Repositorio Institucional de Documentos

2013 53 Begoña Díez Unquera Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero Departamento Director/es Ciencias Agrarias y del Medio Natural Ruiz Santos, Roberto Javier Villalba Mata, Daniel Director/es Tesis Doctoral Autor Repositorio de la Universidad de Zaragoza – Zaguan http://zaguan.unizar.es UNIVERSIDAD DE ZARAGOZA Departamento Director/es Begoña Díez Unquera DESARROLLO DE UN MODELO DE SIMULACIÓN Y OPTIMIZACIÓN ADAPTADO AL OVINO LECHERO Director/es Ciencias Agrarias y del Medio Natural Ruiz Santos, Roberto Javier Villalba Mata, Daniel Tesis Doctoral Autor 2013 Repositorio de la Universidad de Zaragoza – Zaguan http://zaguan.unizar.es UNIVERSIDAD DE ZARAGOZA Departamento Director/es Director/es Tesis Doctoral Autor Repositorio de la Universidad de Zaragoza – Zaguan http://zaguan.unizar.es UNIVERSIDAD DE ZARAGOZA TESIS DOCTORAL Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero Autora Begoña Díez Unquera Directores Roberto Ruiz Santos Daniel Villalba Mata Facultad de Veterinaria Departamento de Ciencias Agrarias y del Medio Natural 2013 ROBERTO RUIZ SANTOS, Doctor en Veterinaria, Investigador y Jefe del Departamento de Producción Animal del Instituto Vasco de Investigación y Desarrollo Agrario, Neiker-Tecnalia, y DANIEL VILLALBA MATA, Doctor Ingeniero Agrónomo y Profesor Titular del Departamento de Producción Animal de la Universitat de Lleida CERTIFICAN: Que la presente memoria titulada “Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero”, elaborada por BEGOÑA DÍEZ UNQUERA, ha sido realizada bajo su dirección y reúne las condiciones exigidas para optar al Título de Doctor, por lo que consideran procede su presentación. Zaragoza, a ……. de……2012 Fdo: Roberto Ruiz Santos Fdo: Daniel Villalba Mata A Florián y Paulina ÍNDICE 1 INTRODUCCIÓN GENERAL 31 1.1 El sistema de ovino lechero de raza Latxa 31 1.1.1 Introducción 31 1.1.2 Situación actual del sector 32 1.1.3 Manejo del rebaño 33 1.1.4 Descripción del sistema familia-explotación 34 1.1.5 Condicionantes de ubicación 36 1.1.6 Disponibilidad de terreno 37 1.1.7 Manejo reproductivo 37 1.1.8 Implicaciones productivas de la distribución de los partos 39 1.2 Evaluación prospectiva mediante la utilización de modelos 40 1.2.1 Concepto de sostenibilidad 40 1.2.2 Descripción de un sistema: un paso previo a la modelización 44 1.2.3 Modelos de simulación en ganadería 45 1.2.4 Tipos de modelos 46 1.2.5 Utilidad de los modelos 48 1.2.6 Optimización mediante modelos de simulación 48 2 OBJETIVOS DE LA TESIS 53 3 MODELO ANIMAL 57 3.1 Introducción 57 3.2 Módulo de rumen 58 3.2.1 Introducción 58 3.2.2 Modelos actuales adaptados a ovino 61 3.2.3 Origen del módulo 62 3.2.4 Descripción del funcionamiento del módulo 63 3.2.4.1 Diseño de las dietas 65 3.2.5 Validación del módulo 66 3.2.5.1 Datos bibliográficos de IV 66 3.2.5.2 Datos de IV de experiencias realizadas en Neiker 67 3.2.5.3 Comparación con modelos validados 68 3.2.6 Resultados y Discusión 68 3.2.7 Conclusiones parciales 74 3.3 Módulo de simulación de la partición de nutrientes 75 3.3.1 Introducción 75 3.3.2 Modelos actuales adaptados a ovino 76 3.3.3 Origen del módulo 77 3.3.4 Descripción del funcionamiento del módulo 77 3.3.4.1 Limitación de la ganancia o pérdida de grasa y masa muscular 79 3.3.5 Validación del módulo 82 3.3.5.1 Comparación con datos experimentales 82 3.3.5.2 Evaluación del comportamiento del modelo a medio plazo 83 3.3.6 Resultados y Discusión 83 3.3.7 Conclusiones parciales 90 3.4 Módulo de simulación del comportamiento reproductivo 91 3.4.1 Introducción 91 3.4.2 Origen del módulo 92 3.4.2.1 Modelización de la estacionalidad reproductiva 92 3.4.2.2 Modelización de la probabilidad de concepción 96 3.4.2.3 Modelización de la prolificidad 102 3.4.2.4 Funcionamiento del módulo de simulación del comportamiento reproductivo 104 3.4.3 Validación del módulo de simulación del comportamiento reproductivo 105 3.4.4 Resultados y Discusión 106 3.4.5 Conclusiones parciales 114 4 MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 117 4.1 Introducción 117 4.2 Diseño del modelo de explotación 119 4.2.1 Integración de los 3 módulos desarrollados 119 4.2.2 Generación de un rebaño con variabilidad individual 122 4.2.3 Modelización de la alimentación y la utilización de recursos 123 4.3 Adaptación del modelo al método de optimización basado en algoritmos genéticos 124 4.3.1 Optimización mediante AG 124 4.3.1.1 Introducción a la Computación Evolutiva 124 4.3.1.2 Los Algoritmos Genéticos, un tipo de Algoritmo Evolutivo 125 4.3.1.3 Características y funcionamiento de los AAGG 126 4.3.2 Funcionamiento del AG básico o AG canónico 126 4.3.3 Implementación del AG en el simulador PASTOR 128 4.3.3.1 Codificación del problema 128 4.3.3.2 Evaluación del grado de adecuación del individuo 129 4.3.3.3 Configuración del optimizador y operadores genéticos 131 4.3.3.4 Variables de configuración del AG 132 4.4 Evaluación del software pastor 133 4.4.1 Configuración del escenario de simulación 133 4.4.2 Configuración de los escenarios de optimización 136 4.4.2.1 Duración de la optimización 138 4.4.2.2 Configuración de las variables de búsqueda y optimización 139 4.5 Resultados de simulación y validación con datos reales 140 4.6 Resultados de optimización 144 4.6.1 Soluciones encontradas 144 4.6.1.1 Resultados económicos: 148 4.6.1.2 Resultados reproductivos 152 4.6.1.3 Evolución de la nota de CC, del peso y de la producción lechera: 154 4.6.2 Consideraciones metodológicas 160 4.6.2.1 Efecto del rebaño a optimizar 160 4.6.2.2 Variabilidad de la solución encontrada 161 4.6.2.3 Relación entre rendimientos productivos y económicos 163 4.6.2.4 Limitaciones del programa 165 4.7 Discusión 166 4.8 Conclusiones parciales 173 5 CONCLUSIONES 177 6 RESUMEN, SUMMARY ETA LABURPENA 181 Resumen 181 Summary 185 Laburpena 189 7 BIBLIOGRAFÍA 193 ANEXOS 211 ANEXO I. DESCRIPCIÓN DEL MÓDULO DE RUMEN 211 Variables del modelo 211 Algoritmo de funcionamiento del bucle hora: 212 Obtención de las variables relativas a la calidad del alimento: Análisis mediante la técnica de producción de gas 217 ANEXO II. ANÁLISIS ESTADÍSTICO DEL META-ANÁLISIS 220 ANEXO III. DESCRIPCIÓN DEL SOFTWARE DE SIMULACIÓN Y OPTIMIZACIÓN PASTOR 222 Pestaña Simulador (principal) 223 Pestaña Rebaño 224 Pestañas Alimentación y Reproducción 225 Pestaña Optimización 225 Pestaña Raza 226 Salidas Gráficas 226 ÍNDICE DE FIGURAS Figura 1.- Esquema general del sistema de producción de ovino lechero con las dos principales opciones productivas (A=leche; B=queso): subsistemas, relaciones, inputs y outputs.................................................................................................................................34 Figura 2.- Relación entre la digestibilidad de la dieta y la ingestión de materia seca (MS) y la energía digestible (ED) (Van Soest, 1994). ......................................................................60 Figura 3. Descripción de los principales mecanismos de regulación de la ingestión..........60 Figura 4. Estimación de IV de alfalfa de diferente calidad para una oveja lactante de 64 kg de peso produciendo 1,4 l de leche obtenidos con diferentes modelos (Pittroff y Kothmann, 2001b)...............................................................................................................62 Figura 5.- Diagrama de flujo del módulo de rumen (ver Anexo I).......................................64 Figura 6. IV real y predicha por el modelo para 24 forrajes tropicales de la bibliografía (B). .............................................................................................................................................69 Figura 7. IV de silo de hierba real y predicha por el modelo para las experiencias L2, L13, L12 y L11 (de izquierda a derecha en la gráfica). ................................................................69 Figura 8.- IV de alfalfa con ovejas de 60 y 80 kg, secas, gestantes o lactantes con tres niveles de producción potencial estimadas por INRA, por SRNS y por el módulo de rumen .............................................................................................................................................70 Figura 9.- Peso real y peso simulado por el modelo ...........................................................84 Figura 10.- CC real y CC simulada por el modelo.................................................................84 Figura 11.- Producción lechera real y producción simulada por el modelo........................85 Figura 12.- Producción lechera simulada y potencial durante un mes para tres tipos de oveja con potencial productivo de 1, 2 y 3 litros ................................................................85 Figura 13.- Evolución de la CC de los 5 tipos de oveja simuladas .......................................86 Figura 14.- Evolución del peso de los 5 tipos de oveja simuladas.......................................86 Figura 15. Ajuste de los datos reales de presencia de celo y modificación de PEstro por presencia de morueco.........................................................................................................95 Figura 16. Esquema del manejo reproductivo realizado en el rebaño experimental de Arkaute ................................................................................................................................97 Figura 17.- Diagrama del modelo de simulación de la fertilidad de la MN y la IA (F=probabilidad de quedar gestante)................................................................................103 Figura 18. Box-plot representando la distribución de partos de los escenarios simulados correspondientes a cubriciones de larga duración. Arriba: Fecha media de parto y % de Fertilidad de los escenarios 1-8. En la gráfica: En gris se representan los días entre los cuales tiene lugar la paridera, las barras el número de días desde el posible primer parto hasta que tiene lugar el 5% y el 95% de los partos, la caja el 25% y 75% y la línea roja el 50% de los partos. .............................................................................................................111 Figura 19. Box-plot representando la distribución de partos de los escenarios simulados correspondientes a cubriciones de corta duración. Arriba: Fecha media de parto y % de Fertilidad de los escenarios 9-16. En la gráfica: En gris se representan los días entre los cuales tiene lugar la paridera, las barras el número de días desde el posible primer parto hasta que tiene lugar el 5% y el 95% de los partos, la caja el 25% y 75% y la línea roja el 50% de los partos. .............................................................................................................111 Figura 20.- Diseño del modelo de explotación. Las variables en cursiva corresponden a decisiones de manejo; €: valor económico input o output; Q: Calidad del alimento; IA: Inseminación artificial .......................................................................................................120 Figura 21.- Ejemplo de configuración de los periodos de alimentación en lactación en función de la duración de la lactación total y de los porcentajes de duración de los periodos 1, 2 y 3. ...............................................................................................................121 Figura 22.- Esquema general de funcionamiento de los AAGG. .......................................128 Figura 23.- Distribución de partos del rebaño simulado durante el tercer año de simulación..........................................................................................................................141 Figura 24.- Resultados de simulación: evolución media de la CC, el peso, la producción lechera y la Ingestión de MS como suma de la ingestión de concentrado, alfalfa y pradera o silo de hierba. Resultados reales: media de la CC, el peso y la producción lechera observados durante 6 años en el rebaño de Neiker .........................................................142 Figura 25.- Gasto y kg de alimento comprado en los escenarios E1-E4 en las explotaciones de costa (C) e interior (I)....................................................................................................146 Figura 26.- Resultados de excesos de EM y PM en relación a los valores del E1 en costa147 Figura 27.- Ejemplo de la distribución de partos encontrada en una optimización de la explotación de costa con secado libre y costes altos (E3_C) ............................................153 Figura 28.- Ejemplo de la distribución de partos encontrada en una optimización de la explotación de interior con secado el 10 de julio y costes normales (E2_I).....................154 Figura 29.- Evolución de la Nota de CC media de los rebaños de costa simulados con el manejo optimizado en los escenarios E1-E4.....................................................................155 Figura 30.- Evolución de la Nota de CC media de los rebaños de interior simulados con el manejo optimizado en los escenarios E1-E4.....................................................................156 Figura 31.- Evolución del peso medio de los rebaños de costa simulados con el manejo optimizado en los escenarios E1-E4..................................................................................156 Figura 32.- Evolución del peso medio de los rebaños de interior simulados con el manejo optimizado en los escenarios E1-E4..................................................................................157 Figura 33.- Producción media de leche a lo largo del periodo de lactación de los rebaños de costa simulados con el manejo optimizado en cada uno de los escenarios considerados (E1-E4)................................................................................................................................158 Figura 34.- Producción media de leche a lo largo del periodo de lactación de las pruebas de interior simulados con el manejo optimizado en cada uno de los escenarios considerados (E1-E4).........................................................................................................158 Figura 35.- Producción lechera encontrada en E1_C ........................................................159 Figura 36.- Producción lechera encontrada en E2_C ........................................................159 Figura 37.- Media (± eem) del MEc de las 24 pruebas de optimización realizadas (E1-E4 indican escenario; C o I indican explotación de costa o de interior; a, b y c indican cada una de las 3 repeticiones del mismo tipo de prueba).......................................................162 Figura 38.- Posible diagrama de Pareto entre dos objetivos. La solución “a” seria la óptima con un mayor peso económico y la “b” con mayor peso de la componente ambiental..170 Figura 39.- Pestaña principal del programa PASTOR.........................................................223 Figura 40.- Pestaña de generación del rebaño..................................................................224 Figura 41.- Pestaña de configuración de las variables relacionadas con el manejo de alimentación......................................................................................................................225 Figura 42.- Pestaña de configuración de la optimización..................................................226 Figura 43.- Gráfica de distribución de partos....................................................................227 Figura 44.- Gráfica de evolución de la CC durante 3 años ................................................228 Figura 45.- Gráfica de evolución del Peso durante 3 años................................................228 Figura 46.- Gráfica de Producción Lechera de un año simulado.......................................228 Figura 47.- Gráfica de resultados reproductivos...............................................................229 Figura 48.- Gráfica de información de la oveja .................................................................229 1. INTRODUCCIÓN GENERAL INTRODUCCIÓN GENERAL 31 1 INTRODUCCIÓN GENERAL 1.1 EL SISTEMA DE OVINO LECHERO DE RAZA LATXA 1.1.1 Introducción La producción de ovino lechero es una de las actividades ganaderas más representativas de la Comunidad Autónoma del País Vasco (CAPV). Esta actividad está basada en la explotación de las razas autóctonas Latxa y Carranzana, si bien esta última se encuentra en peligro de extinción debido al limitado número de animales existentes y es la raza Latxa la que se distribuye mayoritariamente por todo el territorio. La existencia de la ganadería ovina en la CAPV se remonta al neolítico (Barandiarán, 2000), de modo que las características de las razas se han ido definiendo a través de un proceso de adaptación al medio en el que se encuentran. El manejo tradicional se caracteriza por la trashumancia o trasterminancia ligadas al pastoreo en zonas de valle y montaña, aprovechando a lo largo del ciclo de producción anual los recursos naturales ubicados a diferentes altitudes (Oregui et al., 1997). Hoy en día la mayoría de los rebaños mantienen cierto carácter tradicional en cuanto a que son explotaciones familiares que aprovechan los recursos pastables cercanos a la explotación. Sin embargo, en los últimos años el sector ovino ha experimentado un proceso de modernización y adaptación a los nuevos condicionantes socio-económicos (Ruiz et al., 2009). Un momento clave en ese proceso de modernización fue la implantación en 1982 de un plan de conservación, selección y mejora genética de las razas locales promovido por el Dpto. de Agricultura y Pesca del Gobierno Vasco. A partir de ese momento se ha ido configurando una amplia estructura compuesta por distintos agentes orientados a la realización de programas que contribuyan a la mejora de la actividad (Urarte et al., 1999) en diferentes aspectos: investigación y desarrollo, formación, calidad y seguridad alimentaria, mejora genética y reproducción, asesoramiento en alimentación, gestión técnico-económica, etc. