desenvolvimento dos modelos os dados passaram por análises exploratórias utilizando a técnica de Análise de Componentes Principais (PCA) na elipse de Hotelling (estatística T2 de Hotelling), visando detectar amostras anômalas (outliers), utilizando o software The Unscrambler versão 10.2 (Camo Inc, AS, Norway).

Em seguida, observando a maior variabilidade entre as amostras, usou-se a ferramenta de seleção “Evenly Distributed Samples, do software The Unscrambler® versão 10.2 (Camo Inc), selecionando amostras para compor o banco de calibração (75% das amostras) para construção dos modelos e o banco de validação (25% das amostras) para validação independente.

Para cada constituinte, os espectros das amostras coletadas foram submetidos a diferentes pré-tratamentos matemáticos, isolados ou combinados, como a MSC, variação normal padrão (SNV), transformação pela primeira ou segunda derivadas de Savitzky-Golay (BROWN et al., 2000).

Os modelos de calibração multivariada foram desenvolvidos pela regressão por Mínimos Quadrados Parciais (PLS). O número de fatores PLS foi determinado pela validação cruzada (cross-validation) procedimento “leave-one-out” (GELADI e KOWALSKI, 1986). Na validação independente foi utilizado o banco de dados separado (25% das amostras). Após os modelos serem gerados para todos os pré-tratamentos empregados, procedeu-se a seleção dos mais ajustados para cada variável dependente.

Os desempenhos dos modelos desenvolvidos foram determinados de acordo com a raiz quadrada média do erro da calibração (RMSEC), da validação cruzada (RMSECV) e da predição (RMSEP), bem como o coeficiente de determinação (R2) dos valores previstos e de referência (WILLIAMS e SOBERING, 1993; WILLIAMS, 2001) e o número de fatores aplicados na calibração, como propôs (PASQUINI, 2003).

 

Análises estatísticas

 

Os dados de composição bromatológica das cultivares foram analisados por meio de análise de variância (teste F) e de teste de comparação de médias. O delineamento experimental utilizado foi inteiramente casualizado, em um arranjo fatorial 2 x 9 (duas cultivares versus 9 municípios) com 4 repetições. As médias foram comparadas pelo teste de Tukey (p<0,05). Como ferramenta de auxílio às análises estatísticas, utilizou-se o programa computacional SAS® (SAS® Institute, 2002).

Para validação, as médias dos valores de PB, DIVMS e DIVMO, previstos pelo modelo e observados na análise laboratorial, foram comparados por meio de análise de variância (teste F), com auxílio do software estatístico SPSS, versão 22 (IBM Corporation, New York, EUA) e para análise estatística descritiva utilizou-se o software The Unscrambler versão 10.2 (Camo Inc, AS, Norway).

 

Resultados e discussão

 

Valores médios de pH, teores de MS e FDN da silagem de sorgo em municípios nos Estados do Nordeste brasileiro e Norte de Minas Gerais

 

Os resultados apresentados na (Tabela 1), mostram que não houve interação entre as cultivares e os municípios. Porém, para os valores de pH verificou-se efeito significativo do município sobre a cultivar BRS 658, com maior valor observado para a silagem produzida no município de Ibaretama – CE (4,23). Também houve diferença para os valores de pH entre os municípios para a cultivar BRS Ponta Negra, com maior valor para o município Batalha – AL. Verificou-se ainda, diferença entre as cultivares BRS 658 e BRS Ponta Negra nos diferentes municípios (Batalha – AL, Tenório – PB, Carira – SE, Itapetinga – BA, Carlos Chagas – MG e Ibaretama – CE). Apesar das diferenças observadas, os valores de pH registrados nas mensurações (3,55 e 4,38) são indicativos de que houve uma adequada fermentação. Esses valores encontrados no presente estudo, se enquadram no intervalo determinado de 3,6 a 4,2, para silagens bem conservada (McDONALD et al., 1991; RIBEIRO et al., 2007).

Para os teores de MS (Tabela 1), observou-se diferença para as silagens da cultivar BRS 658 nos diferentes municípios, com maiores teores observados para Carira – SE e Tenório – PB, 42,23% e 42,11%, respectivamente. A cultivar BRS 658 apresentou maior teor de MS da silagem em todos os municípios em relação a cultivar BRS Ponta Negra, variando de 29,89% a 42,23%.

