Optimización es una palabra clave que rebota en la cabeza de todo acuicultor. Hoy más que nunca, los acuicultores buscan optimizar todos y cada uno de los aspectos de sus negocios, una motivación que viene impuesta por la mayor competitividad dentro de la industria acuícola. Esta presión se siente particularmente en la UE, donde la producción acuícola se ha estancado en términos de volumen (FAO, 2020) y generalmente está sujeta a reducciones de precio del pescado a nivel mundial (por ejemplo, dorada y lubina).

Esto significa que, para mantener las empresas funcionando con beneficios atractivos, los acuicultores están reestructurando continuamente sus operaciones, buscando la optimización y la producción eficiente. Al analizar los diferentes recursos y operaciones manejables de una granja de cultivo, el alimento suele ser la que representa el mayor peso en la salida de efectivo, representando entre el 30 y el 60 por ciento de los costos operativos totales. Por tanto, la alimentación es uno de los principales recursos y operaciones que se han apuntado para la optimización.

En los últimos años, la industria acuícola ha experimentado avances significativos con respecto a la optimización de la alimentación. Estos avances se han realizado en múltiples niveles, cubriendo áreas que van desde la nutrición hasta el monitoreo de operaciones, por ejemplo, alimentos formulados en base a requisitos nutricionales más precisos y el uso de cámaras submarinas para ayudar en las operaciones de alimentación.

Más recientemente, esta industria ha visto la aparición de herramientas de apoyo a la toma de decisiones que aprovechan el potencial de los algoritmos matemáticos. Los ejemplos incluyen herramientas basadas en modelos matemáticos mecanicistas que describen el crecimiento de los peces, la conversión de alimentos y la producción de desechos, por lo que muestran un gran potencial para respaldar las actividades de optimización de la alimentación.

Si bien este tipo de herramientas han sido utilizadas por la comunidad científica desde la década de los 90 (por ejemplo, Conceição et al., 1998; Lupatsch y Kissil, 1998; Nobre et al., 2019), solo recientemente estuvieron disponibles para ser utilizadas por -Modelado expertos y generalizados para piscicultores.

En este artículo, ilustramos una aplicación de un modelo mecanicista basado en nutrientes para optimizar el rendimiento de la alimentación en una unidad de pre-cultivo de una granja comercial (Piscicultura Vale da Lama, Portugal). Para ese propósito, hemos utilizado el modelo FeedneticsTM en un enfoque típico de dos pasos:

• Ganar confianza en la solidez del modelo, donde se evaluó el rendimiento del modelo FeedneticsTM comparando las predicciones con los datos históricos de la lubina europea cultivada en la unidad de pre-cultivo;
• Evaluación del rendimiento de diferentes estrategias de alimentación, donde se comparó el rendimiento de la lubina europea alimentada con diferentes estrategias de alimentación en términos de crecimiento, conversión alimenticia, conversión económica, desechos de N total y desechos de sólidos totales.

Ganar confianza en la solidez del modelo

FeedneticsTM es una aplicación web que incluye un modelo mecanicista basado en nutrientes que predice el crecimiento y la composición de los peces a lo largo del tiempo. Esta aplicación web utiliza información sobre la temperatura, la ingesta de alimento y las propiedades del alimento (Ver Figura 1). El modelo ha sido calibrado con una amplia y diversa gama de conjuntos de datos y actualmente está disponible para dorada, lubina europea y la trucha arco iris.

Con el objetivo de demostrar la robustez del modelo, en el primer paso de este trabajo, las predicciones del modelo FeedneticsTM se evaluaron contra datos históricos de Piscicultura Vale da Lama, una granja acuícola comercial ubicada en Portugal. El conjunto de datos históricos incluye información sobre seis tanques de pre-cultivo de lubina europea y contiene información de resolución diaria, parte de la cual fue registrada automáticamente por sensores y parcialmente manualmente por el personal técnico durante todo el período de producción (es decir, temperatura, número de peces, cantidad y tipo de alimento). 

Los datos sobre las propiedades de los piensos se basaron en información compartida por la granja comercial, que se tomó principalmente de las fichas técnicas oficiales y las etiquetas de los piensos proporcionadas por los respectivos productores de piensos. Para los casos en los que hubo una falta de datos esenciales para ejecutar el modelo (por ejemplo, coeficientes de digestibilidad y perfiles de aminoácidos), se asumieron valores por defecto que cumplen con los requerimientos nutricionales de la especie bajo evaluación.

Evaluación del desempeño de diferentes estrategias de alimentación.

Obtener conclusiones claras sobre el desempeño de diferentes estrategias de alimentación basadas en el análisis directo de datos históricos puede ser complicado. Entre otras, las principales dificultades están asociadas al hecho de que no es sencillo separar los efectos relacionados con la nutrición de los relacionados con otros factores (por ejemplo, la temperatura). Las herramientas de apoyo a la toma de decisiones basadas en modelos matemáticos pueden ser un activo importante en este sentido, ya que permiten comparar rápidamente diferentes estrategias de alimentación manteniendo fijos otros factores no relacionados.

