VALIDACIÓN DEL MÉTODO DE ESTIMACIÓN DEL PORCENTAJE DE PROTEÍNA CRUDA EN

PRADERAS, MEDIANTE UN ALGORÍTMO DE PROCESAMIENTO DE IMÁGENES RGB,

TOMADAS POR DRON, VS LA TECNOLOGÍA NIRS, EN GANADERÍA BOVINA
Héctor Anzola V 1 ., Oscar Ospina R 2., Olber Ayala D 3
., Andrea Barcaldo M 4
y
Juan Sebastian Arevalo 5

Resumen
Para la ganadería bovina el % de Proteína Cruda (% PC), en la materia seca de las gramíneas, resulta
ser soporte para la toma de decisiones, su determinación se realiza en laboratorios mediante métodos
de química húmeda o seca, que resultan ser costosos, en muchas ocasiones, demorados y con
problemas de confiabilidad. El presente trabajo está orientado a evaluar la precisión del algoritmo
matemático computarizado, incluido en el software TaurusWebs V2017 ®, que permite calcular el %PC
en la materia seca de las gramíneas, a partir de imágenes de las praderas tomadas por un dron, con
cámaras RGB. En el trabajo se compararon las mediciones del % Pc calculadas por el algoritmo, frente
a un referente, el laboratorio NIRs de Corpoica Tibaitatá.
Se tomaron 48 muestras para NIRs, 24 de forrajes de trópico alto en el departamento de
Cundinamarca ( Ray Grass, Falsa Poa, Kikuyo y Brasilero) y 24 de trópico bajo en el Departamento
de Tolima (Colosuana, Pará, Argentina y Pangola), en Colombia; estos resultados se compararon
contra 148 evaluaciones hechas con el algoritmo a las fotos de las mismas praderas donde se tomó
la muestra para NIRs; el resultado se comparó mediante estadística no paramétrica con las prueba de
correlación de Kendall (P < 0,05) y Spearman 0.87, (P<0.05), y de Anova de Kruskal Wallis (P < 0.05).
Se encontró que no hay diferencias entre el resultado del análisis de proteína cruda del pasto medida
por NIRs vs la proteína cruda medida por algoritmo. En conclusión, la información generada con el
algorítmo se puede utilizar para trabajos de análisis de proteína cruda en gramíneas.

Palabras Claves: algoritmo, dron, análisis bromatológico, ganado bovino, Proteína cruda.

Abstract

For bovine cattle the % Protein crude (% PC), in the dry matter of the grasses, turns out to be support
for the decision making, its determination is made in laboratories by methods of wet or dry chemistry,
which turn out to be expensive, on many occasions, delayed and with reliability problems. The present
work is aimed at evaluating the accuracy of the computerized mathematical algorithm, included in the

1. DTC. Zootecnia, Facultad Ciencias Agrarias, UNIAGRARIA, Bogotá, Colombia,

anzola.hector@uniagraria.edu.co,
2. DTC. Zootecnia, Facultad Ciencias Agrarias, UNIAGRARIA, Bogotá, Colombia.
3. DTC - Colegiado, Zootecnia, Facultad Ciencias Agrarias, UNIAGRARIA, Bogotá, Colombia.
4. Coordinador Académico Jornada Nocturna. Vicerrectoría de Formación, UNIAGRARIA, Bogotá,
Colombia.
5. Estudiante MVZ, Facultad Ciencias Agrarias, UNIAGRARIA, Bogotá, Colombia
TaurusWebs V2017 ® software, which allows us to calculate the% PC in the dry matter of grasses,
from images of grasslands taken by a drone with RGB cameras. In the work, the% Pc measurements
calculated by the algorithm were compared, whit a reference, the NIRs laboratory of Corpoica Tibaitatá.
48 samples were taken for NIRs, 24 of high tropical forages in the department of Cundinamarca (Ray
Grass, Falsa Poa, Kikuyo and Brazilian) and 24 of low tropics in the Department of Tolima (Colosuana,
Pará, Argentina and Pangola), in Colombia; these results were compared against 148 evaluations
made with the algorithm to the photos of the same prairies where the sample was taken for NIRs; the
result was compared using nonparametric statistics with the Kendall correlation test (P <0.05) and
Spearman 0.87 (P <0.05) and the Kruskal Wallis Anova test (P <0.05). It was found that there is no
difference between the result of the crude protein analysis of the grass measured by NIRs vs the crude
protein measured by algorithm. In conclusion, the information generated with the algorithm can be used
for analyzes of crude protein in grasses.

Key words: algorithm, drone, bromatological analysis, cattle, crude protein.

Introducción.

