Resumen
Antecedentes: La Espectroscopia
en el Infrarrojo Cercano (NIRS, por sus siglas en inglés) se basa en la
interacción con la materia de las radiaciones infrarrojas cercanas al espectro
visible. Desde la década del 70 del pasado siglo, la NIRS se ha estado usando
en la predicción de componentes del valor nutritivo de alimentos para animales.
Objetivo. Dar una visión sobre las
características de la NIRS y su uso en la evaluación de alimento para animales.
Desarrollo: El primer uso
significativo de la NIRS para la evaluación de alimentos animal fue reportado
en 1976. Su utilización se ha incrementado notablemente dada su rapidez, ser no
destructiva y la buena relación efectividad costo. Un papel importante en tales
mejoras lo constituye la integración de procedimientos de relativa complejidad
para el manejo de un número elevado de datos, pues se requiere de modelos
estadísticos de predicción previamente obtenidos durante la calibración. Debe
recolectarse un conjunto diverso de muestras que cubran el rango completo de
variaciones esperadas en los parámetros de interés. El modelo se prueba con un
grupo independiente de muestras con valores de referencia conocidos. Esto
permite evaluar su rendimiento mediante estadísticas como el coeficiente de
determinación y el error estándar de predicción. Conclusión: NIRS es la espectroscopia de mayor avance en las
últimas décadas. En la producción animal puede ser utilizada para la gradación
de calidad de los alimentos, formulación del alimento, y verificación de la
calidad del producto final.
Palabras claves: alimento
animal, espectroscopia, modelos de regresión, infrarrojo cercano (Fuente: AIMS)
Abstract
Background: Near-infrared spectroscopy (NIRS)
is based on the interaction
of near-infrared radiation with matter. Since
the 1970s, NIRS has been used to predict the nutritional value of animal feed components. Objective. To provide an overview
of the characteristics of
NIRS and its use in animal feed
evaluation. Development: The first significant
use of NIRS for animal feed
evaluation was reported in 1976. Its use has increased considerably due to its speed,
non-destructive nature, and cost-effectiveness.
A key factor in these improvements is the integration of relatively complex procedures for handling large datasets, as this requires statistical prediction models previously obtained during calibration. A diverse set
of samples must be collected to cover the full range of expected variations in the parameters of interest. The model
is then tested
with an independent
group of samples with known reference
values. This allows for the
evaluation of its
performance using statistics
such as the coefficient of determination and the standard error of prediction.
Conclusion: NIRS is the most advanced
spectroscopy technique in recent decades. In animal production, it can be used for feed
quality grading, feed formulation, and verification of final product quality.
Keywords:
animal feed, spectroscopy, regression models, near-infrared (Source: AIMS)
INTRODUCCIÓN
Las técnicas
instrumentales de análisis usan propiedades físicas que de alguna manera se
relacionan con el analito. La espectroscopía óptica se basa en la interacción
existente entre la sustancia objeto de análisis y la radiación
electromagnética. La interacción puede ser emisión o absorción o ambas. Las
radiaciones pueden ser visibles, ultravioletas o infrarrojas, dependiendo del
rango de longitudes de onda que cubren. La espectroscopía en el infrarrojo
cercano (NIRS, por sus siglas en inglés) estudia los espectros en el rango de
longitudes de onda entre 900 y 2500 nm (Amaral,
2022).
Desde la
década del 70 la NIRS se ha estado usando en la predicción de componentes del
valor nutritivo de alimentos para animales (Norris et al., 1976). Avances recientes permiten análisis in situ
de ensilajes, granos, alimentos compuestos reduciendo el uso de métodos que
requieren de tiempo para tener una respuesta y son más agresivos al medio (Bristy et al.,
2025).
El este
trabajo se pretende dar una visión sobre las características de NIRS y su uso
en la evaluación de alimento para animales.
DESARROLLO
La NIRS
Por la región del espectro en que se
produce la interacción, esta ocurre especialmente sobre enlaces covalentes
presentes en la materia orgánica entre elementos como el carbono, nitrógeno,
oxigeno e hidrogeno. Se han encontrado correlaciones con los espectros entre
estos y otros elementos como el fósforo y el azufre y algunos metales ligados a
la materia orgánica. (Zhang et al.,
2022)
Es un método
que puede ser rápido y no destructivo cuando el espectro se obtiene por reflexión
de la luz incidente sobre una muestra original (Kun-Jun, 2023). Según Ibrahim et al. (2023) y Maduro et al. (2024) la técnica ofrece ventajas
operativas y económicas insuperables frente a métodos tradicionales en
aplicaciones donde la rapidez y la no destructividad son críticas.