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 32 Hoy en día estas tareas se continúan realizando de forma coordinada entre los Centros Territoriales de Gestión (Abelur, Lurgintza, Lorra y Sergal), el Centro de Selección y Mejora Genética (Ardiekin S.L.), la Confederación de Asociaciones de Criadores de Ovino de razas Latxa y Carranzana (CONFELAC), HAZI (Corporación del Gobierno Vasco para el desarrollo del medio rural y marino), la Denominación de Origen Idiazabal y el centro de Investigación Agraria Neiker-Tecnalia. Además, existen otros agentes alrededor de esta actividad, como son la Escuela de Pastores de Aranzazu, la asociación de pastores elaboradores de queso artesano, ArtzaiGazta, y el Instituto Lactológico de Lekunberri. 1.1.2 Situación actual del sector El sector de ovino de leche supone aproximadamente el 3% del PIB dentro del sector agrario con un total de 308129 cabezas ovinas repartidas en 6003 explotaciones. Del total de explotaciones, tan solo el 8% presenta un tamaño de rebaño superior a las 100 cabezas, si bien, se estima que reúnen el 54% del censo total (NASDAP, 2012). Las explotaciones con un tamaño inferior a las 100 cabezas corresponden principalmente a explotaciones que practican la ganadería a tiempo parcial y que probablemente complementan sus ingresos con el trabajo realizado en otros sectores económicos (industria, servicios, etc.). La mayoría de los rebaños están compuestos por ovejas de raza Latxa o Carranzana (84,5%) y hay un pequeño porcentaje (1,4%) de ovejas lecheras de razas foráneas, mayoritariamente Assaf, mientras que el resto son ovejas de carne, cruces con ovejas autóctonas u otros cruces. La producción lechera estimada en 2011 fue de 7,9 millones de litros, los cuales se destinan mayoritariamente a la producción de queso. Un 54% de la leche producida se transformó en queso en las propias explotaciones ganaderas y un 41% se vendió a las centrales lecheras (NASDAP, 2012). En 1999 estos porcentajes eran del 47% y el 52% respectivamente, lo que indica que ha habido una tendencia a apostar por la transformación en queso en la propia explotación y la venta directa (Ruiz et al., 2009). Cabe destacar que aproximadamente un 75% de los litros producidos se comercializa bajo INTRODUCCIÓN GENERAL 33 la Denominación de Origen Protegida (DOP) Idiazabal, lo que supone un valor económico de unos 13,5 millones de €. La producción de carne, especialmente la venta del cordero lechal, constituye generalmente la segunda fuente de ingresos para la explotación. De hecho, para el conjunto de la CAPV, el valor económico de la producción de carne en 2008 se estimó en 7,3 millones de € (Mediano et al., 2010). Los rebaños más profesionalizados, en la medida en que participan en los programas de mejora que se llevan a cabo, suponen un porcentaje pequeño del total de los rebaños existentes, sin embargo, son poseedores de una parte importante de la cabaña ovina ya que entre ellos se encuentran los rebaños de mayores dimensiones. De hecho, los 146 rebaños que se encontraban inscritos en el esquema de mejora genética durante la campaña 2011, concentraban el 51% de las ovejas ordeñadas en la CAPV. Gracias a dicho programa, entre estos rebaños, se consigue una mejora genética del 2% anual para la producción lechera (Ugarte et al., 2001). Como se puede deducir de los datos anteriores, coexisten en el País Vasco sistemas de producción con realidades muy diferentes. De todas ellas, la de los ganaderos que se dedican a esta actividad de manera profesional justifica unas mayores necesidades de apoyo en la toma de decisiones, y por tanto de actuaciones de investigación y desarrollo, al tiempo que son el origen de una mayor cantidad de información. 1.1.3 Manejo del rebaño El manejo del rebaño está condicionado en gran medida por la disponibilidad de pasto a lo largo del año y por las necesidades nutricionales de los animales en función de su estado fisiológico. El invierno es la época en la que es preciso realizar un mayor aporte de alimentos en pesebre ya que el pastoreo se ve limitado por los condicionantes climáticos y las necesidades nutricionales y proteicas de los animales aumentan al encontrarse al final de la gestación o principio de la lactación. En este momento los forrajes conservados y piensos concentrados aportan más del 80% de las necesidades de las ovejas (Oregui et al., 1997). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 34 A medida que avanza la primavera, aumenta la disponibilidad de hierba en las praderas y disminuye la producción media del rebaño, reduciéndose así las necesidades de suplementación. En general, el final de la lactación y el secado de los rebaños tienen lugar entre los meses de junio y julio, momento en el cual algunos rebaños comienzan a hacer uso de los recursos de zonas de montaña. 1.1.4 Descripción del sistema familia-explotación En la Figura 1 se describe el sistema de ovino lechero en función de:  Los principales subsistemas que pueden llegar a existir y sus componentes biofísicos.  Las relaciones y los flujos de materias existentes entre dichos subsistemas.  Los insumos (en rojo) y productos (en azul) del sistema. Alimentación Servicios Asociaciones Reproducci ó n IA Veterinarios Compra AnimalesEsquileo Alquiler Tierra Seguridad Social Semillas, fertilizantes y fitosanitarios Subcontrata Maquinaria Amortizaci ó n Instalaciones y Maquinaria Gastos Financieros Mano de obra contratada SUBSISTEMA AGRÍCOLA Praderas Naturales Praderas Mejoradas Cultivos Forrajeros Pastos Comunales Frutales Cultivos Huerta SUBSISTEMA PECUARIO Secas Gestantes Ordeño Moruecos Corderas Yeguas Ovino de Leche Estiércol Henos y Silos Grano Pastoreo SUBSISTEMA TRANSFORMADOR QUESERÍA Sala del Tanque Sala de Fabricación Sala de Maduración Envasado y venta LECHE CORDEROS QUESO MERCADO CENTRAL LECHERA Opción A Opción B VIDA Vacas C Vacas L Cabras OTROS Combustible LANA Fungibles Otros Gastos: Luz, manten. Ingresos Externos FAMILIA COMERCIALIZACIÓN Ingresos Subvención PAC Forrajes Cultivos, grano Alquiler Tierra Subcontrata Maquinaria Otras Actividades Venta Animales vida Venta Corderos Venta Queso Venta Leche Huerta Frutales Estiércol DESVIEJE Venta Desvieje Venta Lana Opción A: Venta de Leche Opción B: Venta de Queso SUERO Alimentación Servicios Asociaciones Reproducci ó n IA Veterinarios Compra AnimalesEsquileo Alquiler Tierra Seguridad Social Semillas, fertilizantes y fitosanitarios Subcontrata Maquinaria Amortizaci ó n Instalaciones y Maquinaria Gastos Financieros Mano de obra contratada SUBSISTEMA AGRÍCOLA Praderas Naturales Praderas Mejoradas Cultivos Forrajeros Pastos Comunales Frutales Cultivos Huerta SUBSISTEMA PECUARIO Secas Gestantes Ordeño Moruecos Corderas Yeguas Ovino de Leche Estiércol Henos y Silos Grano Pastoreo SUBSISTEMA TRANSFORMADOR QUESERÍA Sala del Tanque Sala de Fabricación Sala de Maduración Envasado y venta LECHE CORDEROS QUESO MERCADO CENTRAL LECHERA Opción A Opción B VIDA Vacas C Vacas L Cabras OTROS Combustible LANA Fungibles Otros Gastos: Luz, manten. Ingresos Externos FAMILIA COMERCIALIZACIÓN Ingresos Subvención PAC Forrajes Cultivos, grano Alquiler Tierra Subcontrata Maquinaria Otras Actividades Venta Animales vida Venta Corderos Venta Queso Venta Leche Huerta Frutales Estiércol DESVIEJE Venta Desvieje Venta Lana Opción A: Venta de Leche Opción B: Venta de Queso SUERO Figura 1.- Esquema general del sistema de producción de ovino lechero con las dos principales opciones productivas (A=leche; B=queso): subsistemas, relaciones, inputs y outputs INTRODUCCIÓN GENERAL 35 1. Subsistema agrícola o vegetal: formado por praderas naturales y/o mejoradas (fertilización, resiembras, etc.) aprovechadas mediante pastoreo y/o a través de técnicas de conservación como henificación o ensilado. Además, algunos rebaños tienen derecho de uso de pastos ubicados en zonas de montaña, normalmente gestionados de manera comunal. Aunque no es muy habitual, algunas explotaciones ubicadas en la vertiente mediterránea, donde las condiciones orográficas y climáticas son más favorables, pueden destinar parte de la superficie agraria útil (SAU) para cultivos de cereal. 2. Subsistema pecuario o ganadero: constituido por el rebaño de hembras reproductoras (que a lo largo del ciclo productivo irán pasando de manera sucesiva por los estados de gestación, lactación o secas), corderas de reposición y moruecos. Los productos principales son la leche y los corderos lechales (sacrificados en torno a 10-12 kg de peso) mientras que las ovejas de desvieje o las vendidas para vida son productos secundarios de esta actividad. La lana, a pesar de contemplarse como un producto, en la actualidad no supone una fuente de ingreso ya que su valor de mercado es sustancialmente menor que el coste que supone la mano de obra que requiere el esquileo. Es relativamente frecuente la coexistencia de un cierto número de animales de otras especies ganaderas (vacuno o equino de carne, y en menor medida vacuno lechero, porcino o caprino) que complementan la actividad principal con el aprovechamiento de recursos alimenticios y de mano de obra, a la vez que generan ingresos y costes adicionales. 3. Subsistema transformador: este subsistema se refiere al conjunto de procesos, recursos, instalaciones y medios relativos a la manipulación de la leche destinada a la elaboración de queso, su maduración y venta. Consta por tanto de una quesería, en la que se hace queso cada día o cada dos días, dependiendo del volumen de leche producido. También consta de cámaras de conservación del queso, y en ocasiones de un punto de venta propio en la misma explotación. 4. Subsistema familiar o de gestión: Es el núcleo en el que tiene lugar el proceso de toma de decisiones y está formado por el/la titular de la explotación y en ocasiones su cónyuge, hijos, padres u otros familiares. En las explotaciones que realizan la trasformación en queso, el reparto de tareas más habitual implica que sea la mujer la responsable de la elaboración y comercialización del queso y el hombre del manejo del Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 36 rebaño, praderas y el ordeño. Además de las actividades propias que se realizan con relación a los subsistemas anteriores (ordeño, comercialización, etc.), en ocasiones pueden existir otro tipo de actividades realizadas fuera de la propia explotación agraria (trabajo en la industria, sector servicios, etc.). 1.1.5 Condicionantes de ubicación En la CAPV existen explotaciones de ovino lechero diseminadas por casi todo el territorio, sin embargo, se observa una concentración mayor en los municipios cercanos a las sierras en las que tradicionalmente se ha realizado el pastoreo estival. Cabe destacar que muchas de estas zonas se corresponden con espacios naturales protegidos (Parques Naturales, LICs, ZEPAS) incluidos en la Red Natura 2000, la cual supone casi el 20% del territorio. En concreto, las zonas de interés para el pastoreo se localizan en la zona central (Parques Naturales de Gorbeia, Urkiola, Aizkorri-Aratz, Izki, sierra de Entzia), este (Parques Naturales de Aralar, Urbasa), oeste (Parque Natural de Valderejo, sierras de Gibijo, Arkamo y Salvada) y noreste (Parques Naturales de Pagoeta y Aiako Harria) del País Vasco. Se diferencian 4 zonas climáticas de acuerdo al régimen de precipitaciones y temperaturas. De norte a sur, son: i) la zona costera coincidiendo con la vertiente atlántica; ii) una zona central de clima sub-atlántico; iii) una zona de clima submediterráneo; y iv) una zona de clima mediterráneo en el extremo sur de Álava. La mayoría de las explotaciones de ovino lechero se encuentran ubicadas en las tres primeras, mientras que las de ovino de carne lo hacen en las dos zonas situadas más al sur. En la zona costera las suaves temperaturas y la pluviometría permiten una menor parada invernal en el crecimiento de la hierba y la abundancia de pastos durante una mayor parte del año. La zona de los valles atlánticos por su parte se caracteriza por un clima templado y húmedo sin estación seca. Y por último, la zona sub-mediterránea presenta temperaturas más extremas a lo largo del año y una menor pluviometría, lo cual, por una parte, concentra la producción de pasto en torno a un periodo de tiempo más reducido, pero hace posible el cultivo de cereales o leguminosas, permitiendo a algunos ganaderos complementar la alimentación del rebaño. INTRODUCCIÓN GENERAL 37 1.1.6 Disponibilidad de terreno La SAU disponible para los rebaños de ovino lechero se encuentra entre las 5-30 ha (Ruiz et al., 1997) propias o alquiladas divididas en parcelas de pequeño tamaño, si bien en algunas de las explotaciones más profesionales como son las que participan en los programas de gestión técnico-económico pueden superar incluso las 40 ha. Estas parcelas suelen estar cercanas a la explotación y suelen ser de praderas naturales y/o mejoradas en distinto grado mediante actividades de fertilización, resiembras, etc. La producción oscila entre los 5000-15000 kg MS/ha dependiendo de la localización geográfica y el manejo realizado, y se utilizan tanto para el pastoreo como para la elaboración de forrajes (henificados y ensilados). En 2007 se estimaba que entre el 11 y el 18% de las explotaciones de tamaño mayor a 100 ovejas hacían uso de pastos comunales (IKT, 2007), generalmente ubicados en zonas de montaña relativamente cercanas a la explotación. La productividad de estos pastos varía entre 2500 y 6000 kg MS/ha y la duración de la estancia en monte puede oscilar entre los 100 y 160 días (Oregui et al., 1997) entre los meses de mayo a diciembre, dependiendo de la ubicación de la explotación y del calendario productivo. Sin embargo, el porcentaje de rebaños que utilizan los pastos de montaña viene experimentando una constante disminución (de un 85 a un 70% aproximadamente) (Ruiz et al., 1998), así como el tiempo de permanencia de los animales. Esto es consecuencia de múltiples factores entre los que caben destacar aspectos técnicos relacionados con cambios en el manejo de los rebaños (incremento del periodo de ordeño, realización de inseminación artificial (IA)), factores de índole social (búsqueda de mejores condiciones de vida, modernización de instalaciones), y en ocasiones incluso de tipo medioambiental (conflictos con fauna salvaje, principalmente predación por lobos en algunas zonas de la CAPV). 1.1.7 Manejo reproductivo Debido a la marcada estacionalidad reproductiva de la raza Latxa, por la cual el momento más favorable para las cubriciones tiene lugar alrededor del mes de septiembre, el manejo reproductivo se realiza con el objetivo de obtener un parto al año. La práctica más frecuente entre los rebaños que participan en el esquema de mejora Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 38 genética de la raza es la IA de una parte sustancial del rebaño, precedida de tratamiento hormonal (TH) para la sincronización de celos, antes de que comience la época natural de cubriciones. Posteriormente, la monta natural de las ovejas se prolonga hasta el mes de noviembre, si bien en ocasiones el primer ciclo se suele realizar mediante monta natural controlada con el objetivo de lograr descendencia con genealogía conocida. Sin embargo, el comienzo de las cubriciones es variable entre distintos tipos de rebaño. En este sentido, se pueden observar 4 tipos de explotaciones de ovino lechero en función de las características que definen la paridera, básicamente la fecha media de parto (FMP) y la distribución de los partos (Ruiz, 2000), tal como se puede observar en la Tabla 1. Tabla 1.- Tipos de rebaño descritos por Ruiz (2000) en función de la fecha media de parto (FMP) TIPO 1 TIPO 2 TIPO 3 TIPO 4 FMP 12 Feb 3 Feb 15 Ene 5 Ene FMP (Inseminación Artificial) 23 Ene 10 Ene 7 Dic 16 Nov FMP (Monta Natural) 16 Feb 5 Feb 23 Ene 9 Ene Duración paridera (meses) 3-4 4-5 6 6-7 Desde 16 Ene 3 Ene 24 Nov 5 Nov Hasta 18 Abr 2 May 5 May 8 May % PARTOS DE IA 5,8% 13,2% 14% 14% FERTILIDAD 72% 76% 80% 80% PROLIFICIDAD 1,35 1,28 1,21 1,21 Tipo de paridera Concentrada Concentrada Dispersa Dispersa (bimodal) Localización Geográfica Vertiente Mediterránea; Zonas de montaña Vertiente Mediterránea; Zonas de montaña Vertiente Atlántica, zonas de valle Vertiente Atlántica, zonas de valle El efecto que ejerce la estacionalidad reproductiva hace que se observe una mayor dispersión de la paridera entre los rebaños que adelantan el inicio de los partos a noviembre (tipos 3 y 4). Por su parte los rebaños de tipo 1 y 2 presentan una paridera concentrada hacia el final del invierno. Este tipo de rebaños se ha asociado a un manejo tradicional y/o localizados en zonas de interior o de montaña, mientras que los de paridera de tipo disperso estarían relacionados con un manejo más intensificado en zonas de valle y se localizarían principalmente en zonas de la vertiente atlántica de la CAPV. INTRODUCCIÓN GENERAL 45 constituyentes; sin embargo son consecuencia de ellos, y es el paso de una escala a la siguiente lo que da origen a comportamientos nuevos o impredecibles (Faverdin, 2009). Un ejemplo sería el comportamiento inteligente emergente del cerebro, que es un sistema formado por la interacción de millones de unidades básicas, las neuronas, cuyo comportamiento aislado no es capaz de razonar o crear pensamientos complejos. 