INTRODUCCIÓN

Determinar con precisión el consumo de materia seca (CMS) es fundamental en la producción ganadera. A partir de este valor se establecen planes de manejo nutricional y estrategias de suplementación acordes con los requerimientos animales en procura de un uso eficiente y racional de los nutrientes. En la práctica, determinar el CMS en vacunos es una tarea difícil, laboriosa y costosa. Diferentes metodologías han sido desarrolladas para cuantificar el CMS. Estas metodologías se pueden dividir en dos grupos: métodos directos que incluyen aforos a la entrada y salida de los animales del potrero y en el caso de animales estabulados, por diferencia entre el forraje ofrecido y rechazado (^{Macoon et al., 2003}); los métodos indirectos emplean marcadores indigestibles (Cr₂O₃, TiO₂, n-alcanos, lignina, entre otros) (^{Mayes y Dove, 2000}), espectroscopia de infrarrojo cercano (^{Evangelista et al., 2021}), evaluación del comportamiento animal y modelos matemáticos para predecir el consumo (^{De Souza et al., 2019}). Inevitablemente, todas las metodologías presentan limitantes, que en el caso de los marcadores indigestibles, están asociadas con la dosis, la frecuencia de suministro, la palatabilidad, la tasa de recuperación y el costo de su determinación (^{Velásquez et al., 2018}).

Los aforos de forraje a la entrada y salida de los animales del potrero están sujetos a errores en la determinación de la disponibilidad de forraje y la altura de pastoreo, además de no permitir mediciones individuales del consumo (^{Dulphy y Demarquilly, 1994}). Por su parte, la amplia gama de modelos matemáticos disponible en la literatura centra sus predicciones en características del animal (requerimiento de energía, peso vivo, días en leche, producción y composición de la leche) y del alimento (concentraciones de fibra, almidones, proteína y lignina), dejando de lado variables importantes que determinan el consumo, como son la condición corporal, el número de lactancias, las señales quimiostáticas, la disponibilidad de forraje y condiciones ambientales como temperatura y humedad relativa (^{Mazumder y Kumagai, 2006}).

Recientemente en la producción pecuaria ha crecido de manera vertiginosa el uso de sensores remotos, drones, análisis de imágenes e internet, tecnologías que se han orientado a la captura de información en tiempo real buscando facilitar la toma de decisiones (^{Lovarelli et al., 2020}). Dentro de este grupo de dispositivos los acelerómetros han cobrado relevancia para monitorear el comportamiento animal por su bajo costo, autonomía, reducida interferencia con el comportamiento animal y minimización del error humano (^{Bidder et al., 2014}). Recientes investigaciones relatan el uso de acelerómetros para describir el comportamiento alimentario de vacunos basados en la posición de la cabeza al momento de la ingestión de alimento (^{Arcidiacono et al., 2017}; ^{Grinter et al., 2019}). Brevemente, un acelerómetro es un dispositivo que mide la fuerza generada por el cambio de movimiento de un cuerpo (aceleración) y al mismo tiempo determina la dirección en que se sucede esa aceleración. El acelerómetro se acompaña de un giroscopio que mide la velocidad angular, que, al ser integrada con respecto al tiempo, hace posible determinar el desplazamiento angular de un cuerpo estableciendo así su posición. En este contexto, este trabajo tuvo por objetivo evaluar el uso de acelerómetros para determinar el consumo de materia seca de pasto (CMSp) en vacas lecheras.

METODOLOGÍA

El experimento fue realizado en la hacienda “La Montaña”, propiedad de la Universidad de Antioquia, localizada en el municipio de San Pedro de los Milagros (Ant., Colombia), a 2468 msnm, con una temperatura y precipitación media anual de 14.2º C y 2923 mm, respectivamente. De acuerdo con. la clasificación propuesta por Köppen, el clima de la región se cataloga como templado húmedo de montaña.

