Predicción del consumo de materia seca de forraje en vacas lecheras mediante el uso de acelerómetros

Ricardo Rosero Noguera; Sebastian Bedoya Mazo; Sandra Posada Ochoa

Ayuda

Predicción del consumo de materia seca de forraje en vacas lecheras mediante el uso de acelerómetros

Ricardo Rosero-Noguera ^[1] ; Sebastián Bedoya-Mazo ^[1] ; Sandra L. Posada-Ochoa ^[1]
1. [1] Universidad de Antioquia
  
  Universidad de Antioquia
  
  Colombia
Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 33, Nº. 4 (Agosto), 2022, págs. 63-72
Idioma: español
Títulos paralelos:
- Predicting forage dry matter intake in dairy cows by using accelerometers
Enlaces
- Texto completo (pdf)
Resumen
- español
  Este trabajo evaluó el uso de acelerómetros para determinar el consumo de materia seca de pasto (CMSp) en vacas lecheras. Conocer el consumo de materia seca es fundamental para balancear raciones. Datos provenientes de quince vacas Holstein, que portaron un acelerómetro en la región atlanto-occipital, fueron empleados para construir y validar un modelo de predicción. Se construyó una red neuronal artificial (RNA) para predecir el CMSp con base en la posición angular de la cabeza. La validación de las predicciones de la RNA fue determinada empleando diferentes criterios estadísticos. El tiempo de consumo estimado por la RNA fue de 480.473 minutos/día. El CMSp observado y predicho por la RNA fue de 13.11.8 y 13.8 2.1 kg/día, respectivamente. Se concluye que la distancia residual entre los valores observados y predichos muestra que con el uso de acelerómetros es posible predecir con alto grado de aproximación el CMSp.
- English
  This research study evaluated the use of accelerometers to determine grass dry matter intake (DMIg) in dairy cows. Knowing dry matter intake is essential to balance rations. Data from fifteen Holstein cows fitted with an accelerometer in the atlanto-occipital region were used to build and validate a predictive model. An artificial neural network (ANN) was constructed to predict DMIg based on the angular position of the head. Validation of ANN predictions was determined using statistical criteria. The results showed that ANN’s intake time estimate was 480.473 minutes/day. The DMIg observed and predicted by ANN was 13.11.8 and 13.82.1 kg/day, respectively. In conclusion, the residual distance between the observed and predicted values showed that by using accelerometers it was possible to predict the DMIg with a high degree of accuracy.