La
ausencia de residuos químicos en NIRS no solo disminuye los costos de
disposición de desechos en laboratorios, sino que también mitiga riesgos
regulatorios (Jun et al., 2023;
Mendoza et al., 2023; Xu et al., 2024).
Cómo operar la NIRS
Todos los
métodos instrumentales de análisis requieren de una calibración previa
(correlación entre la propiedad que se mide y la concentración del analito)
antes de hacer las mediciones. NIRS no es la excepción.
Para lograr
buenos resultados es crucial recolectar un conjunto diverso de muestras que
cubran el rango completo de variaciones esperadas en el parámetro de interés
(Murphy et al., 2022).
Se capturan
los espectros NIR de cada muestra para generar datos espectrales. Estas
muestras deben ser analizadas mediante métodos tradicionales de referencia
(como HPLC, Kjeldahl, Van Soest, etc)
para obtener valores precisos que sirvan como datos de calibración para
determinar sus propiedades reales. Buenos valores de referencia son esenciales
para desarrollar modelos de calibración robustos (Catunda
et al., 2022; Murphy et al., 2022; Si-Ware,
2024).
El tamaño de
partícula influye en la dispersión de la luz, lo que puede alterar la
intensidad y la forma del espectro NIR. Partículas muy grandes pueden causar
dispersión excesiva, mientras que partículas muy pequeñas pueden resultar en
una absorción más uniforme, pero con menor intensidad de señal. Pero, más que
un tamaño específico, lo crucial es mantener una distribución uniforme del
tamaño de partícula en todas las muestras utilizadas para la calibración. Esto
ayuda a minimizar la variabilidad en los espectros debido a la dispersión y
asegura que los modelos predictivos sean robustos y precisos (Hossain et al.,
2024). En algunos casos, como en el análisis de alimentos, el tamaño de partícula
debe ajustarse para cumplir con normas.
Además, la NIRS puede adaptarse para trabajar con diferentes tamaños de
partícula, pero siempre es necesario un control adecuado durante la calibración
(Murphy et al., 2022; Hossain et al.,
2024).
Dado el volumen
de datos a manejar (un solo espectro entre 900 y 2500 nm, si se capturan datos
cada un nanómetro, tiene 1600 valores), es imprescindible el uso de métodos
matemáticos potentes.
Procesamiento matemático
La regresión
linear múltiple se usa raramente debido a su incapacidad para manejar
adecuadamente set de datos complejos (Han et
al., 2022). Los espectros NIR contienen una gran cantidad de variables
(longitudes de onda) que pueden estar correlacionadas entre sí. La PCR
(Regresión con Componentes Principales) ayuda a identificar los componentes
principales que capturan la mayor variabilidad en los datos, reduciendo así la
dimensionalidad del conjunto. Esto facilita el análisis y la interpretación de
los resultados, ya que se centra en las variables más relevantes para el
parámetro de interés (Si-Ware, 2024).
Se aplica
quimiometría a los datos espectrales y de referencia, emparejados para
determinar cómo las características específicas de los espectros corresponden a
las propiedades de interés. Para mejorar la calidad de la señal es importante
un pretratamiento de los datos espectrales en aras de eliminar ruidos,
dispersión y derivas de la línea base; Entre estas se mencionan: i) Primera y
segunda derivada: Incrementa las diferencias sutiles enfatizando los cambios en
la pendiente; ii) Estandarización de
las variables: Corrige cambios debidos a deferencias entre tamaño de particular
iii) Corrección ortogonal de la señal. Elimina variaciones
irrelevantes no relacionadas con la propiedad que se estudia (Jun et al., 2023).
La regresión
parcial es ampliamente utilizada en NIRS debido a su capacidad para manejar
datos multicolineales y capturar relaciones entre variables espectrales y
químicas. Es particularmente efectiva cuando existe una relación lineal entre
los espectros y las propiedades a determinar (Maduro et al., 2024), lo que ocurre con
bastante frecuencia.