Animales y manejo

Quince vacas Holstein en segundo tercio de lactancia (155(60 días en leche), con una producción media de 22(3.2 l/día y con un peso vivo promedio de 545(30 kg fueron estabuladas en un galpón abierto, con ventilación e iluminación natural en corrales individuales (6 m²) que disponían de comedero y bebedero. El comedero tenia las siguientes dimensiones 55 cm x 100 cm x 55 cm (largo x ancho x alto) y el bebedero estaba provisto con válvula de llenado automático que garantizó una oferta continua de agua fresca y limpia. Las instalaciones contaban con techo para proteger a los animales de la radiación solar directa y evitar el estrés térmico. Para prevenir lesiones pódales y aislar a los animales de la humedad, el piso de concreto del galpón se cubrió con tapetes de caucho. Un periodo de 21 días fue establecido para adaptar a los animales a las condiciones de estabulación y manejo.

Los animales fueron divididos en dos grupos, un grupo de construcción del modelo de CMSp (n = 5) y un grupo de validación del modelo (n = 10). Los animales se alimentaron con pasto Kikuyo (Cenchrus clandestinus) fresco, el cual era cortado en horas de la mañana y suministrado a cada animal en su comedero. Para estimular el consumo y garantizar la oferta continua de pasto verde, los comederos fueron abastecidos con pasto en tres horarios (a las 8, 12 y 16 horas), previo pesaje para determinar la cantidad ofrecida. Para garantizar un consumo ad libitum, las sobras debían corresponder al 20% del alimento suministrado en el día. El consumo diario de pasto se determinó por diferencia entre el alimento ofrecido y rechazado. Adicionalmente, los animales fueron suplementados al momento del ordeño (5 y 14 horas) con 5.5(0.8 kg de alimento concentrado. Los tiempos de consumo de concentrado no fueron considerados para la construcción del modelo porque las tasas de consumo de pastos y suplementos concentrados son disimiles.

Análisis químico del alimento

Muestras diarias del pasto ofrecido y rechazado fueron colectadas y analizadas en el laboratorio para determinar sus concentraciones de materia seca (MS) por secado en estufa de ventilación forzada a 65º C hasta alcanzar peso constante. Las concentraciones de proteína cruda, fibra en detergente neutro, fibra en detergente ácido, fibra cruda, almidón, extracto etéreo y cenizas en el pasto y el concentrado fueron realizadas a través de espectroscopia de infrarrojo cercano (NIRS). La energía bruta de los alimentos se determino en bomba calorimétrica. En la Tabla 1 se describe la composición química del pasto Kikuyo y el suplemento concentrado consumido por los animales durante el periodo experimental.

Tabla 1: Composición química del pasto Kikuyo (Cenchrus clandestinus) y del suplemento concentrado, valores expresados como porcentaje de la materia seca (MS) 

Captura de datos para la construcción del modelo

Los cinco animales del grupo de construcción del modelo de predicción del CMSp portaron un acelerómetro (WitMotion-model BWT61CL) ajustado en la región atlanto-occipital mediante un cabezal. El acelerómetro se programó para medir la posición angular de la cabeza en tres ejes (x, y, z) 14 veces/segundo en periodos de 24 horas. Dado que la predicción del modelo se fundamenta en la asociación entre la posición de la cabeza y la actividad del animal, una aplicación para teléfono celular fue desarrollada. La aplicación se sincroniza con el tiempo de medición del acelerómetro y personal entrenado registra simultáneamente las mediciones del acelerómetro y el comportamiento alimentario del animal (“0” = no consume; “1” = consume). La actividad alimentaria de cada animal fue registrada durante 4 horas continuas por día (0800 a 1200 horas), durante un periodo de 5 días, obteniendo en total 1.008.000 datos/animal/5 días. Posteriormente, las bases de datos de la aplicación móvil y el acelerómetro se fusionaron para ser procesadas (Figura 1).

Fig. 1: Captura y flujo de información. Un acelerómetro (1) registra y almacena en un celular (2) la posición angular de la cabeza. Un observador (3) registra la actividad del animal, los datos se fusionan y procesan en un ordenador (4). 

Construcción y calibración del modelo

Se diseño una red neuronal artificial de perceptrón multicapa (RNA) (^{Villada et al., 2016}) capaz de predecir el tiempo de consumo basado en los ángulos de posición de la cabeza. La base de datos para la construcción del modelo fue dividida en dos grupos. El primer conjunto de datos correspondió al 70% de la base de datos y se destinó para el entrenamiento de la RNA, el 30% restante de los datos constituyó el segundo grupo y se empleó para la verificación de la capacidad de predicción de la RNA.

