Impactos do grau de processamento físico da amostra na capacidade preditiva de um espectrômetro portátil do infravermelho próximo na estimativa do valor nutritivo de gramíneas Megathyrsus maximus (syn. Panicum maximum).

Abstract

A espectroscopia no infravermelho próximo (NIRS) tem se consolidado como ferramenta promissora para análises em tempo real da composição química de gramíneas, melhorando o manejo nutricional e otimizando o consumo de forragem. Este estudo teve como objetivo avaliar o impacto do grau de processamento físico das amostras na capacidade preditiva de um espectrômetro NIRS portátil (pNIRS) para estimar parâmetros nutricionais e fermentativos de gramíneas do gênero Megathyrsus maximus. Foram coletadas 120 amostras ao longo de um ano em quatros locais (Seropédica, RJ; Lavras, MG; São João Del Rei, MG; Viçosa, MG) sob diferentes sistemas de manejo, estações do ano e estágios fenológicos, com alturas variando de 30 a 215 cm, e corte residual de 50% da altura inicial do dossel. As amostras foram seccionadas em partículas de 2 a 3 cm, pesadas, secas e moídas, obtendo-se quatro níveis de processamento: fresca (FR), seca (SC), seca e moída a 2 mm (SM2) e a 1 mm (SM1). Em cada nível de processamento foram realizadas seis varreduras espectrais por amostras, utilizando um dispositivo pNIRS (MyNIR, Spectral Solution), cobrindo uma faixa de absorbância de 900 a 1700 nm. Todas as calibrações foram realizadas utilizando métodos de química úmida como referência (matéria seca, MS; matéria orgânica, MO; nitrogênio, N; fibra insolúvel em detergente neutro, FDN; fibra insolúvel em detergente neutro corrigida para cinzas, FDNc; fração indigestível da fibra insolúvel em detergente neutro, FDNi, digestibilidade in vitro da matéria seca, DIVMS, digestibilidade in vitro da fibra insolúvel em detergente neutro, DIVFDN e rendimento de metano in vitro, CH4). Foram testadas 100 possíveis combinações de préprocessamento e os dados espectrais foram analisados por regressão de mínimos quadrados parciais (PLSR) e validados por validação cruzada leave-one-out em ambiente Python e o software estatísco R Studio. Foram comparados os valores do coeficiente de determinação para calibração (R2 train) e validação (R2 test), a raiz do erro quadrático médio de previsão (RMSEP), o erro médio absoluto (MAE), a inclinação da reta (Slope) e o intercepto. As calibrações mostraram desempenho superior em amostras com maior nível de processamento físico. Para MS, os melhores resultados foram obtidos com amostras FR apresentando R2 train e R2 test superiores a 0,75, RMSEP de 2,72, MAE de 0,0187 e um slope de 0,93 superando os demais níveis de processamento. Para MO, frações fibrosas e digestibilidade, o tratamento SM1 demonstrou melhores ajustes. Enquanto para N e CH4 os melhores resultados foram obtidos em amostras SM2. No entanto, todos os parâmetros analisados obtiveram bons resultados preditivos R2 train entre 0,70 e 0,78 para FR, seguindo a ordem N>FDNi>DIVFDN>FDNc>FDN. Para parâmetros como DIVMS e rendimento de CH4 a capacidade preditiva foi intermediária (0,62 e 0,67, respectivamente), mas ainda promissora para uso em campo. Apesar de amostras moídas apresentarem maior robustez estatística, os modelos obtidos com amostras frescas mostraram-se viáveis para aplicação prática. Conclui-se que o pNIRS apresenta potencial para estimativas nutricionais em forragens tropicais Megathyrsus mamiximus, minimamente processadas, podendo auxiliar no manejo nutricional de ruminantes com maior eficiência e menor custo.