Los actuales sistemas de medición del valor nutritivo de los forrajes componentes de la pradera
basados en valoración por métodos de química húmeda resultan ser costosos y en muchas ocasiones
poco confiables por diferentes factores que van desde la representatividad de la toma de la muestra,
hasta la demora en la entrega de resultados y la precisión de los análisis de los laboratorios (Ospina,
2017).
La medición de la calidad nutritiva de los forrajes (gramíneas, leguminosas y arbustos) con los que se
alimentan los rumiantes, oscilan desde metodologías muy antiguas como el Análisis Químico Proximal
de Weende que fue propuesto por investigadores de la estación experimental de Weende (Alemania)
que fue empleado para conocer la composición química de alimentos inicialmente para humanos y
luego para los forrajes que consumían los animales domésticos. La problemática que presentó los
resultados obtenidos para dietas ricas en contenido fibroso y las dificultades que daban para interpretar
la digestibilidad de estas, surgió la propuesta del Dr. Van Soest que utiliza soluciones de detergentes
a diferentes valores del potencial de hidrogeno (pH), que con el paso del tiempo demostró ser más
precisa. (Van Soest, 1983).
Valor nutricional
Desde las décadas de los 80 al 2015, se han producido muchas publicaciones relacionadas con la
determinación del valor nutritivo de los forrajes con los que se han alimentado los vacunos y en
especial a las vacas lecheras, en ellas se incluyen las comparaciones de diversas gramíneas y
leguminosas cuantificadas sus composiciones nutricionales siguiendo las metodologías de la
utilización de detergentes (FDN y FDA) propuestas en 1964 por Peter Van Soest de la Universidad de
Cornell, esos mismos procedimientos fueron usados para evaluar pastos y forrajes por el ICA y el
CIAT que se le entregaron a los ganaderos colombianos. (Anzola., 1988; Anzola et al., 2014; y Ruiz
Hernández et al., 2015).
“Los actuales sistemas de medición de calidad composicional de la pradera basados en evaluación
química resultan ser costosos y en muchas ocasiones poco confiables por diferentes factores que van
desde la representatividad de la toma de la muestra, hasta la demora en la entrega de resultados y la
precisión de los laboratorios” Llanos Pozo, (2014) y Ospina, O. (2017)
Infrarrojo cercano
Según Alomar y Fuchslocher (1998) citado por Molano Gutiérrez (2012) uno de los precursores del
uso de los drones: “es la espectroscopía en el infrarrojo cercano (NIRS por sus siglas en Ingles), que
funciona con luz directa que ha sido separada en longitudes de onda específicas, irradiadas hacia la
muestra y donde mide la cantidad de luz que se refleja (imágenes en el espectro del infrarrojo cercano
– RGIR: Red Green e Infrarrojo). “Con dichas medidas, las muestras de alimentos y forrajes pueden
ser analizadas matemáticamente y determinar sus componentes basándose en la correlación con las
concentraciones reales de los mismos. El uso del NIRS en laboratorios de control de la calidad,
redunda en bajos costos de los análisis para los usuarios que los requieran, por lo cual, a nivel
internacional, es una tecnología que tiene amplia acogida” (Vásquez et al., 2004, citado por Molano
Gutiérrez (2012).
Según Medellín et al (2016) consultado por Ospina (2017), expresa: “que a nivel de campo se usan
fotodiodos que capturan luz led infrarroja como medidores de clorofila para determinar la concentración
de nitrógeno en las hojas de la planta de Orégano con alta confiabilidad”.

Espectroscopia del infrarrojo cercano – NIRS

La espectroscopia del infrarrojo cercano- NIRS (Near Infrared Reflectance Spectroscopy, NIRS por
sus siglas en Ingles) es una metodología rápida que es una magnifica alternativa con respectos a los
análisis de laboratorio convencionales, que se realizan en los laboratorios de nutrición animal
(Givens y Deaville, 1999). Valencaiga y Olivera (2006) reportaron que: “La teoría de la espectroscopia
en el Infrarrojo (IR) se conoce desde hace 200 años (Herschel, 1800) sin embargo no fue hasta un
siglo después, en 1930 cuando W.W. Colbentz construyó el primer espectrofotómetro de infrarrojo.
Posteriormente, la segunda guerra mundial contribuyó a la expansión de la tecnología IR como
herramienta analítica, especialmente para el análisis de productos de caucho y petróleo”. Los
primeros reportes correspondientes a esta técnica analítica fueron publicados desde el año 1993
por Garrido (1993), desde esa publicación ha habido muchas más en especial relacionadas como
una nueva metodología para analizar forrajes para animales y en especial ensilaje de maíz, tales
como las siguientes: Givens y Deaville,1999, Cozzolino, D., (2000); Cozzolino, D y otros (2000);
Deaville y Flynn, 2000, Adesogan 2002, Cozzolino y otros, 2003; Serena y otros, 2004; Vásquez y
Mayorga, 2005; y García. J. y Cozzolino, D, 2006.

Los fundamentos de la espectroscopia del infrarrojo cercano- NIRS (por sus siglas en Ingles) se basan
en los conocimientos de la Quiométrica que a la vez se basan en la utilización de las siguientes áreas
del conocimiento: matemáticas, espectroscopia, estadística, modelos matemáticos, y sistemas de
información; todo lo anterior puede relacionar la composición nutricional de los alimentos orgánicos
debido a cambios energéticos en la región de la óptica correspondiente a la luz infrarroja (Vásquez
et al, 2004). El NIRS es una tecnología moderna, muy rápida y versátil, de gran precisión (siempre y
cuando se hayan utilizado las fórmulas y modelos matemáticos adecuados) y, además, puede
predecir varios componentes en forma simultánea, computarizada que, en vez de usar reactivos
químicos contaminantes y bastante cristalería para el proceso de las muestras, emplea luz infrarroja.
También hay que considerar que a nivel internacional tiene una amplia aceptación (Vásquez y otros
2004). Entonces un rayo de luz infrarroja es convertido en energía eléctrica y luego esta es enviada
a un ordenador de sistemas de información para su interpretación y uso por parte de los expertos
en suelos, forrajes, y alimentos de uso en la alimentación ya sea humana o animal (Serena y otros,
2004). El NIRS permite analizar un gran volumen de muestras, ya que requiere un mínimo
procesamiento a la muestra (después de estar secas y molidas en el tamaño de partícula adecuado),
y es económico después de haber depreciado la inversión inicial (Deaville y Flynn, 2000)

Uno de los primeros trabajos de investigación realizados en Colombia empleando la metodología de

NIRS, usando un espectrofotómetro de propiedad de Corpoica (Colombia) para estandarizar la
técnica en mención con el propósito de determinar el valor de la proteína cruda de 70 muestras de
la gramínea tropical Guinea (Panicum maximun) y 193 muestras de maíz amarillo en grano (Zea
maíz) procedentes de los valles de los ríos Cesar y del Sinú (ubicadas en la región caribe de
Colombia). Vásquez y otros (2004)

Vásquez y Mayorga (2005) buscaron validar la información generada por el laboratorio de Nutrición
Animal de Corpoica (Colombia) empleando un equipo de Espectroscopía de Reflectancia en el
Infrarrojo Cercano (NIRS) para una cuantificación rápida y precisa de aminoácidos en granos de maíz.
Para ellos validaron la información generada respecto a los datos producidos por los análisis de
respecto a los producidos por la técnica de determinación del Nitrógeno por la metodología del
Kjeldahl, para ello usaron una prueba de hipótesis de Chi-Cuadrado para verificar si los resultados
esperados estaban en correlación con las cifras esperadas.