En el segundo paso de este trabajo, FeedneticsTM se utilizó para evaluar el rendimiento de la lubina europea cuando se alimenta con tres estrategias de alimentación diferentes (A, B y C), durante la fase de pre-cultivo de la granja Piscicultura Vale da Lama. Todas las estrategias de alimentación comparten un plan común, que solo difiere en términos de los alimentos comerciales proporcionados durante los períodos de tiempo de 34 a 54 días y de 66 a 135 días (Ver Figura 3). La cantidad de alimento proporcionado en cada escenario se manejó en base a la mesa de alimentación de Piscicultura Vale da Lama, que se ajusta a sus condiciones agrícolas y ambientales específicas.

 

 

De manera similar a lo que se informó en la sección anterior, la mayoría de los datos sobre las propiedades de los alimentos se basaron en la información disponible en las fichas técnicas oficiales y las etiquetas de los alimentos de los respectivos productores de piensos. Para los casos en los que faltaban datos esenciales para ejecutar el modelo (p. Ej., Coeficientes de digestibilidad y perfiles de aminoácidos), se asumieron valores por defecto que cumplen con los requisitos nutricionales de la lubina europea.

La Tabla 1 muestra las características de los tres alimentos comerciales diferentes (A, B y C) bajo evaluación. No se muestran las características de los piensos comerciales comunes, ya que son transversales a todas las estrategias de alimentación.
Las tres estrategias de alimentación diferentes se ejecutaron en FeedneticsTM durante un período de producción de 137 días, considerando un peso corporal promedio inicial de 18,4 g, un número inicial de peces de 57,000 individuos, una tasa de mortalidad de aproximadamente 4,7 por ciento y un perfil de temperatura histórico (13,9%). -25,3 ° C).

Para las condiciones agrícolas y ambientales consideradas, las predicciones del modelo (Ver Figura 4) sugieren que seguir la estrategia de alimentación B (FBW = 117.2 g) conduce a un mayor crecimiento en comparación con las estrategias de alimentación A y C (FBW = 104.9 y 106.6 g, respectivamente) . En términos de conversión alimenticia y económica, la estrategia de alimentación B también presenta los mejores resultados (FCR = 1.07 y ECR = 1.51 Eur / kg) y, por lo tanto, es la más rentable para las condiciones agrícolas y ambientales de Piscicultura Vale da Lama. unidad de pre-cultivo, lo que permite ahorros en piensos de aproximadamente 290 € y 670 € por tonelada de pescado producido, en comparación con las estrategias de alimentación A y C, respectivamente.

 

 

Además, el mejor desempeño de la estrategia de alimentación B se traduce consecuentemente en términos de producción de desechos, lo que resulta en una producción de desechos más baja de alrededor del 13 por ciento y el 12 por ciento (desechos de N total y desechos de sólidos totales, respectivamente), en comparación con las estrategias de alimentación A y C. En definitiva, esta menor producción de residuos, que se obtiene siguiendo la estrategia de alimentación B, puede contribuir a mantener una mejor calidad del agua y minimizar el impacto ambiental.

Observaciones finales

Las herramientas de apoyo a la toma de decisiones que aprovechan el potencial de los modelos matemáticos pueden ser activos importantes para los piscicultores, apoyando la búsqueda constante de una producción más eficiente. Al permitir la comparación de múltiples escenarios de alimentación, mientras se mantienen fijos los factores no relacionados con la nutrición, este tipo de herramientas proporcionan una base sólida para la evaluación y optimización de la alimentación.

Esto es algo que puede ser difícil de lograr solo a través del análisis de datos históricos, especialmente en un momento en que los productores de alimentos balanceados comercializan alimentos acuícolas que incorporan niveles cada vez más altos de ingredientes sostenibles.

Este artículo ilustra cómo los modelos matemáticos, como FeedneticsTM, se pueden utilizar para optimizar las estrategias de alimentación desde una perspectiva de rentabilidad. Además, los modelos con este alto nivel de detalle (por ejemplo, teniendo en cuenta los perfiles de aminoácidos y ácidos grasos de los piensos y los peces) también se pueden utilizar para optimizar las estrategias de alimentación desde una perspectiva de valor añadido. Por ejemplo, se pueden evaluar diferentes estrategias de alimentación utilizando este tipo de modelos para producir pescado con mayor contenido de ácidos grasos omega-3 a costos más atractivos.

Autores: Filipe Soares, Tomé Silva, Luís Conceição y Ana Nobre de Sparos Lda., Olhão, Portugal así como João Cruz, Ricardo Severino y Diogo Costa de Piscicultura Vale da Lama, Odiáxere, Portugal

Fuente: International Aquafeed 

Tambien te podria interesar

Últimos Videos

Dejar un Comentario

Tu email nunca será publicado. Los campos marcados con (*) son obligatorios.

NEWSLETTER

PUBLICIDAD

DESCARGAR APP

QR Code

PUBLICIDAD