La RNA tuvo la siguiente arquitectura: una neurona de entrada, que correspondió al ángulo de posición de la cabeza en el eje “y”, tres capas ocultas con 2, 5 y 1 neuronas, respectivamente y, una neurona de salida correspondiente a la actividad alimentaria del animal (no consume = “0”, consume = “1”). El número de capas y neuronas en cada capa fue determinado probando diferentes arquitecturas, estableciendo como criterio de selección la arquitectura con menor número de iteraciones y menor valor del error de predicción. La estructura general del RNA fue:

(1)

Donde el j-ésimo valor predicho (Y_j) por la red neuronal corresponde a la sumatoria del producto del i-ésimo valor de entrada ((_i) por su peso sináptico (x_i) más el sesgo ((_i), multiplicado por una función de activación (().

La RNA fue entrenada con el método de aprendizaje supervisado, el cual fundamenta su aprendizaje en la relación entre los valores de entrada y salida, evaluando que tan cerca está su predicción de los valores reales de la variable de salida. El proceso de aprendizaje termina cuando, a través de múltiples iteraciones, la diferencia entre los valores observados y predichos se torna tan pequeña como sea posible (se aproxime al valor cero). Una vez que la RNA fue diseñada para establecer el número de intervalos de tiempo en que el animal se encuentra en la actividad de consumo de pasto, la sumatoria de estos intervalos representa el tiempo de consumo de pasto por día. El tiempo de consumo establecido por la RNA se multiplicó por el factor 0.029 (tasa de consumo (kg/min) determinada en mediciones previas realizadas en el mismo local experimental) para obtener así el CMSp predicho.

Validación del modelo

Para validar el modelo, 10 vacas Holstein, previamente adaptadas a las condiciones experimentales, portaron un acelerómetro (WitMotion-model BWT61CL) que registró la posición angular de su cabeza (14 veces/segundo) en periodos de 24 horas durante cinco días continuos. Los datos registrados por el acelerómetro fueron almacenados en un dispositivo móvil empleando tecnología bluetooth para su posterior análisis (Figura 1). El CMSp observado (real), determinado por diferencia entre la materia seca de pasto ofrecido y rechazado por día, fue comparado con el CMSp predicho por la RNA.

Análisis estadístico

El análisis estadístico de la información fue realizado con ayuda del paquete estadístico R (^{R Core Team, 2020}). Para la construcción de la RNA se empleó la librería neuralnet versión 1.44.2. El desempeño del modelo fue evaluado empleando los siguientes criterios. Raíz del error cuadrático medio (RMSE):

(2)

Donde n es el número de observaciones, O_i es el i-ésimo valor observado y P_i es el i-ésimo valor predicho por el modelo. Error de predicción relativo (RPE):

(3)

Donde X₀ es la media de los valores observados. Error absoluto medio (MAE):

(4)

Error porcentual absoluto medio (MAPE):

(5)

Coeficiente de correlación de concordancia de Lin (CCC):

(6)

Donde, X_o y P_o corresponden a la media de los valores observados y predichos, respectivamente. σ²x y σ²p son las varianzas de los valores observados y predichos, correspondientemente. σ_xp es la covarianza, que se calcula como:

(7)

Raíz del error de predicción cuadrático medio (RMSPE):

(8)

Índice de correspondencia (IC):

(9)

RESULTADOS

Los modelos matemáticos que predicen el consumo de materia seca en vacas lecheras se fundamentan en la búsqueda de relaciones lineales entre el consumo y las características del alimento y del animal. El comportamiento alimentario es una variable de naturaleza multifactorial, lo que hace imposible concentrar en un único modelo, todas las variables que condicionan esa respuesta. Este estudio busca establecer que las mediciones realizadas por los acelerómetros concentran todos los efectos de las variables que determinan el consumo y que una RNA es capaz de predecir el consumo de forraje asociando la posición de la cabeza con la actividad alimentaria.