Un trabajo realizado en los laboratorios del CIAT ubicado en Palmira – Valle (Colombia), liderado por
Jiménez Torres (2007), quien utilizo el NIRS en una determinación rápida de los contenidos de
Proteína Cruda en 166 muestras de raíces de yuca (Manihot sculenta) provenientes del banco de
germoplasma agrícola, reportó que con esta metodología es muy fácil y rápido la determinación de
los niveles de proteína, que sirvieron para realizar el proceso de selección genética de este material
alimenticio, que es muy importante para la alimentación de las comunidades de bajos ingresos
económicos de los países ubicados en la región tropical del mundo.

Cámaras espectrales
Usando cámaras espectrales e hiper espectrales montadas en satélites Landsat y Modis, se tomaron
imágenes de campo y determinaron el índice de biomasa aérea de los pastos (BAP) en fincas
productoras de leche. Los investigadores concluyeron que Landsat es promisorio para evaluar predios
menores a nueve hectáreas, pero Ramírez Madrigal (2013) sugirió que habría que implementar otras
formas de muestreo en campo más extensivas y de ahí surge la inquietud de mejorar el abordaje de
un enfoque más económico y real, ajustada a las condiciones de los ganaderos colombianos.

Dron
Dron o UAS “Sistema de aeronave no tripulada”: vehículo aéreo autónomo, que no permite la
intervención del piloto en la gestión de vuelo; su nombre se deriva del inglés drone que significa abeja
macho. Pueden mantenerse de manera estática en el aire. (Aerocivil, 2015).
Los drones en la vida moderna están siendo utilizados en múltiples actividades que van desde la toma
de fotografías en recepciones familiares, control del tránsito automotriz en las ciudades, entrega de
correo, hasta el seguimiento físico a criminales y antisociales, últimamente, se vienen implementando
en el campo en actividades agropecuarias y forestales; a ellas nos queremos referir a continuación.
Análisis de imágenes
“El análisis de imágenes es una técnica que se desarrolló en los años noventa que consiste en la
digitalización de fotográficas, las que se convierten en imágenes grabadas en matrices de puntos, que
son identificados en un soporte informático en función de sus coordenadas, de posición, de
luminosidad y de color, lo que permite numerosas aplicaciones en los más variados campos de la
agricultura y la ganadería.” (Swatland, 1995, referenciado por Mendizábal y Goñi, 2001).
Dos Ingenieros electrónicos de la Universidad Cooperativa, sede Bogotá - Colombia. en el año 2015,
ejecutaron un proyecto de investigación relacionado con el diseño de un sistema automático,
sistematizado y orientado hacia la agricultura de precisión, que permitiera la detección temprana de
agentes vegetales invasores, esto basado en diferentes técnicas de visión artificial sobre cultivos de
la región Cundiboyacense, para ello realizaron capturas de imágenes en diferentes lugares de dicha
región y poder determinar si el cultivo es óptimo, o si existe presencia de diferentes especies de
arvenses y realizar la diferenciación de las malezas, en ese caso, como el pasto kikuyo (Pennisetum
clandestinum) con las plantas del cultivo de papa (Solanum tuberosum). Como resultado del trabajo
de investigación se diseñó un sistema automático que facilita la detección de agentes invasores,
haciendo capturas en diferentes partes para poder determinar si el cultivo de papa es óptimo, o si
existe presencia del mencionado pasto. (Montenegro, B. y Parada, R., 2015).
A pesar de la poca experiencia que tenía México en el empleo de los drones para reconocer las áreas
agrícolas, investigadores de ese país realizaron en 2016 una prueba piloto del uso de dron, para la
zonificación del sitio experimental “Uxmal” en Yucatán (México), con el dron se logró realizar el
levantamiento de las coordenadas geográficas en campo, que delimitaron el predio y se tomaron
imágenes RGB que lograron demostrar deficiencias en los procesos de fertilización de plantaciones
de Coco para consumo humano y animal. El otro resultado que fue obtenido con esta innovación fue
que se pueden realizar diferentes levantamientos cartográficos para emplearlos en extensión
agropecuaria. (Martínez y Ramírez, 2016).

Cámaras RGB
El formato RGB (Red, Green, Blue), es un modelo de color basado en la síntesis aditiva, con el que
es posible representar un color mediante la mezcla por adición de los tres colores de luz primarios que
son utilizados por las cámaras digitales RGB y que se pueden almacenar en una imagen en formato
*.jpg de bajo costo, confiable y ampliamente usada por los celulares, computadoras y drones
(Gervautz & Purgathofer, 1988; Ibraheem, Hasan, Khan, & Mishra, 2012)
En países como: Brasil, Argentina, Uruguay, Paraguay, Chile, Estados Unidos de América, Canadá y
Japón, se utilizan las imágenes producidas por satélites tipo LANDSAT, equipado con cámaras con
filtros de RGB (Red Green y Blue), para determinar las áreas a sembrar o las ya cultivadas, elaborar
mapas de los predios etc., (Mendizábal y Goñi, 2001).
Mendizábal y Goñi, (2001), realizaron una profunda revisión de literatura sobre las aplicaciones de
cámaras de fotografía empleadas en la determinación de la calidad de la canal y de la carne de
diferentes especies de animales domésticos entre ellos vacunos, ovinos, caprinos y en especial en
porcinos; con esta innovación tecnológica se buscaba predecir la calidad de las canales, de los cortes
de carne, el grado de marmóreo, y en ultimas instancias lograr predecir el peso de los animales al
momento del beneficio. Finalmente, estos autores postulaban: “que también se utiliza esta técnica en
la medida del color de la carne (imágenes en el espectro visible – RGB: Red Green y Blue) y en la
determinación del tamaño y tipo de fibras musculares, factor este que está relacionado con la dureza
de la carne que se le ofrece al consumidor”
Investigadores de la Ciencia de la Vid y del Vino en la Rioja, España en el año 2011 buscaron resolver
el problema de la identificación de los frutos de la Vid mediante imágenes digitales, que permitieran
identificar el número de racimos en los viñedos, empleando imágenes en el espectro visible – RGB
(Red Green y Blue) e imágenes en el espectro del infrarrojo cercano – RGIR (Red Green e Infrarrojo).