1.2.3 Modelos de simulación en ganadería La evolución de los modelos de simulación se ha desarrollado de forma paralela a la del resto de disciplinas científicas (Bernués et al., 1995). Esto ha significado la evolución hacia un conocimiento cada vez más profundo de los fenómenos aislados, siguiendo los principios del reduccionismo y el mecanicismo, de forma que la mayoría de los modelos de simulación desarrollados representan elementos individuales y aislados del sistema, lo que limita enormemente su aplicación al mundo real (Bernués et al., 1995). A medida que las ciencias agrarias avanzan, e influenciadas por la teoría de sistemas, los modelos ganan en perspectiva, integrando los diferentes subsistemas agrarios (animal, rebaño, explotación, territorio, mercado, políticas …) para tratar de explicar y valorar los sistemas desde sus tres pilares fundamentales: económico, social y medio-ambiental. Estos modelos facilitan la resolución de ciertos problemas complejos o dinámicos que de otra forma serían muy complicados de abordar (Oriade y Dillon, 1997) y por esta razón su uso como sistemas de apoyo a la toma de decisiones (SATD) está en aumento (Tedeschi, 2006). En la realización de un modelo, se distinguen dos fases: una cualitativa que se fundamenta en la elaboración de diagramas que muestran la estructura jerárquica de los subsistemas integrantes y los flujos de nutrientes, productos, dinero, etc.; y otra cuantitativa que utiliza las ecuaciones matemáticas para expresar las dinámicas del sistema de manera precisa (Bernués et al., 1995). Como resultado, el modelo será una representación simplificada de la realidad. De él se espera que represente aquellas facetas del sistema que son relevantes para su aplicación, de modo que el tipo de modelo a utilizar dependerá del uso previsto y de los Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 46 objetivos del investigador (Dent y Blackie, 1979). Para ello el investigador debe identificar cuál es la unidad de análisis y cuáles son los procesos modelizados (Thornton, 2009). 1.2.4 Tipos de modelos Los modelos se pueden clasificar en función de diferentes aspectos: En función de su objetivo:  Básicos: su objetivo es ampliar conocimientos;  Aplicados: utilizan modelos básicos para solucionar un problema;  De desarrollo: utilizan todo el conocimiento adquirido para solucionar el problema. En función de aspectos relacionados con su construcción:  Estáticos o Dinámico: los primeros representan el sistema en un instante dado, mientras que los segundos incorporan el tiempo como una variable más del modelo (France y Thornley, 1984);  Empíricos o Mecanicistas: los modelos empíricos realizan predicciones mediante relaciones estadísticas obtenidas a partir de datos experimentales; sin embargo los mecanicistas describen los mecanismos subyacentes que se combinan para representar el comportamiento de un sistema complejo (Dent et al., 1995). A menudo resulta complicado situar el límite entre modelos mecanicistas y empíricos. Así, un modelo que pretenda simular un sistema ganadero a nivel de rebaño, se podría considerar mecanicista si incluyese referencias al metabolismo de los nutrientes a nivel de animal (Villalba, 2000), aunque estas referencias se basaran en relaciones estadísticas empíricas a un nivel más detallado;  Deterministas o Estocásticos: los modelos deterministas son los que, con una información conocida, hacen predicciones definitivas. Un ejemplo sería un sistema de predicción de las necesidades energéticas. Los modelos estocásticos utilizan información que se comporta de una manera probabilística y por lo tanto permiten introducir un componente de aleatoriedad (France y Thornley, 1984). En INTRODUCCIÓN GENERAL 47 el ejemplo del cálculo de las necesidades, un modelo estocástico simularía cada animal con cierta variabilidad de manera que el resultado del modelo sería tanto una medida de la media como una medida de la variabilidad de la respuesta, en lugar del valor medio de las variables del modelo (Villalba, 2000). En función del nivel de descripción:  Niveles inferiores: describen macromoléculas, órganos, el animal y el rebaño;  Niveles superiores: integran el modelo de rebaño con modelos económicos y de producción forrajera. Estos se denominan modelos bio-económicos y pueden abarcar una explotación o conjunto de explotaciones, pudiéndose agregar a nivel territorial. En función de las salidas del modelo:  Modelos de optimización: son los que buscan una solución óptima en función de determinadas restricciones (programación lineal multicriterio y dinámica). La salida del modelo encuentra una combinación de factores que minimizan o maximizan uno o varios objetivos. Destaca entre ellos la programación lineal (PL) utilizada mayoritariamente en el campo de la economía agraria durante más de 50 años (Kerselaers et al., 2007);  Modelos de simulación: obtienen un resultado a partir de grupos de variables predefinidas. La salida del modelo es el resultado de un experimento en el que se valoran unas condiciones concretas (Van Dyne y Abramsky, 1975). En función de su enfoque (Janssen y van Ittersum, 2007):  Positivo: trata de modelizar el comportamiento actual del ganadero describiendo sus respuestas y tratando de comprenderlas, de manera que prestan menos atención a las causas.  Normativo: trata de buscar soluciones óptimas a alternativas de gestión de los recursos y de localización, prestando más atención a las normas que rigen los sistemas. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 48 1.2.5 Utilidad de los modelos El trabajo con modelos de simulación ha puesto de relieve la utilidad de los mismos para diferentes fines:  Recopilar y sintetizar lo que se sabe sobre un determinado proceso.  Comprender la importancia relativa de los elementos de cada sistema.  Tratar la complejidad de los sistemas dinámicos (“propiedades de emergencia”) de una manera que el enfoque reduccionista no permite.  Realizar manipulaciones en los sistemas en estudio que de otra manera serían imposibles de practicar por motivos económicos o de tiempo (controlar el ambiente y experimentar con situaciones hipotéticas, estudiar los efectos a largo plazo de distintas opciones).  Identificar las mejores estrategias mediante la optimización.  Poner de relieve las áreas de conocimiento que necesitan más investigación. 1.2.6 Optimización mediante modelos de simulación Los modelos de simulación forman parte de uno de los grupos de problemas de optimización más difíciles de solucionar (Mayer et al., 1998). Su carácter multidimensional hace que la superficie de respuesta sea discontinua y por lo tanto el escenario de soluciones presente un gran número de óptimos locales (Mayer et al., 2001). Debido a la complejidad que presentan estos modelos, la aplicación directa de la PL u otros métodos clásicos de optimización resulta en gran medida limitada, de manera que una de las soluciones más utilizadas para combinar simulación y optimización es tomar un número elevado de simulaciones dinámicas que son posteriormente valoradas mediante modelos de PL (Bernués et al., 1995). De esta manera no es seguro identificar la estrategia óptima dentro del espacio total de resultados, ya que la optimización se aplica a una serie de salidas de un número limitado de condiciones ya simuladas. Con el objetivo de permitir la optimización de modelos complejos referidos a múltiples campos, incluidos los sistemas agrarios, se han probado nuevas metodologías, como los algoritmos evolutivos. Estos algoritmos se basan en imitar el proceso de INTRODUCCIÓN GENERAL 49 selección natural que permite a las especies adaptarse al entorno. Cada solución del problema a optimizar se considera un individuo con un valor que indica el grado de bondad. Aplicando operadores pseudo-genéticos como la selección, mutación, o cruzamiento a estas soluciones, se puede llegar a una solución óptima. Un caso particular de algoritmos evolutivos son los Algoritmos Genéticos (AG) 1 , éstos han demostrado que pese a requerir más tiempo que los métodos clásicos para evaluar las posibles combinaciones, realizan un recorrido más amplio por el espacio de búsqueda, evitando el problema de caer en mínimos o máximos locales (Hart et al., 1998), con lo cual se adaptan mejor a la solución de problemas complejos y pueden abordar la optimización de problemas no lineales. 1 Una descripción más detallada de este tipo de algoritmos se presenta en el capítulo 3 de esta Tesis. 2. OBJETIVOS DE LA TESIS OBJETIVOS DE LA TESIS 53 2 OBJETIVOS DE LA TESIS El objetivo principal de la tesis es diseñar un SATD basado en modelos de simulación y optimización para la gestión del sistema de producción de ovino lechero de raza Latxa. Para ello se han establecido los siguientes objetivos secundarios: 1. Desarrollo y parametrización de un modelo animal que incluya los módulos de simulación de: a) Rumen e ingestión voluntaria. b) Partición de nutrientes. c) Comportamiento reproductivo. 2. Integración del modelo animal dentro de un modelo de explotación y validación de su funcionamiento. 3. Simulación y optimización de escenarios para la identificación de diferentes estrategias de gestión. MODELO ANIMAL. Módulo de rumen 61 imponen las características del forraje hace que la restricción física sea la primera señal de cese de la ingestión que recibe el animal. Precisamente el principal punto débil en la mayoría de los modelos existentes lo constituye el mecanismo de regulación metabólica. Por otra parte, estos modelos han demostrado su eficacia a la hora de predecir la ingestión de forrajes de poca calidad que responden muy bien a la teoría del llenado del rumen. Recientemente, autores como Forbes (2007), consideran un nuevo enfoque en la modelización de la IV, entendiendo ésta como una optimización entre costes y beneficios en la cual los factores que afectan a la IV no son independientes unos de otros sino que actúan de forma conjunta sobre el sistema nervioso central de una manera aditiva. Según Forbes y Provenza (2000), el grado de apetencia por un alimento está en relación con la desviación del aporte de un nutriente con respecto de las necesidades óptimas que supone la ingestión de dicho alimento, es lo que se conocería como “metabolic discomfort”. En la línea de esta teoría, algunos de los modelos actuales como el desarrollado por Hackman y Spain (2009) tratan de optimizar el valor de IV que corresponde a la relación más interesante entre los aportes reales y teóricos de distintos nutrientes o componentes de la dieta, como la proteína, la energía neta o la FND. 3.2.2 Modelos actuales adaptados a ovino En la actualidad no son muchos los modelos de predicción de la IV adaptados a ovino y menos aún los adaptados a ovino lechero. Además cabe señalar que la predicción de la IV suele formar parte de un modelo más amplio, por lo que dependiendo del objetivo de la simulación, el grado de profundidad del modelo de ingestión varía de unos a otros. Algunos modelos predicen la IV únicamente a partir de las necesidades del animal, otros además consideran las características del forraje y otros incluyen un tercer criterio como es la disponibilidad del forraje (Pittroff y Kothmann, 2001a). Algunos de los problemas que plantean estos modelos es que su validez se limita a un cierto rango de condiciones. En la Figura 4 se observan los valores de IV (kg MS/día) estimada para heno de alfalfa de 4 calidades diferentes, predicha por 7 modelos comparados por Pittroff y Kothmann (2001b) para una oveja de las mismas Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 62 características. Es destacable el amplio rango de variación de las estimas, que en algunos casos es superior a 1kg. 0 0,5 1 1,5 2 2,5 3 Alta Media1 Media2 Baja Ingestión predicha (kgMS/día) Calidad de la alfalfa Blaxter et al. (1966) Graham et al. (1979) ARC (1980) Blackburn & Cartwright (1987) Arnold et al. (1977) Christian et al. (1978) Vera et al. (1977) Figura 4. Estimación de IV de alfalfa de diferente calidad para una oveja lactante de 64 kg de peso produciendo 1,4 l de leche obtenidos con diferentes modelos (Pittroff y Kothmann, 2001b). Los principales modelos de simulación de la ingestión y el crecimiento diseñados para ser utilizados en ovino lechero existentes en la actualidad son el modelo del INRA (Jarrige y Agabriel, 1988) y el Small Ruminant Nutrition Sistem (SRNS) (Cannas et al., 2004). En ambos casos la predicción de la IV se basa en el análisis de datos experimentales a partir de los cuales se desarrollan ecuaciones que tienen en cuenta el tamaño del animal y la producción lechera. En el caso del SRNS el modelo ovino es una adaptación del modelo desarrollado en Cornell para vacuno y predice la IV a partir de la ecuación de regresión desarrollada por Pulina (1996). En el caso del sistema del INRA, la IV se predice a partir del concepto de unidades de llenado (Jarrige et al., 1986). 3.2.3 Origen del módulo La estructura del módulo de rumen toma como referencia principal el trabajo de Illius y Gordon (1991). El modelo de Illius & Gordon (1991) se basa únicamente en la restricción física de la ingestión consecuencia del peso vivo (PV) del animal y de las características del forraje. Es un modelo desarrollado para simular la ingestión de un único forraje y no tiene en cuenta restricciones metabólicas. Este modelo fue ampliado por Herrero (1997) incluyendo la degradación de la proteína en el rumen (Alderman y Cottrill, 1993) y la digestión de la proteína a partir del modelo de Sniffen (1992). Además MODELO ANIMAL. Módulo de rumen 63 se incluyó la posibilidad de añadir a la dieta una cantidad de concentrado repartido en una o dos tomas y se completó el modelo con un mecanismo de regulación metabólica por el cual las tasas de paso del alimento en el tracto digestivo aumentan con el nivel de alimentación del animal (expresado como múltiplos de energía metabolizable para el mantenimiento). A partir del modelo de Herrero (1997), Silveira (2000) incluyó una nueva regulación metabólica por la cual el tamaño efectivo del rumen se reduce con alimentos de alta metabolicidad (relación entre la energía metabolizable y la energía bruta que aporta un alimento), y lo validó para alimentación de vacuno. De este último modelo se ha tomado el módulo de rumen adaptándolo al ganado ovino e incluyendo dos nuevas modificaciones. La primera consiste en la inclusión de un mecanismo de regulación metabólica similar al propuesto por Hackman y Spain (2009), basado en la relación entre aportes de nutrientes reales y teóricos. Para ello se ha tomado la relación existente entre la EM necesaria potencial y la EM aportada como una señal química que regula el tamaño del rumen. La segunda modificación consiste en permitir la inclusión en la dieta de más de un forraje, si bien uno de ellos ha de estar limitado en cantidad y el segundo puede ser consumido a libre disposición. 3.2.4 Descripción del funcionamiento del módulo El objetivo final del módulo es obtener los valores de IV (kg/MS) de uno o dos tipos de forraje y de concentrado, la energía metabolizable (EM) (MJ) y la proteína metabolizable (PM) (g) aportados por la dieta. Las ecuaciones empleadas en el módulo se recogen en el Anexo I, si bien a continuación se describe de forma general el funcionamiento del mismo. La ingestión acumulada a lo largo del día es el resultado de la suma de las ingestiones parciales que tienen lugar durante cada una de las 24 horas del día. Cada hora la ingestión se calcula como la diferencia entre la cantidad de MS que hay en el rumen (MS_RUMEN) y la que podría haber en función del tamaño máximo del rumen (RUMENMAX) (Figura 5). El tamaño máximo del rumen viene determinado por el peso del animal y se ve modificado en función de la metabolicidad de la dieta (qm) y del porcentaje de energía aportado en relación a las necesidades (Sq). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 64 Los alimentos se describen por sus constituyentes básicos, hidratos de carbono (HC) y proteína bruta (PB). Los componentes de las fracciones carbonada (g/kg MS) y proteica (g/kg PB) de los alimentos son los siguientes (ver Anexo I):  CCel: contenido celular.  PCD: pared celular degradable.  PCnD: pared celular no degradable.  PB_sol: proteína soluble rápidamente degradable.  PB_deg: proteína lentamente degradable.  