La Figura 2 presenta la arquitectura y parámetros de la RNA. La RNA esta conformada por una capa de entrada de una sola neurona, tres capas ocultas, con 2, 5 y 1 neuronas y una capa de salida correspondiente al valor predicho. El valor de entrada multiplicado por su respectivo peso sináptico determina el “impulso nervioso” que reciben las neuronas en la siguiente capa. Estos valores se procesan en el interior de la red neuronal mediante una función de activación (sigmoidea, tangente hiperbólica, ReLU, softmax, entre otras) que finalmente devuelve un valor de salida o valor predicho. En este experimento, el error estimado de predicción fue de 1.2%, indicando la gran capacidad predictiva del modelo tomando como base la posición angular de la cabeza.

La RNA desarrollada fue capaz de identificar el comportamiento alimentario del animal en periodos de 24 horas conociendo la posición de la cabeza. La sumatoria de los intervalos en que la RNA predice que el animal se encuentra consumiendo alimento, corresponde al tiempo de consumo. Conocido el tiempo que el animal destina a consumir alimento (min/día), este valor se multiplicó por una tasa de consumo expresada en kg de materia seca de forraje / minuto. La tasa de consumo empleada en este experimento fue de 0.029, valor que fue adoptado por ser medido en experimentos previos con este mismo tipo de animales y manejo.

En la Tabla 2 se presentan las variables asociadas al comportamiento alimentario de los animales. El CMSp observado para los animales del grupo de validación del modelo fue de 13.1 kg/día. La RNA predijo un CMSp de 13.8 kg/día, valor 5.34% superior. El uso de acelerómetros permitió determinar que el tiempo destinado al consumo de pasto por las vacas Holstein estabuladas fue 480.4 minutos/día, alcanzando una tasa de ingestión de forraje de 27 g/min. La capacidad de predicción del modelo fue evaluada a través de estadígrafos que permiten determinar el error de predicción y establecer que tan cerca están los valores predichos por el modelo de los valores esperados. En la Tabla 3 se presentan los indicadores estadísticos utilizados para evaluar la capacidad de ajuste y el poder de predicción de la RNA.

Fig. 2: Arquitectura y parámetros de la RNA. (_i = neurona de entrada; Y j , = neurona de salida; (_i, (_(i+1), (_(i+2) y (_k = sesgos de las neuronas en la capa oculta y salida, respectivamente; X_(i) … X_(i+3) = pesos sinápticos. 

Tabla 2 Valores medios de variables asociadas al comportamiento alimentario de vacas Holstein estabuladas con sus respectivas desviaciones estándar (DE) 

Tabla 3 Criterios para establecer la capacidad de ajuste y el poder de predicción del modelo 

DISCUSIÓN

En este experimento, el CMSp fue estimado multiplicando la tasa de consumo (g de MS/minuto) por el tiempo destinado al consumo de alimento. La tasa de consumo y el tiempo de consumo son afectados por variables asociadas a las características del animal y la pastura. ^{Grant y Albright (2000}) agrupando múltiples investigaciones, indicaron que las vacas lecheras manejadas en confinamiento y alimentadas con dietas tipo TMR gastaron entre 248 y 392 min/día consumiendo alimento. ^{Johnston y DeVries (2018}) evaluando la asociación entre el comportamiento alimentario y la producción de leche en vacas Holstein, reportaron tiempos de consumo de 279.6±51.7 minutos. Los tiempos de consumo reportados por estos autores difieren de los encontrados en esta investigación (480.4 ± 73.7 minutos) (Tabla 2). Esta disparidad en los tiempos de consumo puede ser explicada por diferencias en los contenidos de FDN entre de las dietas. Mayores concentraciones de FDN en la pastura son responsables por un mayor numero de masticaciones por kg de materia seca ingerida, mayores tiempos de retención ruminal, lentas tasas de pasaje y menores consumos (^{Arelovich et al., 2008}). Las dietas tipo TMR reportadas por Grant y Albright (2000) y Johnston y DeVries (2018) presentaron contenidos de FDN entre 32 y 35%, en tanto que el pasto consumido por los animales de este experimento registró un valor de 58.9%. Incrementos en los tiempos de consumo asociados a incrementos en los contenidos de FDN de la dieta han sido reportados por ^{Zebeli et al. (2007}) y ^{Adin et al. (2009}).