En cuanto a la determinación de los frutos el experimento resulto favorable con el uso de los colores
previamente mencionados, mientras que la identificación de la forma de las uvas solo fue aplicable en
condiciones muy sofisticadas, ya que se sobreestiman la cantidad de racimos, al confundir la forma
de estos con la presencia de las ramas. (Correa Farias et al, 2011).

Medina y Niño (2017) investigando con ingenieros de la Universidad Distrital Francisco José de Caldas
y trabajando con agricultura de precisión utilizando drones lograron identificar a tiempo la generación
de la pudrición del cogollo en cultivos de palma de aceite en Colombia, y demostrando que se puede
utilizar este tipo de innovaciones tecnológicas y como estas tecnologías pueden ser empleados en su
beneficio.

La propuesta consiste en evaluar, frente a NIRs, la precisión, del algoritmo de análisis de las longitudes
de onda de las imágenes tomadas de las praderas, por drones con cámaras RGB, incluido en el
Software TaurusWebs V2017 ®. El algoritmo en cuestión mide la cantidad de luz captada por la planta,
como el punto para estimar el nivel de proteína cruda que tienen las gramíneas a ser pastoreada por
ganado bovino.
CORPOICA, desde 2013, “por medio de la red de investigadores en Ganadería y Especies Menores
de la Corporación Colombiana de Investigación Agropecuaria, inició el proceso de construcción de una
base de datos denominada ALIMENTRO, la cual apoya la toma de decisiones de los productores a
partir de la recolección de información de los nutrientes presentes en los diferentes forrajes,
concentrados y suplementos, y en que porcentajes están presentes para cumplir con los
requerimientos nutricionales de los animales en los diferentes sistemas productivos. A través de la
técnica de NIRS (Espectroscopia del infrarrojo cercano), se escanean las muestras de forrajes,
concentrados y suplementos con el fin de establecer su composición química y nutricional”. (Corpoica,
2018).
Algoritmo
Conjunto ordenado de operaciones sistemáticas que permiten hacer un cálculo y hallar la solución de
un tipo de problema. REA (2018). Los algoritmos pueden ser utilizados para el desarrollo de código
fuente para programar computadoras.
Ya en la agricultura se han utilizado algoritmos que a partir del color pueden establecer la cantidad de
racimos de uva producidos por un árbol, aislando las longitudes de onda de los colores relacionados
con la fruta y utilizando análisis de Cluster para su identificación (Farias et al., 2011).
Proteína Cruda (PC)
Se define como la cantidad de nitrógeno expresado como porcentaje de proteína en un kg de materia
seca de un alimento (Elizondo, 2008). De manera general entre mayor proteína cruda tenga el alimento
éste será de mejor calidad y mayor la expectativa del potencial de producción. Por otro lado, excesos
de proteína cruda resultan ser perjudiciales para el desempeño y la salud del animal (Galvis & Correa,
2016; M. Wattiaux, 2013).
Calculo del % Proteína cruda por algoritmo de análisis de imágenes RGB
Este método fue logrado a partir de tres años de investigación por Ospina (2017) quien “desarrollo una
innovación tecnológica que incluye elementos de física de la luz, fito - biología celular, biología animal,
matemáticas, estadística e informática, y actualmente se encuentra proceso de patentamiento”.
Correlación no paramétrica de Spearman
Según Palmer (2001), el coeficiente de correlación de Spearman es una prueba no paramétrica de
asociación entre dos variables, por lo tanto, no necesita cumplir los supuestos de normalidad, ni
homocedasticidad, ni se estima un tamaño muestral con base en la curva Z. Según el mismo autor
con 30 muestras o más se pueden hacer inferencias. Sin embargo, Daniel (1990) señala que para que
el coeficiente de correlación de Spearman tenga significancia equivalente a una distribución Z el
número de casos debiera ser 100 o más.

La aplicación de esta tecnología permitirá en el futuro generar información nutricional de la base

forrajera de manera, masiva, económica y precisa sobre los niveles de proteína cruda para la
producción de leche bovina, que servirá a nivel de predios ganaderos beneficiarios para el análisis y
la toma de decisiones sobre las praderas, las rotaciones, la composición de la dieta alimenticia, la
fertilización, el control de las plagas, el riego, el clima. Y desde luego en la búsqueda del mejoramiento
del componente forrajero y su desempeño en las ganaderías bovinas. (Ceballos, Gómez, Vélez, Villa,
& López,2016; Ospina, O., 2017).
Metodología
Ubicación geográfica

En Colombia (Sur América) se tomaron muestras de gramíneas de trópico bajo en el departamento

del Tolima municipio de Alvarado a 450 msnm. Para trópico alto se tomaron muestras en el
departamento de Cundinamarca en los municipios de Chocontá 2900 msnm y Tocancipá a 2600
msnm.
Toma de muestras

Se elaboraron marcos en tela gruesa impermeable, de 30 cm ancho y de dos por dos mts, como
instrumento de marcado del sitio de toma de la muestra de forrajes y de imágenes. Se utilizó metro
para calcular un mt² de aforo, se llevó bascula, machetes y bolsas para muestras. El sitio de la muestra
se seleccionó al azar.

Procesamiento muestras NIRS

De cada potrero se tomaron dos muestras de material forrajero que se cuarteaba y dividía en tres
partes, posteriormente se secaron y enviaron al laboratorio para análisis mediante NIRs. Las plantas
muestreadas fueron: Kikuyo, Raygrass, Falsa Poa, Pasto Brasilero Pangola, Pará, Bermuda y
Colosuana, para un total de 48 muestras. A la semana de enviadas las muestras se recibieron los
resultados vía e-mail desde el laboratorio. Se llevó registro detallado para trazabilidad de los
muestreos.