 

Tabela 1 – Valores médios de pH e composição bromatológica das silagens de sorgo BRS 658 e BRS Ponta Negra nos municípios de Batalha – AL, Tenório – PB, Carira – SE, Baixa Grande – BA, Itapetinga – BA, Carlos Chagas – MG, Montes Claros – MG, Ibaretama – CE e Sobral – CE, com épocas de colheita definida no estádio dos grãos farináceo duro
BA-AL
TE-PB
CA-SE
BG-BA
IT-BA
CC-MG
MC-MG
IB-CE
SO-CE
Cultivar
pH
Média
BRS 658
3.84Bbc
3.94Ab
3.94Ab
3.95Ab
3.73Ac
3.82Abc
3.68Ac
4.23Aa
3.65Ac
3.86
BRS PN
4.38Aa
3.68Bde
3.73Bcd
3.82Abc
3.55Be
3.58Be
3.65Ade
3.92Bb
3.71Acde
3.78
Média
4.11
3.81
3.84
3.89
3.64
3.70
3.67
4.07
3.68
MS%
Média
BRS 658
36.92Ac
42.11Aa
42.23Aa
41.58Aab
30.58Ad
38.11Abc
29.89Ad
39.56Aabc
31.68Ad
36.96
BRS PN
30.25Bb
34.06Ba
26.14Bc
34.96Ba
27.02Bbc
26.03Bc
26.18Bc
22.36Bd
20.82Bd
27.53
Média
33.58
38.08
34.19
38.27
28.80
32.07
28.04
30.96
26.25
FDN%
Média
BRS 658
52.08Ad
71.52Aa
56.64Acd
63.45Ab
61.61Abc
74.04Aa
70.63Aa
64.01Ab
59.12Bbc
63.55
BRS PN
47.55Ac
49.86Bbc
55.04Ab
65.56Aa
64.81Aa
65.59Ba
66.01Aa
67.49Aa
65.15Aa
60.90
Média
49.81
60.69
55.84
64.50
63.21
69.81
68.32
65.75
62.14
pH – potencial hidrogeniônico; MS – Matéria seca; FDN – fibra em detergente neutro. Médias seguidas por letras maiúsculas distintas na coluna diferem (P<0,05) entre si pelo teste de Tukey; Médias seguidas por letras minúsculas diferentes na linha diferem (P<0,05) entre si pelo teste de Tukey.

 

Para a silagem da cultivar BRS Ponta Negra, observou-se diferença nos teores de MS nos diferentes municípios, com maiores teores observados para Baixa Grande – BA e Tenório – PB. Infere-se que os resultados obtidos estejam relacionados a fatores edafoclimáticos (Figura 1) de cada região, com consequente impacto na fisiologia e bioquímica da planta (NEUMANN et al., 2008), mas sem impacto relevante para a qualidade das silagens produzidas.

Em relação aos valores de FDN das silagens, verificou-se efeito significativo dos municípios para cultivar BRS 658 (Tabela 1), com maiores teores observados para Tenório – PB, Carlos Chagas – MG e Montes Claros – MG. Também houve diferença significativa para BRS Ponta Negra nos diferentes municípios, com maiores teores observados para Baixa Grande – BA, Itapetinga – BA, Carlos Chagas – MG, Montes Claros – MG, Ibaretama – CE e Sobral – CE. Assim como também, houve diferença entre as cultivares nos municípios Tenório – PB, Carlos Chagas – MG e Fazenda Três Lagoas – CE para teores de FDN. Apesar das diferenças verificadas, os teores de FDN das silagens estão em conformidade com os relatados na literatura, onde pesquisadores avaliando híbridos de sorgos forrageiros (AGX-213 e AG2002), observaram teores de FDN entre 66,62% e 73,66% (NEUMANN et al., 2004).

No geral, as diferenças observadas entre as cultivares e municípios na composição bromatológica e pH, são importantes para o presente estudo, por adicionar a variabilidade desejada para o desenvolvimento de modelos NIR. Dado que fatores como o local de plantio e, consequentemente, as condições edafoclimáticas alteram o perfil físico-químico da planta, mesmo colhidas em estádio semelhante de maturação dos grãos, contemplando uma variação espacial, geográfica, tornando os modelos mais robustos.

