TESIS DE MAGÍSTER -...
124
UNIVERSIDAD AUSTRAL DE CHILE FACULTAD DE CIENCIAS AGRARIAS EVALUACION CUALITATIVA Y CUANTITATIVA DE LA FIBRA DE ALPACA MEDIANTE ESPECTROSCOPIA DE REFLECTANCIA EN EL INFRARROJO CERCANO (NIRS) TESIS DE MAGÍSTER ALI WILLIAM CANAZA CAYO VALDIVIA – CHILE 2009
Transcript of TESIS DE MAGÍSTER -...
UNIVERSIDAD AUSTRAL DE CHILE
FACULTAD DE CIENCIAS AGRARIAS
EVALUACION CUALITATIVA Y CUANTITATIVA DE LA FIBRA DE
ALPACA MEDIANTE ESPECTROSCOPIA DE REFLECTANCIA EN
EL INFRARROJO CERCANO (NIRS)
TESIS DE MAGÍSTER
ALI WILLIAM CANAZA CAYO
VALDIVIA – CHILE
2009
EVALUACION CUALITATIVA Y CUANTITATIVA DE LA FIBRA DE
ALPACA MEDIANTE ESPECTROSCOPIA DE REFLECTANCIA EN
EL INFRARROJO CERCANO (NIRS)
Tesis presentada a la Facultad de Ciencias Agrarias de la Universidad
Austral de Chile en cumplimiento parcial de los requisitos para optar al
Grado de Magíster en Ciencias Mención Producción Animal
Por
ALI WILLIAM CANAZA CAYO
VALDIVIA – CHILE
2009
Universidad Austral de Chile
Facultad de Ciencias Agrarias
INFORME DE APROBACIÓN TESIS DE MAGISTER
La Comisión Evaluadora de Tesis comunica al Director de la Escuela de Graduados de la Facultad de Ciencias Agrarias que la Tesis de Magíster presentada por el candidato
ALI WILLIAM CANAZA CAYO
Ha sido aprobada en el examen de defensa de Tesis rendido el día 13 de Julio de 2009 como requisito para optar al grado de Magíster en Ciencias Mención Producción Animal y, para que así conste para todos los efectos firman:
Profesor Patrocinante
Daniel Alomar Carrió Ing. Agr., M. Sc.
Comisión Evaluadora
Luis Latrille Lanas Ing. Agr., M. Sc., Ph. D.
Ximena Valderrama Linares Ing. Agr., M. Sc., Ph. D.
DECLARACIÓN
Yo, Ali William Canaza Cayo, declaro que soy el autor del presente trabajo, que
lo he realizado en su integridad y no lo he publicado para obtener otros Grados o
Títulos.
ÍNDICE DE MATERIAS
Capítulo Página
RESUMEN 1
ABSTRACT 3
1 INTRODUCCIÓN GENERAL 5
2 REVISION DE BIBLIOGRAFIA 9
2.1 Situación actual de los camélidos sudamericanos 10
2.2 Características de la fibra de alpaca 11
2.3 Métodos de análisis del Diámetro de Fibras 15
2.3.1 Método del Microscopio de Proyección 16
2.3.2 Método AirFlow 17
2.3.3 Método del Laserscan 18
2.3.4 Método del OFDA (Optical Fibre Diameter Analyser) 18
2.4 Técnica de Espectroscopia de Reflectancia en el
Infrarrojo Cercano - NIRS 19
2.4.1 Fundamentos de la técnica 21
2.4.1.1 Regiones espectrales 21
2.4.1.2 Espectros del infrarrojo cercano 22
2.4.1.3 Absorción de las bandas en el infrarrojo cercano 23
2.4.2 Calibración 25
2.4.3 Técnicas de calibración 27
2.4.3.1 Regresión Lineal Múltiple 28
2.4.3.2 Regresión de Componentes Principales 29
2.4.3.3 Regresión de Mínimos Cuadrados Parciales 29
2.4.3.4 Cuadrados de Mínimos Parciales Modificados 30
2.4.4 Análisis Discriminante 30
2.4.5 Pretratamiento de los datos 31
2.4.6 Evaluación de la capacidad predictiva del modelo 32
2.4.7 Detección de valores discrepantes (outliers) 34
2.5 Técnica NIRS aplicada a la evaluación de lanas 34
3 CLASIFICACIÓN DE LA FIBRA DE ALPACA
(Lama pacos) DE DIFERENTES LOCALIDADES,
SEXO Y COLOR MEDIANTE ESPECTROSCOPIA
DE REFLECTANCIA EN EL INFRARROJO
CERCANO (NIRS) Y ANÁLISIS MULTIVARIADO
38
ABSTRACT 39
RESUMEN 40
3.1 INTRODUCCIÓN 41
3.2 MATERIALES Y METODOS 44
3.2.1 Muestras de fibra 44
3.2.2 Análisis de espectros en la regiones VIS y NIR 45
3.2.3 Análisis de Componentes Principales (PCA) 46
3.2.4 Análisis discriminante 47
3.3 RESULTADOS Y DISCUSIÓN 48
3.3.1 Análisis de espectros VIS-NIR de las muestras 48
3.3.2 Análisis de Componentes Principales (PCA) 52
3.3.3 Análisis discriminante 56
3.4 CONCLUSIÓN 59
3.5 REFERENCIAS 60
4 EVALUACIÓN DE PARÁMETROS DEL
DIÁMETRO DE FIBRA EN ALPACAS (Lama pacos)
MEDIANTE EL USO DE ESPECTROSCOPIA DE
REFLECTANCIA EN EL INFRARROJO
CERCANO (NIRS)
66
ABSTRACT 67
RESUMEN 68
4.1 INTRODUCCIÓN 70
4.2 MATERIALES Y METODOS 72
4.2.1 Muestras 72
4.2.2 Lectura de espectros 73
4.2.3 Análisis de referencia de las muestras de fibra 74
4.2.4 Calibración y Análisis Estadístico 75
4.3 RESULTADOS Y DISCUSIÓN 76
4.3.1 Descripción de las muestras 76
4.3.2 Espectros NIRS de las muestras 78
4.3.3 Predicción NIR de los parámetros de la fibra de alpaca 80
4.4 CONCLUSIONES 85
4.5 REFERENCIAS 86
5 DISCUSIÓN GENERAL 92
6 CONCLUSIONES GENERALES 96
7 REFERENCIAS GENERALES 98
ANEXOS 109
INDICE DE TABLAS
Tabla Página
1 División y Características de la región infrarroja 22
2 Bandas de absorción en el infrarrojo cercano de
compuestos orgánicos
23
3 Numero de muestras recolectadas por localidad, sexo y
color de fibra
45
4 Resultados de la clasificación de las ecuaciones
discriminantes NIRS para localidad, sexo y color de fibra
57
5 Indicadores estadísticos de las mediciones de referencia
en fibra de alpaca
77
6 Coeficientes de correlación pearson entre parámetros de
fibra medidos en muestras de fibra de alpaca
79
7 Tratamientos matemáticos y estadísticos de la mejor
calibración obtenida para los parámetros de la fibra de
alpaca utilizando el espectro completo (VIS-NIR) o solo
la región NIR.
82
ÍNDICE DE FIGURAS
Figura Página
1 Espectros NIR promedio de las muestras de fibra por
localidad (a), sexo (b), edad y color de fibra (c)
50
2 Espectro NIR como segunda derivada de las muestras de
fibra de alpaca
52
3 Diagrama de los primeros componentes principales de
espectros VIS-NIR de las muestras de fibra de alpaca
agrupados de acuerdo a localidad (Huancavelica ( ) y
Puno (*)
54
4 Diagrama de los primeros componentes principales de
espectros VIS-NIR de las muestras de fibra de alpaca
agrupados de acuerdo al color de fibra de alpaca (negro
( ), LF ( ), blanco ( ) y cafe (*)
54
5 Diagrama de los primeros componentes principales de
espectros VIS-NIR de las muestras de fibra de alpaca
agrupados de acuerdo a sexo de las alpacas (Hembra ( ) y
Macho (*)
55
6 Autovectores de los tres componentes principales (PC1,
PC2 y PC3) en la región VIS-NIR del espectro de las
55
muestras de fibra de alpaca
7 Localización del lugar de muestreo de la zona costal
media “midside” en alpacas
73
8 Espectro infrarrojo promedio y desviación estándar de
las muestras de fibra de alpaca
80
9 Valores de referencia y predichas por NIRS (μm) del
diámetro promedio de fibra y finura al hilado obtenidos
en la región VIS (a) y NIR y región NIR (b).
84
ÍNDICE DE ANEXOS
Anexo Página
1 Selección de las cuatro mejores ecuaciones para cada
parámetro y sus estadísticos de calibración y validación en
la región VIS y NIR
110
2 Selección de las cuatro mejores ecuaciones para cada
parámetro y sus estadísticos de calibración y validación en
la región NIR
112
1
RESUMEN
En la presente investigación se evaluó la espectroscopia de reflectancia en
el infrarrojo cercano (NIRS) en combinación con un análisis multivariado, para
clasificar muestras de fibra de alpaca por región de procedencia, sexo y color
(análisis cualitativo); y para predecir parámetros del diámetro de fibra y
características textiles en muestras de fibra de alpacas (análisis cuantitativo), a
partir de sus espectros VIS (visible) y NIR (infrarrojo cercano).
Se utilizó un instrumento monocromador FOSS NIRSystems6500 en
modo reflectancia para medir las absorbancias de 291 muestras de fibra de alpaca
en las regiones VIS y NIR (400-2500 nm). En el análisis cualitativo se utilizaron
Análisis de Componentes Principales (PCA) y análisis discriminante por
regresión de mínimos cuadrados parciales (PLS-DA) para clasificar la fibra de
alpaca de acuerdo a la localidad de origen, sexo y color de la fibra, y una prueba
de validación cruzada como el método de validación de los modelos de
clasificación desarrollados. En el análisis cuantitativo se utilizó la regresión de
mínimos cuadrados parciales modificados (MPLS) para desarrollar modelos de
calibración que permitieran predecir el Diámetro Promedio de Fibra (DPF) (μm),
Desviación Estándar del Diámetro Promedio de Fibra (DEDPF) (μm),
Coeficiente de Variación del Diámetro Promedio de Fibra (CVDPF) (%),
Curvatura de Ondulación (CO) (º/mm), Desviación Estándar de Curvatura de
Ondulación (DECO) (º/mm), Factor de Confort (FC) (%), Spining Fineness (SF)
(μm) y Longitud de Mecha (LM) (mm). Se realizó tratamientos matemáticos de
los espectros y corrección de dispersión de luz como la variación normal estándar
2
y Detrend (SNV & D). Las mejores ecuaciones se seleccionaron considerando el
coeficiente de determinación (1-VR), el error estándar en validación cruzada
(SECV) y el Valor Residual Predictivo (RPD).
Los modelos PLS-DA clasificaron correctamente las muestras de fibra en
100% y 100% de Huancavelica y Puno; 98% y 85% de hembras y machos de
Huancavelica, 76,7% y 68% de hembras y machos de Puno; 100%, 94%, 91,4% y
100% de fibras de color negro, café, LF y blanco respectivamente. Los mejores
modelos de calibración para la predicción DPF y SF fueron encontrados
utilizando la región NIR (1100 A 2500 nm), con 1-VR = 0,90 y 0,87; SECV=
1,01 y 1,08 μm, y RPD = 3,13 y 2,73 respectivamente. Sin embargo, los modelos
para DEDPF, CVDPF, CO, DECO, FC, y LM tuvieron una menor calidad
predictiva, con 1-VR < 0,65; SECV= < 14,2 μm, y RPD = < 1,5. Se concluye
que la técnica NIRS en combinación con un análisis multivariado constituye un
método rápido para clasificar las fibras de alpaca por su lugar de origen y color, y
para predecir en forma confiable el diámetro promedio de fibra y con una
aproximación aceptable la finura al hilado.
3
ABSTRACT
In the present research the near infrared reflectance spectroscopy (NIRS)
combined with a multivariate analysis were explored to classify alpaca fibre
samples according to origin (Huancavelica and Puno), sex (Male and Female) and
colour (Black, Coffee, LF (Light Fawn) and White) (qualitative analysis) and to
predict the fibre diameter and textile characteristics of alpaca fibre samples
(quantitative analysis), from their VIS (visible) and NIR (near infrared) spectral
data.
Midside alpaca fibre samples (n = 291) were analysed using a
monochromator instrument (FOSS NIRSystems6500) in reflectance in the VIS
and NIR regions (400 to 2500 nm). Principal Component Analysis (PCA), partial
least squares discriminant analysis (PLS-DA) and cross-validation test were
performed in qualitative analysis to classify alpaca fibre samples according to
origin, sex and colour of the fibre; and cross-validation test to validate the
models developed. Modified Partial least squares (MPLS) regression was used in
quantitative analysis to develop a number of calibration models in order to
predict the mean fibre diameter (MFD) (μm), standard deviation of fibre
diameter (SDMFD) (μm), coefficient of variation of fibre diameter (CVMFD)
(%), curvature degree (CD) (º/mm), standard deviation of curvature degree
(SDCD) (º/mm), comfort factor (CF) (%), spining fineness (SF) (μm) and staple
length (SL) (mm). Also, Mathematical treatments of the spectra and light scatter
correction as standard normal variation (SNV) and Detrend (D) were performed
in model development. The best equations were selected through the coefficient
4
of determination (1-VR), the standard error in cross-validation (SECV) and the
Predictive Residual Value (RPD).
PLS-DA models classified correctly 100% samples according to origin
Huancavelica and Puno, 98% and 85% of samples belonging to Huancavelica
according to sex (females and male), and 76,7% and 68% of samples belonging
to Puno according to sex. PLS-DA also classified correctly 100%, 94%, 91.4%
and 100% of samples according to fibre colour black colour, coffee, LF and
white, respectively. The best calibration model was found when using the NIR
region (1100 to 2500 nm) for the prediction of MFD and SF, with 1-VR = 0.90
and 0.87; SECV= 1.01 and 1.08 μm, and RPD = 3.13 and 2.73 respectively.
However, the models for SDMFD, CVMFD, CD, SDCD, CF and SL, had lower
predictive quality with 1-VR < 0.65; SECV= < 14.2 μm, and RPD = < 1.5. It is
concluded that the NIRS technique combined with multivariate analysis is a rapid
method to classify alpaca fibre according to origin and colour, and to reliably
predict the fibre diameter and Spinning Fineness in alpaca fibre samples.
5
CAPITULO 1
INTRODUCCIÓN GENERAL
6
En América del Sur se estima que existen más de 7,5 millones de cabezas
de camélidos sudamericanos cuyo hábitat son la Puna y los altos Andes, y su
crianza es de alta importancia económica, principalmente para la población de las
zonas alto andinas del Perú y Bolivia. La alpaca es uno de los camélidos
sudamericanos de mayor importancia en la producción de fibra. Su capacidad de
adaptación a las grandes alturas, ha permitido utilizar extensas áreas de pastos
naturales, de la zona alto andina, donde no es posible la explotación de otras
especies, por las condiciones adversas asociadas con este ecosistema.
La fibra de la alpaca es una de las más apreciadas por la industria textil, y
compite con el cashemere y el mohair, y tiene más aceptación mundial debido a
su buena calidad textil. Dentro de la producción mundial de fibras finas de origen
animal, la de alpaca representa cerca del 10%. La fibra de llama alcanza apenas el
1% de la producción mundial. La producción de fibra de vicuña es aún menor.
Las alpacas presentan una gama de colores de fibra que van del blanco al
negro y para su clasificación se han utilizado diferentes tipos de cartas
colorimétricas, similares a las empleadas para otras fibras naturales. A pesar de
que se admite que existen más de 16 colores diferentes, en algunos casos la fibra
solamente se clasifica en 5 tipos: blanco, LF (Light Fawn), castaño, oscuro y
mezclado. La clasificación de fibras coloreadas es más exigente que la
clasificación de la fibra blanca. Sin embargo, esta metodología de clasificación
requiere tiempo y personal entrenado por lo que es importante explorar otras
herramientas analíticas que permitan clasificar la fibra de manera rápida y precisa.
7
Entre de las características del vellón de la alpaca, el promedio del
diámetro de fibra constituye el principal criterio para determinar el precio, el
rendimiento del procesado, y el uso final en la mayoría de las lanas de origen
animal. De ahí que se ha invertido mucho esfuerzo en desarrollar métodos de
medición del diámetro de fibra que sean rápidos, precisos y eficientes.
Entre los métodos oficiales más utilizados para medir el diámetro de fibra
y sus parámetros se tiene: el microscopio de proyección, Airflow, Laserscan y
OFDA (Optical Fibre Diameter Analyser), cuyas especificaciones están dadas por
la IWTO (International Wool Textile Organization). Sin embargo, estos métodos
utilizados con mayor frecuencia tienen la desventaja de ser costosos y en algunos
casos lentos y destructivos, por lo cual es interesante considerar otros métodos
que minimicen estos inconvenientes.
Una de las posibles técnicas alternativas de análisis es la espectroscopía de
reflectancia en el infrarrojo cercano (NIRS), que presenta la característica de ser
una técnica no destructiva, rápida, múltiple, que puede ser de gran precisión y
exactitud si los procedimientos de generación de las ecuaciones de predicción son
los adecuados. Además es una técnica analítica de bajo impacto ambiental, ya que
no requiere de sustancias químicas para sus determinaciones. Esta técnica ha sido
ampliamente utilizada en el análisis cuantitativo y cualitativo de materiales
biológicos y no biológicos en distintos campos de la ciencia y tecnología.
La literatura reporta que esta técnica ha sido utilizada en la industria textil,
principalmente para realizar mediciones de suarda, humedad, contaminación de
8
lana y diámetro de fibra, principalmente en ovinos. Su uso en el análisis
cualitativo se ha centrado en la identificación de alimentos, clasificación de
variedades de trigo por color, carnes por tipo de músculos, identificación del
sexo y edad en animales, etc. Sin embargo, existe poca información aplicada a
fibras de alpacas.
Las hipótesis del presente estudio son: i) La espectroscopía de reflectancia
en el infrarrojo cercano (NIRS), en combinación con un análisis multivariado de
datos, es un método efectivo para clasificar la fibra de alpaca por su origen
geográfico, sexo y color y ii) La espectroscopía de reflectancia en el infrarrojo
cercano (NIRS) es un método efectivo para predecir variables asociadas a la
calidad de fibra en muestras de lana de alpacas.
Por lo tanto, los objetivos son:
- Evaluar el uso de la técnica NIRS en combinación con un análisis
multivariado de datos, para la clasificación de fibras de alpaca según localidad,
sexo y color.
- Evaluar el potencial de aplicación de la técnica NIRS para predecir variables
de importancia económica como el diámetro promedio de fibra (DPF), la
desviación estándar del diámetro de fibra (DEDPF), el coeficiente de
variación del promedio de diámetro de fibra (CVDPF), la curvatura de
ondulación (CO), la desviación estándar de curvatura de ondulación (DECO),
el factor de confort (FC), la finura al hilado (FH) y la longitud de mecha
(LM), en muestras de fibra de alpacas.
9
CAPITULO 2
REVISION DE LITERATURA
10
2.1 SITUACIÓN ACTUAL DE LOS CAMÉLIDOS
SUDAMERICANOS
En América del Sur se estima que existen más de 7,5 millones de cabezas
de camélidos sudamericanos, los cuales son agrupados en cuatros especies, dos
de ellas silvestres: la vicuña (Vicugna vicugna) y el guanaco (Lama guanicoe); y dos
domésticos: la llama (Lama glama) y la alpaca (Lama pacos) (Brenes et al., 2001)1. El
hábitat de las alpacas y los otros camélidos sudamericanos está constituido
principalmente por las formaciones ecológicas de Puna y Altos Andes que se
distribuyen desde el norte del Perú hasta el norte de Argentina, incluyendo las
respectivas áreas altoandinas de Bolivia y Chile; teniendo como características
generales de ser más húmedas en dirección al norte donde se continúa hacia el
Páramo (Ecuador), y más secas hacia el sur.
Hasta hace unos 20 años, las alpacas fueron consideradas como
específicamente adaptadas a su medio ambiente nativo. Sin embargo, las
introducciones exitosas de esta especie a Australia, Canadá, Inglaterra, Francia,
Nueva Zelanda y los EE.UU. han demostrado que éstas son más versátiles que lo
reconocido anteriormente (Wuliji et al., 2000; Lupton et al., 2006).
En el Perú se estima que existen aproximadamente 4 millones de
camélidos sudamericanos, de los cuales, la alpaca (Lama pacos) es la especie de
mayor existencia numérica con un 72% del total nacional. La mayoría se
encuentra en los departamentos de Puno (58%), Cusco (11,9%) y
1Las referencias del capitulo 2 estan listadas al final de la tesis, paginas 99 al 108.
11
Huancavelica (11,4%) (FAO, 2005) y en ellos constituyen la especie ganadera
más importante desde el punto de vista económico en las zonas alto andinas.
La alpaca es el productor de fibra más importante de las especies de camélidos
sudamericanos, y se estima que más de 1,5 millones de habitantes en la sierra
del Perú viven exclusivamente de la crianza de alpacas (FAO, 2008).