Procesamiento algoritmico de imágenes RGB

Para el análisis algorítmico, a cada sitio muestreado para NIRs, se le sacaron fotos con un Dron DJI
Spark ®, con cámara RGB de 12 megapíxeles, en posición perpendicular al suelo, entre los 20 y los
200 metros de altura, a intervalos de 20 metros. Las imágenes del dron se procesaron por cuatro
investigadores, en una computadora con el algoritmo en el software TaurusWebs V2017 ®, cada uno
hizo el análisis de manera independiente de la foto a 20 mts., de altura, de cada sitio, lo que generó
cuatro resultados algorítmicos por cada muestra.

Procesamiento de datos

Posteriormente se procedió a la tabulación de los datos recolectados para comparar el resultado de

NIRS con el del algoritmo.

Se realizó un análisis de estadístico para hacer una prueba de hipótesis de correlación con los modelos
estadísticos de Kendall, Spearman y ANOVA Krukal Wallis; además, se evaluó una prueba de
hipótesis de variación según la altura a las que se tomaron las imágenes algorítmicas, mediante
regresión por cuantiles (López y Mora, 2007).

Se realizó una validación de los resultados fue realizada empleando las herramientas del STATA en
donde se compararon los valores obtenidos por la cuantificación del NIRS para la proteína cruda P C
de las muestras de las gramíneas analizadas versus los valores predichos por el algoritmo.

Resultados
Las gramíneas muestreadas en el estudio fueron: Kikuyo, Ryegrass, Falsa Poa Avena, Pasto Brasilero
Pangola, Para, Bermuda y Colosuana. Figuras 1.
Figura 1. Imagen digital pradera de gramíneas de clima frio en una ganadería en la Sabana de
Bogotá, Colombia, tomada en el año 2018.
Los resultados de los análisis de NIRs remitidos por el Laboratorio de CORPOICA correspondientes a
las 48 muestras de los forrajes, se relacionan en las Tabla 1, los del algoritmo en la Tabla 2.