 

Modelos NIR para previsão de proteína bruta (PB), digestibilidade in vitro da matéria seca (DIVMS) e digestibilidade in vitro da matéria orgânica (DIVMO)

 

Variações sistemáticas nos espectros brutos da silagem de sorgo são observadas (Figura 2A), especialmente devido tamanho de partícula, espalhamento de luz no momento da coleta dos espectros. A fim de reduzir estes efeitos, foi aplicado a MSC, pode-se observar semelhanças no perfil espectral após aplicação do pré-tratamento (Figura 2B).

 

Figura 2 – Distribuição do perfil espectral das 105 amostras de silagens de sorgo, (A) Espectros brutos e (B) espectros aplicando o tratamento com MSC.

 

As amostras não foram consideradas significativamente diferentes dentro dos limites da elipse de Hotelling (estatística T2 de Hotelling), possibilitando que sejam trabalhadas em um único grupo no desenvolvimento de modelos para silagem de sorgo (Figura 3).

 

Figura 3 – Análise exploratória dos espectros de amostras de silagem de sorgo BRS 658 e BRS Ponta Negra, cultivadas em diferentes estados do Nordeste brasileiro e Norte de Minas Gerais com época de corte definida quanto ao estádio de maturação dos grãos (farináceo duro), e cultivadas no município de Sobral/CE, com épocas de corte definidas pelos estádios de maturação dos grãos (leitoso, pastoso e duro) PC1 (83%) versus PC2 (8%). Limites estabelecidos por elipse Hotelling (estatística T2 de Hotelling).

 

O valor médio observado para PB (8,04%) e valor mínimo (5,70%) (Tabela 2) está dentro da faixa de 4,5 a 8,2% registrada para silagens de sorgo (WHITE et al., 1988; LIMA et al., 2017). Verificou-se valor máximo de (13,59%) para PB. O sorgo pode conter teor de proteína de até 18% em seus grãos (ANTUNES et al., 2007). Deste modo, genótipos com maior quantidade de panículas também serão mais ricos em PB.

Para as digestibilidades (Tabela 2), observou-se que o valor médio de DIVMS (58,41%) e DIVMO (59,17%) das silagens de sorgo deste estudo, estão dentro do intervalo de 44,6 a 62,1%. Intervalo esse relatado na literatura na avaliação de diferentes cultivares de sorgo (WHITE et al., 1998; NEUMANN et al., 2002; ANTUNES NETO et al., 2016;). A maior amplitude nos valores de referência, tanto de proteína bruta, quanto de digestibilidade, indica que a estratégia empregada para formar o banco de dados foi satisfatória por obter uma ampla variação, o que contribui para acurácia e robustez dos modelos.

 

Tabela 2 – Estatística descritiva dos parâmetros de proteína bruta (PB), digestibilidade in vitro da matéria seca (DIVMS) e digestibilidade in vitro da matéria orgânica (DIVMO) da silagem de sorgo
Parâmetro
N
Média (%)
Min/Máx (%)
DP
PB
105
8.04
5.70-13.59
1.52
DIVMS
105
58.41
33.90-79.14
12.73
DIVMO
105
59.17
35.17-80.17
12.31
 N (número de amostras); Min/Máx (média mínima e máxima); DP (desvio padrão).

 

Os melhores modelos para PB foram aqueles que utilizaram a MSC + 1ª derivada Savitzky-Golay com 2 janelas (MSC + 1 Der 2), SNV e SNV + 2ª derivada Savitzky-Golay com 1 janela (SNV + 2 Der 1) (Tabela 3). Os parâmetros para avaliação de desempenho do melhor modelo para PB foram baseados nos valores mais altos de R2 para calibração, validação e predição (0,78, 0,65 e 0,68 – SNV) respectivamente e menor RMSEC (0,68), RMSECV (0.87) e RMSEP (0,93), além do número de fatores (7).