La crianza de alpacas y llamas en el Perú se desarrolla en la región
andina de la sierra, particularmente en el sur y centro, a altitudes que van de
los 3.800 hasta más de 5.000 metros sobre el nivel del mar. Entre los 3.800 a
4.000 m de altitud, la crianza de alpacas y llamas por lo general se combina
con la de otras especies animales y algunos cultivos, pero encima de los 4.000
m la actividad predominante es la crianza de camélidos, en particular alpacas.
Alrededor del 90 % de las alpacas y la totalidad de las llamas está en manos de
pequeños productores (FAO, 2005).
2.2 CARACTERÍSTICAS DE LA FIBRA DE ALPACA
La alpaca es la especie más importante de los camélidos sudamericanos en
cuanto se refiere a la producción de fibra, y existen dos razas, la Huacaya y la
Suri, teniendo la primera rizos y un vellón voluminoso, mientras que Suri
presenta un vellón más compacto suave y liso (Wuliji et al., 2000). Las alpacas son
apreciadas por su fibra, debido a su finura, suavidad peso ligero, características de
higroscopicidad, resistencia, elasticidad, y colores naturales. Es mas térmica que la
lana de ovino, tiene menos posibilidad de producir alergias y contiene menos
lanolina (Mueller, 2008).
12
La comercialización de la fibra de alpaca representa una actividad
económica importante para los habitantes de la región alto andina y una
alternativa de desarrollo industrial, mediante la exportación de fibra procesada o
de textiles (De los Ríos, 2006). La industria textil refiere a la fibra de alpaca como
una fibra especial y las prendas que se confeccionan con ella, están clasificadas
como artículos de lujo (Wang et al., 2003).
El diámetro de fibra de la alpaca “baby” (clase de fibra de acuerdo a su
finura) oscila alrededor de 22 micras, mientras que el vellón de la alpaca adulta
promedia las 26 micras. Respecto del color, se han reconocido 26 tipos de colores
de fibra de alpaca; sin embargo, la mayoría de las alpacas (86% en el Perú) son de
color blanco, siendo el resto de otros colores, que oscilan del crema al negro. Una
alpaca adulta produce en promedio 1,5 a 2,8 kg de fibra por año (Mueller, 2008).
Actualmente, se utilizan prendas muy ligeras que están en contacto directo
con la piel. Por lo tanto, es importante considerar la sensación de picazón de la
fibra del animal con el cual se confecciona la prenda. En la lana de oveja y en la
fibra de alpaca, esta característica está asociada con la distribución o porcentaje de
fibras, con diámetro mayor a 30 μm (o alrededor de 32 μm). La calidad de los
hilados está fuertemente correlacionada con la suavidad y el menor grado de
picazón en la fibra de alpaca (Factor de Confort), los cuales a su vez están
asociados con el diámetro de fibra y la proporción de fibras < 30 μm (Swinburn
et al., 1995). De ahí la importancia del diámetro de fibra en el mercado textil. Sin
embargo, solamente el 15% de los mayores criadores de alpaca reciben el
13
diferencial del precio por un menor diámetro promedio de fibra. Esta situación ha
llevado a que los pequeños criadores de alpaca en el Perú, al no sentirse
estimulados a buscar una fibra más fina, han llegado a producir una fibra de
mayor diámetro (Velarde Flores, 1988), lo que impacta negativamente el valor de
la fibra de los camélidos sudamericanos domésticos en el mercado textil.
La calidad de la fibra también es determinada por la uniformidad del
diámetro de fibra. Generalmente se acepta una variación del 5% en el diámetro de
fibra, lo que implica un aumento o una disminución de 1 μm en el diámetro
(Butler y Dolling, 1995). Otras características de la fibra aunque de menor
importancia que pueden afectar su valor son entre otras, el rendimiento al lavado
o desgrasado, la contaminación con materia vegetal, la presencia de fibras
meduladas y la resistencia a la compresión.
En Perú, Sumar (1991) reportó un diámetro promedio de fibra de 23,8 μm
para alpacas Suri y 24,02 μm para alpacas Huacaya. Sin embargo, estos resultados
no fueron ajustados por efectos de edad, sexo, color y localidad.
Huanca et al. (2007) reportaron diferencias significativas en el diámetro de
fibra entre sexos en alpacas Huacaya del distrito de Cojata, Puno, siendo los
valores de 22,47 ± 2,56 μm en machos y 22,83 ± 2,63 μm en hembras; mientras
que en el distrito de Santa Rosa, Puno, no hubo diferencia significativa entre sexos
(22,74 ± 1,58 μm en machos vs 22,82 ± 1,54 μm en hembras).
14
Por otra parte, Montes et al. (2008) en Alpacas Huacaya de Huancavelica,
reportan diferencias significativas del diámetro promedio de fibra entre sexos con
23,19 ± 0,24 μm en hembras, y 22,05 ± 0,32 μm en machos. Los mismos autores
mencionan que la edad tuvo un efecto significativo sobre el diámetro de fibra, y
que éste decrecía gradualmente con la edad. Aunque las diferencias entre animales
de 1,5 años y 1,5-3 años no fueron significativas.
En otras latitudes no se reportaron efectos del sexo en alpacas. En Nueva
Zelanda, los diámetros de fibra promedio, usando distintos métodos de medición,
fueron de 27,2 a 31,4 μm en hembras y 28,8 a 32,4 μm en machos. Sin embargo,
encontraron efecto significativo del año de nacimiento sobre el diámetro de fibra,
con un incremento promedio de 0,8 μm por año. Asimismo, no reportaron
diferencias entre colores de vellón de alpacas tanto en alpacas adultas como en
crías (Wuliji et al., 2000).
En alpacas de Australia, McGregor y Butler (2004) no reportaron efecto del
sexo sobre el diámetro promedio de fibra (28,4 μm en machos y 28,8 μm en
hembras). En cambio sí detectaron un efecto significativo de la edad sobre el
diámetro de fibra, que aumentó conforme aumentaba la edad del animal.
Asimismo, los vellones clasificados como colores oscuros fueron 1,0 μm más
gruesos que los colores claros (29,2 μm en colores oscuros y 28,2 μm en colores
claros).
15
Las alpacas presentan una gama de colores de fibra que van del blanco al
negro pasando por los colores intermedios (FAO, 2005; Frank et al., 2006). En la
clasificación de la lana de alpacas se han utilizado diferentes tipos de cartas,
similares a las empleadas para fibras naturales (Calle Escobar, 1982). En otros
estudios, se han utilizado cartas colorimétricas estándar (por ejemplo las cartas
Munsel para clasificar el color de suelos) (Ruiz de Castilla y Mamani, 1990;
Renieri et al., 1991). A pesar de que se admite que existen más de 16 colores
diferentes, en algunos casos la fibra solamente se clasifica en 5 tipos: blanco, LF
(Light Fawn), castaño, oscuro y mezclado (Bustinza, 2001).
2.3 MÉTODOS DE ANÁLISIS DEL DIÁMETRO DE FIBRAS
Como se menciono anteriormente, el diámetro de fibra constituye la medida
objetiva de mayor importancia que define el destino industrial de la fibra. De ahí
que se ha invertido mucho esfuerzo en el desarrollo de métodos de medición. En
un principio se empleaban los microscopios de proyección (lanámetros), pero
debido a su mayor laboriosidad en la medición se buscaron otros métodos más
precisos y rápidos. El Air Flow fue un avance importante en este sentido. Sin
embargo, a pesar de su rapidez y precisión, este no informaba la frecuencia de los
distintos diámetros presentes en la muestra. En los últimos años, se ha extendido
el uso de nuevos instrumentos de medición, el Laserscan y el OFDA. Estos
instrumentos además de ser rápidos y precisos, proporcionan una información
adicional sobre la frecuencia de los diámetros y su variabilidad. Se han
desarrollado especificaciones para estos cuatro métodos, los cuales se presentan a
continuación.
16
2.3.1 Método del Microscopio de Proyección
El Microscopio de proyección es el principal instrumento aceptado
universalmente para la medición directa del diámetro promedio de fibra de la
lana. Las fibras son distribuidas sobre un portaobjetos de vidrio y colocadas bajo
el microscopio, luego la imagen ampliada de las fibras se proyecta sobre una
pantalla. El operador mide el diámetro de las imágenes de fibras proyectadas con
una regla graduada, asegurando que éstas queden bien en la pantalla. Debido a la
imagen ampliada de las fibras, se puede conocer con gran precisión el diámetro
de fibra (Sommerville, 2000).
Según Sommerville (2000) este procedimiento se ha mantenido durante
muchos años y se sigue utilizado en la actualidad, sin embargo, es muy laborioso
y costoso. De ahí que no es adecuado para mediciones de rutina de grandes lotes
de muestras de lana. Sin embargo, se utiliza como método de referencia, ya que
los demás equipos de medición son calibrados utilizando muestras de lana
estándar, donde el diámetro y los valores de distribución son determinados
utilizando el microscopio de proyección.
En el método del microscopio de proyección, las muestras de lana son
mezcladas, lavadas, secadas, acondicionadas y luego se toman pequeñas muestras
representativas, a partir de fragmentos cortos denominados “snippets” que
pueden cortarse con un micrótomo. Los snippets, de un promedio de longitud
de 0,4 a 0,8 mm son extendidos sobre un portaobjetos con un montaje fluido
(aceite). El portaobjetos se coloca en el microscopio de proyección, y se mide el
17
diámetro de 400 a 1000 imágenes proyectadas y seleccionadas aleatoriamente de
los snippets bajo un aumento de 500x. En la práctica es sabido que el método es
significativamente dependiente del operador, debido a las dificultades en
identificar consistente y exactamente los límites de la imagen (Baxter, 1994).
2.3.2 Método AirFlow
El método Airflow se basa en la medición del descenso de la presión del
flujo de aire a través de una masa estándar de fibras (Grishanov et al., 2006). En
este método, las muestras de lana son previamente mezcladas, lavadas, secadas y
luego acondicionadas en una atmosfera estándar. Luego, éstas son colocadas en
una cámara donde se fuerza el paso de una corriente de aire a través de ellas
(masa de fibras). El valor del flujo de aire en lana sucia se determina midiendo la
tasa de flujo a una presión estándar. Este método mide el área superficial de fibra
por unidad de masa. De ahí que sea un método indirecto y debe ser calibrado
utilizando lanas o fibras de diámetro conocido (Baxter, 1994).
El método Airflow no proporciona mediciones de desviación estándar ni
coeficiente de variación del diámetro de fibra, limitándose únicamente al
promedio del diámetro de fibra (Sommerville, 2000; Grishanov et al., 2006). Es
uno de los métodos antiguos que fue empleado comercialmente por muchos
años. El Airflow es afectado por grandes variaciones en el coeficiente de
variabilidad. Si el coeficiente de variabilidad es muy grande, entonces el método
proporciona un resultado sesgado. En cambio si este valor es muy pequeño, el
resultado será muy fino (Sommerville, 2000).
18
2.3.3 Método del Laserscan
Este es un método automático basado en la medición óptica de snippets
suspendidas en una mezcla de agua-isopropanol de 2 mm de largo (Baetens,
1998; AWTA, 2005). Cuando la suspensión resultante fluye a través de la cámara
donde es tomada la medición, los snippets individuales son identificados y luego
medidos sus diámetros. De esta forma, pueden medirse un gran número de fibras
en un período de tiempo corto. Este método produce un histograma de la
distribución de diámetro de fibra e indica el diámetro de fibra promedio y su
desviación estándar (Grishanov et al., 2006).
Aunque el método Laserscan proporciona estimaciones más directas de la
finura de la fibra que el método del Airflow, el instrumento requiere ser calibrado
utilizando muestras estándar de la lana. El Laserscan es un medio relativamente
nuevo de medición del diámetro de fibra, su velocidad de operación y potencia se
presta a un volumen muy alto aplicaciones de prueba (Sommerville, 2000).
2.3.4 Método del OFDA (Optical Fibre Diameter Analyser)
El OFDA es un instrumento que se basa en la tecnología de digitalización
de imágenes y el análisis óptico de las mismas, que permite medir las
características de las fibras de lana y otras fibras animales a lo largo de las mechas
sucias en tiempo real y si uno lo requiere en el propio galpón de esquila.
19
Esencialmente, el OFDA 2000 es un microscopio automático que aumenta
y captura imágenes de la fibra individual y adjunta esta imagen a una cámara de
vídeo (Van Schie et al., 1990; Baxter et al., 1992). Las fibras se cortan en snippets
de 2 mm de longitud y son extendidas sobre un portaobjetos de vidrio, luego son
identificadas y medidas individualmente. El método al igual que el Laserscan
produce también un histograma de la distribución del diámetro de fibra,
indicando el diámetro de fibra promedio, desviación estándar y coeficiente de
variación. Adicionalmente, el equipo proporciona mediciones de largo de mecha,
finura al hilado, curvatura media y factor de confort. Los resultados son fiables y
reproducibles, debido al gran número de mediciones realizadas (Grishanov et al.,
2006).
2.4 TÉCNICA DE ESPECTROSCOPIA DE REFLECTANCIA EN EL
INFRARROJO CERCANO (NIRS)
La región del infrarrojo cercano, conocida generalmente como NIR (del
ingles Near-Infrared), fue descubierta por Sir William Herschel en 1800. Sin
embargo, solo casi un siglo mas tarde fue aplicada como técnica analítica cuando
Abney y Festing registraron a finales del siglo XIX, el espectro de líquidos
orgánicos en la región espectral comprendida entre 700 y 1200 nm (Osborne et
al., 1993).
Posteriormente, con el desarrollo de equipos ópticos más precisos las
aplicaciones se ampliaron. En una primera etapa, las aplicaciones cualitativas se
centraron principalmente en la región espectral del infrarrojo medio, debido a
20
que en esta región es posible la observación de bandas de absorción de grupos
orgánicos específicos como N-H, C-H, O-H, y C-C (Burns y Ciurczak, 2001).
A partir de los años setenta se inició una nueva fase de estudios
espectroscópicos, en especial en el análisis cuantitativo a raíz del desarrollo de
nuevos espectrofotómetros (Transformada de Fourier), la informática, la
computación y la introducción de herramientas matemáticas más sofisticadas.
Con estas innovaciones tecnológicas, los estudios cuantitativos se extendieron a
las regiones espectrales del infrarrojo cercano y medio. Estos avances
repercutieron en el crecimiento de la producción y productividad industrial,
reducción de gastos y residuos industriales (Burns y Ciurczak, 2001; Stuart, 2004).
Los primeros trabajos que despertaron interés por el estudio de la
espectroscopia en el infrarrojo cercano como herramienta de análisis industrial
fueron desarrollados en la década de los setenta, por el grupo de investigadores
del profesor Karl Norris, que iniciaron sus trabajos en la búsqueda de nuevos
métodos para la determinación de la humedad en productos agrícolas (Batten,
1998).
La espectroscopia infrarroja es, sin duda, una de las más importantes
técnicas analíticas disponibles para los científicos actuales. Una de las grandes
ventajas de la espectroscopia infrarroja es que prácticamente se puede estudiar
cualquier tipo de muestras y en sus diferentes estados. Se pueden analizar
líquidos, soluciones, pastas, polvos, películas, fibras, gases y superficies con una
adecuada elección de la técnica de muestreo. Como resultado de la mejora en la
21
instrumentación, se han desarrollado una variedad de técnicas sensibles a fin de
evaluar muestras que anteriormente eran intratables (Stuart, 2004).
2.4.1 Fundamentos de la técnica
La espectroscopia NIR utiliza el rango espectral de 780 a 2500 nm y
proporciona una información estructural compleja asociada al comportamiento
vibracional de combinaciones de enlaces químicos. El registro de la región NIR
del espectro electromagnético involucra la respuesta de los enlaces moleculares
O-H, C-H, C-O, y N-H. Estos enlaces son sometidos a cambios de energía
vibracional al irradiarse por las frecuencias NIR. Existen dos patrones de
vibraciones en estos enlaces: las vibraciones de estiramiento y las vibraciones de
flexión. La absorción de energía de una molécula orgánica en la región NIR
ocurre cuando las moléculas vibran o se traducen en un espectro de absorción
dentro del espectrofotómetro NIR (Cen y He, 2007). El espectro de absorción se
obtiene por el paso de la radiación infrarroja a través de una muestra y determina
qué fracción de la radiación incidente es absorbida a una energía en particular. La
energía en la cual aparece algún pico en un espectro de absorción corresponde a
la frecuencia de una vibración de una parte de la molécula de la muestra (Stuart,
2004).
2.4.1.1 Regiones espectrales
Aunque el espectro infrarrojo se extiende desde 700 a 106 nm de longitud
de onda, desde un punto de vista funcional se divide en tres zonas: IR lejano,
22
donde se producen las absorciones debidas a cambios rotacionales, el IR medio,
donde tienen lugar las vibraciones fundamentales y el IR cercano (Near infrared,
NIR), donde se producen absorciones debidas a sobretonos y combinaciones de
las bandas fundamentales (Tabla 1).
Tabla 1. División y características de la región infrarroja
Región Transición característica Longitud de Onda (nm) Infrarrojo Cercano (NIR) Infrarrojo Medio (IR) Infrarrojo Lejano
Sobretonos y combinaciones Vibraciones fundamentales Rotaciones
700 – 2,500 2,500 – 5 x 104
5 x 104 - 106 Fuente: (Osborne et al., 1993).
2.4.1.2 Espectros del infrarrojo cercano
Los espectros del infrarrojo cercano son, en su mayor parte, el resultado
de bandas debidas a sobretonos “overtones” de grupos fundamentales que
contienen enlaces C-H, O-H y N-H; las moléculas orgánicas pueden ser
investigadas mediante el uso de este enfoque. La espectroscopia de reflectancia
en el infrarrojo cercano (NIRS) puede ser una opción atractiva para ciertos
sistemas orgánicos, debido a la facilidad en la toma de muestras. La tabla 2
resume las bandas comúnmente observadas para moléculas orgánicas en la región
del infrarrojo cercano (Stuart, 2004).
23
Tabla 2. Bandas de absorción en el infrarrojo cercano de compuestos orgánicos Longitud de onda (nm)
Descripción
2200–2450 2000–2200 1650–1800 1400–1500 1300–1420 1100–1225 950–1100 850–950 775–850
Elongación de bandas de combinación de grupos C–H Elongación de bandas de combinación de grupos N–H y O–H Elongaciones del primer sobretono de grupos C–H Elongaciones del primer sobretono de grupos N–H y O–H Elongación de bandas de combinación de grupos C–H Elongaciones del segundo sobretono de grupos C–H Elongaciones del segundo sobretono de grupos N–H y O-H Elongaciones del tercer sobretono de grupos C–H Elongaciones del tercer sobretono de grupos N–H
Fuente: Stuart, 2004
2.4.1.3. Absorción de las bandas en el infrarrojo cercano
Las absorciones observadas en la región del infrarrojo cercano son
sobretonos o combinaciones de bandas fundamentales de elongaciones
“stretching” del tipo C-H, ó O-H, que ocurren en la región del infrarrojo medio.
Las bandas resultantes en el infrarrojo cercano son generalmente débiles en
intensidad y a menudo sobrepuestas, haciéndoles menos útiles frente a la región
del infrarrojo medio para el análisis cualitativo. Sin embargo, existen diferencias
importantes entre las posiciones del infrarrojo cercano de los diferentes grupos
funcionales. Estas diferencias a menudo pueden explotarse en el análisis
cualitativo (Stuart, 2004).
Las bandas más frecuentes en la región NIR se deben a enlaces que
contienen átomos ligeros como C-H, N-H, O-H, S-H, debido a su mayor
anarmonicidad. Sin embargo, las bandas de los grupos C=O, C-C, C-F ó C-Cl, en
general son muy débiles o no aparecen en esta región. Las vibraciones
24
fundamentales de estos grupos tienen bajas frecuencias en la región NIR y por
tanto, los primeros sobretonos también aparecen en esa región (Guerrero, et al.,
2007).
La absorción de radiación sigue la ley de Lambert-Beer, que establece que
la absorbancia a cualquier longitud de onda es proporcional al número o
concentración de las moléculas absorbentes presentes en el camino recorrido por
la radiación (Osborne, et.al., 1993), por lo que pueden utilizarse las medidas de
transmisión para realizar medidas cuantitativas. Si bien esta ley es válida para la
transmisión, también puede ser aplicada a la reflectancia difusa (Shenk et al.,
1993).
La reflexión de radiación para una muestra opaca puede ser de dos tipos:
especular y difusa. La reflectancia especular (o regular) no aporta información
sobre la composición, por lo que solo contribuye al ruido. La reflectancia difusa
tiene lugar en todas direcciones como consecuencia de los procesos de absorción
y dispersión y predomina cuando los materiales de la superficie reflectante son
débilmente absorbentes a la longitud de onda incidente y cuando la penetración
de la radiación es grande en relación a la longitud de onda. Este tipo de reflexión
es la base de las medidas que se realizan en espectroscopia por reflectancia
(Alomar y Fuchslocher, 1998).
En materiales de naturaleza química heterogénea, el espectro obtenido en
la región del infrarrojo cercano es la combinación de bandas de absorciones
parciales sobrepuestas o muy cercanas, que suelen confundirse en una línea
25
suavizada, en que se encuentran picos, valles y curvaturas en forma de hombro
(Alomar y Fuchslocher,1998).