Tabla 1. Resultados a 48 muestras a las que se les aplico el análisis de Laboratorio NIRs.
Código Código usuario
IngredienteVariedad MicroregiónDepartamento Municipio Proteína cruda(gPC Algorit
100 g-1 MS)
FDN(g 100 g-1
FDA(g
MS)100 g-1
NDT(g
MS)100 g-1 MS) ENLRumiantes(Mcal.kg-1
Enl Mj EnlMS)
Algorit Des energiaDesv Prot
1816609 2A Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 11.12 12.20 60.78 37.31 51.66 1.15 4.81 4.54 0.27 - 1.08
1816610 2B Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 10.46 11.39 61.11 36.63 51.37 1.14 4.77 4.46 0.31 - 0.93
1816611 2C Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 11.21 8.36 59.81 37.19 51.76 1.15 4.81 4.08 0.73 2.85
1816612 4A Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 10.61 11.49 61.07 37.59 51.20 1.14 4.77 4.47 0.30 - 0.88
1816613 4B Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 10.74 9.99 61.59 35.82 51.81 1.15 4.81 4.29 0.52 0.75
1816614 4C Bermuda - Cynodon dactylon
Alto Magdalena
- Hoja,Tolima
Tallo - Fresca
Alvarado 11.28 10.36 59.46 38.92 51.31 1.14 4.77 4.33 0.44 0.92
1816615 13A Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca20.00 19.83 52.28 24.10 62.07 1.40 5.85 5.51 0.34 0.17
1816616 13B Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca20.33 19.76 51.56 23.55 62.47 1.41 5.89 5.50 0.39 0.57
1816617 13C Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca20.20 19.06 51.71 24.63 62.06 1.40 5.85 5.41 0.44 1.14
1816618 14A Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca20.48 21.67 49.56 22.97 62.75 1.42 5.94 5.73 0.21 - 1.19
1816619 14B Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca22.30 21.41 46.81 21.53 64.52 1.46 6.10 5.70 0.40 0.89
1816620 14C Brasilero - Phalaris arundinacea
AltiplanoxCundiboyacense
P.Cundinamarca
tuberosa - Chocontá
Hoja, Tallo - Fresca19.76 20.46 51.01 23.45 62.08 1.40 5.85 5.58 0.27 - 0.70
1816621 7A Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 6.36 6.74 64.32 36.19 48.47 1.07 4.47 3.88 0.59 - 0.38
1816622 7B Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 6.84 7.93 64.83 36.39 48.77 1.08 4.51 4.03 0.48 - 1.09
1816623 7C Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 7.01 7.09 64.46 34.76 49.37 1.09 4.56 3.93 0.63 - 0.08
1816624 8A Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 8.28 6.89 61.90 32.93 50.84 1.13 4.72 3.90 0.82 1.39
1816625 8B Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 7.64 6.13 63.66 34.01 50.05 1.11 4.64 3.81 0.83 1.51
1816626 8C Colosuana - Bothriochloa Alto
pertusa
Magdalena
- Tolima
Hoja, Tallo -Alvarado
Fresca 7.72 8.43 63.06 33.38 50.29 1.11 4.64 4.09 0.55 - 0.71
1816627 15A Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 7.23 7.91 66.28 36.97 48.88 1.08 4.51 4.03 0.48 - 0.68
1816628 15B Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 7.93 6.80 65.28 36.25 49.61 1.10 4.60 3.89 0.71 1.13
1816629 15C Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 7.35 6.28 67.02 36.76 49.03 1.08 4.51 3.83 0.68 1.07
1816630 16A Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 8.17 7.32 65.05 35.33 50.06 1.11 4.64 3.95 0.69 0.85
1816631 16B Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 7.69 5.28 66.40 32.69 50.47 1.12 4.68 3.70 0.98 2.41
1816632 16C Falsa poa - Holcus lanatus
Altiplano
- Hoja,Cundiboyacense
Tallo
Cundinamarca
- Fresca,Chocontá
Mezcla 8.38 7.28 65.40 32.71 50.98 1.13 4.72 3.95 0.77 1.10
1816797 11A Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 14.93 14.60 58.60 29.86 56.64 1.27 5.31 4.86 0.45 0.33
1816798 11B Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 15.26 14.67 58.77 29.81 56.90 1.28 5.35 4.87 0.48 0.59
1816799 11C Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 15.60 16.30 58.22 29.20 57.33 1.29 5.39 5.07 0.32 - 0.70
1816800 12A Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 15.49 15.24 57.73 29.38 57.20 1.28 5.35 4.94 0.41 0.25
1816801 12B Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 15.29 15.41 58.14 29.39 57.05 1.28 5.35 4.96 0.39 - 0.12
1816802 12C Kikuyo - Cenchrus clandestinus
Altiplano- Hoja,
Cundiboyacense
Cundinamarca
Tallo - Fresca
Chocontá 15.54 14.92 57.76 29.24 57.28 1.29 5.39 4.90 0.49 0.62
1816803 5A Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 10.14 9.79 60.53 35.66 51.42 1.14 4.77 4.26 0.51 0.35
1816804 5B Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 10.39 11.24 60.36 33.88 52.12 1.16 4.85 4.13 0.72 - 0.85
1816805 5C Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 10.62 11.65 60.12 34.17 52.20 1.16 4.85 4.49 0.36 - 1.03
1816806 6A Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 10.46 9.79 60.27 34.32 52.04 1.16 4.85 4.26 0.59 0.67
1816807 6B Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 10.33 10.84 61.23 36.40 51.34 1.14 4.77 4.39 0.38 - 0.51
1816808 6C Pangola - Digitaria eriantha
Alto Magdalena
- Hoja, Tolima
Tallo - FrescaAlvarado 9.51 9.46 62.23 37.20 50.50 1.12 4.68 4.22 0.46 0.05
1816809 1A Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 9.44 7.29 62.03 32.98 51.68 1.15 4.81 3.95 0.86 2.15
1816810 1B Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 8.43 9.26 63.43 33.05 50.91 1.13 4.72 4.20 0.52 - 0.83
1816811 1C Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 7.56 9.66 64.22 33.64 50.10 1.11 4.64 4.24 0.40 - 2.10
1816812 3A Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 8.54 9.71 61.81 33.66 50.82 1.13 4.72 4.25 0.47 - 1.17
1816813 3B Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 9.43 8.90 62.41 32.49 51.82 1.15 4.81 4.15 0.66 0.53
1816814 3C Para - Brachiaria muticaAlto
- Hoja,
Magdalena
Tallo
Tolima
- Fresca Alvarado 9.53 9.58 61.91 32.42 51.91 1.15 4.81 4.23 0.58 - 0.05
Tabla 2. Resultados Análisis Algorítmico a 20 – 40 metros de altura, tamaño de la muestra de
164 observaciones.
Departamento
Municipio Proteína cruda(g
PC Algorit
100 g-1 MS)
FDN(g 100 g-1
FDA(g
MS)100 g-1
NDT(g
MS)100 g-1 MS) ENLRumiantes(Mcal.kg-1
Enl Mj EnlMS)
Algorit
Tolima Alvarado 11.12 9.51 60.78 37.31 51.66 1.15 4.81 4.23
Tolima Alvarado 10.46 7.91 61.11 36.63 51.37 1.14 4.77 4.03
Tolima Alvarado 11.21 9.16 59.81 37.19 51.76 1.15 4.81 4.18
Tolima Alvarado 10.61 7.82 61.07 37.59 51.20 1.14 4.77 4.02
Tolima Alvarado 10.74 10.92 61.59 35.82 51.81 1.15 4.81 4.40
Tolima Alvarado 11.28 10.96 59.46 38.92 51.31 1.14 4.77 4.41
Cundinamarca
Chocontá 20.00 19.16 52.28 24.10 62.07 1.40 5.85 5.42
Cundinamarca
Chocontá 20.33 20.08 51.56 23.55 62.47 1.41 5.89 5.54
Cundinamarca
Chocontá 20.20 18.94 51.71 24.63 62.06 1.40 5.85 5.30
Cundinamarca
Chocontá 20.48 20.00 49.56 22.97 62.75 1.42 5.94 5.53
Cundinamarca
Chocontá 22.30 18.84 46.81 21.53 64.52 1.46 6.10 5.38
Cundinamarca
Chocontá 19.76 18.46 51.01 23.45 62.08 1.40 5.85 5.34
Tolima Alvarado 6.36 8.18 64.32 36.19 48.47 1.07 4.47 4.06
Tolima Alvarado 6.84 8.46 64.83 36.39 48.77 1.08 4.51 4.10
Tolima Alvarado 7.01 7.87 64.46 34.76 49.37 1.09 4.56 4.02
Tolima Alvarado 8.28 7.36 61.90 32.93 50.84 1.13 4.72 3.96
Tolima Alvarado 7.64 7.39 63.66 34.01 50.05 1.11 4.64 3.96
Tolima Alvarado 7.72 6.94 63.06 33.38 50.29 1.11 4.64 3.91
Cundinamarca
Chocontá 7.23 7.85 66.28 36.97 48.88 1.08 4.51 4.02
Cundinamarca
Chocontá 7.93 7.14 65.28 36.25 49.61 1.10 4.60 3.93
Cundinamarca
Chocontá 7.35 6.88 67.02 36.76 49.03 1.08 4.51 3.90
Cundinamarca
Chocontá 8.17 8.00 65.05 35.33 50.06 1.11 4.64 4.04
Cundinamarca
Chocontá 7.69 7.93 66.40 32.69 50.47 1.12 4.68 4.03
Cundinamarca
Chocontá 8.38 7.85 65.40 32.71 50.98 1.13 4.72 4.02
Cundinamarca
Chocontá 14.93 12.89 58.60 29.86 56.64 1.27 5.31 4.65
Cundinamarca
Chocontá 15.26 13.11 58.77 29.81 56.90 1.28 5.35 4.67
Cundinamarca
Chocontá 15.60 14.08 58.22 29.20 57.33 1.29 5.39 4.79
Cundinamarca
Chocontá 15.49 12.28 57.73 29.38 57.20 1.28 5.35 4.57
Cundinamarca
Chocontá 15.29 12.89 58.14 29.39 57.05 1.28 5.35 4.65
Cundinamarca
Chocontá 15.54 12.47 57.76 29.24 57.28 1.29 5.39 4.59
Tolima Alvarado 10.14 11.25 60.53 35.66 51.42 1.14 4.77 4.44
Tolima Alvarado 10.39 10.20 60.36 33.88 52.12 1.16 4.85 4.31
Tolima Alvarado 10.62 9.85 60.12 34.17 52.20 1.16 4.85 4.27
Tolima Alvarado 10.46 10.64 60.27 34.32 52.04 1.16 4.85 4.37
Tolima Alvarado 10.33 12.01 61.23 36.40 51.34 1.14 4.77 4.54
Tolima Alvarado 9.51 9.99 62.23 37.20 50.50 1.12 4.68 4.29
Tolima Alvarado 9.44 9.83 62.03 32.98 51.68 1.15 4.81 4.27
Tolima Alvarado 8.43 10.62 63.43 33.05 50.91 1.13 4.72 4.36
Tolima Alvarado 7.56 11.89 64.22 33.64 50.10 1.11 4.64 4.52
Tolima Alvarado 8.54 11.62 61.81 33.66 50.82 1.13 4.72 4.49
Tolima Alvarado 9.43 10.44 62.41 32.49 51.82 1.15 4.81 4.34
Tolima Alvarado 9.53 11.82 61.91 32.42 51.91 1.15 4.81 4.51