Las pasturas tropicales se caracterizan por sus altos contenidos de FDN que condicionan variables como la tasa de consumo, el numero de masticaciones y la cantidad de MS y FDN ingeridos por minuto. Trabajos realizados por ^{Costa et al., (2015}) y ^{Santana et al., (2020}) trabajando con vacas cruzadas (Gir x Holstein) y Holstein que consumieron dietas con valores de FDN superiores al 55% encontraron tiempos de consumo que variaron entre 436 y 576 minutos. El tiempo de consumo estimado por la RNA se ubicó dentro de este rango (480.4 ± 73.7 minutos). ^{Bargo et al., (2003}) en una extensa revisión de literatura relacionando el efecto de la suplementación concentrada sobre el comportamiento alimentario de vacas Holstein en pastoreo reportan tasas de consumo de 0.025 kg de MS/minuto, valor ligeramente inferior al encontrado en este trabajo (0.027 kg de MSf/minuto) con pasto Kikuyo.

Diferentes criterios de comparación entre los datos observados y los predichos por la RNA fueron determinados. El RMSE es una métrica que determina la distancia promedio entre los valores predichos por el modelo y los valores reales en el conjunto de datos, por tanto, cuanto menor sea su valor, mejor será el ajuste del modelo. El valor calculado para este parámetro nos muestra que la diferencia media entre los consumos observados y los predichos por la RNA fue de 1.16 kg MS/día. Diferentes autores evaluando modelos empíricos utilizados para predecir el CMS en vacas lecheras reportan errores de predicción que varían entre 1.62 y 3.85 kg MS/día (^{Krizsan et al., 2014}; ^{Jensen et al., 2015}) A pesar de que el error de predicción de la RNA (1.16 kg MS/día) fue menor al reportado para modelos empíricos citados en este trabajo, es necesario considerar que una mejor estimativa de este parámetro requiere un mayor volumen de información.

El RPE representa la RMSE pero expresada en términos porcentuales respecto el valor medio observado, indicando que los valores predichos por la RNA se desviaron de los valores reales en un 8.82% (Tabla 3). Porcentajes superiores a los encontrados en este trabajo son reportados por ^{Carruthers y Brayant (1983}) y ^{De Souza et al., (2014}) que evaluando el uso de marcadores indigestibles para predecir el CMS en vacas lecheras concluyen que estas metodologías sobreestiman el consumo en un rango que varia entre -0.59% y 29.5%. Los autores concluyen que esta amplia variación se debe a los bajos porcentajes de recuperación de los marcadores (< 92%) y sesgos asociados la determinación de la digestibilidad requerida para la estimación del CMS. El MAE corresponde a la media de los errores absolutos y se obtiene del promedio de las diferencias absolutas entre la predicción y la observación real, donde todas las diferencias individuales tienen el mismo peso, sin importar sí el modelo sobre o subestima el valor real. En este estudio el valor del MAE indica que la RNA se aleja de los valores reales en 1.06 kg MS/día.

El MAPE y la RMSPE son indicadores de evaluación críticos empleados para evaluar la capacidad de ajuste y precisión del modelo. Criterios de interpretación de estos parámetros son discutidos por ^{DeLurgio (1998}). De acuerdo con este autor, valores de MAPE y RMSPE <10% corresponden a modelos con alta precisión de predicción, en tanto que valores entre 10-20% se asocian con buena capacidad de predicción, entre 20-50% con razonable capacidad de predicción y superiores al 50% con limitada capacidad de predicción. Los valores de MAPE (8.13%) y RMSPE (9.33%) encontrados para la RNA en este estudio permiten concluir que el modelo presentó alta precisión de predicción.