 

Tabela 3 – Modelos de calibração e validação utilizando a regressão PLS para proteína bruta (PB), digestibilidade in vitro da matéria seca (DIVMS) e digestibilidade in vitro da matéria orgânica (DIVMO) de silagens de sorgo utilizando diferentes tratamentos matemáticos
Pré-tratamentos
Calibração
Validação
Predição
N
R2
RMSEC
R2
RMSECV
R2
RMSEP
PB
MSC
5
0.68
0.83
0.58
0.96
0.50
1.15
SNV
7
0.78
0.68
0.65
0.87
0.68
0.93
MSC + 1 Der
4
0.68
0.83
0.58
0.98
0.48
1.18
MSC + 1 Der 2
5
0.70
0.80
0.57
0.99
0.57
1.08
SNV + 2 Der 1
3
0.72
0.78
0.58
0.96
0.52
1.13
DIVMS
SG1.1
7
0.79
5.96
0.69
7.42
0.58
6.96
SG1.2
7
0.74
6.71
0.63
8.07
0.64
6.40
MSC + 1 Der 2
5
0.70
7.27
0.61
8.35
0.54
7.22
MSC + 2 Der 2
3
0.66
7.67
0.57
8.73
0.62
6.63
MSC + 2 Der 4
3
0.66
7.75
0.58
8.62
0.50
7.55
DIVMO
SNV
4
0.65
7.67
0.60
8.36
0.68
5.57
SG2.2
4
0.72
6.84
0.61
8.18
0.48
7.09
MSC + 1 Der 3
6
0.82
5.36
0.72
6.68
0.56
6.54
MSC + 1 Der 4
3
0.63
7.93
0.58
8.55
0.58
6.38
SNV + 1 Der 4
5
0.71
6.95
0.61
8.34
0.49
7.01
N = Número de fatores; R2 = coeficiente de determinação; RMSEC = erro da raiz quadrada média da calibração; RMSECV = erro da raiz quadrada média da validação cruzada; RMSEP = erro da raiz quadrada média da predição. MSC= Correção Multiplicativa de Sinal; SNV= Variação Normal Padrão; 1 Der = 1ª derivada; 2 Der = 2ª derivada.  SG1 – Derivadas Savitzky-Golay, primeira derivada.

 

Na avaliação do desempenho dos modelos de DIVMS os parâmetros para avaliação foram baseados no equilíbrio dos valores mais altos de R2 para calibração, validação e predição (0,79, 0,69, 0,58 SG+1Der) e menor RMSEC, RMSECV e RMSEP (5,96, 7,42, 6,96) respectivamente.

Para DIVMO o modelo MSC + 1a derivada Savitzky-Golay com 3 janelas (MSC+1Der3) foi o que apresentou maior desempenho por ter apresentado maior R2 e menor erro na calibração, validação e predição.

Verifica-se que o modelo para proteína bruta utilizando o tratamento SNV, apresentou maior R2 de calibração (0,78) e com maior R2 de validação cruzada (0,65) e menor RMSEC (0,68), porém com um maior número de fatores utilizados (7) (Figura 4A). Na realização da predição, verificou-se um aumento do R2 (0,68) e do RMSEP (0,93) demonstrando, portanto, a capacidade de predição do modelo.

 

Figura 4 – Modelos de calibração e validação (validação cruzada) utilizando o tratamento SNV (A) e PLS da validação do modelo de silagem de sorgo para proteína bruta (B).

 

Observa-se que o modelo SG+1Der para DIVMS (Figura 5) apresentou maior R2 na calibração, validação e predição (0,79, 0,69, 0,58) e menor RMSEC, RMSECV e RMSEP (5,96, 7,42, 6,96) respectivamente. Assim como o modelo MSC+1Der3 para DIVMO (Figura 6) apresentou maior R2 na calibração, validação e predição (0,82, 0,72, 0,56) e menor RMSEC, RMSECV e RMSEP (5,37, 6,68, 6,54) respectivamente.

 

Figura 5 – Modelos de calibração e validação (validação cruzada) utilizando o tratamento SG+1Der (A) e PLS da validação do modelo de silagem de sorgo para digestibilidade in vitro da matéria seca (B).

 

Figura 6 – Modelos de calibração e validação (validação cruzada) utilizando o tratamento MSC+1Der3 (A) e PLS da validação do modelo de silagem de sorgo para digestibilidade da matéria orgânica (B).

 

Os modelos de previsões dos teores de digestibilidade (Figura 5 e 6), por ser uma análise mais laboriosa quando confrontada com o observado na análise de proteína bruta, em geral agregam maior erro em função da dificuldade de estimativa do teor de digestibilidade, o que resulta na inserção de erros sistemáticos e aleatórios nos modelos de previsão (OLIVEIRA, 2005). No entanto, os modelos para digestibilidade mostraram-se também coerentes, possivelmente devido ao planejamento experimental, e à análise criteriosa nos dados de referência resultando em pertinentes resultados observados nos modelos.

