Ponencia y Memoria porciFORUM 2022- Guilherme J.M. Rosa

PUNTOS A TENER EN CUENTA

La sostenibilidad de la producción porcina depende de una intrincada interacción de factores, como la genética de los animales, las instalaciones y los equipos, y las prácticas de gestión. Dos áreas de innovación ofrecen una increíble oportunidad para nuevos desarrollos que mejoren el manejo y la producción porcina: el análisis de Big Data y las tecnologías de sensores.

La disponibilidad de repositorios de Big Data permite el uso de sofisticadas herramientas de aprendizaje automático y análisis predictivo para tomar decisiones de gestión óptimas basadas en datos.

Las tecnologías de sensores permiten supervisar a los animales y los sistemas de producción de forma automatizada y eficaz, ayudando a los productores de cerdos a gestionar mejor sus ganaderías, mejorando no sólo el bienestar de los animales, sino también la vida de los ganaderos, la calidad y seguridad de los alimentos y, en última instancia, la satisfacción de los consumidores.

La ganadería de precisión tiene el potencial de aumentar la eficiencia y la sostenibilidad de los sistemas de producción porcina. Por ello, a medida que el precio de estas tecnologías disminuya y se desarrollen mejores herramientas, estarán cada vez más disponibles para los productores.

La demanda mundial de proteína de origen animal está aumentando rápidamente, dado el continuo crecimiento de la población global, así como el aumento de los ingresos y la urbanización, especialmente en los países en desarrollo (FAO, 2018).

Sin embargo, la satisfacción de esta demanda creciente debe llevarse a cabo paralelamente a la mejora del Bienestar Animal y a la reducción del impacto ambiental de los sistemas de producción (FAO, 2017).

A lo largo de los años se han logrado notables avances en la producción y la calidad del cerdo. Hoy en día, dos áreas de innovación ofrecen una increíble oportunidad para un progreso aún más acelerado del sector porcino.

1. BIG DATA: pueden generarse enormes bases de datos ricas en información combinando los datos obtenidos del software de gestión en la granja con datos relacionados con la meteorología, la economía, las imágenes por satélite, la raza y la información genómica sobre poblaciones de cerdos enteras, las preferencias de los consumidores, etc.

La disponibilidad de estos repositorios de Big Data permite el uso de sofisticadas herramientas de aprendizaje automático y análisis predictivo para tomar decisiones de gestión óptimas basadas en datos.

2. Tecnologías de sensores:el desarrollo de las tecnologías de sensores proporciona medios para supervisar a los animales y los sistemas de producción de forma automatizada y eficaz, ayudando a los productores de cerdos a gestionar mejor sus ganaderías, mejorando no sólo el bienestar de los animales, sino también la vida de los ganaderos, la calidad y seguridad de los alimentos y, en última instancia, la satisfacción de los consumidores.

En este apartado, se presentan dos ejemplos de integración y extracción de datos en el ámbito de la producción y gestión porcina, más concretamente en el transporte de cerdos.

Pérdida de peso en el transporte

Las pérdidas de peso durante el transporte de los cerdos son una importante preocupación en materia de Bienestar Animal, que también tiene un impacto económico directo para los productores y los mataderos. Estas pérdidas están relacionadas con múltiples factores, como la genética de los cerdos, el manejo por parte del personal, la gestión y las condiciones meteorológicas.

Comprender estos factores asociados a las pérdidas totales durante el transporte (TTL) es fundamental para el sector porcino, ya que puede contribuir a la toma de decisiones y al desarrollo de estrategias de transporte para minimizar el riesgo de pérdidas.

Passafaro et al. (2019) utilizaron el análisis de datos para estudiar los factores asociados a las TTL en cerdos con peso de mercado en las condiciones de campo típicas para el Medio Oeste de Estados Unidos. Un gran productor de cerdos de Iowa (EE.UU.) facilitó dos años de informes de envío de cerdos con peso de mercado. Los datos incluían información sobre:

La granja de origen, el matadero de destino y la fecha del envío.
El grupo de manejo: destete, wean-to-finish o engorde.
La empresa de transporte.
El tipo de conductor: propietario del camión o empleado de la empresa de transporte.
El número de cerdos cargados y el peso medio de mercado por envío.
La latitud y longitud de todos las granjas y mataderos para estimar la distancia recorrida.

Por otro lado, se obtuvieron las mediciones medias diarias de temperatura, humedad relativa, velocidad del viento y precipitaciones de la organización gubernamental National Oceanic and Atmospheric Administration (NOAA), calculándose el índice de temperatura y humedad (THI) mediante la fórmula de la NOAA (1976).