PB_NoDeg: proteína no degradable. Estos componentes de los alimentos se degradan y absorben de manera diferente en cada uno de los compartimentos del aparato digestivo (rumen, intestino delgado e intestino grueso). La cantidad de MS de cada fracción es resultado de los parámetros de entrada de los alimentos (la cantidad de esa fracción que aporta el alimento) y de la tasa de digestión y paso que se aplica a cada fracción en cada compartimento. RUMENMAX = 0,01 * PESO ^ 1.15 PBSoluble_dig PBDegrad_dig PB_DIG_RUMENHC_DIG_RUMEN PCD_digR CC_digR K10 k0 EXCRECIÓN CC1 k8 k3 k2 HC_dig k1 MS_RUMEN k8 k3 INGESTA = RUMENMAX –MS_RUMEN CC_dig_ID PB_Sol2 PB_NoDeg2 N_Excretado N_ dig_IG K9 K10 K0 K11 K1 K14 PM aportada K11 PMVD Factor_NA=0,25 * (feeding_levelPot-1) K0 K3 K5 EM aportada qm = EM_aportada/ Ingestion_Dia/EB NA_potencial = (EMpot/ EMm) k5 Rumen Intestino Delgado Intestino Grueso SALIDAS ENTRADAS PCD1 MICRO PB_NoDeg PB_Deg PB_Sol PCND2 PCD2 HC_dig_IG Sq = EMpot/EM_aportada RUMENMAX Tª, qm, Sq EMpotencial = EMm+EMlact+EMgest+EMengorde PCND1 PB_Deg2 K10 PARED CELULAR NO DEGRADABLE CONTENIDO CELULAR PARED CELULAR DEGRADABLE PB NoDeg PB Soluble PB Degradable RUMENMAX MS_RUMEN (Modifican RUMENMAX) RUMENMAX = 0,01 * PESO ^ 1.15 PBSoluble_dig PBDegrad_dig PB_DIG_RUMENHC_DIG_RUMEN PCD_digR CC_digR K10 k0 EXCRECIÓN CC1 k8 k3 k2 HC_dig k1 MS_RUMEN k8 k3 INGESTA = RUMENMAX –MS_RUMEN CC_dig_ID PB_Sol2 PB_NoDeg2 N_Excretado N_ dig_IG K9 K10 K0 K11 K1 K14 PM aportada K11 PMVD Factor_NA=0,25 * (feeding_levelPot-1) K0 K3 K5 EM aportada qm = EM_aportada/ Ingestion_Dia/EB NA_potencial = (EMpot/ EMm) k5 Rumen Intestino Delgado Intestino Grueso SALIDAS ENTRADAS PCD1 MICRO PB_NoDeg PB_Deg PB_Sol PCND2 PCD2 HC_dig_IG Sq = EMpot/EM_aportada RUMENMAX Tª, qm, Sq EMpotencial = EMm+EMlact+EMgest+EMengorde PCND1 PB_Deg2 K10 PARED CELULAR NO DEGRADABLE CONTENIDO CELULAR PARED CELULAR DEGRADABLE PB NoDeg PB Soluble PB Degradable RUMENMAX MS_RUMEN (Modifican RUMENMAX) Figura 5.- Diagrama de flujo del módulo de rumen (ver Anexo I) MODELO ANIMAL. Módulo de rumen 65 En la Figura 5 se muestra el diagrama de flujo de las fracciones carbonadas y proteicas a través del rumen, el intestino delgado y el intestino grueso. La cantidad de MS que hay en el rumen, MS_RUMEN, es la suma de las fracciones de HC más el crecimiento microbiano (MICRO) que tiene lugar en el rumen. En el ver Anexo I se describen siguiendo el orden del código los cálculos que tienen lugar durante cada iteración del bucle hora del módulo rumen, y cómo se calcula al final del día la IV, la energía metabolizable y la proteína metabolizable aportada. Además se recogen todas las variables de entrada, salida, constantes y variables inicializadoras del modelo y se describe el método de obtención de las variables relativas a la calidad del alimento mediante la técnica de producción de gas (TPG). 3.2.4.1 Diseño de las dietas El módulo diseñado está programado para ser ejecutado sobre una base temporal de 24 horas, de modo que cada hora se estima la cantidad de alimento ingerida. Las dietas que el modelo permite diseñar pueden variar desde una dieta simple constituida por un único forraje (Tipo 1, Tabla 3), hasta una dieta integrada por dos forrajes y un concentrado (Tipo 4, Tabla 3). El módulo de rumen simula la ingestión de los alimentos en el orden que aparece en la Tabla 3. En las dietas 2-4 las cantidades de “forraje limitado” y “concentrado” deben estar determinadas por el usuario del modelo, de modo que se asume que serán consumidas en su totalidad siempre y cuando no se supere la capacidad de ingestión prevista. Si antes de finalizar el bucle del día se permite la ingestión de alimento, el tipo de alimento que entra es forraje “ad limitum”. Tabla 3. Diferentes tipos de dieta que pueden diseñarse con el modelo Dieta Tipo 1 Dieta Tipo 2 Dieta Tipo 3 Dieta Tipo 4 Forraje ad libitum Concentrado Forraje limitado Concentrado Forraje ad libitum Forraje ad libitum Forraje limitado Forraje ad libitum Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 66 3.2.5 Validación del módulo A la hora de validar un modelo de predicción de la IV en ovino lechero es interesante evaluar el funcionamiento del mismo bajo un rango de condiciones fisiológicas y tipos de alimento diferente. Por lo tanto es necesario contar con datos relativos a las características de los animales (peso, día de lactación, producción lechera, CC) y de los alimentos ofertados (CCel, PCD, k, etc.). Esto hace que sea difícil utilizar en la validación muchos de los datos de IV que se encuentran en la bibliografía ya que no siempre están acompañados de este tipo de información, en particular, la relativa a la cinética de degradación del alimento. Para la validación de este módulo se han tomado por una parte, datos de IV de un único forraje ad libitum reportados por Nsahlai y Apaloo (2007), y por otra parte datos de IV de silo de hierba correspondientes a una dieta compuesta por concentrado, heno de alfalfa y silo ad libitum consumidos por diferentes lotes de ovejas de raza Latxa que participaron en ensayoslk0 del departamento de Producción Animal de Neiker-Tecnalia. Por último, se realiza una comparación de las estimas de IV calculadas por el modelo para una oveja tipo consumiendo heno de alfalfa frente a las estimas que ofrecen los modelos habitualmente empleados para ovino lechero, como son el modelo de INRA (Jarrige y Agabriel, 1988)y el SRNS (Cannas et al., 2004). 3.2.5.1 Datos bibliográficos de IV Se han tomado los datos recopilados por Nsahlai y Apaloo (2007) para la validación de un modelo similar. En total se cuenta con el dato medio de IV de 24 forrajes diferentes ofrecidos ad libitum a animales mantenidos en estabulación. Las experiencias se realizaron con moruecos con un PV medio de 25,6 kg, excepto en dos casos donde no se especifica el sexo y el PV es de 16,2 kg. Con los parámetros especificados de calidad del forraje, el peso y el estado de los animales (estabulados y secos), se valida el módulo para una dieta tipo 1 (Tabla 3). Los datos de estas experiencias se denominan con la letra “B”. MODELO ANIMAL. Módulo de rumen 67 3.2.5.2 Datos de IV de experiencias realizadas en Neiker Los datos corresponden a dos experiencias de control de la ingestión realizadas en años diferentes que en total permiten validar información de IV de cuatro lotes de ovejas de raza Latxa en distinto estado fisiológico. En la primera experiencia se controlaron durante 16 días, dentro del pico de producción, tres lotes de 12 ovejas (192 datos) con diferente potencial de producción lechera: alta (lote L11), media (lote L12) o baja (lote L13). El peso medio de los lotes fue de 68, 60 y 60 kg para los lotes L11, L12 y L13 respectivamente. La producción lechera media en el pico de lactación fue de 2,14, 1,64 y 1,43 l/día y el día de lactación al comienzo de la experiencia fue el 24, 22 y 30 para los lotes L11, L12 y L13, respectivamente. La oferta de concentrado fue la misma para los tres lotes (700 g MS/día), mientras que la alfalfa se ofreció ajustada al nivel productivo de los animales (650 g MS/día, 500 g MS/día y 450 g MS/día para los lotes L11, L12 y L13 respectivamente). El silo de hierba se ofreció ad libitum, y posteriormente se pesaron tanto las ofertas como los rechazos por lote para obtener la IV del mismo. Este dato permite validar el modelo para dietas de tipo 4 (Tabla 3) y para tres tipos de oveja de acuerdo con los datos de la experiencia. Los parámetros de los alimentos necesarios para ejecutar el modelo (Tabla 4) se han tomado de alimentos analizados mediante la TPG que presentan características similares a los de la experiencia (Tabla 40 del Anexo I). En la segunda experiencia utilizada para la validación se controló durante 32 días un lote de 24 ovejas (768 datos) de 56 kg de PV medio, a mitad de lactación (lote L2). La oferta de concentrado fue de 700 g MS/día mientras que la de alfalfa fue de 460 g MS/día. El silo de hierba se ofreció ad libitum y de la misma manera que en la experiencia anterior, se pesaron ofertas y rechazos para obtener el dato de IV de silo. Con estos datos se valida una dieta de tipo 4 (Tabla 3) para una oveja con una producción lechera en el pico de 1,4 l/día en el día 80 de lactación. En este caso se dispuso de una muestra de cada alimento utilizado durante la experiencia, los cuales se analizaron mediante la TPG para la obtención de los parámetros de entrada del modelo (Tabla 4). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 68 Tabla 4.- Descripción de los alimentos ofertados a los lotes de las experiencias utilizadas para la validación. (PB: Proteína bruta; FND: Fibra neutro detergente; CCel: Contenido Celular (g/g); PCD: Pared celular digestible (g/g); k: tasa de producción de gas) Lotes Alimento % PB %FND CCel PCD k Alfalfa 18,5 52,0 0,55 0,11 0,06 Concentrado 18,6 32,0 0,68 0,13 0,08 L11, L12, L13 Silo de Hierba 11,0 64,0 0,46 0,18 0,04 Alfalfa 19,2 40,4 0,60 0,12 0,07 Concentrado 20,8 22,4 0,78 0,13 0,08 L2 Silo de Hierba 6,4 63,3 0,37 0,14 0,03 3.2.5.3 Comparación con modelos validados Con el objetivo de comparar el funcionamiento del módulo de rumen con los modelos de INRA y SRNS se ha diseñado una dieta de tipo 1 (Tabla 3) basada en alfalfa de una calidad como la del lote L2 de la Tabla 4, y se ha simulado con cada modelo, la ingestión de 30 ovejas diferentes correspondientes al rango de combinaciones de PV y estado fisiológico que se describe a continuación:  PV: 60 y 80 kg.  Estado fisiológico: seca, gestante (en el último mes de gestación) y lactante (con 1, 2 ó 3 litros de leche en el pico de lactación) Las salidas, tanto de IV como de EM y PM, estimadas por el módulo de rumen se han comparado con las estimadas por INRA y por SRNS. 3.2.6 Resultados y Discusión En la Figura 6 se representa la ingestión real y predicha de los 24 forrajes tomados de la bibliografía (B) con los que se ha realizado la validación de la IV de una dieta tipo 1 (Tabla 3). Las predicciones presentan un porcentaje medio de subestimación de -17,5% (Tabla 5) y el coeficiente de determinación presenta un valor de 0,54. Tomando como referencia el valor absoluto de 10% que tiene en cuenta Casasús et al. (2004) para diferenciar entre predicción precisa o predicción tolerable, ésta se consideraría una predicción tolerable, aunque no precisa. En la Figura 7 se muestran los valores medios de IV real y predicha de silo de hierba para las experiencias en lactación (L2, L13, L12, L11) con dietas tipo 4 (Tabla 3). La relación entre la ingestión real y la predicha presenta un coeficiente de determinación de MODELO ANIMAL. Módulo de rumen 69 0,99, lo cual indica que el modelo es adecuado para estas condiciones. El porcentaje de diferencia en las experiencias L11, L12, L13 (Tabla 5) confirma que el modelo presenta un buen grado de precisión con ovejas que están en el pico de lactación. En la experiencia L2 (con ovejas en el día 80 de lactación) la IV se sobreestima en un 11,9%, lo cual indica que si bien el modelo no es tan preciso como en las experiencias L1, presenta un resultado tolerable. Tabla 5. Resumen de resultados de IV real y predicha. Lote IV Forraje Real(kg MS/día) IV Forraje Estimada(kg MS/día) %Diferencia B* 0,63 0,52 -17,5% L11 1,13 1,12 -0,9% L12 0,87 0,95 9,2% L13 0,85 0,91 7,1% L2 0,67 0,75 11,9% *media de 24 forrajes y = 0,91x - 0,02 R² = 0,54 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Ingestión Predicha (kg MS/día) Ingestión Real (kg MS/día) Figura 6. IV real y predicha por el modelo para 24 forrajes tropicales de la bibliografía (B). y = 0,78x + 0,25 R² = 0,99 0,6 0,7 0,8 0,9 1,0 1,1 1,2 0,6 0,7 0,8 0,9 1,0 1,1 1,2 Ingestión Predicha (kg MS/día) Ingestión Real (kg MS/día) Figura 7. IV de silo de hierba real y predicha por el modelo para las experiencias L2, L13, L12 y L11 (de izquierda a derecha en la gráfica). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 70 En la Figura 8 se muestran los resultados de ingestión predicha por el módulo desarrollado, por INRA y por SRNS para una dieta basada en alfalfa con ovejas de distinto peso y estado fisiológico. Puede observarse que las estimas del módulo de rumen se sitúan más cerca de las de INRA que de las de SRNS, con una ligera subestimación con respecto de INRA en algunos casos y una subestimación mayor con respecto a SRNS en la mayoría de los casos, concretamente se observa que para ovejas secas y lactantes con baja producción el modelo predice una IV más baja que los modelos con los que se ha comparado. 0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 Secas Gestantes Lactantes_1 Lactantes_2 Lactantes_3 Secas Gestantes Lactantes_1 Lactantes_2 Lactantes_3 60kg 80kg Tipos de Oveja IV Alfalfa (kg MS/oveja/día) -INRA -MODELO RUMEN -SRNS Figura 8.- IV de alfalfa con ovejas de 60 y 80 kg, secas, gestantes o lactantes con tres niveles de producción potencial estimadas por INRA, por SRNS y por el módulo de rumen En las Tablas 6 y 7 se muestran los valores de EM y PM calculados con INRA y con el módulo de rumen para la dieta propuesta, y los valores que tanto INRA (Jarrige y Agabriel, 1988) como el AFRC (Alderman y Cottrill, 1993) (sistema de reparto de la energía y la proteína que tiene en cuenta el módulo de rumen para calcular las necesidades potenciales) estiman necesarios para los estados fisiológicos propuestos. Se observa que en ambos modelos la ingestión de EM y PM de las ovejas Secas y Lactantes_1 está por encima de las necesidades, mientras que las Lactantes_2 y Lactantes_3 no llegan a cubrir las necesidades de producción con la dieta simulada ya que o bien la PM, o la EM, o MODELO ANIMAL. Módulo de simulación de la partición de nutrientes 77 indirectamente (UFL como ratios entre MJ) a las de SRNS pero proceden de sistemas distintos de valoración de los alimentos. Ambos modelos se basan en el mismo sistema de reparto de la energía, aunque en cuanto a las eficiencias de utilización de la EM, SRNS utiliza valores fijos para km y kl, mientras que el sistema de INRA calcula la eficiencia en función de la metabolicidad de la dieta. También se encuentran diferencias en la eficiencia para la variación de peso, ya que SRNS utiliza un valor fijo tanto para la ganancia como para la pérdida e INRA utiliza un valor distinto para cada caso (Chilliard et al., 1987). Por último, a la hora de predecir la CC, el modelo SRNS desarrolla una ecuación a partir de 10 publicaciones que relacionan el PV adulto y la CC en 12 razas diferentes. Para relacionar ambas variables se utiliza el valor de PV adulto de referencia que corresponde al peso con una nota de CC igual a 2,5. En cuanto a INRA, Chilliard et al. (1987) relaciona la valoración subjetiva de CC con diferentes parámetros de cantidad y composición de las variaciones de peso y reservas corporales. 3.3.3 Origen del módulo Este módulo de simulación de la partición de nutrientes es una adaptación para ovino de leche del modelo de simulación del crecimiento, producción y engorde desarrollado para bovino por Silveira (2000), el cual está basado en los modelos de (ARC, 1980), AFRC (Alderman y Cottrill, 1993) y CSIRO (1990). Para adaptar el modelo a ovino lechero se han substituido las ecuaciones del AFRC (Alderman y Cottrill, 1993) por las correspondientes a ovino, y la CC se calcula a partir de la variación diaria en PV según la relación observada en la raza Latxa. 3.3.4 Descripción del funcionamiento del módulo Las variables de entrada en el modelo son las siguientes:  Energía metabolizable (EM) (MJ/día)  Proteína metabolizable (PM) (gramos/día)  PV y PV de referencia (PV adulto)  CC y CC de referencia (2,5) Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 78  Estado fisiológico (día de lactación, producción potencial en el pico de lactación, día de gestación y número de corderos)  Actividad (estabulada o pastoreo) Considerando las variables de entrada y las ecuaciones descritas por el AFRC (Alderman y Cottrill, 1993), se calculan las necesidades de energía y proteína para:  Mantenimiento: en función del estado fisiológico en el que se encuentra (seca, lactante o gestante) y del nivel de actividad de la oveja (estabulada o pastoreo).  Gestación: en función del día de gestación y el número de corderos.  Producción de leche potencial: en función de la curva de lactación teórica.  Crecimiento: para lo cual se considera el depósito de masa muscular máximo que puede tener lugar en función de su PV de referencia. Tal y como describe (Silveira, 2000), como resultado del equilibrio entre aportes y necesidades de energía y proteína se distinguen 6 balances nutricionales posibles (Tabla 8). Tabla 8.