2.4.2 Calibración
La calibración se define como el conjunto de actividades que establecen,
bajo condiciones especificas, una relación entre las medidas instrumentales y los
valores para una propiedad de interés correspondiente. Un modelo de calibración
es una función matemática que relaciona dos grupos de variables, una
dependiente (Y) y otra independiente (X): La función está dada por:
Y= f(X) = Xb [1]
Para cada muestra se selecciona un espectro (o varios espectros), que es
organizado en forma de una matriz Xij que corresponde al valor de la
absorbancia de la muestra ‘i’ en la longitud de onda ‘j’. Por ejemplo, para el dato
espectral X (que puede ser absorbancia, transmitancia, segunda derivada de la
absorbancia, etc.) tenemos:
X =[ jxxxx 1131211 ... ] [2]
Para dos muestras tenemos:
⎥⎦
⎤⎢⎣
⎡=
j
j
xxxxxxxx
X2232221
1131211
...
... [3]
26
Lo cual implica un análisis de regresión que tiene como objetivo hallar una
relación entre la matriz X que contiene los espectros de las muestras en estudio
del conjunto de calibración y el vector y que almacena los respectivos datos de
referencia. El resultado es una ecuación semejante a la siguiente:
eXy += β [4]
Donde β es el vector de regresión y e es el vector que representa los errores del
modelo. Es importante aclarar que X contiene variables altamente
correlacionadas, como son los datos de espectroscopia.
El procedimiento usual para la calibración implica la selección de muestras
representativas, la obtención de espectros, análisis de referencia, pretratamiento
de los datos, modelación estadística, validación del modelo, aplicación del
modelo al análisis de muestras desconocidas, análisis de rutina y monitorización y
por ultimo transferencia de modelos (Givens et al., 1997; Macho y Larrechi,
2002).
El set de muestras seleccionadas para desarrollar una calibración deben
representar un rango amplio de composiciones o calidades, tener una distribución
uniforme y contarse con datos precisos de su composición analítica (Murray,
1988). Además, es importante considerar el número de muestras que será
necesario incluir para obtener resultados satisfactorios. No existe un número
mínimo definido, sino que éste dependerá de la entidad a predecir y de la
naturaleza del producto a evaluar. Si se trata de analizar entidades químicas
27
simples como es el nivel de nitrógeno en granos de trigo, puede bastar con 30 a
40 muestras; en cambio, si se pretende evaluar el contenido de proteína en
productos más heterogéneos se requieren más de 100 muestras (Shenk y
Westerhaus, 1993).
El pretratamiento de datos tiene por objeto la eliminación de
comportamientos no lineales debido a las interferencias ópticas causadas por la
dispersión de luz y reflectancia especular residual.
2.4.3 Técnicas de Calibración
Las técnicas de calibración tienen como finalidad establecer la relación
matemática entre las matrices descritas en la ecuación [3] y [4], y optimizarla para
obtener una mejor descripción de la variable de interés, y debe ser capaz de
predecir los valores de la propiedad calibrada a través de cualquier muestra del
mismo compuesto o similar.
Existen varias técnicas disponibles para los tratamientos de los datos
espectrales, siendo imposible definir una regla general para cualquier calibración
que involucre datos de espectrofotometría NIR. Entre las técnicas más conocidas
se destacan la Regresión Lineal Múltiple (Multiple Linear Regression, MLR), Análisis
de Regresión de Componentes Principales (Principal Component Regression, PCR),
Minimos cuadrados Clasicos (Classic Least Squares, CLS), Mínimos Cuadrados
Parciales (Partial Least Squares, PLS), Mínimos Cuadrados Parciales Modificados
28
(Modified Partial Least Squares, MPLS), y Redes Neurales Artificiales (Artificial
Neural Networks, ANN) (Roggo et al., 2007)
2.4.3.1 Regresión Lineal Múltiple
La regresión lineal múltiple tiene como forma básica:
iji
k
iij exbby ++= ∑
=10 [5]
Donde jy es la variable a medirse; los términos X1, X2,..., Xk son las k
variables independientes, cada combinación de uno o más valores espectrales; los
bl, b2,..., bk son los k coeficientes de regresión y 0b es el intercepto. En la
calibración, se utiliza un conjunto de valores de X y valores conocidos de Y para
obtener los valores b, mientras que en la validación y medición de rutina son
utilizados un conjunto de valores de X y los valores obtenidos b para predecir los
valores Y desconocidos (Givens et al., 1997).
En los análisis de regresión lineal múltiple se seleccionan intensidades de
los espectros en algunas longitudes de onda, sin embargo, esta técnica tiene
dificultades con la elección de las longitudes de onda y la colinealidad de los
datos. Estos problemas son evitados por medio de métodos de compresión de
datos, que son más complejos en el sentido que los valores X requieren cálculos
muy largos. Estos métodos expresan un espectro como la suma de los espectros
elementales (llamados cargados o variables latentes), cada uno multiplicado por
un “score”. Los scores (algunos o todos) son por lo tanto usados como valores de X
(Givens et al., 1997).
29
2.4.3.2 Regresión de Componentes Principales
La regresión por Componentes Principales (PCR) se divide en dos etapas.
Primero, los datos espectrales son tratados con un Análisis de Componentes
Principales, luego se realiza un análisis de regresión lineal múltiple (MLR) sobre
los scores como variables predictivas. La ecuación de predicción puede escribirse
como:
bTY muestreomuestreo = [6]
Donde T son las nuevas coordenadas dimensionales, Ymuestreo, los valores de
referencia y b es el vector de coeficientes. Este método tiene varias ventajas,
entre ellas, se reduce el numero variables y la colinealidad de los datos
espectrales. Sin embargo, esto no garantiza que los componentes principales
calculados sean correlacionados con las propiedades estudiadas (Roggo et al.,
2007).
2.4.3.3 Regresión de Mínimos Cuadrados Parciales
En el método PLS las regresiones son calculadas con algoritmos de
mínimos cuadrados. El propósito del PLS es establecer un vinculo lineal entre
dos matrices, los datos espectrales X y los valores de referencia Y. Esta técnica
modela las matrices X e Y de tal forma que permita encontrar otras variables en
la matriz X que describa mejor a la matriz Y. Se puede explicar mediante la
representación de los espectros en el espacio de las longitudes de onda que
permitan mostrar direcciones que son combinaciones lineales de longitudes de
onda llamadas factores que describen mejor la propiedad estudiada. El método
30
PLS tiene las ventajas del PCR, gracias a la selección de la variable latente de
acuerdo a la matriz de covarianza entre los datos y los parámetros investigados
(Roggo, et al, 2007, Osborne et al., 1993; Shenk y Westerhaus, 1994)
2.4.3.4 Cuadrados de Mínimos Parciales Modificados
Este método de regresión corresponde a una modificación del PLS, que es
frecuentemente usado en calibraciones de forrajes e involucra una
estandarización de las variables en la regresión después del cálculo de cada factor.
Si bien, ésta no es la mejor técnica de calibración para usar en todas las
situaciones, a menudo es más estable y segura que el PLS (Shenk y Westerhaus,
1994).
2.4.4 Análisis Discriminante
El Análisis Discriminante Lineal (del ingles Linear Discriminant Análisis,
LDA), es un método paramétrico que discrimina características de una
determinada población. El LDA, al igual que el PCA (del Ingles Principal
Component Análisis) es un método de reducción. Así, mientras que el PCA
selecciona un eje que retiene la máxima variación en una dimensión menor de
datos, El LDA selecciona las direcciones que permitan una máxima separación
entre las diferentes clases (Osborne et al., 1993).
31
2.4.5 Pretratamiento de los datos
Esto permite, en general, reducir interferencias por factores como el
tamaño de partícula de la muestra, destacar rasgos del espectro y facilitar el
análisis estadístico de regresión (Shenk y Westerhaus, 1994; Alomar y
Fuchslocher, 1998) además de eliminar la falta de linearidad en datos espectrales,
debida a la dispersión de luz (Givens et al., 1997). Entre los más utilizados están
el centrado de la media, la normalización, Corrección Multiplicativa de Señal (del
ingles Multiplicative Scatter Correction, MSC) y la Variación Normal Estándar (del
ingles Standard Normal Variate Method, SNV).
La Variación Normal Estándar realiza un ajuste aditivo y multiplicativo.
Para cada espectro de la muestra el desvío ajustado es simplemente la media de
todos los valores sobre las variables, y el ajuste multiplicativo es el desvío
estándar de los valores de todas las variables. La SNV se utiliza para controlar los
efectos de diferentes tamaños de partícula y el contenido de agua entre muestras;
asimismo, remueve la colinealidad entre longitudes de onda químicamente no
correlacionadas. La SNV mejora la precisión de predicción mas no simplifica el
modelo ni reduce las interferencias sistemáticas (Naes et al, 2002). Las
sobreposiciones en los espectros de diferentes analitos pueden tratarse mediante
derivadas, por ejemplo mediante la sustracción o diferencia entre el valor de log
(1/R) obtenido a una particular longitud de onda y el valor obtenido a una
segunda longitud de onda (William y Cordeiro, 1985).
32
2.4.6 Evaluación de la capacidad predictiva del modelo
Los criterios para seleccionar el mejor modelo en una evaluación NIRS se
basan en procedimientos estadísticos, a fin de obtener estimaciones exactas de
los valores predichos y controlar todos los aspectos del proceso de calibración y
validación (Shenk y Westerhaus, 1994; Alomar y Fuchlocher, 1998). Entre los
principales estadísticos están: El Error Estándar de Calibración (SEC) cuya
formula es:
1)( 2
−−−
= ∑tn
xySEC
c
[7]
Donde y es el valor de referencia del laboratorio, x es el valor predicho por
NIRS, nc es el número de muestras del grupo de calibración y t es el número de
términos de la ecuación de regresión.
Además del error estándar de calibración otro criterio estadístico, es el
coeficiente de determinación R2. Se emplea tanto en el proceso de calibración
como en el proceso de validación cruzada (1-VR) y su formula es:
2
221 SECR
SD= − [8]
Donde: SD (Standard Error), es la desviación estándar de los valores de referencia
y SEC es el error estándar de calibración (Standard Error of Calibration).
La etapa de validación externa es un proceso de validación de muestras
externas, donde se determina junto con el coeficiente de determinación (R2), el
33
error estándar de predicción (SEP), descrito por Alomar y Fuchlocher (1998) en
la siguiente ecuación:
1
)( 2
−−
= ∑vn
xySEP [9]
Donde y es el valor de referencia del laboratorio, x es el valor predicho por
NIRS, nv es el número de muestras del grupo de validación.
Aunque no existen normas que determinen la mejor ecuación, la mayoría
de los investigadores indican que los valores del error estándar de la calibración
(SEC) y validación cruzada (SECV) o RMSECV deben ser de magnitud similar
entre sí y semejantes al error estándar de laboratorio (SEL) ó de los datos de
referencia. En general, las ecuaciones que posean un error estándar de validación
cruzada (SECV) o de predicción (SEP) de una magnitud 1 a 1.5 veces el error
estándar de laboratorio, tienen una precisión excelente. Ecuaciones con valores
de SECV o SEP de una magnitud de 2 a 3 veces el error estándar de laboratorio,
tienen una buena precisión (Delgado, 2003).
Otro criterio que se reporta en la literatura es el cociente entre la
desviación estándar (SD) y el RMSECV denominado como valor predictivo
residual (del ingles residual predictive deviation, RPD), utilizado para probar la
exactitud de los modelos de calibración. Un valor de RPD grande (superior a 3)
se considera como adecuado para propósitos analíticos en muchas aplicaciones
NIR para productos agrícolas (Williams, 2001). Alternativamente se puede
considerar la relación inversa entre el SECV y la desviación estándar (SECV/SD)
34
que para calibraciones robustas debe ser menor a 0.33 (Cozzolino y Murray,
2002).
2.4.7 Detección de valores discrepantes (outliers)
Una de las ventajas de los métodos multivariantes sobre los métodos
tradicionales univariantes, es la capacidad que tienen de detectar la observación u
observaciones inconsistentes con el resto de los datos (Egan y Morgan 1998). La
detección de outliers en esta etapa es importante porque la inclusión de estas
muestras discrepantes en el modelo reduce su capacidad predictiva.
La anomalía puede ser causada tanto por la información espectroscópica
(anómalos H) como por la química (anómalos T). La detección, interpretación y
posible eliminación de estas muestras anómalas es una etapa crítica en el
desarrollo de una ecuación de calibración, debido a la gran influencia que
provoca su presencia en los resultados del modelo (García Olmo, 2002, citado
por Delgado, 2003).
2.5 TÉCNICA NIRS APLICADA A LA EVALUACIÓN DE LANAS
La tecnología de la espectroscopia NIR se ha convertido en la técnica
analítica más atractiva para medir parámetros de calidad de los alimentos, y
productos agrícolas, con las siguientes ventajas: reducción de precios en los
instrumentos, determinación simultánea de varios parámetros de calidad, la
35
capacidad de reemplazar técnicas de referencia costosas y tediosas, y un análisis
mínimo de datos (McCaig, 2002; McClure, 2003).
Esta técnica se ha utilizado en la industria textil, para realizar mediciones
de suarda en la lana, humedad, contaminación de lana (Slack-Smith et al., 1979;
Church y O`Neill, 1999; Hammersley et al., 1995).
Hay varios reportes en la literatura sobre el uso de esta técnica para el
análisis de la lana, muchas de ellas se han enfocado sobre mediciones de grasa
residual, contenido de humedad y mediciones del color (Hammersley, et al., 1995;
Hammersley y Townsend, 2001). En otras investigaciones, Sabbagh y Larsen
(1978) citados por Hammersley y Townsend, (2001), evaluaron el rendimiento de
lana, reportando un error estándar de calibración (SEC) de 2,8% para
rendimiento de lana limpia expresado como contenido de fibra seca.
Scott y Roberts (1978) utilizando la técnica NIRS estimaron el peso del
vellón limpio (PVL), y encontraron correlaciones de 0,99, 0,99 y 0,96 entre el
PVL determinado por el método tradicional (lavado manual) y el PVL mediante
el NIR para tres rebaños de ovejas. Posteriormente, Scott et al. (1982) citados por
Hammersley y Townsend, (2001) reportaron correlaciones de 0,90 para
promedio de diámetro de fibra en vellones limpios, entre los resultados NIR y el
método estándar de Airflow.
Keogh y Roberts (1985) realizaron un estudio de calibración NIRS para
predecir el rendimiento de vellón y el diámetro de fibra en ovinos, a 6 longitudes
36
de onda predefinidas. Reportaron valores de error estándar de calibración de
3,24% para rendimiento de lana limpia, y un error estándar de calibración de 1,01
μm para diámetro de fibra.
Coleman, et al. (1999) utilizaron espectroscopía de reflectancia en el
infrarrojo cercano ajustado con una sonda de fibra óptica para predecir el
contenido de Mohair limpio, diámetro de fibra, materia vegetal y fibras
meduladas en cabras angora. Ellos reportaron en uno de sus experimentos
valores de Error Estándar de Calibración (SEC) de 2,84, 4,78 y 2,15 para
contenido de de mohair, diámetro de fibra y porcentaje de fibras meduladas
respectivamente.
Vera (2004) en un estudio sobre predicción de rendimiento de fibra fina y
diámetro de fibra promedio de fibras cashmere, mediante espectroscopia de
reflectancia en el infrarrojo cercano reportó valores de error estándar de
calibración (SEC), coeficientes de determinación de validación cruzada (R2) y la
relación entre el error estándar de validación cruzada y la desviación estándar
(SECV/SD) de 0,73, 0,72 y 0,53 μm respectivamente para diámetro de fibra
promedio y de 6,15, 0,88 y 0,34% para rendimiento respectivamente; y concluye
que los resultados de la técnica NIRS no sería un método recomendable para la
determinación de finura (diámetro de fibras de cashmere). Cabe destacar que
Vera (2004) trabajó con muestras de fibra no descerdadas de caprinos cashmere y
cruzas.
37
Cozzolino et al. (2005) utilizaron espectroscopia de reflectancia en el
infrarrojo cercano (NIR) y en el infrarrojo visible (VIS) para predecir el diámetro
de fibra en lanas limpias y sucias de ovinos Merinos y el método de referencia fue
el Microscopio de Proyección. Reportaron coeficientes de determinación en
calibración (R2) mayores a 0,90 y 0,50 para lana limpia y sucia respectivamente.
Mientras que los valores predictivos residuales (RPD) fueron mayores a 3 y 0,60
para lanas limpias y sucias respectivamente. Estos valores indican que el diámetro
de fibra en muestras lanas sucias fue débilmente predicho con la técnica NIR.
Gishen y Cozzolino (2007) realizaron un estudio de factibilidad sobre el
uso potencial de la espectroscopia de reflectancia en el infrarrojo cercano (NIR) y
en el infrarrojo visible (VIS) para evaluar las características de la fibra de alpacas
de vellones sucios, y como método de referencia usaron el OFDA. Reportaron
que el mejor modelo de calibración para predecir el Diámetro de Fibra Promedio
(DPF) fue aquel que utilizó la región NIR (1100 a 2500 nm), con un coeficiente
de determinación en validación cruzada (R2) de 0,88 y con una raíz cuadrada del
error medio de validación cruzada RMSECV (Root Mean Square Error of Cross
Validation) de 2,62 μm. Sin embargo, el valor predictivo residual (RPD) fue de 2
lo que significa una débil predicción del diámetro promedio de fibra con la
técnica de espectroscopia.
38
CAPITULO 3
CLASIFICACIÓN DE LA FIBRA DE ALPACA (Lama pacos) DE
DIFERENTES LOCALIDADES, SEXO Y COLOR MEDIANTE
ESPECTROSCOPIA DE REFLECTANCIA EN EL INFRARROJO
CERCANO (NIRS) Y ANÁLISIS MULTIVARIADO
39
CLASIFICACIÓN DE LA FIBRA DE ALPACA (Lama pacos) DE
DIFERENTES LOCALIDADES, SEXO Y COLOR MEDIANTE
ESPECTROSCOPIA DE REFLECTANCIA EN EL INFRARROJO
CERCANO (NIRS) Y ANÁLISIS MULTIVARIADO2
CLASSIFICATION OF ALPACA (Lama pacos) FIBER FROM
DIFFERENT LOCALITIES, SEX AND COLOUR BY MEANS OF
NEAR INFRARED REFLECTANCE SPECTROSCOPY COMBINED
WITH MULTIVARIATE ANALYSIS
ABSTRACT
The aim of this study was to evaluate the potential use of near infrared
reflectance (NIR) spectroscopy combined with multivariate analysis to classify
alpaca fiber samples according to origin (Huancavelica and Puno), sex (Male and
Female) and colour (Black, Brown, LF (Light Fawn) and White). Samples
(n=291) were scanned using a monochromator instrument (FOSS
NIRSystems6500) in reflectance (400-2500 nm). Principal component analysis
(PCA) and partial least squares discriminant analysis (PLS-DA) were used to
classify wool samples according to origin, sex and colour of the fiber. PLS-DA
classified correctly the 100% of samples according to origin Huancavelica and
Puno, 98% and 85% of samples belonging to Huancavelica according to sex
(females and male), and 76,7% and 68% of samples belonging to Puno according
to sex. PLS-DA also classified correctly 100%, 94%, 91,4% and 100% of
2El formato del articulo es de la revista Agricultura Técnica.
40
samples according to fibre colour black colour, Brown, LF and white,
respectively. These results show that NIR spectroscopy in combination with
multivariate data analysis can be used as a rapid method to classify alpaca wool
samples by origin and colour.
Keys words: Discriminant partial least squares, Principal component analysis,
spectroscopy, NIRS, Alpaca, Wool.
RESUMEN
El presente estudio se realizó para evaluar el uso potencial de la técnica de
espectroscopía de reflectancia en el infrarrojo cercano (NIRS) en combinación
con un análisis multivariado de datos, para la clasificación de fibra de alpaca
según localidad (Huancavelica y Puno), sexo (Machos y Hembras) y color de
fibra (Negro, Café, Light Fawn (LF) y Blanco). Se utilizó un instrumento
monocromador FOSS NIRSystems6500 en modo reflectancia para medir las
absorbancias de 291 muestras de fibra de alpaca en las regiones VIS (visible) y
NIR (infrarrojo cercano) (400-2500 nm). Para clasificar la fibra de alpaca de
acuerdo a la localidad de origen, sexo y color de la fibra, se utilizaron Análisis de
Componentes Principales (PCA) y análisis discriminante por regresión de
mínimos cuadrados parciales (PLS-DA). Se utilizó una prueba de validación
cruzada como el método de validación de los modelos de clasificación
desarrollados. Los modelos PLS-DA clasificaron correctamente las muestras de
fibra en 100% y 100% de Huancavelica y Puno, 98% y 85% de hembras y
machos de Huancavelica, 76,7% y 68% de hembras y machos de Puno, 100%,
41
94%, 91,4% y 100% de fibras de color negro, café, LF y blanco respectivamente.
Estos resultados demuestran que la técnica NIRS en combinación con un análisis
discriminante constituye un método rápido de clasificación de fibras de alpaca
por su lugar de origen y color.
Palabras claves: Análisis discriminante de mínimos cuadrados parciales, Análisis
de componentes principales, Espectroscopia, NIRS, Alpaca, Lana.