A análise estatística das médias dos valores preditos pelos modelos selecionados em relação aos valores de laboratório (Teste F) demonstrou não haver diferença significativa (p<0,05), para nenhuma das variáveis analisadas (Tabela 4), confirmando a capacidade preditiva do modelo.

 

Tabela 4 – Parâmetros estatísticos de validação externa dos modelos proteína bruta (PB), digestibilidade in vitro da matéria seca (DIVMS) e digestibilidade da matéria orgânica (DIVMO) da silagem de sorgo
Silagem
Parâmetro
N
Pré-tratamento
Previsão
Referência
Sorgo
PB
26
SNV
7.95**
7.96
Sorgo
DIVMS
25
SG+1Der
59.35**
57.63
Sorgo
DIVMO
27
MSC+1Der
60.24**
58.87
N (número de amostras); MSC= Correção Multiplicativa de Sinal; SNV= Variação Normal Padrão; 1 Der= 1ª derivada; SG1 – Derivadas Savitzky-Golay, 1ª derivada. **Valores de previsão não diferem estatisticamente do valor de referência pelo teste de F a 5% de significância.

 

Conclusão

 

A espectroscopia no infravermelho próximo associada às técnicas de quimiometria, previu com acurácia os teores de proteína bruta, digestibilidade in vitro da matéria seca e digestibilidade in vitro da matéria orgânica de silagens de cultivares de sorgo – BRS Ponta Negra e o BRS 658.

 

Conflitos de interesse

 

Não houve conflito de interesses dos autores.

 

Contribuição dos autores

 

Valcicleide Oliveira dos Santos – trabalho da dissertação de mestrado, coleta de dados, interpretação, escrita; Marco Aurélio Delmondes Bomfim – orientador da primeira autora, ideia original, revisão e correção; Sueli Freitas dos Santos – coleta de dados, revisão e correção; Rafael Gonçalves Tonucci – revisão e correção; Ana Clara Rodrigues Cavalcante – revisão e correção; Igor Cassiano Saraiva Silva – coleta de dados; Ana Karina de Lima Chaves – coleta de dados; Patrício Leandro Pereira – coleta de dados.

 

Referências bibliográficas

 

ANTUNES NETO, O.; CALIXTO, A. M.; CHAVES, F. F.; PESSOA, S. T. Produção de silagem de sorgo BRS Ponta Negra em pequenas propriedades no Norte de Minas Gerais. In: CONGRESSO NACIONAL DE MILHO E SORGO, 31. Bento Gonçalves. Milho e sorgo: inovações, mercados e segurança alimentar. Anais… Sete Lagoas: Associação Brasileira de Milho e Sorgo, 2016. http://www.alice.cnptia.embrapa.br/alice/handle/doc/1055647

ANTUNES, R. C.; RODRIGUES, N. M.; GONÇALVES, L. C.; RODRIGUES, J. A. S.; BORGES, I.; BORGES, A. L. C. C.; SALIBA, E. O. S. Composição bromatológica e parâmetros físicos de grãos de sorgo com diferentes texturas do endosperma. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, v. 59, n. 5, p. 1351-1354, 2007. https://doi.org/10.1590/S0102-09352007000500042

AOAC. Association of Official Analytical Chemists. Official Methods of Analysis. 18th ed. Rev. Gaithersburg, Maryland, USA, 2010, 3000p.

BARROS, C. S.; MONTEIRO, A. L. G.; POLI, C. H. E. C.; DITTRICH, J. R.; CANZIANI, J. R. F.; FERNANDES, M. A. M. Rentabilidade da produção de ovinos de corte em pastagem e em confinamento. Revista Brasileira de Zootecnia, v. 38, n. 11, p. 2270-2279, 2009. https://doi.org/10.1590/S1516-35982009001100029

BROWN, C. D.; VEGA-MONTOTO, L.; WENTZELL, P. D. Derivative preprocessing and optimal corrections for baseline drift in multivariate calibration. Applied Spectroscopy, v. 54, n. 7, p. 1055-1068, 2000. https://doi.org/10.1366/0003702001950571