Aunque tanto
PCR como PLSR (Regresión parcial)
son métodos efectivos para la calibración NIRS, PLSR tiende a ser más
común debido a su capacidad para incorporar directamente la información sobre
la variable dependiente en el proceso de selección de componentes. Sin embargo,
PCR es útil cuando se busca una comprensión más detallada de la estructura de
los datos espectrales antes de la regresión (Maduro et al., 2024), pues ayuda a mitigar la multicolinealidad al
transformar las variables originales en componentes principales que son
ortogonales entre sí. Esto reduce la inestabilidad en la estimación de los
parámetros del modelo, lo que puede ser un problema en regresiones múltiples
tradicionales. La reducción de variables y la eliminación de
multicolinealidad contribuyen a una mayor estabilidad del modelo. Los
estimadores de los coeficientes tienen menos varianza, lo que mejora la
precisión de las predicciones (Catunda et al., 2022, Xu
et al., 2024).
El modelo se
prueba con un conjunto independiente de muestras con valores de referencia
conocidos. Esto permite evaluar su rendimiento mediante estadísticos como el
coeficiente de determinación (R²) y el error estándar de predicción (Si-Ware,
2024). Se puede llevar a cabo una
validación cruzada, trabajando con pequeños grupos de datos que, en cada caso,
no se consideran en el modelo (Skvaril et al., 2025).
Se han
desarrollado modelos locales y globales para adaptarse a diferentes tipos de
muestras y productos (Reddy et al.,
2023). Los modelos locales son útiles cuando se dispone de una base de datos
específica para un tipo de muestra, mientras que los modelos globales son más
versátiles, pero requieren una calibración más robusta (Hossain
et al., 2024).
El desarrollo de la NIRS, como
procesamiento analítico viable, ha estado íntimamente ligado a la modernización
de la infraestructura para la captura de los espectros (arreglos de diodos,
interferómetros y Transformada de Fourier) y al tratamiento de la información
que estos dan en relación con las características de las muestras. Ambas cosas
dependientes del aumento en la potencia de las microcomputadoras (Gomez et al.,
2024).
Algunas limitaciones
No es un procedimiento de elección para trazas, para micotoxinas y
otros componentes en muy baja concentración en alimentos. La NIRS requiere
concentraciones mínimas de 100 ppb, mientras que la
HPLC-MS (Cromatografía Líquida de Alta Presión acoplada con Espectroscopía de
Masa) detecta hasta 1 ppb (Maduro et al.,
2024).
Aunque se ha
probado su posible uso (Campos, 2015), en la evaluación de metales como los
electrolíticos sólo se logran buenas correlacionarse con el espectro cuando los
mismos aparecen ligados a la materia orgánica.
La especificidad de los modelos y su relación con
las condiciones locales hacen difícil la validación cruzada entre laboratorios.
La transferencia de calibraciones entre equipos
incrementa el error, problema aún no resuelto del todo en la mayoría de los
modelos usados hasta hace unos años (Fan Wei, 2021). Para resolver el sesgo que
se crea entre instrumentos, algunas soluciones propuestas incluyen bases de
datos basados en bloques encadenados (comunes) y aprendizaje de las máquinas
para armonizar datos globales (Evans,
2021).
Estudios recientes (Castillo et al., 2025) revelan que, en ocasiones, se aprecian
inconsistencias en la exactitud de los valores predichos lo que subraya la
necesidad de mayor robustez en las validaciones. Sugieren el uso de herramientas
visuales como el análisis del ploteo de puntos entre las mediciones de
laboratorio y los valores predichos con el objetivo de lograr una mejor
calificación de los datos.
Usos en la evaluación de alimentos
El primer
uso importante de la NIRS en la evaluación de alimento animal se reportó en
1976 relacionado con la predicción de la digestibilidad in vivo e in vitro de
forrajes (Norris et al., 1976). Los
autores demostraron la capacidad de la NIRS para predecir la digestibilidad de
materia seca con exactitud. En los 70 los avances en instrumentación en el
campo de los monocromadores mejoraron la precisión de los análisis espectrales,
lo que facilitó la predicción de contenido de proteína y fibra en los forrajes.