3.1 INTRODUCCIÓN
En el Perú se estima que existen aproximadamente 4 millones de
camélidos sudamericanos, de los cuales, la alpaca (Lama pacos) es la especie de
mayor existencia numérica con un 72% del total nacional. La mayoría se
encuentra en los departamentos de Puno (58%), Cusco (11,9%) y Huancavelica
(11,4%) (FAO, 2005); y en ellos constituyen la especie ganadera más importante
desde el punto de vista económico y social, ya que involucran a una población
humana de 2,9 millones de habitantes que representa aproximadamente el 11%
de la población nacional, y a unos 100000 productores (Brenes et al., 2001). Su
hábitat está constituido principalmente por las formaciones ecológicas de Puna y
Altos Andes que se distribuyen desde el norte del Perú hasta el norte de
Argentina.
La alpaca es uno de los camélidos de mayor importancia en la producción
de fibra. Su capacidad de adaptación a las grandes alturas, ha permitido utilizar
extensas áreas de pastos naturales, de la zona alto andina, donde no es posible la
42
explotación de otras especies, por las condiciones adversas asociadas con este
ecosistema (Brenes et al., 2001; Quispe et al., 2008). La fibra de la alpaca es una de
las más apreciadas por la industria textil, y compite con el cashmere y el mohair, y
tiene más aceptación mundial debido a su calidad y a que es la que más se
produce. Las alpacas presentan una gama de colores de fibra que van del blanco
al negro pasando por los colores intermedios (FAO, 2005; Frank et al., 2006). En
la clasificación de la fibra de alpaca se han utilizado diferentes tipos de cartas,
similares a las empleadas para fibras naturales. En otros estudios, se han utilizado
cartas colorimétricas estándar, por ejemplo, las cartas Munsel para clasificar el
color de suelos (Ruiz de Castilla y Mamani, 1990; Oria et al., 2009). A pesar de
que se admite que existen más de 16 colores diferentes, en algunos casos la fibra
solamente se clasifica en 5 tipos: blanco, café claro o “light fawn” (LF), castaño,
oscuro y mezclado. La clasificación de fibras coloreadas es más exigente que la
clasificación de la fibra blanca (Schmid, 2006). Sin embargo, esta metodología de
clasificación requiere tiempo y personal entrenado por lo que es importante
explorar otras herramientas analíticas que permitan clasificar la fibra de manera
rápida y precisa.
La espectroscopia de reflectancia en las regiones visible (VIS) e infrarrojo
cercano (NIR) constituye una de las mejores técnicas debido a su rapidez, a su
bajo costo y a que es no destructiva, ya que involucra muestras que no requieren
preparación alguna. Es una técnica que puede medir la composición química de
sustancias biológicas en base a los espectros de absorción NIR de enlaces de tipo
C-H, O-H y N-H. Dichos enlaces generalmente poseen altas frecuencias
vibracionales y resultan en sobretonos y combinaciones de las vibraciones
43
fundamentales activas en la región del infrarrojo medio (Osborne et al., 1998).
Además, de la información química, el espectro NIR contiene información física
que puede ser utilizada para determinar propiedades físicas de las muestras como
el color, el peso, forma y dimensiones.
Por otro lado, la espectroscopia NIR en combinación con métodos
multivariados de reconocimiento de patrones son utilizados frecuentemente para
discriminar entre muestras pertenecientes a distintos grupos sobre la base de las
propiedades espectrales tal como fue descrito por Casale et al. (2006). Entre los
mas utilizados tenemos el análisis de componentes principales, redes neuronales
artificiales y análisis discriminante por regresión por mínimos cuadrados parciales
(DA-PLS) (Cozzolino et al., 2005).
La literatura reporta que la técnica NIRS se ha utilizado en la industria
textil, principalmente para realizar mediciones de suarda en lana, humedad,
contaminación de lana, (Church y O’Neill, 1999; Hammersley et al., 1995),
diámetro promedio de fibra en ovinos y alpacas (Cozzolino et al., 2005; Gishen y
Cozzolino, 2007). La técnica NIRS también fue utilizada en el análisis cualitativo
como una herramienta discriminante en la identificación y autenticación de
alimentos (Downey, 1996), clasificación de núcleos de trigo de acuerdo al color
(Delwiche y Massie, 1996; Dowell, 1998), discriminación de variedades de trigo
(Miralbes, 2008) identificación de carnes (McElhinney et al., 1999; Alomar et al.,
2003), clasificación de vinos de diferentes países (Liu et al., 2008), mediciones de
color en lana (Hammersley y Towsend, 2001), caracterizar fibras y mezclas
textiles (Espinoza et al., 2006), discriminar la fibra del cashmere de lana fina (Wu
44
et al., 2008); y determinación de sexo y especies en venados rojos (Tolleson et al.,
2005). Sin embargo, existe poca información aplicada a fibras de alpaca.
La hipótesis del presente estudio fue que la espectroscopía de reflectancia
en el infrarrojo cercano (NIRS), en combinación con un análisis multivariado de
datos, es un método efectivo para clasificar la fibra de alpaca por su origen
geográfico, sexo y color. Por lo tanto, el objetivo de la presente investigación fue
evaluar el uso potencial de la técnica de espectroscopía de reflectancia en el
infrarrojo cercano (NIRS) en combinación con un análisis multivariado de datos,
para la clasificación de fibras de alpaca según localidad de origen, sexo y color de
fibra.
3.2 MATERIALES Y MÉTODOS
3.2.1 Muestras de fibra
Las muestras (n=291, ca. 10 g cada una) fueron colectadas de la zona del
costillar medio de alpacas en dos localidades de Perú: 101 muestras fueron
obtenidas de alpacas de color blanco, de ambos sexos, de 2 a 3 años de edad del
Centro de Investigación y Desarrollo de Camélidos Sudamericanos Lachocc de la
Universidad Nacional de Huancavelica, Huancavelica, y 190 muestras de alpacas
tuis de un año de edad, de colores blanco, negro, café y LF de ambos sexos
procedente de la Estación Experimental Quimsachata INIA, Illpa, Puno (tabla 3).
El Centro Lachocc está ubicado a 3860 m.s.n.m., 12° 47’ 06” latitud sur, 74° 58’
17” longitud oeste; y la Estación Quimsachata se ubica a 4025 m.s.n.m., 15º 41’
45
39’’ latitud sur, 70º 36’ 24’’ longitud oeste, con temperaturas que varían entre -5
°C y 18 °C y una precipitación pluvial que alcanza los 700 mm/año. Las muestras
fueron identificadas mediante una tarjeta, guardadas en una bolsa de polietileno y
llevadas al Laboratorio de Nutrición Animal del Instituto de Producción Animal
de la Universidad Austral de Chile, Valdivia, Chile, donde se realizó el estudio.
Tabla 3. Numero de muestras recolectadas por localidad, sexo y color de fibra.
Grupo N Localidad Huancavelica Puno Sexo Machos Hembras Color de fibra Negro Café LF (Light Fawn) Blanco
101 190
117 174
50 50 35
156
3.2.2 Lectura de espectros en la regiones VIS y NIR
Los espectros de las muestras de fibra fueron colectados sobre las regiones
visible (VIS) e infrarrojo cercano (NIR) (400 a 2498 nm) en una celda circular de
35 mm de diámetro y 10 mm de profundidad, ubicada en un módulo de rotación,
utilizando un instrumento monocromador FOSS NIRSystems6500® (FOSS
NIRSystems, Silver Spring, MD, USA), en modo de reflectancia. Los espectros
de las regiones VIS y NIR se recolectaron a intervalos de 2 nm, produciendo un
total de 1050 puntos. Los datos de reflectancia (R) fueron amplificados,
46
digitalizados y almacenados en forma de log (1/R) ó unidades de
microabsorbancia.
Los espectros de reflectancia fueron colectados por dos pares de
detectores de sulfuro de plomo. Las lecturas de reflectancia fueron referenciadas
a las correspondientes lecturas de un disco de cerámica interno proporcionado
por el fabricante del instrumento. A cada muestra se le tomaron tres espectros
completos. Cada espectro correspondió al promedio de 32 sucesivas lecturas.
Una vez tomados estos espectros, se promediaron a fin de reducir posibles
fuentes de error, almacenándose para cada muestra este espectro promedio, el
que se utilizó para el análisis multivariado. Se utilizó una computadora personal
para la operación del espectrómetro, almacenamiento y manejo de los datos
ópticos. Tanto las lecturas de espectros como las calibraciones fueron
desarrollados con el programa WinISI II, Versión 1.02 A, de Infrasoft
International (ISI, 1999).
3.2.3 Análisis de Componentes Principales (PCA)
Los datos espectrales fueron exportados del programa WinISI en formato
NSAS al programa SAS (versión 9.1.3, SAS Institute; Cary, NC). Previo a la
calibración, se realizó un análisis de componentes principales (PCA) para estudiar
patrones en los espectros VIS y NIR sin corregir de las muestras de fibra,
debidos a diferencias cualitativas entre localidad, sexo y color de fibra. Con esta
técnica multivariada se derivó los primeros componentes principales (PCs) de los
datos espectrales para evaluar el posible agrupamiento de muestras y para
47
remover outliers (Martens y Martens, 2001; Naes et al., 2002). Los datos fueron
analizados utilizando el Procedimiento de Componentes Principales (PROC
PRINCOMP) del programa estadísticos SAS (Statistical Analysis System), versión
9.1.3, (SAS Institute; Cary, NC).
3.2.4 Análisis discriminante
El análisis discriminante se realizó mediante la técnica de regresión de
mínimos cuadrados parciales (PLS-DA) (programa WinISI II). Se ingresaron
archivos de datos espectrales por separado, uno para cada localidad para su
discriminación. En este método, se arma una matriz de calibración con todas las
muestras mediante la generación de “variables dummy”, asignándose un valor de
uno si el espectro pertenece a un grupo particular (de acuerdo al nombre del
archivo) o un valor de dos si no pertenece a tal grupo (Martens y Martens, 2001;
Naes et al., 2002). La calibración es por lo tanto desarrollada mediante la
regresión de los datos de longitud de onda sobre los “valores de referencia” (1 o
2) de las variables Dummy. En este estudio, se requirió un valor de la variable
dummy predicha superior a 1,5 para una "correcta" determinación de la localidad,
sexo o color de fibra.
El error estándar de las ecuaciones discriminantes desarrolladas por este
método representa la precisión asociada con la predicción de las variables
dummy. La prueba de validación cruzada fue utilizada para probar la exactitud de
la calibración en cada paso, al ser añadido un nuevo factor PLS a la ecuación,
hasta que se obtuviera un valor mínimo del error estándar de validación cruzada.
48
El mismo procedimiento fue empleado para modelar la función discriminante
para el factor sexo (macho y hembra) y color de fibra (café, blanco, negro y LF),
con dos y cuatro archivos independientes en la calibración, respectivamente.
En cada ecuación discriminante desarrollada, se aplicaron 5 grupos de
validación cruzada con un máximo de 15 términos para la ecuación, aplicando
distintos pre-tratamientos matemáticos (diferentes órdenes e intervalos de
sustracción de segmentos suavizados) y correcciones de dispersión de luz (SNV
+ Detrend) a los espectros. Con una prueba de validación cruzada completa,
subgrupos de muestras son removidos uno a la vez del set de calibración y
utilizados como grupo de predicción con una ecuación elaborada con el resto de
los grupos. Este procedimiento se repite en forma cíclica, hasta que todas las
muestras han sido utilizadas en calibración y en predicción. En cada paso se
calcula un indicador de certidumbre (R2) y uno de incertidumbre (error estándar),
los que al final se promedian, obteniéndose estos indicadores para la validación
cruzada.
3.3 RESULTADOS Y DISCUSIÓN
3.3.1 Análisis de espectros VIS-NIR de las muestras
En la figura 1 se muestran las absorbancias promedio de radiación
infrarroja, expresadas como log (1/R) para las muestras de fibra procedentes de
las dos localidades, de ambos sexos y de cuatro diferentes colores. Las bandas de
absorción fueron similares a las reportadas para lana de ovino (Cozzolino et al.,
49
2005) y de alpaca (Gishen y Cozzolino, 2007). En la región NIR se pueden
observar múltiples bandas de absorción a 1500, 1740, 1940 y 2180 nm, las cuales
corresponden a primeros y segundos sobretonos de estiramiento N-H, S-H, O-H
y C-H respectivamente. Las bandas de absorción alrededor de 1500 nm, son
causadas por los enlaces N-H y éstas corresponden a compuestos úricos y
amidas, mientras que los enlaces O-H están relacionados con la humedad
presente en las muestras de lana (Osborne et al., 1998; Cozzolino et al., 2005;
Gishen y Cozzolino, 2007). Las bandas de absorción correspondientes a 2180 nm
se originan cuando sustancias como ácidos grasos y otros lípidos son escaneadas
y reflejan los enlaces C-H y las bandas de combinación (Coleman et al., 1999).
La mayor absorción de compuestos aminados y azufrados era de esperarse,
debido a que la lana contiene mas de 170 proteínas en cuya estructura química
destacan los grupos amino (NH2) y grupos carboxilo (COOH) (Rippon, 1992).
Aparte de las bandas descritas anteriormente, existen otras por debajo de los
1050 nm, con diferencias atribuidas a grasas (962 nm), agua (934 nm), proteína
(908 nm) y almidón (864 nm). Dentro del rango visible (400-700 nm), se observa
una banda de absorción entre localidades, sexos y colores. En esta región, los
pigmentos de eumelalina y feomelanina presentes en lanas que van de color
negro a marrón y de amarillo a marrón rojizo respectivamente (Cecchi et al.,
2006; Ozeki et al., 1996), tienen una fuerte absorción, siendo los negro-marrón de
mayor intensidad que los amarillo-marrón rojizo (Honeyman, 2002).
50
Figura 1. Espectros NIR promedio de las muestras de fibra por localidad (a),
sexo (b), y color de fibra (c).
Longitud de onda (nm)
51
La comparación de los promedios de los espectros de las muestras de fibra
procedentes de dos localidades (figura 1a), dos sexos (figura 1b) y cuatro colores
(figura 1c) revela claras diferencias en la forma del espectro. Estas diferencias se
deben principalmente a la magnitud de la absorbancia total, de los picos de
absorción y la pendiente total del espectro. Sin embargo, los principales picos de
absorción descritos arriba pueden verse consistentes en los espectros de cada
variable (localidad, sexo y color). En la región NIR la separación de los espectros
de las muestras de fibra entre sexos y colores fueron mínimas, pero mayores
entre localidades. Sin embargo, en la región visible la desviación entre ellos fue
más acentuada. Estas claras diferencias alientan las expectativas de las ventajas
potenciales de la espectroscopia VIS-NIR para la efectiva discriminación entre
fibras de diferentes localidades, sexo o colores.
Para reducir los efectos de los factores que causan cambios en la línea base
(tamaño de partícula, contenido de agua, etc.) y permitir la resolución de
solapamiento de picos de absorción, los espectros fueron corregidos por una
corrección de dispersión SNV+Detrend, acompañado de un tratamiento
matemático de 2-8-8-1 a los datos espectrales. Esto significa que se realizó una
primera y luego una segunda sustracción sobre los datos de absorbancia a
intervalos de 8 puntos de datos (16 nm) a lo largo de todo el espectro, después de
suavizar los segmentos cada 8 puntos en los datos. Esta modificación se presenta
en la figura 2, que cubre el rango VIS-NIR (400-2498 nm). Con ello, los cambios
en la línea base fueron eliminados casi en su totalidad, además, algunos
solapamientos de picos fueron resueltos de manera que las diferencias en
52
absorción se limitan a algunas longitudes de onda significativas, lo que podrían
ser útil para facilitar el desarrollo de calibraciones.
Figura 2. Espectros NIR como segunda derivada de las muestras de fibra de
alpaca
3.3.2 Análisis de Componentes Principales (PCA)
Se analizaron los espectros sin corregir de las muestras de fibra de alpaca
mediante un análisis multivariado de componentes principales (PCA) con el fin
de examinar diferencias cualitativas entre localidades, sexo y color. Las figuras 3,
4 y 5 muestran los resultados del diagrama de coordenadas (score plots) de los
primeros dos componentes principales, los cuales en conjunto explican el 94%
(59 y 35%, respectivamente) de la variación total en los espectros VIS-NIR de las
muestras de fibra de alpaca. En la figura 3 se observa un agrupamiento definido
Longitud de onda (nm)
53
entre las localidades de Huancavelica y Puno. Las muestras de Huancavelica
tienden a concentrarse a bajos valores del primer componente principal, en tanto
que se distribuyen más ampliamente en el segundo. Las de Puno presentan una
distribución más amplia a lo largo de ambos ejes (PC1 y PC2). Asimismo, la
discriminación entre las muestras de fibra de alpaca asociados al color (figura 4)
fue evidente por la observación de los espectros. Similares resultados fueron
observados por Gishen y Cozzolino (2007). Sin embargo, esta separación no fue
evidente en la variable sexo, observándose sobreposiciones entre machos y
hembras (figura 5).
Para investigar la base de la discriminación de los espectros de las muestras
de fibra respecto a localidad y color, se analizaron los autovectores de los
primeros tres componentes principales (figura 6). El PC1 explicó el 59% de la
varianza total, y su autovector presentó el mayor valor alrededor de 1143 nm
asociados con los segundos sobretonos de estiramiento de los grupos C-H,
presentes en las materias vegetales de la fibra; y 1700 nm asociados con los
primeros sobretonos de estiramiento de grupos C-H presentes en lípidos y ácidos
grasos. El PC2 tomó en cuenta el 35% de la variación total, y el valor más alto del
autovector fue encontrado alrededor de 1908 nm, asociado con primeros
sobretonos de estiramiento de grupos O-H, los cuales están relacionados con la
humedad presente en las muestras de lana. El valor del autovector más alto en el
PC3 (4% de la variación total) se observó en la región visible alrededor de 450
nm, y de 1940 nm en la región NIR asociados con el segundo sobretono de los
grupos O-H.
54
Figura 3. Diagrama de los primeros componentes principales de espectros VIS-
NIR de las muestras de fibra de alpaca agrupados de acuerdo a localidad
(Huancavelica ( ) y Puno (*)).
Figura 4. Diagrama de los primeros componentes principales de espectros VIS-
NIR de las muestras de fibra de alpaca agrupados de acuerdo al color de fibra de
alpaca (negro ( ), LF ( ), blanco ( ) y café (*)).
Componente Principal 2
Componente Principal 2
55
Figura 5. Diagrama de los primeros componentes principales de espectros VIS-
NIR de las muestras de fibra de alpaca agrupados de acuerdo a sexo de las
alpacas (Hembra ( ) y Macho (*)).
Figura 6. Autovectores de los tres componentes principales (PC1, PC2 y PC3) en
la región VIS-NIR del espectro de las muestras de fibra de alpaca.
Componente Principal 2
Longitud de Onda (nm)
56
3.3.3 Análisis discriminante
Se desarrollaron diferentes calibraciones aplicando diferentes tratamientos
matemáticos a los datos espectrales sin corregir para obtener ecuaciones
discriminantes, con el fin de reconocer muestras pertenecientes a un determinado
lugar, sexo y color de fibra (tabla 4). Los resultados de las mejores ecuaciones
para la identificación del lugar de procedencia muestran que el 100% de las
muestras pueden ser correctamente asignadas a la localidad a la que pertenecen.
Estas ecuaciones fueron realizadas con el mismo modelo para ambas localidades
(Huancavelica y Puno), que incluyeron 5 términos PLS, programas de corrección
por dispersión SNV+Detrend, y un tratamiento matemático de segunda derivada,
sobre un intervalo de 8 puntos y segmentos suavizados de 8 puntos de datos (2-
8-8). Los modelos desarrollados para la identificación de sexos dentro de
Huancavelica fueron capaces de identificar casi la totalidad de las muestras
pertenecientes a alpacas hembras (80 de 81) y en menor medida los machos (17
de 20). Sin embargo, las ecuaciones discriminantes para clasificar el sexo de las
alpacas en Puno fueron algo menores en comparación a las de Huancavelica, con
un 67,7 y 68 % de muestras correctamente clasificadas para hembras y machos
respectivamente. Asimismo, se obtuvieron modelos discriminantes apropiados
para diferenciar los colores de fibra de las alpacas.
Respecto del color, la mejor ecuación logró clasificar correctamente las
fibras de color blanco y negro, con un 100% de exactitud. Incluyó 12 términos
PLS, con corrección SNV+Detrend y un tratamiento matemático de primera
derivada, sobre un intervalo de 8 puntos y segmentos suavizados cada 4 puntos
57
(1-8-4). La ecuación de calibración seleccionada para los colores LF y Café tuvo
un 91,4 (32 de 35) y 94 % (47 de 50) de exactitud respectivamente para clasificar
las muestras correctamente, y se obtuvo con un tratamiento matemático 1-4-4-1.
Las tres únicas muestras clasificadas incorrectamente en ambos colores, fueron
asignadas como café o LF y viceversa. Diferentes modelos fueron seleccionados
para los colores de fibra y sexo. Los resultados obtenidos en este estudio
muestran que el espectro VIS y NIR de las muestras de fibra de alpaca contienen
información química que permite su clasificación de acuerdo al lugar de
procedencia y color de fibra.
Tabla 4. Resultados de la clasificación de las ecuaciones discriminantes NIRS
para localidad, sexo y color de fibra. Tratamientoa Matemático
Nº de factores PLS
Perteneciente a Clasificado Correctamente
Característica nb nc %
2-8-8-1 2-8-8-1
0-0-4-1 0-0-1-1
2-4-4-1 0-0-8-1
1-8-4-1 1-4-4-1 1-4-4-1 1-8-4-1
5 5
14 8
9 11
12 10 10 12
Localidad Huancavelica Puno Sexo (Huancavelica) Hembras Machos Sexo (Puno) Hembras Machos Color de fibra Negro Café LF Blanco
101190
8120
9397
505035
156
101 190
80 17
63 66
50 47 32 156
100,0 100,0
98,8 85,0
67,7 68,0
100,0 94,0 91,4
100,0 a Todas las ecuaciones fueron desarrolladas utilizando la corrección de dispersión SNV+D; b
Numero de observaciones antes del análisis discriminante; c Numero de observaciones después
del análisis discriminante.