La Tabla 2 presenta los datos del algoritmo obtenidos directamente de sus correspondientes
computadores por cuatro investigadores del grupo que ejecuta el proyecto identificado por la
UNIAGRARIA como PI160130.

En la Tabla 3, se relacionan los valores de proteína cruda (PC) obtenidos del algoritmico vs NIRs.

Tabla 3. Resultados de los análisis de las proteínas crudas (PC) del algoritmico vs NIRs, y que
fueron analizados por medio de Stata V 11.2
 PC Nirs PC Algorit ENLRumiantes(Mcal.kg-1
Enl Mj Nirs EnlMS)
Algorit
6.36 6.74 1.07 4.47 3.88
6.36 8.18 1.07 4.47 4.06
6.36 6.96 1.07 4.47 3.91
6.36 8.28 1.07 4.47 4.07
6.84 7.93 1.08 4.51 4.03
6.84 8.46 1.08 4.51 4.10
6.84 7.26 1.08 4.51 3.96
6.84 8.42 1.08 4.51 4.09
7.01 7.09 1.09 4.56 3.93
7.01 7.87 1.09 4.56 4.02
7.01 7.66 1.09 4.56 4.00
7.01 8.56 1.09 4.56 4.11
7.23 7.91 1.08 4.51 4.03
7.23 7.85 1.08 4.51 4.02
7.23 6.18 1.08 4.51 3.81
7.23 6.89 1.08 4.51 3.9
7.35 6.28 1.08 4.51 3.83
7.35 6.88 1.08 4.51 3.90
7.35 7.28 1.08 4.51 3.95
7.35 7.37 1.08 4.51 3.96
7.56 9.66 1.11 4.64 4.24
7.56 11.89 1.11 4.64 4.52
7.56 9.36 1.11 4.64 4.21
7.64 6.13 1.11 4.64 3.81
7.64 7.39 1.11 4.64 3.96
7.64 7.20 1.11 4.64 3.94
7.64 7.22 1.11 4.64 3.94
7.69 5.28 1.12 4.68 3.70
7.69 7.93 1.12 4.68 4.03
7.69 6.93 1.12 4.68 3.91

Se realizaron pruebas de cajas, histogramas y Shapiro Wilk para buscar normalidad en los datos,
donde se encontró que la distribución fue no paramétrica. Grafica 2.
Grafica 2. Análisis estadístico de los contenidos de Proteína Cruda (PC), utilizando Stata V 11.2
Para determinar correlación se realizó la prueba de Kendall y Sperman. La prueba de Kendall
demostró que están asociadas las proteínas calculadas con NIRS y el algoritmo (P<0.05). Con la
prueba de SPEARMAN se encontró que % PC de NIRS y del algoritmo obtuvieron una correlación al
83 %, lo que significa que están altamente correlacionadas (P<0.05).
La técnica de Kruskal Wallis o ANOVA no paramétrico, encontró que no hay diferencia en el % PC de
NIRs vs el % PC calculada por el algoritmo, por lo tanto son iguales (P > 0.05).
Con esta información, se procedió a correr un análisis de regresión, para representar visualmente la
relación entre el % PC medido por NIRs vs el algoritmo, ver la Gráfica 3. Según el R² se encontró una
alta confiabilidad en el resultado del análisis de proteína cruda del pasto medida por NIRs vs la PC -
proteína cruda medida por algoritmo con un coeficiente de determinación del 0,8724 y una R o
correlación 0.93.