Durante los 80 y 90, la NIRS fue más
allá al incluir los análisis de materias primas y alimentos compuestos. Esto
permitió la evaluación del contenido de proteína, grasas y almidón en alimentos
mezclados (Barber et al.,
1990). El posterior desarrollo de la quemometría amplió aún más el alcance de
la técnica (Rodríguez-Hernández et al.,
2023; Hossain et
al., 2024). La
técnica se ha empleado también en predecir el contenido de energía en alimentos
para mascotas (Hervera et al., 2012).
En general,
la espectroscopía en infrarrojo cercano aparece, desde entonces y hasta ahora,
como una herramienta transformativa en la evaluación de alimentos,
caracterizada por ser no destructiva, rápida y relativamente barata para el
análisis de parámetros nutricionales (Santos et al., 2022; Bagavan et al., 2023). La espectroscopía de infrarrojo cercano ha transformado la producción
animal al mejorar significativamente la eficiencia y economía en varios
aspectos clave. A continuación, se detallan algunos impactos relevantes:
La NIRS
permite analizar rápidamente el contenido nutricional de los forrajes y
piensos, lo que facilita la formulación de raciones más precisas y eficientes,
y decisiones acertadas en tiempo (Nipane et al.,
2023). Esto reduce
los costos de alimentación al ajustar las cantidades de nutrientes a las necesidades
específicas de los animales, lo que, por ejemplo, puede disminuir hasta un 5-10% el coste de la ración en
granjas lecheras (Pereira-Crespo,
2021).
Al
reemplazar métodos tradicionales de análisis químico, la NIRS reduce los costos
asociados con el envío de muestras a laboratorios externos y el uso de
reactivos químicos. Además, los dispositivos portátiles permiten realizar
análisis en el lugar, minimizando la dependencia de servicios externos y
mejorando la gestión interna de calidad (Garrido, 1996; Alessandro et al., 2025; Yadav
et al., 2025).
La capacidad
de la NIRS para proporcionar resultados rápidos (en cuestión de segundos)
permite a los productores ajustar sus estrategias de alimentación y producción
en tiempo real. Esto es particularmente útil para responder a cambios en el
clima, el precio de los ingredientes o la calidad de los forrajes (Garrido,
1996; Amaral, 2022, Garcia y Flanagan, 2024). Puede ser efectiva incluso en aplicaciones
donde la variabilidad es grande como es el caso del análisis de carnes
(Lizárraga-Hernández, 2021; Xu et al., 2024).
Al optimizar
la formulación de raciones, se reduce la sobrealimentación y, por lo tanto, las
excretas de nutrientes al medio ambiente. Esto contribuye a una menor carga
ambiental y a un uso más eficiente de los recursos naturales (Pereira-Crespo, 2021; Reddy et al., 2023).
En algunos casos es
importante la especificidad del tipo de muestra a analizar:
Para los
forrajes se requiere un enfoque especial en la predicción de parámetros como la
materia seca, proteína cruda, fibra detergente neutra, y digestibilidad in vitro (Pereira-Crespo, 2021;
Alessandro et al., 2025) mientras en piensos compuestos la calibración debe abarcar una amplia
gama de ingredientes y nutrientes y se centra en la predicción de proteína,
humedad, y otros nutrientes esenciales para el producto terminado (Bagavan et al.,
2023; Yadav et
al 2025).
Avances recientes
Equipos
portables permiten análisis in situ de ensilajes, granos, alimentos
compuestos reduciendo el uso de métodos que requieren de tiempo para tener una
respuesta. La integración de NIRS con plataformas informáticas permite el
almacenamiento y gestión eficiente de curvas de calibración y ecuaciones de
determinación. Esto facilita la reducción de la variabilidad de datos y mejora
la precisión de los resultados al correlacionarlos con análisis húmedos y
espectrales tradicionales que puedan
existir (Bristy et al., 2025).
Modernos
algoritmos como las redes neuronales artificiales (Bandyopadhyay
et al., 2025) y máquinas de soporte
vectorial, capacitan al sistema para trabajar con relaciones no lineares entre
los datos espectrales y las propiedades químicas. Se pueden usar técnicas no
lineales de calibración como las regresiones Kernel
(Zhang et al., 2022) y Ridge (Huang et al., 2024). Se logran buenos modelos
con datos con una amplia variabilidad, pero requieren de grandes volúmenes y
potencia computacional para su entrenamiento (Maduro et al., 2024).
Las máquinas
de soporte vectorial son efectivas para problemas de clasificación y regresión
no lineal. En NIRS, pueden ser útiles para modelar relaciones complejas, aunque
requieren una cuidadosa selección de parámetros
(Workman, 2025; Wang et al., 2025).
