Processamento físico de amostras de Urochloa spp. e seus efeitos na predição do valor nutritivo por espectroscopia de infravermelho próximo portátil

Abstract

A espectroscopia no infravermelho próximo (NIRS) é uma ferramenta promissora para avaliar a qualidade de forragens de forma rápida e não destrutiva, embora seu desempenho possa variar conforme o processamento físico das amostras e o equipamento utilizado. Nesse contexto, o presente estudo teve como objetivo avaliar os efeitos do processamento físico de amostras de Urochloa spp. sobre a predição do valor nutritivo por NIRS portátil (NIRSp) de baixo custo. Foram analisadas 121 amostras de Urochloa spp., submetidas a quatro graus de processamento físico: amostras frescas (FR), secas (SC), secas e moídas a 2 mm (SM2) e secas e moídas a 1 mm (SM1). As amostras foram coletadas a 50% da altura do dossel, picadas, homogeneizadas e submetidas aos diferentes graus de processamento, com seis espectros aleatórios obtidos para cada processamento utilizando um NIRSp (900–1700 nm; MyNIR, Spectral Solutions, São Paulo, Brasil). Os espectros obtidos foram relacionados a parâmetros bromatológicos, de digestibilidade e produção de gás: matéria seca (MS), matéria orgânica (MO), nitrogênio (N), fibra em detergente neutro (FDN), FDN corrigida para cinzas (FDNc), FDN indigestível (FDNi), digestibilidade in vitro da MS (DIVMS), digestibilidade in vitro da FDN (DIVFDN) e rendimento de metano in vitro (in vitro-CH4). Foram testadas 100 abordagens espectrais e os modelos foram calibrados por regressão por mínimos quadrados parciais (PLSR), com validação cruzada leave-one-out (LOOCV), e seu desempenho avaliado por coeficiente de determinação da LOOCV (R2 test), coeficiente de determinação da calibração (R2 train), erro quadrático médio da predição (RMSEP), raiz do erro quadrático médio de predição em % do valor médio observado (RMSEP%), inclinação da reta (slope), intercepto entre valores preditos e observados e erro absoluto médio (MAE). Os resultados demonstraram que o grau de processamento físico influenciou significativamente a qualidade preditiva dos modelos. As amostras FR mostraram menor precisão geral, mas desempenho viável para MS (R2 test = 0,82; RMSEP = 2,37), FDNi (R2 test = 0,72; RMSEP = 2,03) e N (R2 test = 0,55; RMSEP = 0,31; slope = 0,85; MAE = 0,0045). As amostras SC mantiveram alinhamento em MS (R2 test = 0,80; RMSEP = 2,36) e FDNi (R2 test = 0,78; RMSEP = 1,73). As amostras SM2 tiveram R2 test 0,59 e 0,86 e RMSEP% 0,85 e 9,43 para MO e N, com alinhamento adequado, mas interceptos mais altos que SM1. As amostras SM1 apresentaram os maiores R2 test para MS (0,84), FDN (0,87), FDNc (0,86), FDNi (0,79), DIVMS (0,74) e DIVFDN (0,76), com RMSEP% até 11,48 e slopes próximos de 1. Por outro lado, in vitro-CH4 foi limitada em todos os graus de processamento (R2 test ≤ 0,39), com alta variabilidade e acurácia reduzida. Conclui-se que o NIRSp é uma alternativa eficaz e acessível para predição nutricional, especialmente quando associado ao preparo adequado das amostras, com potencial de aplicação direta em campo com uso de material fresco.