58
Los resultados del análisis discriminante ilustran diferencias claras en la
composición química de la lana entre localidades y colores de fibra. Diferencias
en metabolismo o selección de dietas a diferentes edades podrían resultar en
diferencias químicas de los productos finales de los animales de granja (carne,
leche, huevo, lana, etc.). Es pertinente destacar que las claras diferencias
observadas entre localidades podrían atribuirse a la edad del animal, debido a que
las muestras procedentes de Huancavelica fueron de animales de entre 2 a 3 años
de edad en comparación a los animales de Puno cuyas edad fueron de 1 año.
Podría existir por tanto, un factor de confusión en este aspecto.
Los espectros VIS-NIR discriminaron los colores de la fibra con buena
precisión (exactitudes mayores al 90%), debido probablemente a la presencia de
distintas proporciones de pigmentos de eumelanina y feomelanina (Honeyman,
2002; Cecchi et al., 2006; Ozeki et al., 1996). Respecto del sexo, las alpacas de
Puno no fueron discriminadas eficientemente (67% en hembras y 68% en
machos). Estos resultados implicarían que los componentes químicos presentes
en la lana de ambos sexos son relativamente similares. Asumiendo esta relación,
entonces las características de la fibra (por ejemplo diámetro de fibra) serían
relativamente similares en ambos sexos. Al respecto, en varias investigaciones no
se reportaron efectos significativos del sexo sobre las características de la fibra de
alpacas (Wuliji et al., 2000; McGregor y Butler, 2004; Lupton et al., 2006). Sin
embargo, Montes et al. (2005) y Quispe et al. (2009), reportaron que las alpacas
machos de Huancavelica tuvieron fibras más finas que las hembras, lo que podría
atribuirse a que éstas representan a reproductores mejorados traídos de Puno y
Cusco, así como al efecto de la selección más exigente que se hace a los machos,
59
aunque en forma subjetiva. Esta mayor presión de selección sobre los machos de
Huancavelica, podría explicar el mejor resultado de clasificación por sexo en las
muestras provenientes de esta localidad, aunque específicamente el mejor
resultado fue para las hembras (80 bien clasificadas de un total de 81).
En este estudio se trabajó con fibra de alpaca, sin embargo en estudios
posteriores se podría considerar la posibilidad de clasificar fibras animales no
solamente por localidades o colores de fibra, sino también por especies (llama,
vicuña guanaco) y por edades.
3.4 CONCLUSIÓN
Los resultados permiten concluir que la técnica NIRS, en combinación con
un análisis de tipo discriminante constituye un método rápido y efectivo de
clasificación de fibras de alpaca, por su lugar de origen y color, y no requiere de
un personal entrenado en evaluación de fibras. La técnica NIRS identificó
claramente las diferencias en las muestras de fibra de alpaca debidas a localidad y
color de fibra, de acuerdo a sus componentes orgánicos. Sin embargo, la
separación de los espectros de las muestras de fibra entre sexos fue mínima,
particularmente en el caso de una de las localidades estudiadas. Estos resultados
muestran que los espectros VIS y NIR de las muestras de fibra de alpaca
contienen información química que permite su clasificación de acuerdo al lugar
de procedencia y color de fibra. En algunos casos, cuando algunos factores como
la edad y el color de la fibra son similares entre vellones de alpaca, las ecuaciones
discriminantes podrían actuar como una evaluación preliminar antes de aplicar
60
ecuaciones de calibración cuantitativas. Asimismo, el alto potencial de la técnica
NIRS en la evaluación y caracterización de fibras de alpacas con rapidez,
seguridad y mínimo costo, facilitarían el monitoreo y la toma de decisiones en la
evaluación y clasificación de fibras animales en la industrial textil.
3.5 REFERENCIAS
Alomar, D., Gallo, C., Castañeda, M., Fuchslocher, R., 2003. Chemical and
discriminant analysis of bovine meat by near infrared reflectance spectroscopy
(NIRS) Meat Science 63, 441–450.
Brenes, E., Madrigal, F., Pérez, F., Valladares, K., 2001. El cluster de los
camélidos en Perú: Diagnóstico competitivo y recomendaciones estratégicas.
Lima: CAF INCAE. Disponible en:
http://www.cid.harvard.edu/archive/andes/documents/workingpapers/micr
ofoundations/agrotech/peru/cluster_camelidos_peru.pdf [18 Noviembre del
2008].
Casale, M., Abajo, M.J.S., Sáiz, J.M.G., Pizarro, C., Forina, M., 2006. Study of the
aging and oxidation processes of vinegar samples from different origins
during storage by near-infrared spectroscopy. Analitica Chimica Acta 557, 360-
366.
Cecchi, F., Ciampolini, R., Ciani, E., Matteoli, B., Mozzanti, E., Tancredi, M.,
Presciuttini, S., 2006. Demographic genetics of the endangered Amiata
donkey breed. Italian Journal of Animal Science 5, 387-391.
61
Church, J.S., O’Neill, J.A., 1999. The detection of polymeric contaminants in
loose scoured wool. Vibrational Spectroscopy 19, 285–293.
Coleman, S.W., Lupton, C.J., Pfeiffer, F.A., Minikhiem, D.L., Hart, S.P. 1999.
Prediction of clean mohair, fiber diameter, vegetable matter, and medullated
fiber with near infrared spectroscopy. Journal of Animal Science 77, 2594-2602.
Cozzolino, D., Montossi, F., San Julian, R., 2005. The use of visible (VIS) and
near infrared (NIR) reflectance spectroscopy to predict fibre diameter in both
clean and greasy wool samples. Animal Science 80, 333-337.
Cozzolino, D., Smyth, H.E., Cynkar, W., Dambergs, R.G., Gishen, M., 2005.
Usefulness of chemometrics and mass spectrometry-based electronic nose to
classify Australian white wines by their varietal origin. Talanta 68(2), 382-387.
Delwiche, S.R., Massie, D.R., 1996. Classification of wheat by visible and near-
infrared reflectance from single kernels. Cereal Chemistry 73, 399–405
Dowell, F.E., 1998. Automated colour classification of single wheat kernels using
visible and near-infrared reflectance. Cereal Chemistry 75, 142–144
Downey, G., 1996. Authentication of food and food ingredients by near infrared
spectroscopy. Journal of Near Infrared Spectroscopy 4, 47–61.
Espinoza, E., Przybyla, J., Cox, R., 2006. Analysis of Fiber Blends Using
Horizontal Attenuated Total Reflection Fourier Transform Infrared and
Discriminant Analysis. Applied Spectroscopy 60, 386-391.
62
FAO, 2005. Situación Actual de los Camélidos Sudamericanos en el Perú.
Organización de las Naciones Unidas para la Agricultura y la Alimentación.
Proyecto de Cooperación Técnica en apoyo a la crianza y aprovechamiento de
los Camélidos Sudamericanos en la Región Andina TCP/RLA/2914.
Disponible en:
http://www.fao.org/regional/Lamerica/prior/segalim/animal/paises/pdf/2
914per.pdf. [20 de Noviembre de 2008].
Frank, E., Hick, M., Gauna, C., Lamas, H., Renieri, C., Antonini, M., 2006.
Phenotypic and genetic description of fibre traits in South American domestic
camelids (llamas and alpacas), Small Ruminant Research 61, 113–129.
Gishen, M., Cozzolino, D., 2007. Feasibility study on the potential of visible and
near infrared reflectance spectroscopy to measure alpaca fibre characteristics.
Animal 1, 899–904.
Hammersley, M.J., Townsend, P.E., Graystone, G.F., Ranford, S.L., 1995.
Visible/Near Infrared Spectroscopy of Scoured Wool. Textile Research Journal
65, 241 - 246.
Hammersley, M.J., Townsend, P.E., 2001. NIR of Analysis of Wool. En
Handbook of Near-Infrared Analysis. Practical Spectroscopy. Parte IV,
capítulo 20, pag 543-562. Editado por D.A. Burn y E.W. Ciurczak. Series
Volumen 27. Second Edition. Revised and Expanded, 814 p.
Honeyman, J., 2002. Efectos de las radiaciones ultravioleta en la piel. Revista
peruana de dermatología 12, 2.
63
ISI (Infrasoft International, LLC), 1999. ISI windows near infrared software,
WinISI II, Version 1.02A, Foss NIRSystems, Silver Spring, MD. 236p.
Liu, L., Cozzolino, D., Cynkar, W.U., Dambergs, R.G., Janik, L., O’Neill, B.K.,
Colby, C.B., Gishen, M., 2008. Preliminary study on the application of visible-
near infrared spectroscopy and chemometrics to classify Riesling wines from
different countries. Food Chemistry 106, 781-786.
Lupton, C.J., McColl, A., Stobart, R.H., 2006. Fiber characteristics of the
Huacaya Alpaca. Small Ruminant Research 64, 211–224.
Martens, H., Martens, M., 2001. Multivariate Analysis of Quality: An
Introduction. JohnWiley&Sons Ltd., Chichester, New York, 1–445p.
McElhinney, J., Downey, G., Fearn, T., 1999. Chemometric processing of visible
and near infrared reflectance spectra for species identification in selected raw
homogenised meats. Journal of Near Infrared Spectroscopy 7, 145–154.
McGregor, B.A., Butler, K.L., 2004. Sources of variation in fibre diameter
attributes of Australian alpacas and implications for fleece evaluation and
animal selection. Australian Journal of Agricultural Research 55, 433-442.
Miralbes, C., 2008. Discrimination of European wheat varieties using near
infrared reflectance spectroscopy. Food Chemistry 106, 386-389.
Montes, M., Quicaño, I., Quispe, R., Quispe, E., Alfonso, L., 2008. Quality
characteristics of Huacaya alpaca fibre produced in the Peruvian Andean
Plateau region of Huancavelica. Spanish Journal of Agricultural Research 6, 33-38.
64
Naes, T., Isaksson, T., Fearn, T., Davies, T., 2002. A user-friendly guide to
multivariate calibration and classification. Chichester, UK: NIR Publications,
344p.
Oria, I., Quicaño, I., Quispe, E., Alfonso, L., 2009. Variabilidad del color de la
fibra de alpaca en la zona altoandina de Huancavelica-Perú. ITEA. [In Press].
Osborne, B.G., Fearn, T., Hindle, P.H., 1998. Practical NIR spectroscopy with
applications in food and beverage analysis. Longman Scientific & Tecnical.
2nd ed. UK. 227p.
Ozeki, H., Ito, S., Wakamatsu, K., Thody, A.J., 1996. Spectrophotometric
characterization of eumelanin and pheomelanin in hair. Pigment Cell Research 9,
265–270
Quispe, E.C., Mueller, J.P., Ruiz, J., Alfonso L., Gutiérrez, G., 2008. Actualidades
sobre adaptación, producción, reproducción y mejora genética en camélidos.
Universidad Nacional de Huancavelica. Primera Edición. Huancavelica, Perú,
93-112p.
Quispe, E.C., Alfonso, L., Flores, A., Guillén., 2009. Bases para establecer un
programa de mejora de alpacas en la región Altoandina de Huancavelica –
Perú. Archivos de Zootecnia [In Press].
Rippon, J.A., 1992. The Structure of Wool; Chapter 1, In: Wool Dyeing, Lewis,
D.M. (Ed.), Bradford (UK): Society of Dyers and Colourists, 1-51p.
65
Ruiz De Castilla, M., Mamani, N., 1990. Estudio preliminar del color de la fibra
de Llama en los distritos de Callalli y Tisco, provincia de Caylloma, Arequipa.
In: Informe de trabajos de investigación en Alpacas y Llamas de color.
Volumen I (fibras), 1-18p.
SAS Institute Inc., 2006 SAS Institute Inc. (Second Edition), Base SAS 9.1.3
Procedures Guide vols. 1, 2, 3 and 4, Statistical Analysis Systems Institute
Inc., Cary, NC (2006).
Schmid, S., 2006. The value chain of alpaca fiber in Peru, an economic analysis.
Master Thesis. Institut für Agrarwirtschaft, ETH Zürich. Alemania.
Tolleson, D.R., Randel, R.D., Stuth, J.W., Neuendorff, D.A., 2005.
Determination of sex and species in red and fallow deer by near infrared
reflectance spectroscopy of the faeces. Small Ruminant Research 57, 141–150.
Wu, G., Zhu, D., He, Y., 2008. Identification of fine wool and cashmere by using
Vis/NIR Spectroscopy technology. Spectroscopy and Spectral Analysis 28, 1260-
1263.
Wuliji, T., Davis, G.H., Dodds, K.G., Turner, P.R., Andrews, R.N., Bruce, G.D.,
2000. Production performance, repeatability and heritability estimates for live
weight, fleece weight and fiber characteristics of alpaca in New Zealand. Small
Ruminant Research 37, 189–201.
66
CAPITULO 4
EVALUACIÓN DE LAS CARACTERISTICAS DE FIBRA DE ALPACA
(Lama pacos) MEDIANTE EL USO DE ESPECTROSCOPIA DE
REFLECTANCIA EN EL INFRARROJO CERCANO (NIRS)
67
EVALUACIÓN DE LAS CARACTERISTICAS DE FIBRA DE ALPACA
(Lama pacos) MEDIANTE EL USO DE ESPECTROSCOPIA DE
REFLECTANCIA EN EL INFRARROJO CERCANO (NIRS) 3
EVALUATION OF ALPACA (Lama pacos) FIBRE CHARACTERISTICS
BY MEAN OF NEAR INFRARED REFLECTANCE SPECTROSCOPY
(NIRS)
ABSTRACT
The potential of near-infrared spectroscopy (NIRS) combined with
multivariate analysis was carried to predict the fibre characteristics of economic
importance of alpaca fibre. Mid-side samples (n = 291) were taken from Alpacas
Huacaya (male and female) from different ages and colours and subsequently for
fibre characteristics such as mean fibre diameter (MFD), standard deviation of
fibre diameter (SDMFD), coefficient of variation of fibre diameter (CVMFD),
curvature degree (CD), standard deviation of curvature degree (SDCD), comfort
factor (CF), spining fineness (SF) and staple length (SL) using OFDA 2000
methodology. Samples were scanned in small cuvettes using a NIRSystem 6500
monochromator instrument by reflectance in VIS (visible) and NIR (near
infrared) regions (400 to 2500 nm). Modified Partial least squares (MPLS)
regression was used to develop a number of calibration models between the
spectral and reference data. Mathematical pre-treatment of the spectra and light
scatter correction as standard normal variation and Detrend (SNV & D) of the
3El formato del articulo es de la revista Agricultura Técnica.
68
spectra were used in model development. The best equations were selected
through the coefficient of determination (1-VR), standard error in cross-
validation (SECV) and the Predictive Residual Value (RPD). The best calibration
model was found when using the NIR region (1100 to 2500 nm) for the
prediction of MFD and SF, with 1-VR = 0.90 and 0.87; SECV= 1.01 and 1.08
μm, and RPD = 3.13 and 2.73 respectively. However, the models for SDMFD,
CVMFD, CD, SDCD, CF and SL, had lower predictive quality with 1-VR < 0.65;
SECV= < 14.2 μm, and RPD = < 1.5. These results show the NIR is a
promising technique for predicting the mean fibre diameter and spining fineness
in alpaca wool samples.
Keys words: Visible, Near infrared, Modified partial least squares, Spectroscopy,
NIRS, Alpaca, Wool.
RESUMEN
El presente estudio se realizó para evaluar el uso potencial de la técnica de
espectroscopía de reflectancia en el infrarrojo cercano (NIRS) en combinación
con un análisis multivariado de datos, para predecir variables de importancia
económica en muestras de fibra de alpacas. Se utilizaron muestras (n = 291) de
fibra de la región corporal del costillar medio de alpacas Huacaya de ambos
sexos, distintas edades y colores; en las que posteriormente mediante la
metodología OFDA 2000 se analizaron el diámetro promedio de fibra (DPF),
desviación estándar del diámetro promedio de fibra (DEDPF), coeficiente de
variación del diámetro promedio de fibra (CVDPF), curvatura de ondulación
69
(CO), desviación estándar de curvatura de ondulación (DECO), factor de confort
(FC), finura al hilado (FH) y longitud de mecha (LM). Las muestras fueron
escaneadas en una cuveta pequeña usando el instrumento monocromador FOSS
NIRSystems6500 en modo reflectancia en las regiones VIS (visible) y NIR
(infrarrojo cercano) (400-2500 nm). Se utilizó la regresión de mínimos cuadrados
parciales modificados (MPLS) para desarrollar los modelos de calibración entre la
información espectral y los datos de referencia. En el desarrollo de los modelos,
se aplicaron tratamientos matemáticos de los espectros y corrección de
dispersión de luz como la variación normal estándar y Detrend (SNV & D). Las
mejores ecuaciones se seleccionaron considerando el coeficiente de
determinación (1-VR), el error estándar en validación cruzada (SECV) y el Valor
Residual Predictivo (RPD). Los mejores modelos de calibración para la
predicción DPF y FH fueron encontrados utilizando la región NIR (1100 A 2500
nm), con 1-VR = 0,90 y 0,87; SECV= 1,01 y 1,08 μm, y RPD = 3,13 y 2,73
respectivamente. Sin embargo, los modelos para DEDPF, CVDPF, CO, DECO,
FC, y LM tuvieron una menor calidad predictiva, con 1-VR < 0,65; SECV= <
14,2 y RPD = < 1,5. Estos resultados muestran que la técnica NIRS es una
herramienta analítica promisoria para la predicción del diámetro promedio de
fibra y la finura al hilado en muestras de fibra de alpaca.
Palabras claves: Visible, Infrarrojo cercano, Mínimos cuadrados parciales
modificados, Espectroscopia, NIRS, Alpaca, Fibra.
70
4.1 INTRODUCCION
La alpaca es uno de los camélidos de mayor importancia en la producción
de fibra. Su capacidad de adaptación a las grandes alturas, ha permitido utilizar
extensas áreas de pastos naturales de la zona alto andina, donde no es posible la
explotación de otras especies, por las condiciones adversas asociadas con este
ecosistema (Brenes et al., 2001; Quispe et al., 2008). La fibra de alpaca es una de
las más apreciadas por la industria textil, compite con el cashemere y el mohair, y
tiene más aceptación mundial debido a su buena calidad textil. En relación a las
características del vellón, el diámetro de fibra constituye el principal criterio para
determinar el precio, el rendimiento del procesado, y el uso final en la mayoría de
las lanas de origen animal (lana de oveja (Stobart et al., 1986), mohair (Hunter,
1993) y fibra de alpaca (Frank et al., 2006)), de ahí que se ha invertido mucho
esfuerzo en desarrollar métodos de medición del diámetro de fibra más rápidos,
precisos y eficientes (Brenes et al., 2001).
Entre los métodos oficiales más utilizados para medir variables de interés
económico en muestras de fibras de alpacas están: el microscopio de proyección,
laserscan, Airflow y OFDA (Optical Fibre Diameter Analyser), cuyas
especificaciones están dadas por la IWTO (International Wool Textile
Organization) (Sommerville, 2000). Sin embargo, a pesar que estos métodos son
utilizados con mayor frecuencia, tienen la desventaja de ser costosos y en algunos
casos lentos y destructivos, por lo cual es interesante considerar otros métodos
alternativos que permitan minimizar estos inconvenientes. Una de las posibles
técnicas alternativas de análisis es la espectroscopia de reflectancia en el infrarrojo
71
cercano (NIRS), que presenta la característica de ser no destructiva, rápida,
múltiple, de bajo costo, y de gran precisión y exactitud si los procedimientos de
generación de las ecuaciones de predicción son los adecuados; y de bajo impacto
ambiental, ya que no requiere de sustancias químicas para sus determinaciones.
Es una técnica que puede medir la composición química de sustancias biológicas
en base a la absorción de los espectros NIR por medio de enlaces de C-H, O-H y
N-H. Dichos enlaces generalmente poseen altas frecuencias vibracionales y
resultan en sobretonos y combinaciones de las vibraciones fundamentales activas
en la región del infrarrojo medio (Murray y Williams, 1987; Osborne et al., 1993).
Esta técnica se ha utilizado en la industria textil, principalmente para
realizar mediciones de suarda, de humedad y contaminación en lana, (Slack-Smith
et al., 1979; Church y O’Neill, 1999; Hammersley et al., 1995) y diámetro
promedio de fibra en lanas sucias y limpias de ovinos (Cozzolino et al., 2005). Sin
embargo, existe poca información aplicada a la predicción del diámetro de fibra
en alpacas. Como ejemplo, Gishen y Cozzolino (2007) utilizaron la técnica NIRS
para predecir el diámetro de fibra y otras características de la fibra de alpacas,
reportando ecuaciones de calibración de baja calidad predictiva (RPD = 2 y R2 =
0,88).