- Balances contemplados en el módulo de simulación de la movilización de reservas y la producción lechera Balance 1 2 3 4 5 6 Relación Aportes/ Necesidades Déficit de E y P Déficit de P Déficit de E Necesidades cubiertas (±5%) Exceso de E y P Exceso de E y P Energía - + - = + exceso + limitante Proteína - - + = + limitante + exceso Movilización de masa muscular Si Si No No No No Movilización de Grasa No Si No Si No Si No No No Si Grasa =↑ ↓ = ↓ ↑ ↓ 0 0 =↑ ↓ Max↓ Masa Muscular ↓ Max↓ ↓ Max↓ 0 ↑ Max↑ Max↑ Max↑ Leche Real/ Potencial = < = < < = = (=↑): mantenimiento o incremento del compartimento; (↓): Reducción del compartimento; (Max↓ ): Movilización máxima del compartimento; (=): Producción real= Producción potencial; (<): Producción real < Producción potencial Las salidas que proporciona este módulo son las siguientes:  Producción diaria de leche (litros)  Variación diaria de PV (kg)  Nota de Condición Corporal MODELO ANIMAL. Módulo de simulación de la partición de nutrientes 79 3.3.4.1 Limitación de la ganancia o pérdida de grasa y masa muscular Limitaciones diarias El modelo simula dos compartimentos que pueden movilizar o depositar: la masa muscular movilizable (MM) que se compone de músculo y de una pequeña porción de grasa, y la grasa corporal total (GCT) que está directamente relacionada con los depósitos subcutáneos y abdominales, y que dan lugar a la nota de CC del animal. La parametrización de las tasas de depósito y movilización para cada uno de los citados compartimentos (MM y GCT) es compleja, y la literatura disponible al respecto es muy limitada. Jeanplong (2003) en un estudio de subnutrición prolongada obtenía datos de peso del músculo mediante sacrificios seriados y a partir de esos datos podía estimar una tasa diaria de movilización de la MM de hasta un 0,1% de su PV, mientras que la tasa diaria de depósito podía llegar a un 0,3% del PV de referencia. En nuestro caso se ha optado por tomar un valor intermedio de 0,2 % del PV para establecer tanto la máxima ganancia de MM como la máxima pérdida de MM (MMmovil). En cuanto a la movilización de grasa, en la raza Latxa se ha observado que, en condiciones de subnutrición, una oveja puede variar un máximo de 0,25 puntos de CC al mes y que un punto de cambio supone un 14,9% de PV (Oregui, 1992). Tomando estos datos como referencia, la máxima ganancia o pérdida de grasa corporal (GCmovil) que puede sufrir una oveja al día, sería el 0,124% de su PV de referencia. Limitaciones a largo plazo Además de limitar la ganancia o pérdida diaria de grasa y músculo mediante unos valores máximos o mínimos, es interesante introducir una regulación a largo plazo de los depósitos de GCT y MM, ya que cuando tiene lugar una situación prolongada de exceso o carencia de energía y/o proteína el modelo podría llegar a una situación de deposición excesiva de grasa o de pérdida total de la masa muscular. Además, en una situación de exceso de energía, la consecuencia sería el aumento constante del PV del animal, el cual incide directamente en el cálculo de la IV, que en lugar de disminuir aumentaría, favoreciendo así el engrasamiento ilimitado del animal. A la hora de limitar la ganancia o pérdida a largo plazo, en función del estado de la oveja, se establecen unos valores máximo y mínimo de MM y de GCT que sirven como Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 80 referencias. La regulación consiste en limitar la ganancia cuando el estado del animal se acerca al extremo superior y limitar la pérdida cuando se acerca al extremo inferior. La forma de hacerlo es reduciendo los valores de MMmovil o GCmovil previamente calculados. Encontrar referencias que permitan establecer los límites de movilización de la MM no es sencillo. (Botts et al., 1979) encontró movilizaciones de hasta el 25-30% de la proteína materna en vacas en lactación. Considerando que el músculo esquelético contiene un 45% de la proteína (Young, 1970), se podría asumir una movilización de aproximadamente el 50% de masa muscular. En nuestro caso, se asume que una oveja puede movilizar hasta el 45% de su masa muscular. Teniendo en cuenta que un 55% del PV de un animal es canal y que de esa canal un 60% es músculo (Kempster et al., 1986) asumimos que el porcentaje de PV que podría movilizar un animal como músculo es igual a 14,85%. Tomando ese porcentaje del PV como la MM máxima que puede presentar una oveja (MMmáxima), en el modelo se ha incluido una limitación a la deposición de músculo cuando la MM se acerca a ese valor. Para ello, al inicializar la simulación se asigna un valor a la MMreal de cada oveja que se establece por defecto como la mitad de la MMmáxima (un 7,42% de su PV). Partiendo de ese valor se considera que el animal simulado gana o pierde MM en función del balance en el que se encuentre. Si pierde MM hasta que ésta toma el valor de 0, entonces ha llegado al valor de MMmínima. Para regular la ganancia de músculo se crea la variable %MM [1]: MMmáxima MM MM −= 1% [1] Esta variable (%MM) modifica los valores MMmovil en función del estado del animal. Los valores previamente calculados se multiplican en el caso de ganancia por la variable %MM, y en el caso de pérdida por (1-%MM). Si la deposición de músculo llega al máximo y MM es igual a MMmáxima, %MM toma el valor de 0, limitando de esta manera que siga depositando MM. En el caso contrario, si ha habido una movilización total de la MM y MMreal es igual a 0, el valor de %MM es igual a 1, limitando así la pérdida de MM. MODELO ANIMAL. Módulo de simulación de la partición de nutrientes 81 Con respecto a la grasa, ya que no existe para la raza Latxa una fórmula que relacione la GCT con la CC, se ha tomado la ecuación [2], propuesta para la oveja Churra por Frutos et al. (1995) , que relaciona GCT(g) con la nota de CC. CCGCT log179641811 ⋅ + = [2] Se establecen dos valores máximo y mínimo que puede alcanzar la variable. El valor máximo corresponde a la GCT de una CC igual a 5 (GCT5), y el valor mínimo a una CC igual a 1 (GCT1). Para regular la ganancia o pérdida de grasa se crea la variable [3]. 1 5 5 % GCT GCT GCTGCT GCT − − = [3] Tal y como se hace con la MM, %GCT modifica los valores de GCTmovil previamente calculados. La variable %GCT multiplica el valor GCTmovil en caso de ganancia y (1-%GCT) en caso de pérdida de grasa. Cuando el valor de GCT es igual al máximo (GCT5), la variable %GCT toma el valor de 0 y no es posible ganar más grasa, por el contrario, cuando GCT es igual a GCT1, no es posible perder más grasa. La inclusión en los modelos de limitaciones a las ganancias es un recurso muy utilizado y necesario ya que se ha comprobado que tanto el módulo de rumen validado en el apartado 3.2 del presente capítulo como modelos ya validados (INRA, SRNS) pueden estimar aportes de EM y PM que llegan a doblar las necesidades de las ovejas secas si se ofrece un alimento con una buena digestibilidad. Por esta razón, lejos de ignorar estos excesos, consideramos que es importante contabilizarlos para conocer el grado de sobrealimentación que puede ocurrir bajo determinados manejos alimenticios. Para ello se han creado dos variables, EMexceso y PMexceso que contabilizan los MJ de EM y g de PM aportados por encima del total de necesidades correspondientes a las funciones fisiológicas. Posteriormente, cuando se realiza la optimización de las estrategias de alimentación, estas variables se incluyen en los criterios de optimización (apartado 4.3.3.2 del capítulo 4), con el objetivo de minimizar su valor. Para ello estos valores se transforman en cifras económicas (apartado 4.3.3.2 [10] y [11]). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 82 Al final de cada iteración diaria, después de calcular la energía y proteína que puede ser transformada en músculo y grasa según los balances de la Tabla 8 y los límites del modelo, se calcula la variación de MM (VMM) y la variación de grasa (VG) las cuales se utilizan para actualizar las variables MM [4], GCT [5] , CC [6] y PV [7]. VMM MM MM + = [4] VGGCTGCT + = [5] 149,0*PV VGVMM CCCC + += [6] VGVMMPVPV + + = [7] Si la CC calculada es menor de 1,1 se simula la muerte de la oveja por subnutrición. Esto correspondería a un 6% de grasa corporal, un valor superior, aunque cercano a lo establecido por Blackburn y Cartwright (1987), que consideran que hasta un 3% de grasa corporal las ovejas pueden adelgazar sin que incremente el riesgo de muerte. 3.3.5 Validación del módulo 3.3.5.1 Comparación con datos experimentales Para la validación del modulo se han tomado datos de control de PV, CC y producción lechera de los 4 lotes de animales que se describen en el apartado 3.2.5.2 del presente capítulo. Tabla 9.- Variables de entrada de los 4 lotes de animales utilizados en la validación del módulo de simulación de la partición de nutrientes Lote Peso Inicial (kg) CC Día de lactación Producción en el pico lactación(l) EM ingerida (MJ/d) PM ingerida (g/d) L11 68,6 2,6 24 2,14 17,4 204,3 L12 60,4 2,8 22 1,64 15,3 182,2 L13 60,1 2,8 30 1,43 14,5 174,1 L2 55,7 2,0 80 1,40 13,8 163,1 MODELO ANIMAL. Módulo de simulación de la partición de nutrientes 83 Los lotes L11, L12 y L13 se controlaron durante un periodo de 21 días y el lote L2 durante 43 días, durante este periodo se midió la CC y el peso 3 veces a los lotes L11, L12 y L13, y 7 veces al lote L2. La producción lechera se controló 9 veces a los tres primeros lotes y 21 al lote L2. En el modelo se introducen como variables de entrada los valores medios de las ovejas de cada lote (CC, peso, día y producción lechera en torno al pico de lactación), y los valores de EM y PM que predice el módulo de rumen para estas ovejas (Tabla 9). Los datos observados (valor medio de todas las ovejas de cada lote) se comparan con las estimas. 3.3.5.2 Evaluación del comportamiento del modelo a medio plazo Para evaluar como se comporta el módulo con distintos tipos de oveja teóricos, se ha simulado la evolución del PV, la CC y la producción lechera de 5 tipos de oveja que comienzan con 60 kg y un valor de CC de 2,5, cuyos estados fisiológicos son seca, gestante (en el día 120) y lactante y cuya producción potencial en el pico es de 1, 2 y 3 litros. La simulación tiene una duración de 30 días y como variables de entrada se introducen la EM y PM estimadas con el módulo de rumen (apartado 3.2.5.3) a partir de una alimentación basada en alfalfa de buena calidad (Tabla 10). Tabla 10.- Variables de entrada para los 5 lotes de animales utilizados en la evaluación del comportamiento a largo plazo del módulo simulación de la partición de nutrientes Tipos de Oveja Peso Inicial(kg) CC Día Lactación/ Gestación pico lactación(l) EM ingerida (MJ/d) PM ingerida (g/d) Lactantes (1l) 60 2,5 10 1 15,8 210 Lactantes (2l) 60 2,5 10 2 18,8 251 Lactantes (3l) 60 2,5 10 3 21,4 286 Gestantes 60 2,5 120 - 12,1 160 Secas 60 2,5 - - 10,4 138 3.3.6 Resultados y Discusión En las Figuras 9-11 se muestran los datos observados y simulados para las variables PV, CC y producción lechera respectivamente. En el caso del PV se han encontrado errores de predicción de entre 0% y 7%; para la CC el rango es más amplio con errores de entre -5% y 12% y en el caso de la leche los errores más extremos en las estimas fueron de -18% y 14%. El coeficiente de determinación de las tres validaciones Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 84 toma valores altos, de entre 0,84 y 0,98, lo que permite afirmar que el modelo predice los tres parámetros de forma aceptable y con una pauta de evolución parecida. Con esta validación no sólo se comprueba que el módulo puede ser utilizado para predecir peso, CC y producción lechera sino también que el módulo de rumen, del cual provienen los inputs para el módulo de reservas, aporta valores de EM y PM que permiten alcanzar estos valores y por lo tanto ambos módulos son compatibles a la hora de simular ovejas en lactación. R 2 = 0,84 y = 0,81x + 12,82 40 45 50 55 60 65 70 75 80 40 50 60 70 80 PV simulado (kg) PV Real (kg) Figura 9.- Peso real y peso simulado por el modelo R 2 = 0,89 y = 0,77x + 0,62 1,0 1,5 2,0 2,5 3,0 3,5 4,0 1,0 1,5 2,0 2,5 3,0 3,5 4,0 CC simulada CC Real Figura 10.- CC real y CC simulada por el modelo MODELO ANIMAL. Módulo de simulación de la partición de nutrientes 85 R 2 = 0.98 y = 1.18x - 0.19 0.0 0.5 1.0 1.5 2.0 2.5 0.0 0.5 1.0 1.5 2.0 2.5 Producción Lechera simulada (l) Producción Lechera Real (l) Figura 11.- Producción lechera real y producción simulada por el modelo En las Figuras 12-14 se muestran los litros de leche simulada y potencial en el pico de lactación y la evolución de la CC y el peso de 5 tipos de oveja alimentados con una dieta de alfalfa ad libitum. Se observa que las únicas ovejas que llegan a producir el potencial son las Lactantes_1, mientras que las de mayor potencial productivo, no alcanzan el máximo posible, y su producción sólo llega a cubrir un 82% del potencial. 0 0,5 1 1,5 2 2,5 3 3,5 1 6 11 16 21 26 Litros de leche Día de Simulación Simulado_1 Potencial_1 Simulado_2 Potencial_2 Simulado_3 Potencial_3 Figura 12.- Producción lechera simulada y potencial durante un mes para tres tipos de oveja con potencial productivo de 1, 2 y 3 litros Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 86 1.5 2 2.5 3 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Día de Simulación CC Secas Gestantes Lactantes_1 Lactantes_2 Lactantes_3 Figura 13.- Evolución de la CC de los 5 tipos de oveja simuladas 50 55 60 65 70 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 Día de Simulación Peso (kg) Secas Gestantes Lactantes_1 Lactantes_2 Lactantes_3 Figura 14.- Evolución del peso de los 5 tipos de oveja simuladas En cuanto a la evolución de la CC (Figura 13), las ovejas Secas y Lactantes_1 ganan el máximo posible. Ambos tipos de oveja están alimentadas por encima de sus necesidades (ver apartado 3.2.5.3) tanto en EM como en PM, por el contrario las Lactantes_2 y Lactantes_3 pierden CC, ya que necesitan movilizar reservas para cubrir las necesidades de producción. Las ovejas Gestantes ganan CC hasta el día 135 de gestación, momento a partir del cual comienzan a perder CC. La evolución del peso es coherente con la evolución de la CC. Las ovejas con producción potencial de 3 litros son las que más kg pierden (Figura 14), seguidas de las MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 93         ⋅ −− ⋅= 2 2 2 )*( exp* S DEd MXPEstro [8] (Si PEstro>MX entonces PEstro=MX) Donde,  S = El valor de este parámetro es diferente en función de si la probabilidad a calcular corresponde a un d posterior o anterior al DA, de la siguiente manera:  S = SA – ASI, si d es posterior a DA  S = SA + ASI, si d es anterior a DA Donde, - SA = días de dispersión del estro - ASI = medida de la asimetría en días Se establece un porcentaje máximo de celos presentes (PEstroMax), y si PEstro>PEstroMax entonces PEstro = PEstroMax. Tomando el valor PEstro, el modelo simula la probabilidad de presentar celo una vez cada 17 días (la duración del ciclo sexual en la oveja) mediante la siguiente ecuación propuesta por Dzakuma y Harris (1989b): ( ) CelosPndPEstroPCelo º.)(= [9] Donde,  PCelo = probabilidad de presentar celo  PEstro(d) = probabilidad de presentar estro en el día d del año  PnºCelos = modificación de la probabilidad en función del número de celos anteriores (>2= 1, 1=0,95, 0=0,9) Al simular los eventos reproductivos, es conveniente que estos sean tratados como eventos discretos cuando son considerados a nivel de individuo y como eventos continuos cuando se considera el rebaño completo (Agabriel y Ingrand, 2004). Por esta razón, la PCelo calculada se ha de transformar en un evento discreto mediante una variable aleatoria, de manera que para cada individuo tengamos como resultado presencia o ausencia de celo. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 94 Parametrización de la ecuación de estacionalidad Para simular la probabilidad de presentar celo en las ovejas de la raza Latxa, de la manera que propone Dzakuma en su modelo, los parámetros de la ecuación [8] se han ajustado a los datos reales de dicha raza. Para ello se han tomado datos del rebaño experimental de Neiker relativos a la presencia de estro medida mediante niveles de progesterona y en ausencia de moruecos. Estos datos recogen el porcentaje de ovejas que están sexualmente activas a lo largo del año. El ajuste de los parámetros se ha realizado mediante PL. Para ello se ha utilizado la herramienta Solver de MS-Excel, minimizando la suma de las diferencias de cuadrados de los datos reales frente a los teóricos. Los valores obtenidos para dichos parámetros se indican en la Tabla 12, y en la Figura 15 se muestran los datos reales y la curva teórica tras el ajuste de los datos (PEstro). Tabla 12. Parámetros de la Ecuación [8] de Dzakuma y Harris (1989b)para la raza Latxa: Parámetros Latxa DA 149 DE 200 MX 100 MX* 1632,3 SA 37,3 ASI -4,58 Como puede observarse en la Figura 15 la raza Latxa presenta una estacionalidad muy marcada que se refleja en un anestro profundo durante los meses de mayo a junio. Tras este periodo tiene lugar una transición hacia la plena estación sexual y es a finales de agosto, cuando comienza por fin la estación sexual propiamente dicha. Introducción del efecto de la presencia de moruecos Debido a que los datos con los que se ha obtenido la curva PEstro fueron medidos en ausencia de moruecos, se ha considerado que PEstro cuando hay moruecos presentes al comienzo de la estación sexual debe ser mayor, es decir, que la salida en celo se ha de adelantar cuando se introducen moruecos en el rebaño debido a la respuesta fisiológica que estos inducen en ovejas que están en anestro (efecto macho) (Martin et al., 1986). Para ello en el modelo se introduce una modificación de PEstro que se aplica pasados 18 MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 95 días de introducir los moruecos, puesto que es el número mínimo de días para obtener respuesta a dicho efecto (Thimonier et al., 2000). En ese momento, si las ovejas están en anestro profundo (PEstro<10%), se produce un aumento de PEstro del 31%, tal y como observó Beltrán de Heredia (2003), y si están dentro del periodo de transición hacia la plena estación sexual (PEstro>0) se produce un aumento de PEstro del 90% (Beltrán de Heredia, 2007),(Figura 15). 