En el último lustro, la
NIRS ha sido integrada en sistemas de cría de precisión para monitorear la
calidad de los alimentos en tiempo real. Equipos portables permiten el análisis
in situ de ensilajes, granos y alimentos compuestos, reduciendo la dependencia de
los laboratorios que consumen más tiempo (Han et al., 2022; Candelaria-Carbajo, 2023).
En época relativamente
reciente, se ha visto también la NIRS aplicada en autenticar ingredientes de
alimentos y contaminantes. Por ejemplo, ha sido usada para diferenciar el uso
de dietas basadas en pastoreo o en concentrados analizando muestras de leche y
heces. (Han et al., 2022; Rodríguez-Hernández et al., 2023). También se ha
demostrado su capacidad para predecir parámetros de significado biológico como
la energía metabolizable con muy buena exactitud (Hossain et
al., 2024; Huang et al., 2024).
El
futuro de la NIRS en la evaluación de alimento animal descansa en su
integración con análisis de big-data y
algoritmos de aprendizaje (machine learning) para la creación de modelos globales que permanezcan
robustos frente a diferentes tipos de alimentos. Procedimientos enriquecidos con el auge
del uso de la Inteligencia Artificial como el aprendizaje profundo han ampliado
la participación de la NIRS en el tratamiento de imágenes (Wang et al., 2025; Workman,
2025).
Uso de la NIRS en Cuba
En Cuba, el enfoque principal ha sido en la producción y manejo de
pastos y forrajes, con énfasis en la fertilización y el rendimiento de los
cultivos. No se han encontrado muchos
estudios específicos sobre el uso de NIRS en el país, sin embargo, la técnica
es reconocida por su rapidez, confiabilidad y bajo costo, lo que la hace ideal
para su implementación en programas de nutrición animal (Valenciaga
y Olivera, 2006; Estupiñán et al.,
2021).
En la Universidad de Camagüey
Actualmente, gracias a la
participación de la Universidad de Camagüey en PROLAIF, se cuenta con un equipo
en las instalaciones del laboratorio de evaluación de alimento animal. Las
concentraciones de los indicadores a medir son calculadas gracias al uso de
calibraciones existentes en el CIRAD de Francia, y se trabaja para en algún
momento, tener calibraciones propias.
CONCLUSIONES
NIRS es probablemente la
espectroscopia óptica de mayor avance en las últimas décadas. Manejada apropiadamente,
es la tecnología ideal para análisis rápidos. En la Producción animal puede ser
utilizada para la gradación de calidad de los alimentos, formulaciones y
verificación de la calidad del producto final. No se requieren habilidades
especiales o preparación de muestras; los instrumentos son fáciles de operar, y
los resultados están disponibles de inmediato. La preparación de la
calibración, y especialmente los programas de mantenimiento de una calibración
apropiada, son esenciales para asegurar resultados confiables continuos y
requieren de una infraestructura de laboratorio adecuada.
En Cuba se han dado algunos pasos en
la utilización de esta tecnología analítica y actualmente se trabaja por ir más
allá y consolidarlos.
REFERENCIAS
Amaral, R.
(2022). Tecnología NIR: ¿Qué es, cómo funciona y
cuál es su impacto en la formulación? Optimal
blog, Brasil. https://optimal.com.br/es/blog/tecnologia-nirs-que-es-como-funciona-y-cual-es-su-impacto-en-la-formulacion/
Bagavan,
P., Narayana, K., Harani, M., & Das, T. (2023)
Analysis of Feed and Fodder by Using Near Infrared Reflectance Spectroscopy
(NIRS). Advance Analytical Techniques in Animal Nutrition (pp.63-74) I Ed.
Chapter: 5. AkiNik Publications. https://www.researchgate.net/publication/375910741_Analysis_of_Feed_and_Fodder_by_Using_Near_Infrared_Reflectance_Spectroscopy_NIRS
Bandyopadhyay,
R., Sing, D., Banerjee, S., Mahtab, A., Das
Mahapatra, S., Ajanto & Kumar H., A. (2025)
Estimation of Paracetamol in Intact Tablets Using Near-Infrared Spectroscopy
and Artificial Neural Networks. Oral
conference. Roma NIR2025 Abstracts Book.
https://nir2025.sisnir.org/wp-content/uploads/2025/05/ABSTRACT-BOOK.pdf
Barber,
S., Lindgren, E., & Robertsson, J. (1990).