La hipótesis del presente estudio fue que la técnica NIRS, es un método
efectivo para predecir variables de interés económico en muestras de fibras de
alpacas. Por lo tanto, el objetivo de la presente investigación fue evaluar el
potencial de aplicación de la técnica NIRS para la predicción de variables de
importancia económica como el diámetro promedio de fibra (DPF), la desviación
72
estándar del diámetro de fibra (DEDPF), el coeficiente de variación del
promedio de diámetro de fibra (CVDPF), la curvatura de ondulación (CO), la
desviación estándar de curvatura de ondulación (DECO), el factor de confort
(FC), la finura al hilado (FH) y la longitud de mecha (LM), en muestras de fibra
de alpacas.
4.2 MATERIALES Y METODOS
4.2.1 Muestras
Se utilizaron muestras (n = 291) de fibra de alpaca (Lama pacos L.), de
aproximadamente 10 g de la región costal media (midside), que presenta mayor
uniformidad respecto al diámetro de fibra (Aylan-Parker y McGregor, 2002)
(figura 7). Las alpacas fueron de la raza Huacaya, de ambos sexos, de distintas
edades (1, 2, y 3 años) y colores (blanco, negro, café claro (Light Fawn, LF) y
café), procedentes de dos regiones productoras de alpacas del Perú (Puno y
Huancavelica). Las muestras de Puno fueron proporcionadas por la Estación
Experimental Quimsachata INIA, Illpa, Puno, ubicada a 4025 m.s.n.m., 15º 41’
39’’ latitud sur, 70º 36’ 24’’ longitud oeste, con temperaturas que varían entre -5
°C y 18 °C, y las muestras de Huancavelica, por el Centro de Investigación y
Desarrollo de Camélidos Sudamericanos Lachocc de la Universidad Nacional de
Huancavelica, ubicado a 3860 m.s.n.m., 12° 47’ 06” latitud sur, 74° 58’ 17”
longitud oeste.
73
4.2.2 Lectura de espectros
Los espectros de las muestras de fibra fueron colectados sobre las regiones
visible (VIS) e infrarrojo cercano (NIR) (400 a 2498 nm) en una celda circular de
35 mm de diámetro y 10 mm de profundidad, utilizando un monocromador
FOSS NIRSystems6500 (FOSS NIRSystems, Silver Spring, MD, USA), en modo
reflectancia, a intervalos de 2 nm, produciendo un total de 1050 puntos.
Figura 7. Localización del lugar de muestreo de la zona costal media “midside” en
alpacas (Aylan-Parker y McGregor, 2002).
Los datos de reflectancia (R) fueron colectados mediante detectores de
sulfuro de plomo (NIR) y silicio (VIS), digitalizados, transformados a unidades de
microabsorbancia y almacenados en forma de log (1/R). Las lecturas de
reflectancia fueron referenciadas a las correspondientes lecturas de un disco de
cerámica interno proporcionado por el fabricante del instrumento. Cada muestra
se dividió en tres submuestras y a cada una se tomó el espectro, que resultó de
74
promediar 32 lecturas sucesivas, junto a 32 lecturas de la cerámica de referencia.
Los espectros de cada submuestra fueron promediados, para obtener el espectro
final para cada muestra, el que se utilizó posteriormente para el desarrollo de las
calibraciones. Se utilizó una computadora personal para la operación del
espectrómetro, almacenamiento y manejo de los datos ópticos.
4.2.3 Análisis de referencia de las muestras de fibra
Los análisis de referencia de las características de la fibra de alpaca se
realizaron en el Laboratorio de Fibras Textiles del Instituto Nacional de
Tecnología Agropecuaria (INTA) Bariloche, Argentina, mediante la técnica del
OFDA2000. Las características de la fibra de alpaca medidas fueron diámetro
promedio de fibra (DPF) (μm), desviación estándar del diámetro promedio de
fibra (DEDPF) (μm), coeficiente de variación del diámetro promedio de fibra
(CVDPF) (%), curvatura de ondulación (CO) (º/mm), desviación estándar de
curvatura de ondulación (DECO) (º/mm), factor de confort (FC) (%), finura al
hilado (FH) (μm) y longitud de mecha (LM) (mm). Con la metodología
OFDA2000, las muestras de fibra con ayuda de un minicore fueron cortadas en
pequeños trocitos (snippets) de aproximadamente 2 mm de largo de la parte
central de la mecha. Luego, los trocitos se colocaron sobre una lamina de vidrio
de 70x70 mm. Posteriormente esta lámina fue introducida en el instrumento
OFDA2000 conectado a un computador para su lectura.
75
4.2.4 Calibración y Análisis Estadístico
Para la determinación de las ecuaciones de calibración, los espectros
fueron sometidos a distintos tratamientos matemáticos descritos por 4 cifras (e.g.
2, 8, 8, 1), donde el primer número indica el orden de la derivada o de sustracción
de los datos espectrales (dos es la segunda derivada de log 1/R), el segundo
número es el intervalo de sustracción (gap) en puntos de datos sobre el cual se
realiza la derivada; el tercer dígito es el número de puntos de datos utilizados en
el primer suavizado y el cuarto número se refiere al número de puntos de datos
sobre el cual se aplica un segundo suavizado (se recomienda dejarlo en 1) (Shenk
y Westerhaus, 1993; Osborne et al., 1993). Además se probaron correcciones para
dispersión de luz a través de SNV y Detrend.
Como técnica de regresión se utilizó el método de mínimos cuadrados
parciales modificados (MPLS) (Shenk y Westerhaus, 1993), en combinación con
la técnica de validación cruzada a fin de obtener el número óptimo de términos
en los modelos de calibración y los estadísticos: coeficiente de determinación en
calibración (R2), error estándar de calibración (SEC), error estándar en validación
cruzada (SECV) y coeficiente de determinación en validación cruzada (1-VR)
(Shenk y Westerhaus, 1993). El criterio para seleccionar el mejor modelo fue
elegir aquel modelo que tenga menores valores de SEC y SECV y altos valores de
R2 y 1-VR. Asimismo, se utilizó el valor residual predictivo (residual predictive
deviation, RPD) definido como el cociente de la desviación estándar y el SECV.
Valores de RPD mayores a tres son considerados adecuados para propósitos
76
analíticos en muchas aplicaciones NIR para productos agrícolas (William, 2001;
Fearn, 2002).
Las calibraciones fueron desarrollados con el programa WinISI II, Versión
1.02 A, de Infrasoft International (ISI, 1999). Los análisis de correlaciones entre
parámetros de la fibra fueron analizados mediante el Procedimiento de
Correlación (PROC CORR) del programa estadísticos SAS (Statistical Analysis
System), versión 9.1.3, (SAS Institute; Cary, NC). Tanto la colección de espectros
como el desarrollo de las calibraciones se llevaron a cabo en el Instituto de
Producción Animal, Facultad de Ciencias Agrarias, Universidad Austral de Chile,
Chile.
4.3 RESULTADOS Y DISCUSION
4.3.1 Descripción de las muestras
En la tabla 5 se muestran las estadísticas descriptivas de los parámetros de
la fibra de alpaca analizadas por el método del OFDA 2000. Se observan un
amplio rango en todos los parámetros evaluados, que son característicos en las
fibras de alpaca. La amplia variación del DPF (rango = 17,8 μm) fue superior a lo
reportado por Huanca et al. (2007) quienes encontraron rangos de 9,78 y 14,7 μm
en dos localidades de Puno (Cojata y Santa Rosa). Asimismo, Montes et al. (2008)
reportan variaciones del DPF entre 17 a 31 μm en alpacas de Huancavelica. Sin
embargo, en otras latitudes se reportaron rangos de 23,3 a 34,2 μm en alpacas
Huacaya, superiores a los reportados en el presente trabajo (Lupton et al., 2006;
77
Gishen y Cozzolino, 2007). Esta diferencia en variabilidad del DPF estaría
atribuida al componente genético que difiere entre animales y a efectos no
genéticos, como son la edad y el medio ambiente donde se crían. La amplia
variación en la composición del conjunto de muestras de calibración, junto a
técnicas de análisis de referencia precisas, son importantes para obtener
ecuaciones de predicción óptimas (Murray, 1986).
Tabla 5. Indicadores estadísticos de las mediciones de referencia en fibra de
alpaca
DPF = diámetro promedio de fibra, DEDPF = desviación estándar del diámetro promedio de
fibra, CVDPF = coeficiente de variación del diámetro promedio de fibra, CO = curvatura de
ondulación, DECO = desviación estándar de curvatura de ondulación, FC = factor de confort,
FH = finura al hilado, LM = largo de mecha, CV = coeficiente de variación.
En la tabla 6 se presenta la matriz de correlaciones Pearson (p < 0,05) para
los parámetros de la fibra de alpaca. Es interesante observar que el diámetro de
fibra se presenta inversamente correlacionado con el grado de curvatura (r = -
0,48) y con el factor de confort (r = -0,90). Gishen y Cozzolino, (2007) reportan
similares tendencias entre estas variables. La relación negativa entre la finura y el
grado de curvatura podría explicarse por la frecuencia de rizos presentes en la
Parámetro Promedio Mediana Desv, Est, Mínimo Máximo CV DPF (μm) 21,87 21,10 3,29 16,40 34,20 15,03DEDPF (μm) 5,12 5,00 0,81 3,50 7,40 15,76CVDPF (%) 23,55 23,50 2,91 17,20 38,20 12,35CO (º/mm) 33,32 33,30 6,04 18,60 59,20 18,11DECO (º/mm) 27,41 27,00 4,79 15,80 52,30 17,49FC (%) 91,78 95,10 10,17 31,80 99,20 11,08FH (μm) 21,77 21,20 3,11 16,30 33,30 14,27LM (mm) 75,81 70,00 20,40 35,00 155,00 26,90
78
fibra. Así, un mayor engrosamiento de la fibra está generalmente asociado con
una menor frecuencia de rizos, la que, a su vez, es directamente proporcional a la
curvatura (i.e. a mayor frecuencia, mayor curvatura) de la fibra (Lupton et al.,
2006). La segunda relación negativa está relacionada con el porcentaje de fibras
con diámetro mayor a 30 μm, que son las que ocasionan la sensación de picazón
en la prenda confeccionada con fibras animales. Un aumento en el porcentaje de
estas fibras reduce el factor de confort, definido como el porcentaje de fibras ≤
30 µm. La calidad de los hilados está fuertemente correlacionada con la suavidad
y el menor grado de picazón en la fibra de alpaca, las que a su vez están asociadas
con el diámetro de fibra y la proporción de fibras < 30 μm (Swinburn et al.,
1995). Por otro lado, se observaron correlaciones positivas y altas entre DPF y
FH (r = 0,98), y entre FC y FH (r = 0,89). Esto era de esperarse ya que estas
variables presentan una estrecha relación debido a que están expresadas como
función del diámetro de fibra.
4.3.2 Espectros NIRS de las muestras
En la figura 8 se presenta el promedio y desviación estándar de los
espectros en la región VIS y NIR (400 – 2500 nm) de las muestras de fibra de
alpaca. De manera general, las bandas de absorción fueron similares a los
reportados para lana de ovino (Cozzolino et al., 2005) y de alpaca (Gishen y
Cozzolino, 2007). El espectro promedio mostró absorciones de bandas en la
región NIR a los 1500 y 1740 nm correspondientes a primeros sobretonos de
grupos N-H y S-H respectivamente.
79
Tabla 6. Coeficientes de correlación Pearson entre parámetros de fibra medidos en
muestras de fibra de alpaca.
DPF = diámetro promedio de fibra, DEDPF = desviación estándar del diámetro promedio de
fibra, CVDPF = coeficiente de variación del diámetro promedio de fibra, CO = curvatura de
ondulación, DECO = desviación estándar de curvatura de ondulación, FC = factor de confort,
FH = finura al Hilado, LM = largo de mecha. Las correlaciones (p < 0,01) están en negritas.
Se observaron también absorciones de bandas alrededor de los 1940 nm
asociadas a segundos sobretonos de grupos O-H presentes en la humedad de las
muestras de lana (Osborne et al., 1993; Cozzolino et al., 2005; Gishen y
Cozzolino, 2007). Asimismo, se observaron bandas de absorción en 2170 y 2280
nm asociadas con bandas de combinación de las deformaciones C-H presentes
en aminoácidos (Murray, 1986; Osborne et al., 1993; Cozzolino et al., 2005;
Gishen y Cozzolino, 2007); y las absorciones a 2055 nm de bandas de
combinación de grupos N-H presentes en compuestos proteicos de la lana. La
mayor absorción de compuestos aminados y azufrados era de esperarse debido a
que la lana contiene más de 170 proteínas en cuya estructura química predominan
los grupos amino (NH2) y carboxilo (COOH) (Rippon, 1992).
DPF DEDPF CVDF CO DECO FC FH DEDPF 0,65 CVDF -0,32 0,50 CO -0,48 -0,37 0,09 DECO -0,61 -0,38 0,23 0,89 FC -0,90 -0,62 0,21 0,43 0,51 FH 0,98 0,78 -0,15 -0,48 -0,59 -0,89 LM 0,51 0,26 -0,26 -0,24 -0,39 -0,45 0,48
80
La desviación estándar del espectro mostró una mayor expresión en el
rango visible, explicadas por la marcada variabilidad en el color de las fibras. En
esta región, los pigmentos de eumelanina y feomelanina podrían tener una fuerte
absorción (Honeyman, 2002). En el rango NIR, se observa variación importante
en los 1620, 1930 y 2055 nm correspondientes al primer sobretono de grupos C-
H, bandas de combinación de deformaciones C-H y bandas de combinación de
enlaces N-H presentes en proteínas, respectivamente (Osborne et al., 1993).
Figura 8. Espectro infrarrojo promedio y desviación estándar de las muestras de
fibra de alpaca.
4.3.3 Predicción NIR de los parámetros de la fibra de alpaca
En la tabla 7 se presenta los resultados obtenidos para las mejores
calibraciones obtenidas para los distintos parámetros de la fibra de alpaca
utilizando la región VIS-NIR y NIR, respectivamente. A través de la validación
DesviaciónStandard
Promedio
Longitud de onda (nm)
81
cruzada se obtuvo el índice de certidumbre 1-VR (coeficiente de determinación
en validación cruzada) y de incertidumbre SECV (error estándar de validación
cruzada) como indicadores del mérito relativo de las mejores ecuaciones
generadas. Las mejores ecuaciones fueron seleccionadas mediante la relación
entre la desviación estándar del set de calibración y el SECV, denominada RPD
(Valor Residual Preditivo). Cada ecuación se describe en términos de los
estadísticos arriba mencionados, junto al tratamiento matemático de los datos
espectrales.
En general, de los distintos métodos de corrección de dispersión y de los
múltiples tratamientos matemáticos probados, se obtuvo mejores resultados de
calibración cuando no se aplicó corrección de dispersión de los espectros. Según
Kennedy et al. (1996), una ecuación se considera aceptable si el cociente entre la
desviación estándar de los valores de referencia y el error estándar de predicción,
es mayor a tres. A pesar que en el presente trabajo no se realizó la validación
externa, se asumió el mismo criterio para seleccionar el mejor modelo en el
proceso de validación cruzada (Cozzolino y Murray, 2002). De acuerdo a esta
relación, los modelos de calibración utilizando las regiones VIS-NIR y NIR para
predecir DEDPF, CVDPF, CO, DECO FC y LM resultaron ser muy pobres en
su calidad predictiva, por presentar valores de 1-VR < 0,65 y RPD < 1,5. Lo
anterior, se confirma al observar la menor correlación entre los valores de
referencia y los espectros de los parámetros señalados anteriormente (R2>0,67).
Similares resultados para estos parámetros fueron reportados en otros estudios
(Gishen y Cozzolino, 2007).
82
Tabla 7. Tratamientos matemáticos y estadísticos de la mejor calibración obtenida
para los parámetros de la fibra de alpaca utilizando el espectro completo (VIS-
NIR) o solo la región NIR.
TM: tratamiento matemático, R2: coeficiente de determinación de calibración, SEC: error
estándar de calibración, 1-VR: coeficiente de determinación de validación cruzada, SECV:
error estándar de validación cruzada y RPD: Valor Residual de Predicción (de sus siglas en
ingles Residual Predictive Deviation).
Los modelos de predicción del DPF y FH resultaron tener una calidad predictiva
moderada en razón a sus valores de 1-VR = 0,86-0,88 y RPD<3, en la región
VIS-NIR; y aceptable, con valores de 1-VR = 0,87-0,90 y RPD = 2,73-3,13 en la
región NIR. Los valores de 1-VR (≥ 0,88) para el DPF reportados en el presente
estudio, revelan una fuerte relación entre la información espectral y los datos de
Parámetro TM R2 SEC 1-VR SECV RPD Región VIS y NIR (400 a 2500 nm) DPF (μm) 0-0-10-1 0,90 0,98 0,88 1,06 2,91 DEDPF (μm) 2-8-7-1 0,60 0,49 0,54 0,52 1,48 CVDPF (%) 1-5-1-1 0,40 2,14 0,25 2,40 1,15 CO (º/mm) 0-0-8-1 0,55 3,59 0,50 3,79 1,42 DECO (º/mm) 1-4-4-1 0,56 2,87 0,51 3,01 1,43 FC (%) 0-0-7-1 0,66 2,66 0,62 3,25 1,41 FH (μm) 0-0-1-1 0,88 1,03 0,86 1,11 2,66 LM (mm) 0-0-2-1 0,40 13,83 0,37 14,19 1,26 Región NIR (1100 a 2500 nm) DPF (μm) 0-0-9-1 0,91 0,95 0,90 1,01 3,13 DEDPF (μm) 2-6-6-1 0,62 0,47 0,53 0,52 1,46 CVDPF (μm) 1-9-9-1 0,37 2,22 0,27 2,37 1,17 CO (μm) 0-0-8-1 0,59 3,44 0,55 3,64 1,48 DECO (μm) 1-4-4-1 0,56 2,84 0,53 2,95 1,46 FC (μm) 0-0-3-1 0,67 2,67 0,64 3,45 1,36 FH (μm) 0-0-10-1 0,89 0,99 0,87 1,08 2,73 LM (μm) 0-0-6-1 0,44 13,35 0,40 13,85 1,28
83
referencia, representando así una buena información cuantitativa (Shenk y
Westerhaus, 1996), lo que sumado a los bajos valores de SECV (<1,1)
reportados, nos permite afirmar que las ecuaciones de calibración NIRS podrían
lograr la predicción del diámetro de fibra de alpacas con aceptable exactitud y
precisión. Los parámetros de DPF y FH tuvieron un alto coeficiente de
determinación, reflejo de la alta relación entre la predicción NIRS y los datos de
referencia, R2>0,88 en las regiones VIS-NIR, y NIR (figura 9).
Similares resultados fueron reportados por Coleman et al. (1999), en
vellones de cabras angoras. Estos autores, mediante NIRS encontraron valores
de SECV = 1,13, 1-VR = 0,79 y RPD = 3,31 para diámetro de fibra. Nuestros
resultados fueron superiores a los reportados por Cozzolino et al. (2005), quienes
obtienen valores de R2 en calibración = 0,35, RMSECV = 11 y RPD = 0,6 con
un n = 400 para diámetro de fibra en lanas sucias de ovinos en las regiones VIS-
NIR y NIR; y superiores a los reportados por Gishen y Cozzolino, (2007)
quienes reportan valores de 1-VR = 0,88, RMSECV = 2,62 y RPD = 2 con un n
= 149 para diámetro de fibra de alpacas en la región NIR. La mejor calidad
predictiva encontrada en el presente trabajo respecto a la de Gishen y Cozzolino,
(2007) podría explicarse en parte por un mayor tamaño de muestra, (291 frente
149) ya que el SECV se incrementa al disminuir el tamaño de muestra en el
proceso de calibración. Sin embargo, Cozzolino et al. (2005) obtuvieron altos
valores de RMSECV a pesar de considerar mayor cantidad de muestras (n = 400).
Estas diferencias podrían atribuirse a la menor variación presente en los datos del
citado trabajo (21,3 - 14,6 μm versus los aquí reportados 34,2 - 16,4 μm).
84
Figura 9. Valores de referencia y predichas por NIRS (μm) del diámetro
promedio de fibra y la finura al hilado obtenidos en la región VIS-NIR (a) y
región NIR (b).
Para obtener buenas predicciones, es decir, altas correlaciones entre los
datos de referencia y la información espectral, y bajos errores estándar de
validación cruzada, es preciso contar con una suficiente cantidad de muestras de
calibración y con una amplia distribución de la variable en estudio (Alomar et al.,
2003). Ademas, es necesario contar con métodos de referencia confiables en
Valor de referencia (μm)
85
términos de precisión y exactitud. En este trabajo no se evaluó el nivel de error
del método de referencia (OFDA 2000), pero es pertinente destacar que es, a su
vez, un método secundario, que ha sido calibrado por el método estándar de
microproyección.
Los mejores modelos de calibración para predecir el DPF y FH utilizando
la región NIR se obtuvieron con tratamientos matemáticos que no requirieron la
derivación ni la corrección de dispersión de los datos espectrales (0-0-9-1 y 0-0-
10-1 respectivamente). Sin embargo, la mayoría de las investigaciones NIRS,
utilizan tratamientos matemáticos con derivación (ya sea de primer o de segundo
orden) y corrección de dispersión, como una medida de reducir el ruido de la
información espectral. Shenk y Westerhaus (1995) señalan que los mejores
tratamientos matemáticos pueden determinarse por ensayo y error, sin
necesariamente incluir derivadas de mayor orden.