Tras editar los datos para eliminar las incoherencias y la información que faltaba, el conjunto de datos final incluía un total de 4.567.514 cerdos de 420 explotaciones cargados en 26.819 envíos entregados a dos mataderos.

Los resultados mostraron asociaciones significativas entre las TTL y el efecto principal de todas las variables explicativas, excepto la velocidad del viento y las precipitaciones. También fueron significativas las interacciones peso medio de mercado × matadero, y velocidad del viento × precipitaciones. Se observó una compleja relación no lineal entre las TTL y las covariables del modelo para la distancia recorrida, el THI y los términos de interacción.

Diseminación de enfermedades a través del transporte

A menudo, la producción porcina se basa en un sistema multi-sitio en el que los cerdos son transportados entre explotaciones una vez concluida cada fase de producción. Aunque el transporte terrestre es un componente crítico de la cadena de suministro de carne de cerdo, podría constituir una vía potencial de diseminación de enfermedades infecciosas.

Passafaro et al. (2020) utilizaron los informes de movimiento de 76.566 envíos en un sistema de producción multi-sitio para caracterizar el flujo de movimiento de los cerdos y para evaluar el impacto potencial de cada tipo de granja en la diseminación de enfermedades.

Un análisis de redes temporal demostró que las unidades de producción de cerdas nulíparas y de transición, así como las granjas de reproductoras tienen un papel más central en la jerarquía de la producción porcina. Como tales, son las principales fuentes potenciales de introducción y propagación de enfermedades en el sistema. En cambio, las unidades wean-to-finish y de engorde mostraron valores in-grado elevados, lo que indica que son más susceptibles de ser infectadas.

Las características de una enfermedad deberían ser muy determinantes con respecto a las prácticas de bioseguridad en los centros de producción.

Por ejemplo, las medidas de bioseguridad deben centrarse en las explotaciones de reproductoras en el caso de las enfermedades altamente contagiosas (por ejemplo, la fiebre aftosa), mientras que deben dirigirse a las transiciones en el caso de las enfermedades menos contagiosas (por ejemplo, las infecciones por micobacterias).

El desarrollo de la tecnología de sensores, junto con el Internet de las cosas (IoT), la robótica y las herramientas de inteligencia artificial, proporciona medios para supervisar los animales y los sistemas de producción de forma automatizada, fiable y rentable, dentro de la denominada ganadería de precisión (PLF, del inglés Precisión Livestock Farming; Berckmans, 2017; Benjamin y Yik, 2019).

Los datos recogidos por los sensores (cámaras, micrófonos, acelerómetros, analizadores de gases y espectrómetros) de los animales y su entorno, junto con las técnicas analíticas avanzadas, proporcionan herramientas eficaces para vigilar a los animales con el fin de mejorar su bienestar y optimizar el uso de los recursos, como el pienso, el agua, el terreno y la mano de obra.

Los sistemas PLF pueden medir fenotipos novedosos o rasgos indicadoresque se utilizarán en programas avanzados de mejora genética (Rosa, 2011).

Los fenotipos con importancia económica o social que generalmente son difíciles de medir sin tecnologías digitales incluyen, por ejemplo, el consumo individual de alimento y la eficiencia alimentaria, la tolerancia al calor, la capacidad maternal, el comportamiento agresivo y la resistencia a las enfermedades, entre muchos otros.

Por otro lado, la recopilación de datos individuales de los animales en las explotaciones comerciales permite conocer en profundidad la interacción entre el entorno (densidad de población, iluminación, temperatura, etc.) y el comportamiento y rendimiento de los animales individuales dentro del espacio.

Esto puede ayudar en la mejora genética de animales adaptados a diferentes entornos y al desarrollo de instalaciones y equipos más eficientes para mejorar su bienestar y rendimiento.

Entre las diversas tecnologías de sensores disponibles, el uso de sistemas de visión por ordenador (CVS, del inglés Computer Vision Systems) es extremadamente prometedor, dado que una sola cámara puede vigilar a varios animales a la vez y cada imagen o vídeo proporciona información útil para numerosas tareas, entre otras:

La identificación y el seguimiento de los animales.
El control del comportamiento.
La estimación del peso y el desarrollo corporal. (Fernandes et al., 2020).

Por ejemplo, los CVS se han utilizado con éxito para la predicción automatizada sin contacto de características de la canal en cerdos vivos o para identificar y rastrear cerdos agrupados en corrales. Por ejemplo:

Alsahaf et al. (2019) desarrollaron un sistema para determinar características morfométricas a partir de imágenes de cerdos en movimiento para estimar puntuaciones musculares.