Advances in forage digestibility prediction using near-infrared spectroscopy: A
comparative study with traditional methods. Journal of
Animal Science, 68(4),
1201-1210.
Benelli, A., Primi,
R., Evangelista, C., Spina, R., Milanesi,
M., Pietrucci, D., & Moscetti,
R. (2025). Predicting Forage
Nutritional Quality With Near‐Infrared Spectroscopy. Journal
of Sustainable Agriculture
and Environment, 4(3), e70077. https://onlinelibrary.wiley.com/doi/epdf/10.1002/sae2.70077
Bristy, K. K., Ghosh, D., & Hashem, M. A.
(2025). NIRS and machine learning algorithms
as a non-invasive technique to discriminate
and classify cooked broiler and duck meat. Applied Food Research, 5(1),
100984. https://doi.org/10.1016/j.afres.2025.100984
Campos, M. (2015) Aplicación de la
tecnología NIRS para la determinación de sodio y potasio en suelos. Tesis
doctoral. Facultad de ciencias,
Departamento de química analítica, Universidad de Valladolid. https://uvadoc.uva.es/bitstream/handle/10324/17713/TESIS722160114.pdf?sequence=1
Candelaria-Carbajo, M. (2023).
NIRS, la solución al análisis de calidad alimentaria. All Pet Food Magazine.
https://allpetfood.net/entrada/nirs-la-solucion-al-analisis-de-calidad-alimentaria-54255
Castillo, M. S., Griggs, T. C., Digman, M. F., Vendramini, J. M.,
Dubeux Jr, J. C., &
Pedreira, C. G. (2025). Reporting forage
nutritive value using near‐infrared reflectance spectroscopy. Crop
Science, 65(3), e70063. https://repositorio.usp.br/item/003247789
Catunda, K. L., Churchill, A. C., Power, S.
A., & Moore, B. D. (2022). Near infrared spectroscopy calibration strategies to predict multiple nutritional parameters of pasture
species from different functional groups. Journal of
Near Infrared Spectroscopy, 30(5), 254-263. https://doi.org/10.1101/2021.07.31.454175
Estupiñán, C., Carcelén, F., Hidalgo, V., Rojas, D., Vera, O., López,
S., & Bezada, S. (2021). Aplicación de la
espectroscopía del infrarrojo cercano-NIRS-para determinar el valor nutritivo
de variedades de alfalfa (Medicago sativa L) y trébol
rojo (Trifolium pratense L). Revista de
Investigaciones Veterinarias del Perú, 32(1), NA-NA. http://dx.doi.org/10.15381/rivep.v32i1.19491
Evans, M. (2021). Near-infrared reflectance spectroscopy: The tech that’s
taking the guess-work out of assessing feed quality. https://cgspace.cgiar.org/items/68e80fdd-f99f-4972-bd23-c4d8cec67c8c
Fan Wei Hong F., & Seng Chia K. (2021). A review
on recent near infrared spectroscopic measurement setups and their challenges. Measurement, 171, 108732. https://doi.org/10.1016/j.measurement.2020.108732
Garcia,
R., & Flanagan, S (2024). Optimising feed
strategy with NIR technology. An
interview. AB Vista website. https://www.abvista.com/news/optimising-feed-strategy-with-nir-technology
Garrido, A., Gómez, A., Guerrero, J. E., & Fernández, V. (1996).
NIRS: Una tecnología de apoyo para un servicio integral en Alimentación
Animal. XII Curso de Especialización FEDNA. Madrid. https://fedna.biolucas.com/wp-content/uploads/2021/11/96CAP_XIV.pdf
Gomez, J., Barquero-Pérez, O., Gonzalo, J., Salgüero, S., Riado, D., Casas,
M. L., & Catalá, M. (2024). Near infrared spectroscopy (NIRS) and
machine learning as a promising
tandem for fast viral detection in serum microsamples: A preclinical proof of
concept. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 322,
124819. https://doi.org/10.1016/j.saa.2024.124819
Han,
K., Pitman, B., & Alison, W. (2022). Non destructive
analysis on agricultural products using near-infrared spectroscopy. https://www.lsuagcenter.com/articles/page1663167906466
Hervera, M., Castrillo, C., Albanell, E.,
& Baucells, M. D. (2012). Use of near-infrared spectroscopy to predict energy content of commercial dog food. Journal of animal science, 90(12),
4401-4407. https://pubmed.ncbi.nlm.nih.gov/23100585/
Hossain, M. E., Kabir,
M. A., Zheng, L., Swain, D. L., McGrath, S., &
Medway, J. (2024). Near-infrared spectroscopy
for analysing livestock diet quality: A systematic review. Heliyon, 10(22).