4.4 CONCLUSIONES
La espectroscopia NIR demostró ser una herramienta analítica efectiva
para la predicción del diámetro promedio de fibra y la finura al hilado en
muestras de fibra de alpaca. Sin embargo, los parámetros: DEDPF, CVDPF, CO,
DECO FC y LM si bien demostraron una asociación (R2) con la información
espectral, no lograron ser predichos en forma confiable. Ello puede deberse,
entre otras posibles causas, a una falta de precisión en los métodos de referencia.
Las mejores ecuaciones se obtuvieron al utilizar la región NIR del espectro, y con
tratamientos matemáticos que no incluyeron derivadas ni corrección de
86
dispersión de luz. El importante número de muestras analizadas, con una amplia
variabilidad, ayudó a obtener modelos de predicción NIRS capaces de predecir
con buena precisión el diámetro de fibra de alpacas. Se requieren investigaciones
adicionales para mejorar y validar las ecuaciones de calibración obtenidas en el
presente estudio. Se concluye que la espectroscopia de reflectancia en el
infrarrojo cercano puede utilizarse como una herramienta útil para predecir en
forma rápida, confiable, no destructiva y sin especial preparación de las muestras,
el diámetro promedio de fibra de alpacas.
4.5 REFERENCIAS
Alomar, D., Gallo, C., Castañeda, M. Fuchslocher, R. 2003. Chemical and
discriminant analysis of bovine meat by near infrared reflectance spectroscopy
(NIRS) Meat Science 63, 441–450
Aylan-Parker, J., McGregor, B.A., 2002. Optimising sampling techniques and
estimating sampling variance of fleece quality attributes in alpacas. Small
Ruminant Research 44, 53-64.
Brenes, E.R., Madrigal, K., Pérez, F., Valladares, K., 2001. El cluster de los
camélidos en el Perú: Diagnóstico competitivo y recomendaciones
estratégicas. Proyecto Andino de Competitividad. Documentos de trabajo.
Instituto Centroamericano de Administración de Empresas (INCAE), 71p.
87
Cozzolino, D., Montossi, F., San Julian, R., 2005. The use of visible (VIS) and
near infrared (NIR) reflectance spectroscopy to predict fibre diameter in both
clean and greasy wool samples. Animal Science 80, 333-337.
Cozzolino, D., Murray, I., 2002. Effect of sample presentation and animal muscle
species on the analysis of meat by near infrared reflectance spectroscopy.
Journal of Near Infrared Spectroscopy 10, 37–44.
Church, J.S., O’Neill, J.A., 1999. The detection of polymeric contaminants in
loose scoured wool. Vibrational Spectroscopy 19, 285–293.
Fearn, T., 2002. Assessing calibrations: SEP, RPD, RER and R2. NIR News 13,
12–14.
Frank, E., Hick, M., Gauna, C., Lamas, H., Renieri, C., Antonini, M., 2006.
Phenotypic and genetic description of fibre traits in South American domestic
camelids (llamas and alpacas), Small Ruminant Research 61, 113–129.
Gishen, M. y Cozzolino, D., 2007. Feasibility study on the potential of visible and
near infrared reflectance spectroscopy to measure alpaca fibre characteristics.
Animal 1, 899–904.
Hammersley, M.J., Townsend, P.E., Graystone, G.F., Ranford, S.L., 1995.
Visible/Near Infrared Spectroscopy of Scoured Wool. Textile Research Journal
65, 241 - 246.
Honeyman, J., 2002. Efectos de las radiaciones ultravioleta en la piel. Revista
peruana de dermatología 12, 2.
88
Huanca, T., Apaza, N., lazo, A., 2007. Evaluación del diámetro de fibra en
alpacas de las comunidades de los distritos de Cojata y Santa Rosa, Puno.
Resúmenes de la XXX Reunión Científica de la Asociación Peruana de
Producción Animal, XX Archivos Latinoamericanos de Producción Animal
Vol. 15 (Supl. 1) Cusco, Perú.
Hunter, L., 1993. Mohair: A review of its properties, processing and applications.
p. 41. CSIR Div. Text. Tech., Port Elizabeth, South Africa.
ISI (Infrasoft International, LLC), 1999. ISI windows near infrared software,
WinISI II, Version 1.02A, Foss NIRSystems, Silver Spring, MD. 236p.
Kennedy, C. A., Shelford, J. A., Williams, P. C., 1996. Near infrared
spectroscopic analysis of intact grass silage and fresh grass for dry matter,
crude protein and acid detergent fiber. In A. M. C. Davies, & P. Williams
(Eds.). Near infrared spectroscopy: the future waves, Chichester: NIR
Publications, 524-530p.
Lupton, C.J., McColl, A., Stobart, R.H., 2006. Fiber characteristics of the
Huacaya Alpaca. Small Ruminant Research 64, 211–224.
Montes, M., Quicaño, I., Quispe, R., Quispe E., Alfonso L., 2008. Quality
characteristics of Huacaya alpaca fibre produced in the Peruvian Andean
Plateau region of Huancavelica. Spanish Journal of Agricultural Research 6, 33-38.
89
Murray, I., 1986. Near infrared reflectance analysis of forages. In W. Heresign, &
D. J. A. Cole (Eds.), Recent advances in animal nutrition, London:
Butterworths 141-156p.
Murray, I., Williams, P., 1987. Chemical properties of near-infrared technology.
In: Williams PC, Norris KH (eds) Near-infrared technology in the agricultural
and food industries. American Association of Cereal Chemists, St. Paul, MN,
17–34p
Osborne, B.G., Fearn, T., Hindle, P.H., 1993. Practical NIR spectroscopy with
applications in food and beverage analysis. Longman Scientific & Tecnical.
2nd ed. UK. 227p.
Quispe E.C., Mueller J.P., Ruiz J., Alfonso L., Gutiérrez G. 2008. Actualidades
sobre adaptación, producción, reproducción y mejora genética en camélidos.
Universidad Nacional de Huancavelica. Primera Edición. Huancavelica, Perú,
93-112p.
Rippon, J. A., 1992. The Structure of Wool; Chapter 1, In: Wool Dyeing, Lewis,
D.M. (Ed.), Bradford (UK): Society of Dyers and Colourists,1-51p.
SAS Institute Inc., 2006 SAS Institute Inc. (Second Edition), Base SAS 9.1.3
Procedures Guide vols. 1, 2, 3 and 4, Statistical Analysis Systems Institute
Inc., Cary, NC (2006).
Shenk, J.S. y Westerhaus M.O. 1993. Analysis of Agriculture and food products
by Near Infrared Reflectance Spectroscopy. ISI Monograph. 116p.
90
Shenk, J., Westerhaus, M. 1995. The application of near infrared reflectance
spectroscopy (NIRS) to forage analysis. In G. C. Fahey (Ed.), Forage quality,
evaluation, and utilization, Madison, WI: A.S.A., C.S.S.A., S.S.S.A., 406-449p.
Shenk, J., Westerhaus, M. 1996. Calibration the ISI way. In A. M. C. Davies, & P.
Williams (Eds.), Near infrared spectroscopy: the future waves. Chichester:
NIR Publications, 198-202p.
Slack-Smith, T., Fong, D. y Douglas, S. A. S. 1979. The potential application of
near infra red reflectance to estimate the alcohol extractable matter content of
scoured wool. Journal of Textile Institute 70, 1.
Stobart, R. H., W. C. Russell, S. A. Larsen, C. L. Johnson, y J. L. Kinnison. 1986.
Sources of variation in wool fiber diameter. Journal of Animal Science 62, 1181-
1186.
Sommerville, P. 2000. Measuring Micron: Different Methods can mean different
results.
http://www.awta.com.au/Documents/FactSheets/Fact_sheet_003.pdf [20
Noviembre del 2008].
Swinburn, D.J. Laing, R.M., Niven, B.E., 1995. Development of Alpaca and
Alpaca/Wool blend knitwear fabrics. In: The 9th Int. Wool Text. Res. Conf.
Fine Animal Fibres Sec., vol. 2, 536–544p.
Williams, P.C., 2001. Implementation of near infrared technology. In Near
infrared technology in the agricultural and food industries (ed. PC Williams
91
and KH Norris). American Association of Cereal Chemist, St Paul, MN, 145-
171p.
92
CAPITULO 5
DISCUSIÓN GENERAL
93
En las últimas décadas la espectroscopia de reflectancia en el infrarrojo
cercano (NIRS) ha sido ampliamente utilizada como método rápido y fiable en el
análisis cuantitativo y cualitativo de materiales biológicos y no biológicos en áreas
de agricultura, alimentos, textiles, petroquímica, medio ambiente y farmacéutica
(Williams y Norris, 1987). La espectroscopia NIR en el análisis cualitativo es
utilizada frecuentemente como una herramienta discriminante útil para la
identificación y/o clasificación de productos de acuerdo a sus atributos físicos
(color, forma, tamaño, etc.), procedencia, género, etc. Mientras que el análisis
cuantitativo NIRS permite predecir el contenido de determinados analitos y las
propiedades orgánicas de las muestras.
En la presente investigación se realizó un análisis cualitativo con el
objetivo de discriminar muestras de fibra de alpaca por región de procedencia,
sexo y color; y un análisis cuantitativo con la finalidad de predecir el diámetro de
fibra y otras propiedades físicas de la fibra de alpaca, a partir de sus espectros
VIS-NIR. Los espectros VIS-NIR discriminaron correctamente (> 90 %) las
muestras de fibra de alpaca por lugar de procedencia y color. Sin embargo, el
sexo fue débilmente discriminado (> 67 %). En otras investigaciones, el sexo fue
eficientemente discriminado al utilizar NIRS, a partir de muestras de heces
fecales en vacunos (Tolleson et al., 2000), ovinos (Godfrey et al., 2001) y ciervos
blancos (Tolleson et al., 2005). Si bien nuestros resultados no son comparables
con los estudios anteriores, se sabe que los espectros NIR son el resultado de la
composición química presente en la muestra (heces, lana, carne, huevo, etc.)
objeto de estudio. De ahí que las características químicas de las muestras de fibra
de alpaca podrían ser similares en ambos sexos en la presente investigación.
94
Por otra parte, la eficiente discriminación de las localidades se podría
atribuir a diferencias de edad, ya que diferencias en metabolismo o selección de
dietas a distintas edades podrían resultar en diferencias químicas de los productos
finales de los animales de granja. Estas diferencias químicas fueron también
evidentes respecto de los colores de la fibra, ya que permitieron su discriminación
con precisión (exactitudes mayores al 90%). Estos resultados pueden atribuirse a
diferencias en pigmentos de eumelanina y feomelanina presentes en las fibras de
colores de mamíferos, los mismos que mostraron una fuerte absorción en la
región VIS del espectro.
Los resultados del segundo estudio mostraron un alto coeficiente de
correlación (r > 0.94) entre los datos de referencia y la información espectral para
el diámetro de fibra y la finura al hilado (Spining Fineness), sumado a los altos
valores en los índices estadísticos de fiabilidad ( 1-VR, R2 y RPD). Este resultado
nos permite afirmar que con las ecuaciones de calibración NIRS se puede lograr
la predicción del diámetro de fibra de alpacas con aceptable exactitud y precisión.
Lo anterior se puede confirmar empleando otros criterios de selección de
modelos, como el valor del RER (Range Error Ratio), definido como el cociente
entre el rango de los datos de referencia y los valores del SECV, considerándose
una buena calibración cuando valores RER son mayores a 13 (Williams y
Sobering, 1996; Fearn, 2002). Un segundo criterio es el Coeficiente de Variación
(CV), definido como el cociente entre el SECV y el promedio de los datos de
referencia en términos porcentuales ((SECV/ X )*100), estimándose que valores
CV menores al 5% representan ecuaciones aceptable; un tercer criterio es el
95
cociente entre el SECV y el Rango de los datos de referencia en términos
porcentuales ((SECV/R)*100). Según los tres criterios, los modelos de
calibración NIRS para predecir el diámetro promedio de fibra y la finura al hilado
obtuvieron altos valores de RER (> 13), bajos valores CV (< 5%) y bajos valores
del cociente ((SECV/R)*100) (< 6.5%) considerando la región NIR del espectro
(ver Anexos 1 y 2).
Las ecuaciones de calibración para las demás propiedades físicas de la fibra
(DEDPF, CVDPF, CO, DECO FC y LM) mostraron un bajo nivel predictivo
(1-VR < 0.65, RPD < 1.5 y r <0,80). Gishen y Cozzolino (2007) también
identificaron similares problemas en la predicción de estas propiedades físicas
con espectroscopia NIR, con lo cual se estaría confirmando que la relación entre
los espectros NIR y las propiedades físicas descritas anteriormente son bajas.
Cabe señalar que las ecuaciones de calibración NIRS fueron obtenidas utilizando
los espectros en su conjunto (Puno y Huancavelica), ya que al calcular las
ecuaciones en forma independiente (Puno vs Huancavelica) no se pudo lograr el
grado de predicción alcanzado con las ecuaciones desarrolladas al considerar un
único archivo. Por lo tanto, en base a los resultados obtenidos en los dos
estudios aceptamos parcialmente las hipótesis planteadas.
96
CAPITULO 6
CONCLUSIONES GENERALES
97
Luego de realizar un análisis cualitativo y cuantitativo utilizando la técnica
de espectroscopia de reflectancia en el infrarrojo cercano (NIRS) en combinación
con un análisis multivariado para clasificar muestras de fibra de alpaca de acuerdo
a su procedencia, sexo y color; y para predecir parámetros del diámetro de fibra y
características textiles, se puede concluir:
• La técnica NIRS permitió identificar claramente las diferencias en las
muestras de lana de alpaca de acuerdo a localidad de origen y color de
fibra. Sin embargo, la separación de los espectros de las muestras de lana
entre sexos fue mínima.
• Los resultados muestran que los espectros VIS y NIR de las muestras de
fibra de alpaca contienen información química que permite su clasificación
de acuerdo al lugar de procedencia y color de fibra.
• La espectroscopia NIR mostró ser una herramienta analítica útil para la
predicción del diámetro promedio de fibra y la finura al hilado en muestras
de fibra de alpaca. Sin embargo, los parámetros: DEDPF, CVDPF, CO,
DECO FC y LM no lograron ser predichos en forma confiable.
• Las mejores ecuaciones se obtuvieron al utilizar la región NIR del
espectro, y con tratamientos matemáticos que no incluyeron derivadas ni
corrección de dispersión de luz.
98
CAPITULO 7
RFERENCIAS GENERALES
99
Alomar, D., Fuchslocher, R., 1998. Fundamentos de la espectroscopía de
reflectancia en el infrarrojo cercano (NIRS) como método de análisis de
forrajes. Agro Sur 26, 88-04.
AWTA (Australian Wool Testing Authority), 2005.
http://www.awta.com.au/Publications/Technical/laserscan_technical/LSN_
Technical.htm. [21 Noviembre del 2008].
Baetens, E., 1998. The determination of the fibre fineness distribution by
LaserScan. In: Proceedings of 1st Nordic Conference on Flax and Hemp
Processing, Tampere, Finland, ISBN 952-15-0019-0, 81–89p.
Batten, G.D., 1998. Plant analysis using near infrared reflectance spectroscopy:
the potential and the limitations. Australian Journal of Experimental Agriculture
38, 697-706.
Baxter, B.P., 1994. Influences on comparisons between the mean fibre diameter
of wools measured by airflow and by projected image methods. Wool
Technology and Sheep Breeding 42, 176-192.
Baxter, B.P., Brims, M.A., Taylor, T.B., 1992. Description and performance of
the optical fibre diameter analyser (OFDA). Journal Textile Institute 83, 507-526.
Brenes, E.R., Madrigal, K., Pérez, F., Valladares, K., 2001. El cluster de los
camélidos en el Perú: Diagnóstico competitivo y recomendaciones
estratégicas. Proyecto Andino de Competitividad. Documentos de trabajo.
Instituto Centroamericano de Administración de Empresas (INCAE), 71p.
100
Burns, D.A., Ciurczak, E.W., 2001. Handbook of Near-Infrared Analysis. Second
Edition. Marcel Dekker, New York, Vol. 27. 814p.
Bustinza, V., 2001. La alpaca, conocimiento de gran potencial andino. Libro 1.
Oficina de Recursos de Aprendizaje, Universidad Nacional del Altiplano.
Puno. 496p.
Butler, K.L., Dolling, M., 1995. Spinning fineness for wool. Journal Textile Institute
86, 164–165.
Calle Escobar, R., 1982. Producción y mejoramiento de la alpaca. In: Fondo del
Libro del Banco Agrario del Perú (Ed.). Lima, Perú. 334p.
Cen, H., He, Y., 2007. Theory and application of near infrared reflectance
spectroscopy in determination of food quality. Trends in Food Science &
Technology 18, 72-83.
Church, J.S., O’Neill, J.A., 1999. The detection of polymeric contaminants in
loose scoured wool. Vibrational Spectroscopy 19, 285-293.
Coleman, S.W., Lupton, C.J., Pfeiffer, F.A., Minikhiem, D.L., Hart, S.P., 1999.
Prediction of clean mohair, fiber diameter, vegetable matter, and medullated
fiber with near infrared spectroscopy. Journal of Animal Science 77, 2594-2602.
Cozzolino, D., Murray, I., 2002. Analysis of meat by Near Infrared Reflectance
Spectroscopy. Journal of Near Infrared Spectroscopy 10, 37-44.
101
Cozzolino, D., Montossi, F., San Julian, R., 2005. The use of visible (VIS) and
near infrared (NIR) reflectance spectroscopy to predict fibre diameter in both
clean and greasy wool samples. Animal Science 80, 333-337.
De Los Ríos, E., 2006. Producción textil de fibras de camélidos sudamericanos
en el área altoandina de Bolivia, Ecuador y Perú. Organización de las
Naciones Unidas para el Desarrollo Industrial (UNIDO).
www.unido.org/fileadmin/import/58563_camelidos_final.pdf. [18
Noviembre del 2008].
Delgado, E., 2003. Caracterización cuantitativa y cualitativa de lomo curado de
cerdo ibérico, mediante análisis espectral en el infrarrojo cercano (NIRS).
Trabajo profesional fin de carrera. E.T.S de Ingenieros Agrónomos y de
Montes. Universidad de Córdoba. España.
Egan, W.J., Morgan S.L., 1998. Outlier detection in multivariate analytical
chemical data. Analitical Chemistry 70, 2372-2379.
FAO, 2005. Situación Actual de los Camélidos Sudamericanos en el Perú.
Organización de las Naciones Unidas para la Agricultura y la Alimentación.
Proyecto de Cooperación Técnica en apoyo a la crianza y aprovechamiento de
los Camélidos Sudamericanos en la Región Andina TCP/RLA/2914.
http://www.fao.org/regional/Lamerica/prior/segalim/animal/paises/pdf/2
914per.pdf. [20 de Noviembre de 2008].
FAO, 2008. Agricultura y ganadería altoandina severamente afectadas por las
bajas temperaturas en la sierra Peruana comienzan su recuperación. Programa
102
de Emergencias de la FAO en el Perú. Nota de prensa.
www.fao.org/fileadmin/templates/tc/tce/pdf/Peru_Agricultura_y_ganaderia
_altoandina_se_recupera_ante_el_friaje_15_dic_08.pdf [21 de abril del 2009].
Fearn, T., 2002. Assessing calibrations: SEP, RPD, RER and R2. NIR News 13,
12–14.
Frank, E., Hick, M., Gauna, C., Lamas, H., Renieri, C. y Antonini, M. 2006.
Phenotypic and genetic description of fibre traits in South American domestic
camelids (llamas and alpacas), Small Ruminant Research 61, 113-129.
Gishen, M., Cozzolino, D., 2007. Feasibility study on the potential of visible and
near infrared reflectance spectroscopy to measure alpaca fibre characteristics.
Animal 1, 899–904.
Givens D.I., De Boever, J. L., Deaville, E.R., 1997. The principles, practices and
some future applications of near infrared spectroscopy for predicting the
nutritive value of foods for animals and humans. Nutrition Research Reviews 10,
83-114.
Godfrey, R.W., Dodson, R.E., Bultman, J.K., Tolleson, D.R., Stuth, J.W.,
Norman, A.J., 2001. Use of near infrared reflectance spectroscopy to
differentiate pregnancy status and gender of hair sheep in the tropics. Journal
of Animal Science 79 (Suppl. I), 26.
103
Grishanov, S.A., Harwood, R.J., Booth I., 2006. A method of estimating the
single flax fibre fineness using data from the LaserScan system. Industrial Crops
and Products 23, 273–287.
Guerrero, C., Mataix-Solera, J., Arcenteguir, V., Mataix-Beneyto, J., Gómez, I.,
2007. Near-infrared spectroscopy to estimate the maximum temperatures
reached on Burneo soils. Soil Science Society America Journal 71, 1029-1037
Hammersley, M.J.; Townsend, P.E., Grayston, G.F., Ranford, S.L., 1995.
Visible/Near Infrared Spectroscopy of Scoured Wool. Textile Research Journal
65, 241 - 246.
Hammersley, M.J., Townsend, P.E., 2001. NIR Analysis of Wool. En Handbook
of Near-Infrared Analysis. Practical Spectroscopy. Parte IV, capítulo 20, pag
543-562. Editado por D.A. Burn y E.W. Ciurczak. Series Volumen 27. Second
Edition. Revised and Expanded, 814p.