Grafica 3. Análisis de regresión donde se muestra el comportamiento de los niveles del % de

proteína cruda (PC) medidos con el NIRS versus los obtenidos a través del algoritmo.
 23
22
21
20
19
18

% proteína cruda Algoritmo

17
16
15
14
13
12
11
10
y = 0.8773x + 1.0417
9 R² = 0.8724
8
7
6
5
4
3
2
1
0
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

% Proteína Cruda NIRS

Se realizó un análisis en formato ancho con variables de las diferentes gramíneas PC y ENl para ver
el efecto de la altura de la toma de las imágenes captadas con la cámara RGB montadas en un dron
desde 20 metros hasta los 200 metros de altura. Con los supuestos estadísticos por Shapiro los datos
de medición de las diferentes alturas no tienen distribución normal; por lo tanto, se procedió a buscar
un modelo de regresión para datos no normales y se utilizó regresión por cuantiles (López y Mora,
2007), Bootstrap (con 20 iteraciones). Al pasar los datos por el modelo se encontró que, si hay
diferencias a nivel de PC dentro de cada gramínea (P<0.05), pero no hay diferencias de la gramínea
asociada con la altura de la toma de la imagen (P > 0.05)
DISCUSIÓN
Teniendo en cuenta que en el presente trabajo los valores de proteína cruda (PC) obtenidos por el
algoritmo vs NIRs están altamente correlacionados, investigadores colombianos desde el año 1988
han venido determinando por medio de diferentes metodologías el contenido de la proteína bruta
expresada en porcentajes en varias gramíneas y leguminosas y en particular al Kikuyo (Pennisetum
clandestinum) los valores de proteína reportados en este proyecto con un 16 % de PC están dentro
del rango de varios científicos tales como Corredor (1986), Laredo y Cuesta (1988), con 16,6 % a los
60 días después del último pastoreo, Castro y otros (2009) presento valores desde 16,1 hasta 17.6%,
Aguilar y otros (2008) investigando sobre el consumo de gramíneas en el trópico alto de Colombia,
encontró que el contenido de PC en el Kikuyo fue 17.8 % en comparación con niveles más bajos del
Ray Grass (Lolium, spp) con 16.9 %, esta gramínea tuvo un mayor contenido de proteína soluble.

Conclusiones

Se encontró una alta correlación entre el resultado del análisis de proteína cruda del pasto medida por
NIRs vs la proteína cruda medida por algoritmo.
Se puede utilizar el algorítmo para hacer análisis de proteína cruda en pasturas de trópico bajo y
trópico alto.
La altura a la que se tome la foto con el dron no afecta el resultado de análisis algorítmico de la
proteína.
Se encontró diferencias en la proteína cruda entre las diferentes gramíneas analizadas.
Con la información generada con el algorítmo se pueden adelantar trabajos de investigación en
gramíneas.
Referencias Bibliográficas

AeroCivil, 2015. Circular Reglamentaria 002, 2015- AeroCivil. Requisitos Generales de

Aeronavegabilidad y Operaciones para RPAS. Consultado en www.aerocivil.org.co

Anzola, H. (1988). Valor nutritivo de los forrajes. En. Curso de Pastos y Forrajes del CRECED – PNR.
Convenio ICA – SENA, 49-57.
Anzola, H., Durán, H., Rincón, J., Martínez, R., Restrepo, J. (2014). El uso eficiente de los forrajes
tropicales en la alimentación de los bovinos. Revista Ciencia Animal, 7, 111-132.
Ceballos, A., Gómez, P., Vélez, M., Villa, N., López, L. (2016). Variación de los indicadores bioquímicos
del balance de energía según el estado productivo en bovinos lecheros de Manizales, Colombia.
Revista Colombiana de Ciencias Pecuarias, 15(1), 13-25.
Correa, F., Moya, A., Báguena, E., Herrero, A., Paz, M., Baluja, J., Tardáguila, J., Valero, C., Barreiro,
P. (septiembre de 2011). Extracción de características de la cubierta vegetal del viñedo mediante
imágenes RGB y RGIR obtenidas de forma dinámica. Congreso Ibérico de Agroingeniería. Universidad
de Évora. Portugal.
Ibraheem, N., Hasan, M., Khan, R., & Mishra, P. (2012). Understanding color models: a review. ARPN
Journal of Science and Technology, 2(3), 265-275.
Martínez, J., Ramírez, M. (2016). Innovación Tecnológica para la Seguridad Alimentaria. Primera
edición. Villahermosa, Tabasco: Universidad Juárez Autónoma de Tabasco. Instituto Nacional de
Investigaciones Forestales, Agrícolas y Pecuarias, 564 páginas
Medellín, L., Rozo, A., Trujillo, M. (2016). Ensayo preliminar sobre la utilización de un medidor portátil
de clorofila para estimar el nitrógeno foliar en orégano (Origanum vulgare L.). Revista Facultad de
Ciencias Básicas, 7(2), 150-165.
Montenegro, A., Parada, C. (2015). Diseño e implementación de un sistema de detección de malezas
en cultivos cundiboyacenses (Tesis de pregrado). Universidad Cooperativa. Bogotá. Colombia.
Mendizábal, J., Goñi. V. (2011). Aplicaciones de la técnica de análisis de imagen en la determinación
de la calidad de la canal y de la carne (Revisión). Invest. Agr.: Producción y Sanidad Animal. Vol. 16
(1). 99-108.
Molano, M. (2012). Caracterización nutricional de forrajes tropicales usando espectroscopia de
infrarrojo cercano (NIRS) (Tesis de Maestría). Universidad Nacional de Colombia. Palmira. Colombia.
Ospina, O. (2017). Método de cálculo de Proteína Cruda y Energía Neta Leche en gramíneas,
mediante algoritmo de análisis de imágenes RGB tomadas por Dron. Revista Agricultura de las
Americas. (485), 42-47.
Ramírez M, A. (2013). Evaluación del crecimiento de pastos usando índices de vegetación calculados
a partir de información satelital (Tesis de Maestría). Universidad Nacional de Colombia. Medellín.
Colombia.
REA. 2018. Diccionario de la Lengua Española. Consultado en http://dle.rae.es/?id=1nmLTsh
Ruiz, F., Rodríguez, E., Pinzón, J., Anzola, H., Castro, L. (2015). Establecimiento y evaluación de la
Guinea Panicum máximum cv. Massai en la hacienda Guachicono del Bordo, Patía (Cauca). Revista
Ciencia Animal, (9), 125-154.
Software TaurusWebs V2017 ®. Innovaciones, versiones V2017 1. Licencia de uso. Consultado:
http://www.tauruswebs.com/wwwtauruswebs/e_learning/0Innovaciones%20V2017.pdf