El coeficiente de correlación de concordancia (CCC) varia entre 0 y 1, y mide simultáneamente la precisión y la exactitud de la predicción del modelo frente al conjunto de datos observados. ^{Landis y Koch (1977}) indican que CCC iguales a 0 son indicativos de no concordancia, entre 0-0.20 concordancia insignificante, 0.21-0.40 baja concordancia, 0.41-0.60 concordancia moderada, 0.61-0.80 concordancia sustancial, y entre 0.81-1 muy buena concordancia. El CCC de la RNA fue de 0.81, indicando que el modelo posee un alto grado de convergencia, ajuste y poder predictivo. Esta afirmación también es soportada por el valor del IC (0.90). El IC al igual que el CCC varia entre 0 y 1, un valor de 1 indica coincidencia perfecta y un valor de 0, divergencia completa entre los valores observados y predichos. ^{Krizsan et al., (2014}) evaluando cinco modelos empíricos para la predicción del consumo de materia seca en vacas lecheras, reportan CCC que varían entre 0.52 y 0.85; el CCC del presente estudio se aproxima al valor superior del reportado por este autor.

La RNA construida demostró ser capaz de predecir con precisión y exactitud la actividad alimentaria del animal basada en la posición de la cabeza. La RNA aprende a través de un proceso iterativo (entrenamiento) en el que examina los registros individuales, genera una predicción para cada registro y en función del resultado que obtenga, se modifican los pesos de las neuronas (Figura 2). El proceso se repite hasta lograr el menor error de predicción. La eficiencia de la RNA fue claramente establecida a través de diferentes criterios estadísticos (Tabla 3).

^{Bargo et al (2003}) en su revisión de literatura, resumen el comportamiento alimentario de vacas Holstein en pastoreo, reportando un numero de bocados por día promedio de 34963. Asumiendo una frecuencia de 1.2 bocados por segundo (^{Oudshoorn et al., 2013}), los animales en este estudio presentaron un número total de bocados por día de 34589, valor próximo del reportado por Bargo et al., (2003). Conociendo el numero de bocados por día (34589) y el tiempo de consumo (480.4 min) es posible estimar el número de bocados por minuto (69.6). Valores de la literatura reportan 63.9 bocados por minuto para vacas Holstein en condiciones de pastoreo (Bargo et al., 2003).

Diferentes métodos que incluyen la determinación de la biomasa de la pastura antes y después del pastoreo, el uso de marcadores indigestibles y cambios en el peso corporal de los animales se han empleado para determinar el consumo de materia seca de vacunos (^{Decruyenaere et al., 2009}). Los resultados de este trabajo demuestran que variables asociadas con el comportamiento animal también pueden ser empleadas para tal fin. Esta afirmación es corroborada por ^{Carpinelli et al., (2019}), que evaluando el uso de acelerómetros para estimar el CMS en vacas Holstein, manifiestan que las vacas tienen movimientos específicos altamente correlacionados con el consumo de alimento, lo que hace posible la construcción de modelos de predicción. ^{Simanungkalit et al., (2021}) empleando acelerómetros en el cuello y la oreja de vacas tipo carne, reportan que los acelerómetros ubicados en el cuello generan señales más consistentes de aceleración y orientación de la cabeza. Estos mismos autores modelando los datos generados por los acelerómetros con algoritmos de aprendizaje automático, lograron determinar el comportamiento alimentario con una exactitud que varió entre el 88 y 98%.

La creciente oferta de dispositivos electrónicos de bajo costo y mayores capacidades de computo y análisis de datos hacen que sea posible realizar un seguimiento individualizado de los animales dentro del rebaño. En este estudio, los acelerómetros se mostraron eficientes para predecir el consumo de materia seca de forraje, variable fundamental para ajustar los planes de alimentación, proyectar las necesidades de forraje, establecer las áreas de pastoreo, programar la rotación de praderas y calcular la eficiencia de utilización de la pastura, factores que impactan en gran medida sobre el desempeño animal.

CONCLUSIONES

Basados en los diferentes criterios de evaluación, concluimos que el CMSp puede ser determinado con muy buena precisión y exactitud utilizando acelerómetros. La significativa correlación entre la posición de la cabeza y el comportamiento alimentario del animal permitió construir un modelo de predicción robusto que haciendo uso de las tecnologías actuales puede determinar el consumo de alimento de forma rápida y a bajo costo en comparación con los métodos tradicionales.