Huanca, T., Apaza, N., lazo, A., 2007. Evaluación del diámetro de fibra en
alpacas de las comunidades de los distritos de Cojata y Santa Rosa–Puno.
Resúmenes de la XXX Reunión Científica de la Asociación Peruana de
Producción Animal - XX Archivos Latinoamericanos de Producción Animal
Vol. 15 (Supl. 1) 2007- Cusco, Perú.
Keogh, M.J., Roberts, E.M., 1985. Near infrared measurement of greasy wool for
sheep breeders Wool Technology and Sheep Breeding 33, 108-112.
104
Lupton, C.J., McColl, A., Stobart, R.H., 2006. Fiber characteristics of the
Huacaya Alpaca. Small Ruminant Research 64, 211–224.
Macho, S., Larrechi, M.S., 2002. Near-infrared spectroscopy and multivariate
calibration for the quantitative determination of certain properties in the
petrochemical industry. Trends in Analytical Chemistry 21, 799-806.
McCaig, T.N., 2002. Extending the use of visible/near infrared reflectance
spectrophotometers to measure colour of food and agricultural products. Food
Research International 35, 731-736.
McClure, W.F., 2003. 204 years of near infrared technology: 1800–2003. Journal of
Near Infrared Spectroscopy 11, 487–518.
McGregor, B.A., Butler, K.L., 2004. Sources of variation in fibre diameter
attributes of Australian Alpacas and implications for fleece evaluation and
animal selection. Australian Journal of Agricultural Research 55, 433-442.
Montes, M., Quicaño, I., Quispe, R., Quispe E., Alfonso L., 2008. Quality
characteristics of Huacaya alpaca fibre produced in the Peruvian Andean
Plateau region of Huancavelica. Spanish Journal of Agricultural Research 6, 33-38.
Mueller, J.P., 2008. Special Animal Fibers in South America. Comunicación
Técnica INTA EEA Bariloche Nro. PA 536, 5p.
Murray, I., 1988. Aspects of the interpretation of Near Infrared Spectra. Food
Science and Technology Today 2, 135-140.
105
Naes, T., Isaksson, T., Fearn, T., Davies, T., 2002. A user-friendly guide to
multivariate calibration and classification. Chichester, UK: NIR Publications.
344p.
Osborne, B.G., Fearn, T., Hindle, P.H., 1993. Practical NIR spectroscopy with
applications in food and beverage analysis. Longman Scientific & Tecnical.
2nd ed. UK. 227p.
Renieri, C., Trabalza Marinucci, M., Martino, G., Giordano, G., 1991. Preliminary
report on qualità of hair and coat colour in pigmented alpaca. Proc. IX Italian
ASPA, 905-914p.
Roggo, Y., Chalus, P., Maurer, L., Lema-Martinez, C., Edmond, A., Jent, N.,
2007. A review of near infrared spectroscopy and chemometrics in
pharmaceutical technologies. Journal of Pharmaceutical and Biomedical Analysis 44,
683–700
Ruiz De Castilla, M., Mamani, N., 1990. Estudio preliminar del color de la fibra
de Llama en los distritos de Callalli y Tisco-provincia de Caylloma-Arequipa.
In: Informe de trabajos de investigación en Alpacas y Llamas de color.
Volumen I (fibras). 1–18p.
Scott, R.F., Roberts, E.M., 1978. Objective measurement of clean fleece weight
by infrared reflectance spectroscopy, Wool Technology and Sheep Breeding 26, 27-
30.
106
Shenk J.S., Fales, S.L., Westerhaus M.O., 1993. Using near infrared reflectance
product library files to improve prediction accuracy and reduce calibration
costs. Crop science 33, 578-581.
Shenk, J.S. y Westerhaus M.O. 1993. Analysis of Agriculture and food products
by Near Infrared Reflectance Spectroscopy. ISI Monograph. 116p.
Shenk, J., Westerhaus, M., 1994. The application of Near Infrared Reflectance
Spectroscopy (NIRS) to forage analysis. In Fahey, G. C., Jr (ed.). Forage
Quality, Evaluation and Utilization. USA. 406-449p.
Slack-Smith, T., Fong, D., Douglas, S.A.S., 1979. The potential application of
near infra red reflectance to estimate the alcohol extractable matter content of
scoured wool. Journal of Textile Institute 70: 1.
Sommerville, P., 2000. Measuring Micron: Different Methods can mean
different results.
http://www.awta.com.au/Documents/FactSheets/Fact_sheet_003.pdf [20
Noviembre del 2008].
Stuart, B., 2004. Infrared Spectroscopy: Fundamentals and Applications John
Wiley & Sons, New Jersey, USA. 221p.
Sumar, J., 1991. Características de las poblaciones de Llamas y Alpacas en la
sierra sur del Perú. Informe de la Mesa redonda sobre Camélidos
Sudamericanos. Lima Perú. Ofic. Reg. FAO. 71–80p.
107
Swinburn, D.J., Laing, R.M., Niven, B.E., 1995. Development of Alpaca and
Alpaca/Wool blend knitwear fabrics. In: The 9th Int. Wool Text. Res. Conf.
Fine Animal Fibres Sec., vol. 2, 536–544p.
Tolleson, D.R., Wilson, T.W., Randel, R.D., Neuendorff, D.A., Lewis, A.W.,
Stuth, J.W., 2000. Discrimination between physiologically different groups of
cattle via near infrared reflectance spectroscopy of feces. Journal of Animal
Science 78 (Suppl. I), 14.
Tolleson, D.R., Randel, R.D., Stuth, J.W., Neuendorff, D.A., 2005.
Determination of sex and species in red and fallow deer by near infrared
reflectance spectroscopy of the faeces. Small Ruminant Research 57, 141–150.
Van Schie, H.F.M., Marler, J.W., Barry, L.J.H., 1990. Measurement of fibre
diameter by image analysis. In: Proc. IWTO Tech. Commun., Report No. 9.
Velarde Flores, R., 1988. Comercialización de la fibra de Alpaca In: Flores
Ochoa, J.A. Llamichos y Paqocheros. Pastores de Llamas y Alpacas. C.E.A.C.
(Ed.). Cuzco, Perú.
Vera, G., 2004. Predicción de rendimiento y finura de fibras de cashmere
mediante uso de espectroscopia de reflectancia en el infrarrojo cercano
(NIRS). Tesis Lic. Agr. Valdivia, Universidad Austral de Chile. Facultad de
Ciencias Agrarias.
Wang, X., Wang, L., Liu. X., 2003. The Quality and Processing Performance of
Alpaca Fibres: Australian Alpaca Fibre Industry and the Fibre properties.
108
http://www.rirdc.gov.au/reports/RNF/03-128.pdf. [18 Noviembre del
2008].
Williams, P.C., Norris, K., 1987. Near-Infrared Technology in the Agricultural
and Food Industries. AACC, Inc., USA.
Williams, P.C., Sobering, D.C., 1996. How we do it: A brief summary of the
methods we use in developing near infrared calibrations. In: Near Infrared
Spectroscopy: The Future Waves, Davies, A.M.C. and Williams, Ph. (eds).
NIR Publications, Chichester, UK. 185-188p.
Williams, P.C., 2001. Implementation of near infrared technology. In Near
Infrared Technology in the agricultural and food industries (ed. P.C. Williams
and K.H. Norris), pp. 145-171. American Association of Cereal Chemist, St
Paul, M.N.
Williams, P.C., Cordeiro, H.M., 1985. Effect of calibration practice on correction
of errors induced in near-infrared protein testing of hard red spring wheat by
growing location and season. The Journal of agricultural science 104, 113–123.
Wuliji, T., Davis, G.H., Dodds, K.G., Turner, P.R., Andrews, R.N., Bruce, G.D.,
2000. Production performance, repeatability and heritability estimates for live
weight, fleece weight and fiber characteristics of alpacas in New Zealand.
Small Ruminant Research 37, 189-201.
109
ANEXOS
110
Diámetro Promedio de Fibra
NONE 0-0-10-1 0,976 0,90 1,059 0,881 3,085 11 21,72 16,40-32,00 2,91 0,343 4,88 6,79 14,73NONE 0-0-2-1 0,977 0,90 1,062 0,881 3,088 13 21,74 16,40-32,00 2,91 0,344 4,89 6,81 14,69NONE 0-0-4-1 0,978 0,90 1,063 0,881 3,088 13 21,74 16,40-32,00 2,90 0,344 4,89 6,81 14,68NONE 0-0-5-1 0,979 0,90 1,064 0,881 3,088 13 21,74 16,40-32,00 2,90 0,345 4,90 6,82 14,66
Desviación Estándar del Diámetro Promedio de Fibra
NONE 2-8-7-1 0,489 0,60 0,521 0,542 0,771 7 5,11 3,5-7,40 1,48 0,676 10,20 13,36 7,49NONE 2-8-8-1 0,479 0,61 0,521 0,542 0,765 7 5,10 3,5-7,40 1,47 0,681 10,22 13,36 7,49NONE 2-7-7-1 0,482 0,62 0,548 0,514 0,785 8 5,12 3,5-7,40 1,43 0,698 10,71 14,05 7,12NONE 1-2-2-1 0,489 0,59 0,537 0,517 0,766 8 5,08 3,5-7,40 1,43 0,701 10,58 13,77 7,26
Coeficiente de Variación del Diámetro Promedio de Fibra
NONE 1-5-1-1 2,142 0,40 2,395 0,246 2,762 11 23,52 17,20-31,60 1,15 0,867 10,18 16,63 6,01NONE 1-9-9-1 2,185 0,38 2,422 0,239 2,779 11 23,50 17,20-31,60 1,15 0,872 10,30 16,82 5,95SNV-DET 2-9-9-1 2,184 0,38 2,492 0,194 2,777 9 23,52 17,20-31,60 1,11 0,897 10,60 17,31 5,78NONE 2-9-9-1 2,298 0,32 2,507 0,185 2,780 7 23,52 17,20-31,60 1,11 0,902 10,66 17,41 5,74
Curvatura de Ondulación
NONE 0-0-8-1 3,593 0,55 3,785 0,502 5,365 11 33,03 18,60-47,40 1,42 0,705 11,46 13,14 7,61NONE 0-0-4-1 3,592 0,55 3,806 0,507 5,365 11 33,03 18,60-47,40 1,41 0,709 11,52 13,22 7,57NONE 0-0-1-1 3,591 0,55 3,810 0,506 5,365 11 33,03 18,60-47,40 1,41 0,710 11,53 13,23 7,56NONE 1-4-4-1 3,660 0,54 3,827 0,515 5,384 7 33,04 18,60-47,40 1,41 0,711 11,58 13,29 7,53
Selección de las cuatro mejores ecuaciones para cada parametro y sus estadisticos de calibración y validación en la región VIS-NIR
SECV (%PROM)
SECV (%RANGO) RERPROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPDR2 SECV 1-VR D.E.
TC TM SEC
TC TM SEC
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPDR2 SECV 1-VR D.E.
SECTMTC D.E.1-VRSECVR2 RPDRANGOPROMNSECV
(%PROM)SECV
(%RANGO)SECV/SD RER
TC: término de corrección; TM: tratamiento matemático; SEC: error estándar de calibración; R2: coeficiente de determinación en calibración; SECV: error estándar de validación cruzada;1-VR: coeficiente de determinación de validación cruzada; DE: desviación estándar; N: número de términos de la ecuación; PROM: promedio; RPD: ratio performance deviation = DE/SECV; SECV/promedio*100 = Coeficiente de Variación; RER: range error ratio = RANGO/SECV; índice SECV/%RANGO.
Anexo 1
111
Desviación Estándar de Curvatura de Ondulación
NONE 1-4-4-1 2,869 0,56 3,012 0,508 4,300 7 27,23 15,80-38,90 1,43 0,700 11,06 13,04 7,67NONE 1-8-8-1 2,860 0,56 3,028 0,506 4,300 7 27,23 15,80-38,90 1,42 0,704 11,12 13,11 7,63NONE 1-8-4-1 2,862 0,56 3,055 0,501 4,300 7 27,23 15,80-38,90 1,41 0,710 11,22 13,23 7,56NONE 0-0-4-1 2,891 0,56 3,104 0,488 4,341 8 27,23 15,80-38,90 1,40 0,715 11,40 13,44 7,44
Factor de Confort
NONE 0-0-7-1 2,658 0,66 3,246 0,621 4,593 10 94,14 74,80-99,20 1,41 0,707 3,45 13,30 7,52NONE 0-0-8-1 2,601 0,66 3,25 0,62 4,446 10 94,22 77,10-99,20 1,37 0,731 3,45 14,71 6,80NONE 0-0-9-1 2,604 0,66 3,252 0,62 4,446 10 94,22 77,10-99,20 1,37 0,731 3,45 14,71 6,80NONE 0-0-4-1 2,58 0,66 3,269 0,616 4,4 9 94,26 77,10-99,20 1,35 0,743 3,47 14,79 6,76
Spining Fineness
NONE 0-0-1-1 1,026 0,88 1,113 0,858 2,964 12 21,63 16,30-31,00 2,66 0,376 5,15 7,57 13,21NONE 0-0-4-1 1,027 0,88 1,114 0,857 2,964 12 21,63 16,30-31,00 2,66 0,376 5,15 7,58 13,20NONE 0-0-8-1 1,032 0,88 1,114 0,858 2,964 12 21,63 16,30-31,00 2,66 0,376 5,15 7,58 13,20NONE 0-0-9-1 1,046 0,88 1,115 0,857 2,963 12 21,64 16,30-31,00 2,66 0,376 5,15 7,59 13,18
Largo de Mecha
NONE 0-0-2-1 13,828 0,40 14,193 0,373 17,912 5 74,77 35,00-135,00 1,26 0,792 18,98 14,19 7,05NONE 0-0-4-1 13,829 0,40 14,193 0,373 17,912 5 74,77 35,00-135,00 1,26 0,792 18,98 14,19 7,05NONE 0-0-6-1 13,83 0,40 14,194 0,373 17,912 5 74,77 35,00-135,00 1,26 0,792 18,98 14,19 7,05NONE 0-0-1-1 13,826 0,40 14,197 0,373 17,912 5 74,77 35,00-135,00 1,26 0,793 18,99 14,20 7,04
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDTC TM SEC R2 SECV 1-VR D.E. N
TC: término de corrección; TM: tratamiento matemático; SEC: error estándar de calibración; R2: coeficiente de determinación en calibración; SECV: error estándar de validación cruzada;1-VR: coeficiente de determinación de validación cruzada; DE: desviación estándar; N: número de términos de la ecuación; PROM: promedio; RPD: ratio performance deviation = DE/SECV; SECV/promedio*100 = Coeficiente de Variación; RER: range error ratio = RANGO/SECV; índice SECV/%RANGO.
112
Diámetro Promedio de Fibra
NONE 0-0-9-1 0,954 0,91 1,005 0,897 3,144 13 21,75 16,40-32,10 3,13 0,320 4,62 6,40 15,62NONE 0-0-1-1 0,943 0,91 0,987 0,897 3,084 13 21,72 16,40-32,00 3,12 0,320 4,54 6,33 15,81NONE 0-0-5-1 0,958 0,91 1,005 0,897 3,139 13 21,75 16,40-32,10 3,12 0,320 4,62 6,40 15,62NONE 0-0-4-1 0,957 0,91 1,006 0,897 3,139 13 21,75 16,40-32,10 3,12 0,320 4,63 6,41 15,61
Desviación Estándar del Diámetro Promedio de Fibra
NONE 2-6-6-1 0,468 0,62 0,522 0,532 0,764 8 5,09 3,5-7,40 1,46 0,683 10,27 13,38 7,47NONE 1-6-6-1 0,475 0,62 0,526 0,532 0,766 9 5,08 3,5-7,40 1,46 0,687 10,35 13,49 7,41NONE 1-2-2-1 0,459 0,64 0,524 0,530 0,762 9 5,08 3,5-7,40 1,45 0,688 10,32 13,44 7,44NONE 2-7-7-1 0,497 0,58 0,534 0,520 0,767 6 5,10 3,5-7,40 1,44 0,696 10,47 13,69 7,30
Coeficiente de Variación del Diámetro Promedio de Fibra
NONE 1-9-9-1 2,215 0,37 2,370 0,271 2,779 10 23,50 17,20-31,60 1,17 0,853 10,08 16,46 6,08NONE 1-5-1-1 2,203 0,37 2,396 0,255 2,78 10 23,52 17,20-31,60 1,16 0,862 10,19 16,64 6,01NONE 2-9-9-1 2,375 0,25 2,438 0,204 2,734 4 23,48 17,20-31,60 1,12 0,892 10,38 16,93 5,91NONE 0-0-5-1 2,415 0,22 2,460 0,190 2,735 5 23,46 17,20-31,00 1,11 0,899 10,49 17,83 5,61
Curvatura de Ondulación
NONE 0-0-8-1 3,44 0,594 3,639 0,554 5,398 10 33,142 20,80-50,30 1,48 0,674 10,98 12,34 8,11NONE 0-0-4-1 3,507 0,59 3,758 0,529 5,487 10 33,12 18,60-50,30 1,46 0,685 11,35 11,85 8,44NONE 0-0-1-1 3,516 0,59 3,781 0,533 5,469 10 33,09 18,60-50,30 1,45 0,691 11,43 11,93 8,38NONE 1-4-4-1 3,679 0,55 3,784 0,520 5,458 6 33,03 18,60-47,40 1,44 0,693 11,46 13,14 7,61
Selección de las cuatro mejores ecuaciones para cada parametro y sus estadisticos de calibración y validación en la región NIR
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
TC: término de corrección; TM: tratamiento matemático; SEC: error estándar de calibración; R2: coeficiente de determinación en calibración; SECV: error estándar de validación cruzada;1-VR: coeficiente de determinación de validación cruzada; DE: desviación estándar; N: número de términos de la ecuación; PROM: promedio; RPD: ratio performance deviation = DE/SECV; SECV/promedio*100 = Coeficiente de Variación; RER: range error ratio = RANGO/SECV; índice SECV/%RANGO.
Anexo 2
113
Desviación Estándar de Curvatura de Ondulación
NONE 1-4-4-1 2,839 0,56 2,947 0,529 4,300 6 27,23 15,80-38,90 1,46 0,685 10,82 12,76 7,84NONE 1-8-8-1 2,860 0,56 2,961 0,525 4,300 6 27,23 15,80-38,90 1,45 0,689 10,87 12,82 7,80NONE 1-8-4-1 2,826 0,56 2,967 0,523 4,281 6 27,20 15,80-38,90 1,44 0,693 10,91 12,84 7,79NONE 0-0-1-1 3,010 0,52 3,038 0,509 4,341 7 27,23 15,80-38,90 1,43 0,700 11,16 13,15 7,60
Factor de Confort
NONE 0-0-3-1 2,673 0,67 3,449 0,635 4,675 7 94,13 74,80-99,20 1,36 0,738 3,66 14,14 7,07NONE 0-0-4-1 2,673 0,67 3,449 0,635 4,675 7 94,13 74,80-99,20 1,36 0,738 3,66 14,14 7,07NONE 0-0-5-1 2,674 0,67 3,45 0,635 4,675 7 94,13 74,80-99,20 1,36 0,738 3,67 14,14 7,07NONE 0-0-6-1 2,674 0,67 3,451 0,635 4,675 7 94,13 74,80-99,20 1,35 0,738 3,67 14,14 7,07
Spining Fineness
NONE 0-0-10-1 0,992 0,89 1,077 0,866 2,945 13 21,61 16,30-31,00 2,73 0,366 4,98 7,33 13,65NONE 0-0-9-1 0,987 0,89 1,078 0,866 2,945 13 21,61 16,30-31,00 2,73 0,366 4,99 7,33 13,64NONE 0-0-1-1 1,023 0,88 1,084 0,864 2,943 12 21,61 16,30-31,00 2,71 0,368 5,02 7,37 13,56NONE 0-0-4-1 1,023 0,88 1,086 0,864 2,943 12 21,61 16,30-31,00 2,71 0,369 5,02 7,39 13,54
Largo de Mecha
NONE 0-0-6-1 13,348 0,44 13,851 0,403 17,775 4 74,70 35,00-135,00 1,28 0,779 18,54 13,85 7,22NONE 0-0-7-1 13,348 0,44 13,851 0,403 17,775 4 74,70 35,00-135,00 1,28 0,779 18,54 13,85 7,22NONE 0-0-8-1 13,35 0,44 13,853 0,403 17,775 4 74,70 35,00-135,00 1,28 0,779 18,55 13,85 7,22NONE 0-0-9-1 13,35 0,44 13,853 0,403 17,775 4 74,70 35,00-135,00 1,28 0,779 18,55 13,85 7,22
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
SECV/SD SECV (%PROM)
SECV (%RANGO) RERN PROM RANGO RPD
SECV (%PROM)
SECV (%RANGO) RER
TC TM SEC R2 SECV 1-VR D.E.
PROM RANGO RPD SECV/SDSECV 1-VR D.E. NTC TM SEC R2
TC: término de corrección; TM: tratamiento matemático; SEC: error estándar de calibración; R2: coeficiente de determinación en calibración; SECV: error estándar de validación cruzada;1-VR: coeficiente de determinación de validación cruzada; DE: desviación estándar; N: número de términos de la ecuación; PROM: promedio; RPD: ratio performance deviation = DE/SECV; SECV/promedio*100 = Coeficiente de Variación; RER: range error ratio = RANGO/SECV; índice SECV/%RANGO.