CHEN, Y.; XIE, M.; ZHANG, H.; WANG, Y., NIE, S; E LI, C. Quantification of total polysaccharides and triterpenoids in Ganoderma lucidum and Ganoderma atrum by near infrared spectroscopy and chemometrics. Food Chemistry, v. 135, p. 268-275, 2013. https://doi.org/10.1016/j.foodchem.2012.04.089

GELADI, P.; KOWALSKI, B. R. Partial least regression: a tutorial. Analytica Chimica Acta, v. 185, p. 1-17, 1986. https://doi.org/10.1016/0003-2670(86)80028-9

HOTELLING, H. Analysis of a complex of statistical variables into principal components. Journal of Educational Psychology, v. 24, n. 6, p. 417-441, 1933. https://doi.org/10.1037/h0071325

INMET. Instituto Nacional de Meteorologia. Dados históricos de Sobral – CE, em 2019. Disponível em: <http://www.inmet.gov.br/portal/index.php?r=home/page&page=rede_estacoes_auto_grf>. Acesso em 20 jan. 2020.

LIMA, L. O. B.; PIRES, D. A. A.; MOURA, M. M. A.; RODRIGUES, J. A. S.; TOLENTINO, D. C.; VIANA, M. C. M. Agronomic traits and nutritional value of forage sorghum genotypes. Acta Scientiarum. Animal Sciences, v. 39, n. 1, p. 7-12, 2017. https://doi.org/10.4025/actascianimsci.v39i1.32356

LYONS, R. K.; STUTH, J. W. Fecal NIRS equations for predicting diet quality of free-ranging cattle. Journal of Range Management, v. 45, n. 3, p. 238-244, 1992. http://hdl.handle.net/10150/644711

LYRA, W. D. S.; SILVA, E. C. D.; ARAÚJO, M. C. U. D.; FRAGOSO, W. D.; VERAS, G. Classificação periódica: um exemplo didático para ensinar análise de componentes principais. Química Nova, v. 33, n. 7, p. 1594-1597, 2010. https://doi.org/10.1590/S0100-40422010000700030

MCDONALD, P.; HENDERSON, A. R.; HERON, S. J. E. The Biochemistry of Silage. 2nd ed. Aberystwyth: Chalcombe Publications, 1991, 340p.

NEUMANN, M.; RESTLE, J.; ALVES FILHO, D. C.; BRONDANI, I. L.; PELLEGRINI, L. G.; FREITAS, A. K. Avaliação do valor nutritivo da planta e da silagem de diferentes híbridos de sorgo (Sorghum bicolor, L. Moench). Revista Brasileira de Zootecnia, v. 31, n. 1, p. 293-301, 2002. https://doi.org/10.1590/S1516-35982002000200002

NEUMANN, M.; RESTLE, J.; NÖRNBERG, J. L.; ALVES, D. C.; MELLO, R. O.; SOUZA, A. N. M.; PELLEGRINI, L. G. Avaliação da qualidade e do valor nutritivo da silagem de híbridos de sorgo (Sorghum bicolor, L. Moench). Revista Brasileira de Milho e Sorgo, v. 3, n. 1, p. 120-133, 2004. https://doi.org/10.18512/1980-6477/rbms.v3n01p%25p

NEUMANN, M.; RESTLE, J.; NÖRNBERG, J. L.; OLIBONI, R.; PELLEGRINI, L. G.; FARIA, M. V.; OLIVEIRA, M. R. Efeito associativo do espaçamento entre linhas de plantio, densidade de plantas e idade sobre o desempenho vegetativo e qualitativo do sorgo forrageiro. Revista Brasileira de Milho e Sorgo, v. 7, n. 2, p. 165-181, 2008. https://doi.org/10.18512/1980-6477/rbms.v7n02p%25p

OLIVEIRA, T. F. Análise das incertezas na quantificação de fase pelo método de Rietveld em análise de pó por difração de raios X. 161p. Tese (Doutorado). Departamento de Engenharia de Industrial, Pontifícia Universidade Católica do Rio de Janeiro, 2005. https://doi.org/10.17771/PUCRio.acad.6377

ONÓRIO, D. F.; SEIXAS, F. A. V. Uso de FT – NIR para a identificação e quantificação de microrganismos em alimentos. Uningá Review, v. 3, n. 1, p. 62-70, 2010. https://revista.uninga.br/uningareviews/article/view/495

PASQUINI, C. Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, v. 14, n. 2, p. 198-219, 2003. https://doi.org/10.1590/S0103-50532003000200006