0 10 20 30 40 50 60 70 80 90 100 e f m a m j j a s o n d Porcentaje de ovejas que presentan celo Mes Datos Reales PEstro PEstro con Morueco Figura 15. Ajuste de los datos reales de presencia de celo y modificación de PEstro por presencia de morueco Este mismo incremento de PEstro se aplica también a las ovejas que habiendo recibido TH no han quedado gestantes de IA, ya que el TH al que son sometidas ejerce un efecto de adelanto de la salida en celo similar al producido por la presencia de los moruecos. La manera de diferenciar en el modelo tanto el anestro y el periodo de transición de estación sexual propiamente dicha es el porcentaje teórico de ovejas cíclicas que hay en el rebaño. De esta manera, se ha establecido que cuando PEstro es mayor de 98% los animales están en plena estación sexual. La diferenciación de estos dos momentos será importante a la hora de aplicar las modificaciones que el estado nutritivo ejerce en los resultados de prolificidad y fertilidad (Figura 17). e.sexual anestro e . sexual transición Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 96 3.4.2.2 Modelización de la probabilidad de concepción Como ya se ha comentado, dentro del funcionamiento del modelo el valor de porcentaje de ovejas cíclicas que se calcula con PEstro se transforma en un evento discreto; es decir, el porcentaje obtenido se utiliza para calcular PCelo de cada oveja con una frecuencia de 17 días y se asume que el valor de PCelo es la probabilidad de que esa oveja presente celo ese día. Si dentro de la aleatoriedad con la que ocurren los eventos, la oveja muestra celo, se estará cumpliendo la primera condición para poder quedar gestante. La segunda condición es que haya presencia de morueco, en cuyo caso la concepción tendrá lugar según otro valor de probabilidad. La probabilidad de que una oveja cíclica pueda quedar gestante será igual a un valor de fertilidad decreciente en función de si se trata del primer celo en presencia de morueco, el segundo, o el tercero o sucesivos. Se adopta este diseño debido a que se dispone de datos observados en la raza Latxa sobre fertilidad al primer, segundo y tercer o sucesivos celos tras la IA. Estas probabilidades se modifican en función del estado nutritivo de la oveja, para lo cual se ha realizado una revisión bibliográfica sobre las interacciones entre nutrición y reproducción. Por último, la probabilidad de concepción de la IA, al ser una cubrición programada que no depende de la presencia espontánea de celo sino de la sincronización mediante TH, se ha modelizado de una forma diferente a la de las cubriciones por MN. En este caso, la IA se simula un día del año que se configura previamente y dependiendo de la época (fin de estación sexual o plena estación sexual), de la CC del animal y del manejo (flushing), la fertilidad tendrá un valor diferente. Parametrización de la probabilidad de concepción para la raza Latxa Para obtener la probabilidad de concepción en cada oportunidad de quedar gestante se han analizado datos de resultados reproductivos procedentes del registro del rebaño de Arkaute de los últimos 10 años. El rebaño experimental se compone de aproximadamente 150 ovejas adultas, cuyo manejo reproductivo consiste en realizar IA al 100% del rebaño durante la estación sexual (a partir del 15 de agosto) seguida de cubriciones mediante MN durante un periodo que se puede prolongar hasta 5 ciclos después de la IA. Tres semanas antes de la IA se evalúa la CC de las ovejas y se hacen dos MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 97 lotes de manejo, utilizando como criterio de clasificación la puntuación de la CC. El grupo de CC menor de 2,5 es sometido a flushing durante 6 semanas (Figura 16). Debido a este manejo se considera que los parámetros reproductivos observados no están afectados por el estado nutritivo de la oveja. 752214-21 0 -34 -17 0 17 34 51 68 85 IA Entran moruecos Salen moruecos Periodo de Flushing 752214-21 0 -34 -17 0 17 34 51 68 85 IA Entran moruecos Salen moruecos Periodo de Flushing Figura 16. Esquema del manejo reproductivo realizado en el rebaño experimental de Arkaute Del análisis de los partos de MN de ovejas adultas que tuvieron lugar durante el periodo 2000-2010, se ha calculado que la probabilidad media de quedar gestante observada en los tres sucesivos celos tras la IA ha sido la siguiente:  Primer retorno: 68,6%  Segundo retorno: 47,4%  Tercero y sucesivos: 29,6% Parametrización del efecto del estado nutritivo sobre la probabilidad de concepción: Meta-análisis sobre las interacciones nutrición-reproducción Para cuantificar el efecto que el estado nutritivo de las ovejas tiene sobre el éxito reproductivo se ha realizado una revisión bibliográfica y un meta-análisis del efecto que la CC y la realización de flushing tienen sobre la fertilidad y la prolificidad ovina. El meta-análisis es una técnica estadística que consiste en reunir un conjunto de estudios clínicos con el objetivo de aceptar o rechazar una hipótesis. El objetivo del metaanálisis es integrar resultados y de esta forma aumentar el tamaño muestral con el que se trabaja (Petitti, 2000). Para realizarlo se necesita que cada estudio aporte datos relativos Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 98 a un grupo tratado y otro control, que todos los estudios queden incluidos dentro de unos criterios de selección y que el efecto se mida en unidades similares. La razón por la cual se ha escogido esta metodología es porque permite obtener la diferencia media observada de un parámetro que es medido en dos grupos comparados. El objetivo es disponer del valor de diferencia de riesgo (o probabilidad) de fertilidad y prolificidad (medida como probabilidad de parto doble) que presentan dos grupos de animales, uno de los cuales presenta mayor CC o ha recibido flushing, mientras que el otro no. Para este estudio se han utilizado los datos extraídos de 20 referencias de un total de 46 artículos bibliográficos revisados, con ensayos realizados en 18 razas diferentes. Para analizar el efecto de la CC se han comparado grupos de animales “control” con CC baja (<2,5) y grupos de animales “tratamiento” con CC alta (≥ 2,5). Para evaluar el efecto del flushing se han seleccionado aquellas experiencias en las que un grupo de animales “tratamiento” se sometió a flushing de entre 3 y 6 semanas de duración, y el grupo “control” se mantuvo con las condiciones iniciales. En todos los artículos la fertilidad se expresa como el número de ovejas paridas con relación al número de ovejas puestas en cubrición, y la prolificidad se expresa como el número de corderos nacidos por oveja parida. Se diferencian dos tipos de cubriciones: con TH o sin TH. Entre los artículos revisados, 26 se han descartado por diferentes razones (resultados agregados para diferentes épocas de reproducción, ausencia del número de animales por grupo, resultados mostrados como una ecuación de regresión, resultados medidos como fertilidad y/o prolificidad potencial, CC fuera del rango, flushing de corta duración y razas hiperprolíficas o no estacionales). Los artículos seleccionados para la realización del meta-análisis se muestran en la Tabla 13. En el Anexo II se describe el análisis estadístico realizado. El cálculo de las diferencias de riesgo para fertilidad y prolificidad se ha realizado teniendo en cuenta el efecto de la nutrición (CC o flushing), la interacción nutrición y época de cubrición (anestro o estación sexual), y la interacción nutrición, época de cubrición y TH (sí, no). MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 99 En la Tabla 14 se muestran los resultados de cada uno de los 28 meta-análisis realizados. Se ha decidido expresar la diferencia de riesgos en términos porcentuales en lugar de como proporción, ya que así es como se expresan frecuentemente la fertilidad y la incidencia de partos dobles. Tabla 13. Referencias consultadas para la realización del meta-análisis Nº Referencia Raza n EC TC Efecto P 1 Atti et al., 2001 Barbarine 569 1 MN 1 1,2 2 Carcangiu et al., 2008 Sarda 40 2 EM, MN 1 2 3 Confelac, 2008 Latxa 2650 1,2 IA, TH 1 1,2 4 Folch et al., 1987 Rasa 86 1 EM, TH 1,2 1,2 5 Folch et al., 1985 Rasa 59 1 EM 1 1,2 6 Forcada et al., 1998 Rasa 175 1 MN, TH 1 1,2 7 Forcada et al., 1992b Rasa 91 2 MN 2 1,2 8 Gunn et al., 1972 Scottish Blackface 28 2 MN 1 1,2 9 Gunn et al., 1969 Scottish Blackface 228 2 MN 1 1,2 10 Gunn et al.,1991 North Country Cheviot 406 2 MN 1,2 1,2 11 Lassoued et al., 2004 D’man, D’man x QFO* 85 2 MN,TH 2 1,2 12 Molle et al., 1995 Sarda 38 2 MN 1 2 13 Molle et al., 1997 Sarda 29 2 MN, TH 2 1,2 14 Mori et al., 2006 4 razas** 72 2 MN 2 1,2 15 Nowers et al., 1994 Dohne Merino 271 1 MN 2 1,2 16 Paramio y Folch, 1985 Rasa 1007 1 MN,EM,TH 1 1,2 17 Santos et al., 2009 Santa Inés x Suffolk 46 1 MN 2 1,2 18 Thomson et al., 1988 Awassi 170 2 MN 1 1,2 19 Torre et al., 1991 Ripollesa 145 1 MN 1,2 1,2 20 Venter y Greyling., 1994 Merino 60 2 MN, TH 2 1,2 n= número de animales incluidos en el estudio. EC= época de cubriciones (1=fin anestro, 2=plena estación sexual). TC=tipo de cubrición (MN=monta natural, EM=efecto macho, TH=tratamiento hormonal, IA=inseminación artificial), Efecto (1=efecto de la CC, 2=efecto del flushing) P=parámetros medidos (1=fertilidad, 2=prolificidad).*Queu fine d’Ouest **Datos de 4 razas: Hampshire Down, Ile de France, Corriedale y Suffolk. Tabla 14. Resultados de los meta-análisis realizados mostrados como diferencia de riesgo de fertilidad o parto doble nº Efecto de la Nutrición Época de cubriciones TH Diferencia de Riesgo % Fertilidad (I.C.) n Diferencia de Riesgo % Partos dobles (I.C.) n Referencias Incluidas (Tabla 13) 1 No 19,0 (14,2 - 23,8) 1593 6,2 (2,8 - 9,6) 1445 (1,2,4,5,16,19) 2 Si 10,4 (5,5 - 15,3) 2284 16,0 (11,0 - 21,0) 2182 (3,6,16) 3 Anestro Total 14,8 (11,4 - 18,2) 3876 *9,3 (6,5 - 12,1) 3895 (1,2,3,4-6,16,19) 4 No *18,9 (10,1 - 27,7) 832 *37,8 (8,8 - 66,8) 691 (8,9,10,18) 5 Si 5,0 (-2,2 - 12,2) 918 2,0 (1,9 - 2,1) 918 (3) 6 E.Sexual Total *16,1 (7,9 - 24,3) 1750 *31 (10,8 - 51,2) 1609 (3,8,9,1018) 7 CC (>2,5 vs <2,5) Total Total *14,9 (10,5 - 19,3) 5626 *16,5 (9,2 - 23,9) 5504 (1-7,8-10,16,18-19) 8 No 4,9 (-2,3 - 12,1) 403 3,5 (0,3 - 6,7) 349 (4,15,17) 9 Si 13,4 (12,1 - 14,7) 60 11,0 (10,1 - 11,9) 60 (20) 10 Anestro Total 5,6 (-1,3 - 12,5) 463 3,8 (0,6-7,0) 409 (4,15,17,20) 11 No 9,2 (2,5 - 15,9) 643 9,9 (1,8 - 18,0) 601 (7,10,12,14) 12 Si 5,2 (-2,6 - 13,0) 114 14,4 (-2,9 - 31,7) 109 (11,13) 13 E.Sexual Total 7,5 (2,4 - 12,6) 757 10,7 (3,4 - 18,0) 710 (7,10,11,12-14) 14 Flushing (Sí vs NO) Total Total 6,8 (2,4 - 7,4) 1220 4,8 (1,9 - 7,8) 1119 (4,7,10,11,12-15,17,20) *meta-análisis que presentaron heterogeneidad entre estudios. MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 101 En general, tanto para la fertilidad como para la prolificidad, se observan valores de diferencia de riesgo mayores cuando se estudia el efecto de la CC que cuando se estudia el efecto del flushing, lo cual indicaría que la primera estrategia es más efectiva a la hora de buscar un mayor rendimiento reproductivo (Tabla 14). La fertilidad durante el anestro se ve mejorada tanto por la CC (incremento del 14,8% con CC ≥2,5 frente a CC<2,5) como por el flushing (5,6%), si bien el efecto de este último es casi la mitad que el de la CC. Esto se observa tanto con TH como sin TH y coincide con lo observado por algunos autores que indican que en las cubriciones de primavera, una CC mayor (Oregui et al., 2004) o la realización de flushing (Folch et al., 1987) mejoran los rendimientos reproductivos de los animales. Durante la estación sexual el efecto de la CC en la fertilidad da un resultado heterogéneo (difícil de aplicar por su escasa precisión) pero su valor (16,1%) indica que también en esta época existiría un efecto positivo de la CC en la fertilidad. El flushing por su parte, mejora en un 7,5% la fertilidad durante esta época, según el resultado del análisis. Estos valores sorprenden en una época en la que los animales presentan de forma espontánea una mayor fertilidad, por lo que sería esperable que tanto la CC como el flushing no ejercieran un efecto tan alto como en anestro. En cuanto a la prolificidad se observa que el efecto del flushing y de la CC son mayores (pese a presentar heterogeneidad en algunos casos) durante la estación sexual que durante el anestro. Esta diferente respuesta de la prolificidad en anestro y en estación sexual es debida a que durante la estación sexual la respuesta ovulatoria a las estrategias nutricionales es mayor debido a la mayor sensibilidad ovárica que presenta el animal en esa época (Forcada et al., 1992a). Aplicación de los parámetros obtenidos sobre la probabilidad de concepción Los porcentajes de fertilidad obtenidos a partir de los datos del rebaño se modifican en caso de que la oveja tenga una CC inferior a 2,5 y en caso de que se someta a flushing antes de la cubrición. Para ello se utilizan los resultados del meta-análisis siempre que sean homogéneos. Cuando los resultados no son homogéneos se utiliza el valor obtenido en el meta-análisis una vez eliminados los estudios que aportan heterogeneidad. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 102 En concreto cuando la oveja presenta CC inferior a 2,5 se reduce la fertilidad en un 19% en anestro (resultado de análisis 1). En estación sexual se debería utilizar el valor que aparece en la Tabla 14 para el análisis 4, pero al presentar heterogeneidad se repite el análisis eliminando los estudios que la causan (referencias 8 y 9 de la Tabla 13), el resultado obtenido muestra una diferencia de riesgos de 12,8% (con un intervalo de confianza de entre 7,5% y 18,0%), dato que se utiliza en este caso. Por último, si la oveja recibe flushing, se aumenta la fertilidad un 4,9% en anestro y un 9,2% en estación sexual (según los resultados de los análisis 8 y 11, Tabla 14). En la Figura 17 se observa un diagrama de decisión del funcionamiento del modelo para calcular la probabilidad de quedar gestante (denominada “F”), y los valores que la modifican en función de cada situación. Parametrización de la fertilidad de la IA Para el modelo se toman los valores de fertilidad de la IA obtenidos en rebaños comerciales de raza Latxa (CONFELAC, 2008) (Tabla 15). En estos rebaños las cubriciones más tempranas tuvieron lugar entre junio y julio y las de estación sexual entre agosto y septiembre. Se ha considerado que cuando una oveja se encuentre en flushing estas probabilidades se deben aumentar en un valor correspondiente a los resultados de los análisis 9 y 12 para anestro y estación sexual, respectivamente. Los valores aplicados se muestran en la Figura 17. Tabla 15. Resultados de fertilidad de la IA de los rebaños comerciales de raza Latxa en diferentes épocas de cubrición y con diferente CC Época CC FERTILIDAD <2,5 39,56% Anestro ≥2,5 52,61% <2,5 58,31% Estro ≥2,5 57,86% 3.4.2.3 Modelización de la prolificidad Para simular la prolificidad se aplican los valores mostrados en la Tabla 16 procedentes de rebaños comerciales de raza Latxa (CONFELAC, 2008). Estas probabilidades se modifican en el caso de que la oveja se encuentre en flushing según los MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 109 MN, la cual es un 18% mayor cuando los moruecos están presentes 135 días frente a 51 (Odds ratio = 2,48). Tabla 20. Resultados del análisis de regresión logística realizado a las salidas de fertilidad de los escenarios simulados Fertilidad IA Fertilidad MN Fertilidad TOTAL FACTORES Odds ratio Sig. Odds ratio Sig. Odss ratio Sig. IA si vs no 5,05 *** INICIO CUBRICIONES Agosto vs Junio 1,36 *** 1,78 *** 1,89 *** CC ≥2.5vs <2.5 1,33 *** 1,33 *** 1,33 *** FLUSHING si vs no 1,43 *** 1,1 n.s. 1,21 ** DÍAS 136 vs 51 2,48 *** 2,43 *** n.s. p>0,05; ** p<0,01; *** p<0,001. Según los resultados de fertilidad total y fertilidad de la MN de la Tabla 20, el siguiente factor en importancia es el momento de inicio de las cubriciones, observándose una fertilidad media de la MN un 10% mayor en los escenarios de agosto frente a los de junio. Este efecto no repercute igual a la fertilidad de la IA, la cual se ve más afectada por la realización o no de flushing, mientras que con la MN, la CC tiene más impacto que el flushing. De lo observado en la Tabla 18 se desprende que el efecto positivo de la CC sigue las tendencias observadas en el meta-análisis y es más importante en los escenarios de cubriciones de junio frente a los de agosto. El flushing por su parte, contribuye a disminuir la diferencia entre las ovejas de CC alta y baja. Con el objetivo de analizar el comportamiento del modelo a la hora de simular la sucesión de los partos en los distintos escenarios, se ha representado la distribución de los mismos mediante gráficas de tipo box-plot (Figuras 18-19) a partir del momento teórico en el que debería tener lugar el primer parto, es decir, aproximadamente 153 días después de la primera cubrición posible (entrada de moruecos o IA). Se observa que la época de partos dura entre 154 y 155 días en los escenarios de cubriciones largas con IA, tanto cuando las cubriciones comienzan en anestro (escenarios Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 110 1 y 2) como cuando comienzan en estación sexual (escenarios 5 y 6). En estos escenarios, el efecto del TH favorece el inicio de las cubriciones de MN tras la IA. En el caso del anestro (escenarios 5 y 6) el inicio de las cubriciones de MN no se retrasa tanto como en los escenarios donde no se realiza IA (3 y 4). Sin embargo, la concentración de la paridera si que se ve afectada por la época. En los escenarios 1 y 2 el efecto del TH hace que las ovejas que no quedan preñadas en la IA tengan una buena fertilidad en el retorno, pero tras este momento el porcentaje de animales cíclicos parece ser más bajo que en los escenarios 5 y 6, lo cual se deduce del mayor tamaño de la caja en la Figura 18. Los escenarios 5 y 6, debido a la época, presentan un mayor número de animales fértiles y esto hace que muestren una paridera más concentrada que los escenarios 1 y 2. En las cubriciones que comienzan en anestro (escenarios 1-4 y 9-12) la realización de flushing contribuye a concentrar los partos ya que se obtiene una mayor fertilidad de la IA en una época en la que esta técnica suele dar unos resultados de fertilidad más bajos (escenario 1 frente al 2). Sin embargo, el efecto del flushing no es tan relevante en las cubriciones realizadas en plena estación sexual, lo cual representa correctamente la mayor efectividad que el tratamiento a corto plazo tiene al inicio de la estación sexual (Theriez, 1984). Para los escenarios sin IA y periodo largo de cubriciones (3, 4, 7 y 8) se observa una diferencia en la duración de la paridera entre los que comienzan en anestro frente a los que comienzan en estación sexual. En los primeros (escenarios 3 y 4), debido a un retraso en el inicio de las cubriciones provocado por el anestro en el que se encuentran los animales, la paridera comienza 25 y 26 días después del momento teórico y por lo tanto, su fertilidad es menor que la de los escenarios 7 y 8, ya que los moruecos están presentes el mismo tiempo y por lo tanto las ovejas no tienen tantas oportunidades de quedar gestantes. En cuanto a los escenarios de cubriciones de corta duración (Figura 19), se observa un comportamiento parecido al de sus equivalentes de la Figura 18 en lo relativo a la diferencia de dispersión cuando se hace o no IA y al retraso en el comienzo de las cubriciones de MN en anestro (11 y 12). MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 111 0 30 60 90 120 150 180 1 2 3 4 5 6 7 8 22-Nov 95% 27-Nov 92% 25-Dic 69% 27-Dic 68% 18-Ene 96% 20-Ene 94% 15-Feb 83% 16-Feb 81% Escenarios Simulados Días desde el posible primer parto 0 30 60 90 120 150 180 1 2 3 4 5 6 7 8 22-Nov 95% 27-Nov 92% 25-Dic 69% 27-Dic 68% 18-Ene 96% 20-Ene 94% 15-Feb 83% 16-Feb 81% 22-Nov 95% 27-Nov 92% 25-Dic 69% 27-Dic 68% 18-Ene 96% 20-Ene 94% 15-Feb 83% 16-Feb 81% Escenarios Simulados Días desde el posible primer parto Figura 18. Box-plot representando la distribución de partos de los escenarios simulados correspondientes a cubriciones de larga duración. Arriba: Fecha media de parto y % de Fertilidad de los escenarios 1-8. En la gráfica: En gris se representan los días entre los cuales tiene lugar la paridera, las barras el número de días desde el posible primer parto hasta que tiene lugar el 5% y el 95% de los partos, la caja el 25% y 75% y la línea roja el 50% de los partos. 