https://doi.org/10.1016/j.heliyon.2024.e4001
HUANG, Haowen, et al. Stacking
and ridge regression-based spectral ensemble preprocessing method and its application in near-infrared spectral analysis. Talanta, 2024, vol. 276, p. 126242. https://doi.org/10.1016/j.talanta.2024.126242
Ibrahim, M., Santoso, B., & Wahyudi, A. (2023). Rapid and non-destructive
prediction of animal feed nutritive parameters using near infrared spectroscopy
and multivariate analysis. International Journal of Design & Nature and
Ecodynamics, 18(4). https://doi.org/10.18280/ijdne.180422
Jun Zhang, Limin Dai,
& Yanlong Song, Rui Zhong (contributors) (2023).
Scholarly Community Encyclopedia. The Principles and Characteristics of NIR
Spectroscopy. Food Science & Technology. https://encyclopedia.pub/entry/41803
Kun-Jun,
H. (2023). Nondestructive Analysis on Agricultural Products Using Near-Infrared
Spectroscopy. AgCenter, College of
Agriculture Web. https://www.lsuagcenter.com/articles/page1663167906466
Lizárraga-Hernández, F.,
Agüero-Fernández, Y., Cortés-Jacinto, E., Vega-Villasante, F, Vargas-Ceballos,
M., & Martín-Manzo, M. (2021). El uso del NIRS como alternativa viable en
el análisis químico. Recursos Naturales y
Sociedad, 7(1), 19-34. https://www.cibnor.gob.mx/revista-rns/pdfs/vol8num2/3_EL_USO.pdf
Maduro Dias, C., Nunes, H., & Borba, A. (2024). Near-infrared spectroscopy in animal nutrition:
Historical insights, technical principles, and practical applications. Analytica, 5(4), 481-498. https://doi.org/10.3390/analytica5040033
Mendoza, P. T. D., Hurburgh, C. R., Maier, D.
E., & Armstrong, P. R. (2023). NIR spectral imaging for animal feed quality and safety. Applied Engineering in Agriculture, 39(6), 553-564. https://elibrary.asabe.org/abstract.asp?aid=54509
Murphy, D. J., O'Brien, B., O'Donovan, M., Condon, T., & Murphy, M. D. (2022). A near infrared spectroscopy
calibration for the prediction of fresh grass quality
on Irish pastures. Information Processing in Agriculture, 9(2),
243-253. https://doi.org/10.1016/j.inpa.2021.04.012
Nipane, S. F., Kawitkar,
S. B., Dhok, A. P., Chopade,
S. V., Jawale, M. R., Lende,
S. R., & Roupesh, G. (2023). NIRS: analytical tools in discernment in animal nutrition research and allied Field. Journal of Livestock Science, (14). https://doi.org/10.33259/JLivestSci.2023.41-46
Norris, K. H., Barnes, R. F., Moore, J. E., & Shenk,
J. S. (1976). Predicting forage
quality by infrared replectance spectroscopy. Journal
of animal science, 43(4), 889-897. https://doi.org/10.2527/jas1976.434889x
Pereira-Crespo,
S. (2021). Las ecuaciones NIRS, nuevas
alternativas de análisis para conocer la calidad de los forrajes en las
ganaderías de leche. Campo galego Xornal dixital
agrario. https:// www.campogalego.es/las-ecuaciones-nirs-nuevas-alternativas-de-analisis-
para-conocer-la-calidad-de-los-forrajes-en-las-ganaderias-de-leche/
Reddy, P. B., Harani, M., Rathode,
K. N., Das, T., & Namdeo, S. (2023). Analysis of Feed and Fodder by Using
Near Infrared Reflectance Spectroscopy
(NIRS). Técnicas analíficas avançadas em nutrição animal,
63-74. https://www.researchgate.net/profile/P-Reddy-31/publication/375910741_Analysis_of_Feed_and_Fodder_by_Using_Near_Infrared_Reflectance_Spectroscopy_NIRS/links/6561f0c9b86a1d521b0b1b11/Analysis-of-Feed-and-Fodder-by-Using-Near-Infrared-Reflectance-Spectroscopy-NIRS.pdf.