PEREIRA FILHO, I. A.; PARRELLA, R. A. C.; MOREIRA, J. A. A.; MAY, A.; SOUZA, V. F.; CRUZ, J. C. Avaliação de cultivares de sorgo sacarino [Sorghum bicolor (L.) Moench] em diferentes densidades de semeadura visando a características importantes na produção de etanol. Revista Brasileira de Milho e Sorgo, v. 12, n. 2, p. 118-127, 2013. https://doi.org/10.18512/1980-6477/rbms.v12n2p118-127

PINHO, R. G.; FIORINI, I. V. A.; SANTOS, A. O. Botânica de planta do sorgo. In: BORÉM, A.; PIMENTEL, l.; PARELLA, R. (Eds.). Sorgo do plantio à colheita. Ed UFV,  p. 37-57, 2014.

REZENDE, G. M.; PIRES, D. A. A.; BOTELHO, P. R. F.; JÚNIOR, V. R. R.; SALES, E. C. J.; JAYME, D. G.; REIS, S. T.; PIMENTEL, L. R.; LIMA, L. O. B.; KANEMOTO, E. R.; MOREIRA, P. R. Características agronômicas de cinco genótipos de sorgo [Sorghum bicolor (L.) Moench], cultivados no inverno, para a produção de silagem. Revista Brasileira de Milho e Sorgo, v. 10, n. 2, p. 171-179, 2011. https://doi.org/10.18512/1980-6477/rbms.v10n2p171-179

RIBEIRO, C. G. M.; GONÇALVES, L. C.; RODRIGUES, J. A. S.; RODRIGUEZ, N. M.; BORGES, I.; BORGES, A. L. C. C.; SALIBA, E. O. S.; CASTRO, G. H. F.; RIBEIRO JUNIOR, G. O. Padrão de fermentação da silagem de cinco genótipos de sorgo. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, v. 59, n. 6, p. 1531-1537, 2007. https://doi.org/10.1590/S0102-09352007000600028

SANTOS, G. R. A. Caracterização da vegetação e da dieta de ovinos em área de Caatinga no Sertão de Pernambuco. 135f. Tese (Programa de Pós-Graduação em Zootecnia) – Universidade Federal Rural de Pernambuco, Recife, 2007. http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/6819

SENGER, C. C. D.; KOZLOSKI, G. V.; SANCHEZ, L. M. B.; MESQUITA, F. R.; ALVES, T. P.; CASTAGNINO, D. S. Evaluation of autoclave procedures for fibre analysis in forage and concentrate feedstuffs. Animal Feed Science and Technology, v. 146, n. 1/2, p. 169-174, 2008. https://doi.org/10.1016/j.anifeedsci.2007.12.008

SILVA, D. J. Análise de Alimentos (Métodos Químicos e Biológicos). 2ª ed. FV, Vicosa, MG, 1990, 165p.

SILVA, D. J.; QUEIROZ, A. C. Análise de Alimentos: Métodos Químicos e Biológicos. 3ª ed. UFV, Viçosa, MG, 2006, 235p.

TILLEY, J. M. A.; TERRY, R. A. A two-stage technique for the in vitro digestion of forage crops. Journal of British Grassland Society, v. 18, n. 2, p. 104-111, 1963. https://doi.org/10.1111/j.1365-2494.1963.tb00335.x

WHITE, J.; BOLSEN, K.; KIRCH, B. PFAFF, L. Selecting forage sorghum cultivars for silage. Manhattan: Kansas Agricultural Experimental Station, 1988, 8p. (KSU. Report of Progress, 539).

WILLIAMS, P. C.; NORRIS, K. H. Implementation of near-infrared technology. In: Near-Infrared Technology in the Agricultural and Food Industries. 2ª ed. St. Paul: American Association of Cereal Chemists, p. 145-169, 2001.

WILLIAMS, P. C.; SOBERING, D. C. Comparison of commercial near infrared transmittance and reflectance instruments for analysis of whole grains and seeds. Journal of Near Infrared Spectroscopy, v. 1, n. 1, p. 25-33, 1993. https://doi.org/10.1255/jnirs.3

 

 

 

Recebido em 16 de janeiro de 2023

Retornado para ajustes em 25 de março de 2023

Recebido com ajustes em 28 de março de 2023

Aceito em 2 de abril de 2023