0 15 30 45 60 75 90 9 10 11 12 13 14 15 16 13-Nov 86% 18-Nov 81% 13-Dic 49% 13-Dic 47% 11-Ene 90% 11-Ene 87% 4-Feb 69% 4-Feb 63% Escenarios Simulados Días desde el posible primer parto 0 15 30 45 60 75 90 9 10 11 12 13 14 15 16 13-Nov 86% 18-Nov 81% 13-Dic 49% 13-Dic 47% 11-Ene 90% 11-Ene 87% 4-Feb 69% 4-Feb 63% 0 15 30 45 60 75 90 9 10 11 12 13 14 15 16 13-Nov 86% 18-Nov 81% 13-Dic 49% 13-Dic 47% 11-Ene 90% 11-Ene 87% 4-Feb 69% 4-Feb 63% 13-Nov 86% 18-Nov 81% 13-Dic 49% 13-Dic 47% 11-Ene 90% 11-Ene 87% 4-Feb 69% 4-Feb 63% Escenarios Simulados Días desde el posible primer parto Figura 19. Box-plot representando la distribución de partos de los escenarios simulados correspondientes a cubriciones de corta duración. Arriba: Fecha media de parto y % de Fertilidad de los escenarios 9-16. En la gráfica: En gris se representan los días entre los cuales tiene lugar la paridera, las barras el número de días desde el posible primer parto hasta que tiene lugar el 5% y el 95% de los partos, la caja el 25% y 75% y la línea roja el 50% de los partos. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 112 Cabe destacar el escenario 13, (cubriciones con IA y flushing que comienzan en agosto), en el cual se obtiene un 90% de fertilidad en 69 días, frente al escenario 5 (Figura 18) en el que la fertilidad total es de 95% pero con una duración de la paridera de 154 días, es decir, más de el doble que en escenario 13. Tal y como se ha modelizado la concepción, al aumentar el periodo de cubriciones, se aumenta las oportunidades de quedar gestante y por lo tanto la fertilidad. Sin embargo, la probabilidad de quedar gestante disminuye en función del número de saltos fallidos, y por lo tanto a medida que se prolonga el periodo de cubriciones, más improbable es la concepción de las ovejas. Por esta razón se observa que un porcentaje importante (entre el 19% y el 39%) de la duración de la paridera corresponde a los últimos partos, los cuales suponen sólo el 5% del total. Este tipo de análisis es interesante de cara a ajustar los periodos de cubriciones si se desea obtener parideras más concentradas y homogéneas. En cuanto a su diseño, el modelo es el resultado de adaptar un modelo ya existente (Dzakuma y Harris, 1989a) a un sistema de manejo del que se dispone de datos para realizar su parametrización. Se trata de un modelo dinámico y estocástico que funciona con una base temporal de un día; mecanicista en la forma de simular el ciclo sexual de la oveja, la manifestación de celo y el momento de cubrición; y a la vez empírico en la parametrización de algunas de sus variables (probabilidad de concepción, prolificidad, etc.). El interés del modelo radica en que la modelización de la respuesta reproductiva se realiza de forma individual. Esto permite que tal y como ocurre en otros modelos dinámicos y estocásticos (Oltenacu et al., 1980; Pleasants, 1997; Cournut y Dedieu, 2004), al final de cada evento reproductivo tenga lugar una acción que bien sigue distribuciones de probabilidad o bien leyes empíricas que hacen que el estado fisiológico de la oveja cambie o no. Esta simulación de la trayectoria de cada animal de forma individual hace de este tipo de modelos de simulación herramientas de predicción más fiables a la hora de comparar diferentes estrategias reproductivas (Blanc et al., 2001). Del modelo original de Dzakuma y Harris (1989a) se ha tomado la fórmula de estacionalidad y se ha parametrizado para representar la presencia de celo de la raza Latxa. Además, se ha incluido el adelantamiento de la salida en celo inducida por el efecto macho (Martin et al., 1986) y por el efecto del TH, el cual es un aspecto que no estaba reflejado y se considera fundamental ya que sin él, la fuerte estacionalidad registrada en MODELO ANIMAL. Módulo de simulación del comportamiento reproductivo 113 la raza no permitiría simular cubriciones hasta el mes de septiembre. Sin esta modificación el modelo no sería válido para representar el comportamiento de rebaños que realizan IA e introducen los moruecos a partir de mayo o junio. La probabilidad de quedar gestante se simula de una manera diferente a la del modelo original, a partir de las probabilidades observadas en el rebaño experimental de la Granja Modelo de Arkaute. Este diseño permite obtener una distribución de la paridera similar a la encontrada en rebaños comerciales, y evita la excesiva concentración de partos que se ha observado al aplicar el modelo original (Dzakuma y Harris, 1989b) . Un aspecto fundamental que se ha incluido es el efecto de la CC o la realización de flushing en la fertilidad y prolificidad. A la hora de parametrizar este efecto, el metaanálisis es una técnica estadística interesante que permite obtener información cuantitativa a partir del análisis de varias experiencias realizadas (Lopez-Gatius et al., 2003). Sin embargo la rigurosidad que esta metodología requiere a la hora de establecer los criterios de aceptación de las referencias, hace que en producción animal (donde los ensayos están afectados por condiciones que presentan una gran variabilidad) sea difícil encontrar muchos análisis homogéneos, y por esta razón, más de la mitad de las referencias consultadas tuvieron que ser excluidas del análisis estadístico. En este sentido, es importante encontrar un equilibrio entre construir un modelo demasiado generalista que no refleje de manera suficientemente precisa las características del sistema, y diseñar un modelo demasiado específico que requiera de una parametrización muy compleja, para la cual no siempre hay datos disponibles. Para la evaluación del funcionamiento del módulo de reproducción, se ha realizado una validación funcional (Banks, 1998) que constituye el tipo de validación apropiada cuando no se dispone de datos equivalentes o cuando no es posible trabajar con una muestra aleatoria de los datos iniciales. Supone comprobar la influencia que los cambios en los parámetros tienen en las salidas y el correcto funcionamiento del modelo. Además una parte de las salidas se han considerado comparables con algunos datos de explotaciones reales de los que se dispone. Tras la validación realizada, se considera que el modelo simula correctamente los valores de fertilidad observados en rebaños reales y la dispersión de la paridera en función del manejo realizado. La respuesta del modelo ante variaciones en el tipo de Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 114 cubrición, la duración de las cubriciones, la fecha de entrada de los moruecos o el estado nutritivo de las ovejas se considera adecuada y permite simular un amplio rango de manejos reproductivos dentro de las posibilidades que ofrece el sistema de la Latxa. 3.4.5 Conclusiones parciales  Para la simulación del comportamiento reproductivo, se ha diseñado un modelo dinámico, mecanicista y estocástico, que permite representar de manera satisfactoria el anestro que muestra la raza Latxa mediante una función que se ajusta a la presencia de celo real.  Además, el módulo de comportamiento reproductivo permite simular el efecto que la CC y el flushing tienen sobre los resultados reproductivos.  Existen muchos estudios del efecto de la nutrición en los resultados reproductivos de las ovejas, sin embargo, su análisis y agregación mediante la técnica del meta-análisis se ve condicionado por las diferencias existentes entre cada experiencia.  Los resultados de fertilidad obtenidos con el modelo para un manejo similar al de la Latxa están dentro de lo encontrado en los rebaños comerciales.  El modelo responde de manera flexible y coherente a diferentes condiciones como son la época y el tipo de cubrición, la duración del periodo de cubriciones o la realización o no de flushing; tanto en lo referente a distribución y duración de la paridera como a la fertilidad obtenida.  El diseño del modelo representa el manejo reproductivo de una forma realista, ya que permite tomar decisiones como realizar flushing, separar el morueco para realizar efecto macho o realizar IA a un porcentaje del rebaño.  Es un módulo que requiere de una gran cantidad de parámetros adaptados al comportamiento de la raza, por lo tanto su aplicación para otros sistemas pasa por obtener datos válidos con los que parametrizar el modelo. 4. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 117 4 MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 4.1 INTRODUCCIÓN En el capítulo anterior de la presente tesis se ha desarrollado un modelo animal a partir de tres módulos que permiten simular aspectos fundamentales de la fisiología ovina, como son la ingestión, la partición de nutrientes y la reproducción. Sin embargo desde el punto de vista del apoyo a la toma de decisiones, estos módulos biológicos son insuficientes a la hora de proveer soluciones frente a problemas concretos de gestión (Bernués et al., 1995). Por eso es necesario agregar o integrar los modelos parciales que simulan los distintos subsistemas para que estos tengan validez en el proceso de toma de decisiones. Los modelos de dinámicas de rebaño pretenden contribuir a alcanzar este objetivo mediante la simulación de animales individuales manejados con reglas que afectan al rebaño completo o a los lotes que lo integran. El interés de estos modelos reside en su utilidad para estudiar el comportamiento a largo plazo de los sistemas simulados y para comparar diferentes decisiones de manejo (Romera et al., 2004), como por ejemplo la planificación de la época de cubriciones o el manejo de alimentación de los lotes. Muchos modelos de simulación de rumiantes consideran el rebaño como un grupo de individuos cuyo rendimiento está basado en el rendimiento medio animal, de modo que consideran el rebaño como un conjunto de individuos de las mismas características, con lo que la variabilidad de los individuos no está suficientemente representada (Puillet et al., 2010). En este sentido se ha comprobado que la respuesta media de un rebaño simulado estocásticamente no es equivalente a la respuesta de una simulación determinista (Villalba, 2000). Teniendo eso en cuenta, la programación orientada a objetos (POO) se presenta como el paradigma de programación más adecuado para la simulación de sistemas complejos (Romera et al., 2004) y permite relacionar los distintos submodelos y simular cada animal de manera individual. De esta manera cada objeto de la clase oveja, se genera con el grado de variabilidad deseada, representando el comportamiento del rebaño mediante una aproximación más realista. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 118 El rebaño generado de esta manera, junto con los recursos disponibles y los precios de mercado que se establecen de partida, podrían configurar el marco o escenario de simulación con el que trabajar. Por otro lado, además de simular, es interesante optimizar el manejo de un rebaño en un escenario dado. El interés de las técnicas de optimización radica en que permiten reflexionar acerca de hasta que punto las estrategias de producción de una determinada explotación se pueden mejorar dadas unas condiciones. Algunos autores (Herrero et al., 1994) han utilizado las salidas de diferentes simulaciones como entradas en modelos de optimización multiobjetivo para establecer las combinaciones de factores y las estrategias de producción que proporcionan el mejor compromiso entre los diferentes recursos de acuerdo a los objetivos fijados por el ganadero. Sin embargo otros autores (Woodward et al., 2008) consideran que utilizar los modelos de simulación para buscar la explotación “óptima” podría ser inapropiado dada la complejidad que supone contemplar los múltiples puntos de vista de los diferentes actores y la naturaleza dinámica de los problemas de los sistemas agrarios. Dada la enorme cantidad de combinaciones de valores que existen para las variables de manejo de una explotación, la búsqueda mediante los clásicos métodos exhaustivos no parece ser la más viable (Hart et al., 1998). La clave del éxito en la búsqueda estaría en comparar las soluciones tratando de encontrar la solución de compromiso entre aspectos tales como: los ingresos percibidos por los productos, los costes que implican los insumos, la utilización de recursos propios y el requerimiento de mano de obra (Villalba et al., 2010). Para ello, el modelo debería estar integrado en un algoritmo de optimización que pueda identificar la combinación de opciones de manejo que proporcione un mayor rendimiento económico y/o técnico (Mayer et al., 2001) y también, un menor impacto ambiental. A la hora de escoger que tipo de técnica de optimización utilizar, la computación evolutiva se presenta como una alternativa a los métodos clásicos. En concreto los AAGG han demostrado ser más eficientes en la búsqueda de soluciones óptimas (Mayer et al., 1996; Hart et al., 1998). En este capítulo se presenta la integración de los módulos de simulación animal en un software diseñado como un modelo de rebaño y su inclusión dentro de un método de MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 125 mayoría de las aplicaciones de la CE basta con encontrar una solución satisfactoria que se encuentre dentro de los límites de aceptación definidos. 4.3.1.2 Los Algoritmos Genéticos, un tipo de Algoritmo Evolutivo Los Algoritmos Genéticos (AAGG) fueron introducidos por primera vez por John Holland en los años 70 (Holland, 1992) y dados a conocer al gran público gracias a David Goldberg (Goldberg, 1989). Desde entonces han demostrado ser un método robusto y eficiente en la resolución de distintos tipos de problemas (Bäck y Schwefel, 1993; Michalewicz, 1996). Como todos los algoritmos evolutivos, su funcionamiento se basa en la imitación del proceso de selección natural que permite a las especies adaptarse al medio que las rodea. En la naturaleza, los individuos compiten entre ellos por diferentes recursos necesarios para la supervivencia, como el agua y la comida, y los miembros de una misma especie también compiten por aparearse. De todos ellos, los que tienen más éxito en sobrevivir y aparearse conseguirán un mayor número de descendientes. Esto significa que los genes de los individuos de mayor adaptación al medio serán heredados por un número creciente de individuos en cada generación. Así como la combinación de buenas características de generaciones pasadas puede generar una descendencia altamente adaptada al medio, también es posible que la combinación de genes de individuos bien adaptados genere otra descendencia con peores características. En ese caso, estos individuos tenderán a desaparecer. Al aplicar el mecanismo de la selección natural en la resolución de un problema, cada solución de dicho problema se considera un individuo con un valor que indica su grado de bondad. Los individuos mejor adaptados, esto es, los que mejores soluciones representan, tienen mayor oportunidad de reproducirse, o cruzarse con otros individuos de la población (de individuos-soluciones) que probablemente representan también buenas soluciones al problema. Así, se genera una descendencia cuyos individuos comparten características de cada uno de los padres. Las nuevas generaciones presentan, por tanto, una proporción mayor de individuos mejor adaptados, y con el paso de las generaciones, permanecen en la población los individuos que aportan mejores Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 126 soluciones. Si el AG ha sido bien diseñado, la población convergerá hacia la solución óptima del problema. Los AAGG son algoritmos de búsqueda global, los cuales constituyen un método de búsqueda más robusto (encuentra de manera más fiable el óptimo global) que los algoritmos de búsqueda local. Este hecho los hace adecuados para la resolución de problemas donde el espacio de búsqueda es discontinuo, contiene muchos máximos o mínimos locales o presenta regiones para las cuales no hay solución a los valores de entrada (Hart et al., 1998), características que se suelen dar en los modelos de simulación de sistemas agronómicos (Mayer et al., 2001). 