Rodríguez-Hernández, P., Díaz-Gaona, C., Reyes-Palomo, C.,
Sanz-Fernández, S., Sánchez-Rodríguez, M., Rodríguez-Estévez, V., &
Núñez-Sánchez, N. (2023). Preliminary feasibility of near-infrared spectroscopy to authenticate grazing in dairy goats through milk
and faeces analysis. Animals, 13(15), 2440. https://doi.org/10.3390/ani130410417735
Santos, M. C., Viana, J. L., Monteiro, J. D., Freire, R. C., Freitas, D.
L., Câmara, I. M., ... & Lima, K. M. (2022). Infrared spectroscopy (NIRS and
ATR-FTIR) together with multivariate classification for non-destructive differentiation
between female mosquitoes of Aedes aegypti recently infected with dengue vs. uninfected females. Acta tropica, 235,
106633. https://doi.org/10.1016/j.actatropica.2022.106633
Si-Ware. (2024). Comprender los
principios de la espectroscopia NIR. Sitio web https://www.si-ware.com/es/blogs/from-light-to-insight-grasping-the-principles-of-nir-spectroscopy
Skvaril,
J. & Mesgarpour, M. (2025). Expanding horizons of
near-infrared spectroscopy through a small domain-specific language model.
Posted from: Mälardalen University - School of
Business, Society and Engineering. Future Energy Center, Västerås,
SWEDEN. Roma NIR2025. https://nir2025.sisnir.org/wpcontent/uploads/2025/05/ABSTRACT-BOOK.pdf
Sun, X., Wang, S., & Jia, W. (2024). Research
progress of electronic nose and near-infrared spectroscopy in meat adulteration detection. Chemosensors, 12(3), 35. https://doi.org/10.3390/chemosensors12030035
Valenciaga, D., & Saliba,
E. D. O. S. (2006). La espectroscopia de reflectancia en el infrarojo
cercano (NIRS) y sus potencialidades para la evaluación de forrajes. Revista
Cubana de Ciencia Agrícola, 40(3), 259-267. https://www.redalyc.org/pdf/1930/193017723001.pdf
Wang, L., Wang, T., Dai, L., Li, F., Guo, T., Li, F., & Reshalaitihan,
M. (2025). Deep learning and machine learning methods based on the
NIRS dataset for rapid determination of the nutrients content
and quality of oat
hay. Computers and Electronics
in Agriculture, 236, 110428. https://doi.org/10.1016/j.compag.2025.110428
Workman, J. (2025). The Marriage of Near-Infrared Spectroscopy with AI: The
Small-Sample Breakthrough. Spectroscopy
on line. https://www.spectroscopyonline.com/view/the-marriage-of-near-infrared-spectroscopy-with-ai-the-small-sample-breakthrough
Yadav, S., Tomar, M., Singhal, T., Joshi, N., Bhargavi, H. A., Aavula, N.,
& Riar, A. (2025). Near-infrared
reflectance spectroscopy
(NIRS): An innovative, rapid,
economical, easy and
non-destructive whole grain
analysis method for nutritional profiling of pearl millet genotypes. Journal of Food Composition and Analysis, 142,
107373. https://doi.org/10.1016/j.jfca.2025.107373
Zhang, W., Kasun, L. C., Wang, Q. J., Zheng,
Y., & Lin, Z. (2022). A review of machine learning for near-infrared
spectroscopy. Sensors, 22(24),
9764. https://doi.org/10.3390/s22249764
Contribución
de los autores
Concepción
y diseño de la investigación: SJMS, CAOG, MLG; análisis e interpretación
de los datos: SJMS, CAOG, MLG; redacción del artículo: SJMS, CAOG, MLG.
Conflicto
de intereses
Los autores declaran que no existen
conflicto de intereses.
.%20NIRS.%20Su%20uso%20en%20la%20evaluación%20de%20alimento%20para%20animales._archivos/image002.png){kind=small}
, Ciro A. Ordoñez-Gómez **