Fernandes et al. (2019, 2020) desarrollaron una línea de procesamiento de imágenes y un algoritmo de Deep-learning para predecir el contenido de grasa y músculo magro.

Psota et al. (2019) desarrollaron un enfoque de visión por ordenador para la identificación y seguimiento de múltiples cerdos utilizando cámaras digitales estándar, logrando una alta precisión incluso en condiciones desfavorables de suelo e iluminación.

Otras aplicaciones importantes de las tecnologías PLF son el control del bienestar de los animales y la detección precoz de enfermedades, lo que puede suponer una enorme oportunidad para desarrollar nuevos protocolos de Medicina Preventiva y Terapéutica, para evitar o frenar la propagación de enfermedades a través del rebaño y, potencialmente, disminuir el uso de antibióticos.

Por último, otro ejemplo de aplicación de la PLF es en el contexto de la alimentación de precisión. Hoy en día, los cerdos se alimentan en grupo, con una composición de la dieta y un suministro de alimento adaptados a la media del grupo. Sin embargo, debido a las variaciones interindividuales, algunos cerdos pueden estar infraalimentados mientras que otros pueden estar sobrealimentados.

No obstante, con la llegada de la tecnología PLF que permite monitorizar la ingesta individual de alimento de los animales, así como la ganancia de peso y desarrollo, las dietas pueden mezclarse en tiempo real y suministrarse de forma precisa según las necesidades de cada animal, maximizando su rendimiento y minimizando las pérdidas de alimento (Pomar y Remus, 2019).

Existen aún muchos retos que deben ser abordados para que la PLF pueda ser utilizada más ampliamente en el ganado porcino o en cualquier otra especie ganadera. Además, las herramientas de la PLF deben diseñarse de acuerdo con la realidad de cada país o región global, no solo en cuanto a las condiciones climáticas y meteorológicas específicas, sino también al tamaño de las explotaciones y el nivel tecnológico, la disponibilidad de mano de obra y su formación, los requisitos del mercado, etc.

Por ejemplo, aunque la electricidad, la telefonía móvil y la conexión a Internet estén relativamente disponibles en las zonas rurales de los países desarrollados, este no es el caso en muchas
regiones en vías de desarrollo. Además, los países pueden tener porcentajes de disponibilidad de mano de obra para la agricultura muy diferentes, por lo que la PLF y la automatización de las explotaciones pueden afectarles de forma distinta.

REFERENCIAS BIBLIOGRÁFICAS

Benjamin, M., and Yik, S. (2019). Precision livestock farming in swine welfare: a review for swine practitioners. Animals 9: 133. doi: 10.3390/ani9040133

Berckmans, D. (2017). General introduction to precision livestock farming. Anim. Front. 7: 6. doi: 10.2527/af.2017.0102

Fernandes, A. F. A., et al. (2019)A novel automated system to acquire biometric and morphological measurements, and predict body weight of pigs via 3D computer vision. Journal of Animal Science 97: 496-508.

Fernandes, A. F. A., et al. (2020) Comparison of data analytics strategies in computer vision systems to predict pig body composition traits from 3D images. Journal of Animal Science 98(8): skaa250.

Fernandes, A. F. A., et al. (2020) Image analysis and computer vision applications in animal sciences: an overview. Frontiers in Veterinary Science 7: 551269.

Passafaro, T. L., et al. (2019) Generalized additive mixed model on the analysis of total transport losses of market-weight pigs. Journal of Animal Science 97: 2025-2034.

Passafaro, T. L., et al. (2020) Network analysis of swine movements in a multi-site pig production system in Iowa, USA. Preventive Veterinary Medicine 174: 104856.

Pomar, C., and Remus, A. (2019). Precision pig feeding: a breakthrough toward sustainability. Anim. Front. 9: 52–55. doi: 10.1093/af/vfz006

Psota, E. T., Mittek, M., Perez, L. C., Schmidt, T. and Mote, B. (2019) Multi-pig part detection and association with a fully-convolutional network. Sensors 19: 852. doi: 10.3390/s19040852

Rosa, G. J. M. (2011). Grand challenge in livestock genomics: for food, for medicine, for the environment, for knowledge. Frontiers in Genetics 2: 34. doi: 10.3389/fgene.2011.00034

Rosa, G. J. M. (2021) Grand challenge in precision livestock farming. Frontiers in Animal Science 2: 650324. (doi: 10.3389/fanim.2021.650324)