4.3.1.3 Características y funcionamiento de los AAGG Los AAGG comienzan con una muestra aleatoriamente elegida en el espacio de soluciones, para ir transformándola paso a paso hasta llegar a un estado estacionario en el cual la muestra contiene alguna de las soluciones del problema. Un AG no actúa, en general, directamente sobre el espacio de soluciones, sino sobre una codificación de éste, haciendo interaccionar entre sí y operando sobre las cadenas resultantes de dicha codificación. Esta acción tiene como consecuencia la progresiva transformación del conjunto de elementos evaluados, hasta llegar al estado final. Para ello, los algoritmos genéticos se valen de la acción de los llamados operadores genéticos, tales como reproducción, cruce y mutación, a la que es sometida la población. 4.3.2 Funcionamiento del AG básico o AG canónico El funcionamiento de un AG consiste en los siguientes pasos (Figura 22): 1. Inicialización o generación de la población: se parte de una población de n individuos generados aleatoriamente los cuales representan las posibles soluciones del problema. 2. Evaluación: cada individuo (representado por un cromosoma virtual) se evalúa en relación al total de la población para saber en qué grado es adecuado. Esa evaluación se traduce en un valor llamado “fitness”. Su probabilidad de ser seleccionado como individuo progenitor en el fututo será proporcional a su valor “fitness”. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 127 3. Criterio de Parada: El AG se deberá detener cuando se alcance la solución óptima, pero ésta generalmente se desconoce, por lo que se deben utilizar otros criterios de detención. Normalmente se usan dos: ejecutar el AG un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población o haya convergido. Se dice que un AG converge cuando su población está formada por individuos muy cercanos a un punto. Mientras no se cumpla el criterio de parada se hace lo siguiente: 4. Selección de individuos progenitores: dependiendo del valor fitness de un individuo, éste puede ser seleccionado ninguna, una o más de una vez en función de la configuración del operador. 5. Cruce: el operador de cruce o recombinación es el principal operador genético y su función es la de combinar a los individuos progenitores para generar la descendencia. La manera en que combina el código genético de los individuos progenitores es la que determinará el proceso de búsqueda del AG. Un cruce simple sería el que tiene lugar entre dos puntos del cromosoma elegidos al azar. 6. Mutación: consiste en la modificación al azar de parte del cromosoma de los individuos y es el mecanismo que emplean los AAGG para evitar los problemas de convergencia prematura. El problema de la convergencia prematura se manifiesta cuando no existe suficiente diversidad genética y el proceso de búsqueda se estanca en un área muy reducida del espacio de búsqueda. La mutación permite encontrar nuevas regiones del espacio de soluciones, que de otro modo serían inaccesibles. 7. Búsqueda Local: la búsqueda global que se realiza por medio de los operadores genéticos tradicionales del algoritmo genético es, en ocasiones, complementada con un operador que se encarga de realizar búsquedas en áreas restringidas del espacio de búsqueda: el operador de búsqueda local. El proceso de búsqueda en zonas concretas del espacio de búsqueda se conoce como explotación, en contraposición al término empleado para referirse al proceso de búsqueda en todo el espacio de búsqueda: exploración. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 128 8. Reemplazo: consiste en reemplazar los descendientes en la nueva generación. La población total que formará parte de la segunda generación será del mismo tamaño ya que los peores individuos son eliminados de la población. En algunas configuraciones se impide la existencia de individuos repetidos (mismo genotipo) a la hora de reemplazar la población. Generar población inicial Evaluar los individuos Criterio parada Reemplazar Población Población Final Solución Aplicar Operadores Genéticos Selección, Cruce y Mutación Nueva población Generar población inicial Evaluar los individuos Criterio parada Reemplazar Población Población Final Solución Aplicar Operadores Genéticos Selección, Cruce y Mutación Nueva población Figura 22.- Esquema general de funcionamiento de los AAGG. 4.3.3 Implementación del AG en el simulador PASTOR 4.3.3.1 Codificación del problema En este caso el problema a resolver consiste en encontrar la mejor estrategia de manejo alimenticio y reproductivo dentro de un escenario conformado por el tipo de rebaño, la disponibilidad de recursos y los precios del mercado. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 129 Dado que la estrategia de manejo se puede describir a partir de las entradas del modelo, el manejo buscado será representado por un conjunto de las mismas. Por lo tanto los individuos del AG o cromosomas son el resultado de la codificación en representación real de las 23 variables de manejo que se muestran en la Tabla 22. El AG busca valores reales para cada una de esas variables entre el valor máximo y el mínimo indicado. Son posibles tantos valores como exprese la resolución de la variable. La precisión de una variable vendrá dada como (máximo – mínimo)/resolución. Al acotar la resolución de las variables se consigue reducir el espacio de búsqueda. Tabla 22.- Variables que forman parte de la codificación de cada individuo del AG, valores máximos y mínimos que puede tomar la variable y resolución. Variable Resolución 1 Mínimo Máximo Concentrado Flushing (kg) 10 0 0,5 Concentrado Lactancia_1 (kg) 20 0 1 Concentrado Lactancia_2 (kg) 20 0 1 Concentrado Lactancia_3 (kg) 20 0 1 Concentrado Gestación (kg) 10 0 0,5 Concentrado Mantenimiento (kg) 10 0 0,5 Concentrado Preparto (kg) 10 0 0,5 Forraje Flushing (kg) 20 0 1 Forraje Lactación_1 (kg) 50 0 2,5 Forraje Lactación _2 (kg) 50 0 2,5 Forraje Lactación_3 (kg) 50 0 2,5 Forraje Gestación (kg) 40 0 2 Forraje Mantenimiento (kg) 40 0 2 Forraje Preparto (kg) 40 0 2 Periodo Lactancia 1 (%) 20 0 1 Periodo Lactancia 2 (%) 20 0 1 Periodo Lactancia 2 (%) 20 0 1 Preparto (días) 61 30 90 Emplear IA (si o no) 2 0 1 Inicio Cubriciones (día) 216 150 365 Moruecos presentes (días) 216 1 215 Secado (litros) 20 0 1,1 1 Resolución: Número de valores entre el mínimo y el máximo que puede tomar la variable. 4.3.3.2 Evaluación del grado de adecuación del individuo Para cada individuo o solución propuesta, la simulación del rebaño genera una serie de salidas con las que se evalúa el grado de “fitness” o aptitud. Las variables que se han tenido en cuenta a la hora de evaluar la aptitud de cada solución se presentan en la Tabla 23. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 130 La sobrealimentación en términos de EM y/o de PM con respecto a las necesidades de la oveja se multiplican por sendos factores de conversión para dotar a esas unidades de un valor económico. La fórmula que se emplea para esta transformación es la de tomar un alimento modelo (en el caso de la energía la cebada y en el caso de la proteína la soja) que sirva de factor de conversión de los MJ de energía [11] o gramos de proteína [12] excedentarios, en kg de alimento. Una vez obtenido el resultado en kg, éste se multiplica por el factor de ponderación que transforma todas las unidades a €. Tabla 23.- Variables que forman parte de la función fitness y factor de ponderación Variable Objetivo Unidades Unidades AG (factor de ponderación) Ingresos por venta de leche maximizar € *1 Ingresos por venta de corderos maximizar € *1 Gastos de forraje minimizar € *1 Gastos de concentrado minimizar € *1 Gastos de inseminaciones minimizar € *1 Exceso de PM minimizar mg proteína 0,001 Exceso de EM minimizar MJ energía 0,0153 Muertes minimizar Oveja 100 0153,0/€2,0* /05,13 1=         =kgCebada kgCebadaMJ MJ aPesoEnergí [11] 001,0/€4,0* /400 Pr1 Pr =         =kgSoja kgSojag oteínag oteínaPeso [12] Para ponderar el valor de una oveja adulta muerta se ha tomado un valor medio de 100 €. Ponderando cada variable por su factor de conversión y teniendo en cuenta si la variable representa un efecto positivo (i.e. eurosCorderos) o negativo (i.e. eurosConcentrado) se calcula el valor fitness de cada solución [13]. El AG busca los individuos con valores fitness más altos. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 131 )_* min_*min_* Pr_*Pr_* _*_* _* MuertespesoMuertes acionesInsepesoacionesInsegíaexcesoEnerpesogíaexcesoEner oteínaexcesopesooteínaexcesontradoeurosConcepesontradoeurosConce jeeurosForrapesojeeurosForraeurosLechepesoeurosLeche roseurosCordepesoroseurosCordeFitness −− −− −−+ = [13] 4.3.3.3 Configuración del optimizador y operadores genéticos El operador de cruce empleado es una adaptación a valores reales del operador basado en un punto, el cual está definido originalmente para valores binarios. Este operador de cruce toma dos individuos progenitores, selecciona un punto de corte al azar en sus cromosomas, e intercambia las subcadenas generadas dando lugar a dos individuos descendientes. Existe un valor de probabilidad de cruce, que normalmente toma el valor de 1, que determina si el cruce será realizado o no. En cuanto al operador de selección empleado, se trata del conocido como método de la ruleta. Este método escoge a los individuos con una probabilidad proporcional a su fitness f i, siendo esa probabilidad f i / f T con f T la suma de los fitness de los individuos de la población. Dado que este operador de selección se ha empleado en combinación con el operador de cruce basado en un punto, el número de individuos progenitores a seleccionar es normalmente 2. Las mutaciones son realizadas empleando un operador que se define mediante dos valores de probabilidad: uno que determina si el individuo ha de ser mutado, y otro que determina si un gen en concreto ha de ser mutado. De producirse la mutación, ésta se realiza de forma aleatoria entre los valores posibles para un gen. El operador de búsqueda local realiza pequeñas modificaciones aleatorias en los genes de los individuos (existe un factor que determina el porcentaje de cambio máximo admitido para cada gen en tanto por uno) y presenta dos posibles modos de funcionamiento: impaciente o perezoso. En modo de funcionamiento impaciente, tras cada cambio en un gen, el individuo vuelve a ser evaluado. En modo de funcionamiento perezoso el individuo es evaluado una vez se hayan modificado todos los genes del individuo. En ambos casos, tras la evaluación, si el fitness del individuo ha mejorado, el Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 132 cambio realizado se fija permanentemente en el cromosoma del individuo. Este proceso se repite tantas iteraciones como indique un parámetro definido para tal fin. El cálculo del fitness de los individuos toma en cuenta el resultado medio de un número configurable de simulaciones de cada individuo a evaluar, éstas se denominan repeticiones. Dado que la simulación de un individuo está afectada por eventos estocásticos (éxito de las inseminaciones, abortos, gestaciones, etc.), el hecho de trabajar con valores medios de fitness, en lugar de con valores únicos, hace que el proceso de evaluación esté menos condicionado por excepciones que puedan ocurrir en alguna de las simulaciones. Las condiciones de parada del optimizador empleadas en PASTOR son dos: por número de iteraciones máximas o por estabilidad; esta última condición actúa cuando el valor de fitness permanece invariable durante un número determinado de iteraciones (por defecto 500). 4.3.3.4 Variables de configuración del AG Las variables que hay que configurar antes de lanzar una optimización son las siguientes:  Natalidad: número de individuos que nacen tras cada cruce.  Número de individuos que tiene la población.  Número de padres en cada cruce (normalmente son 2)  Probabilidad de cruce entre los individuos (normalmente es 1).  Probabilidad de mutación del gen.  Probabilidad de mutación del individuo (normalmente es 1).  Admitir individuos repetidos (si o no).  Factor de búsqueda local (valor entre 0 y 1)  Búsqueda local en modo impaciente o perezoso.  Iteraciones del operador de búsqueda local.  Iteraciones del AG (número de iteraciones máximo del algoritmo genético).  Repeticiones (número de evaluaciones de cada individuo con el que calcular el fitness medio). MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 133 4.4 EVALUACIÓN DEL SOFTWARE PASTOR Con el objetivo de evaluar el funcionamiento de la herramienta diseñada, se ha configurado un escenario de simulación con unas características similares a las de una explotación conocida, de la que se cuenta con información con la cual comparar las salidas. Además para comprobar el funcionamiento del optimizador, se han configurado varios escenarios de optimización basados en dos explotaciones diferentes y se han optimizado bajo diferentes circunstancias. 4.4.1 Configuración del escenario de simulación De cara a realizar una simulación de una explotación conocida, se ha tomado como modelo el rebaño experimental de Neiker. Dicho rebaño consta de alrededor de 150 ovejas y 50 corderas. Ubicada en una zona con un clima de transición atlántico-mediterráneo, la base territorial comprende 15 ha repartidas entre 5 ha de praderas de cultivo y 10 ha de praderas de pastoreo. El manejo reproductivo se realiza conforme a lo descrito en el apartado “Parametrización de la probabilidad de concepción para la raza Latxa” del capítulo 3. Tras el parto, las ovejas pasan directamente al ordeño. Durante este periodo se encuentran en estabulación permanente y se mantienen así hasta finales de marzo y en abril comienzan a salir al pasto. El 28 de junio se produce el secado y a partir de ese momento las ovejas permanecen el máximo tiempo posible fuera del establo. En cuanto al manejo alimenticio, a los animales que entran al ordeño se les suplementa con forrajes y concentrado y a medida que aumenta la ingestión de pasto se van reduciendo estos aportes. En la Tabla 24 se muestra la alimentación que reciben en pesebre los diferentes lotes de animales. Durante los meses en que es posible el pastoreo (de abril a noviembre) a estos aportes hay que añadirle la ingestión en pastoreo. Con estas características se ha creado en el software PASTOR (Anexo III) un escenario cuya configuración se muestra en la Tabla 25 en el que se simula un rebaño de 100 animales con un peso medio de 65 kg (SD= 3 kg), una CC de 2,5 (SD= 0,2) y un pico de producción potencial de 2,5 l (SD= 0,2 l). Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 134 Tabla 24.- Raciones de alimentación ofrecida en pesebre por lotes en el rebaño de Neiker (kg MS/día) Concentrado Alfalfa Silo Hierba Silo Maíz Silo Veza-Avena Cereal Paja Lactantes 1 0,7 0,6 1 Lactantes 2 0,7 0 0,5 Lactantes 3 0,5 Secas* 0,8 0,3 Flushing 0,5 0,3 Gestantes 0,5 Preparto 0,2 0,3 0,5 0,5 0,15 *sólo mientras están estabuladas, de enero a marzo, el resto del año pastoreo Tabla 25.- Configuración de las variables de manejo del rebaño VARIABLE Valor Concentrado Flushing (g) 0,3 Concentrado Gestación (g) 0,0 Concentrado Preparto (g) 0,6 Concentrado Lactancia_1 (g) 0,8 Concentrado Lactancia_2 (g) 0,6 Concentrado Lactancia_3 (g) 0,4 Concentrado Mantenimiento (g) 0,0 Forraje Flushing (g) 0,5 Forraje Gestación (g) 0,5 Forraje Preparto (g) 0,3 Forraje Lactación_1 (g) 0,8 Forraje Lactación _2 (g) 0,4 Forraje Lactación_3 (g) 0,0 Forraje Mantenimiento (g) 0,0 Periodo Lactancia 1 (%) 50 Periodo Lactancia 2 (%) 30 Periodo Lactancia 2 (%) 20 Emplear IA Si IA (%) 100 Inicio Cubriciones (día) 20-ago Días moruecos presentes 133 Alimentación Flushing (días) 40 Alimentación preparto (días) 60 Día de secado 28-Jun Secado (l) 0,18 En la Tabla 26 se presentan los parámetros de calidad de los alimentos utilizados en la simulación así como la cantidad y las características del pasto disponible por mes. La calidad de los alimentos se ha tomado de muestras representativas caracterizadas mediante las analíticas nutricionales habituales así como mediante la TPG. La carga ganadera se establece en 2,75 (tomando como referencia el rebaño real en el que cada MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 141 En cuanto a la fertilidad y prolificidad media observadas, éstas fueron de 93% y 1,27 corderos nacidos por oveja parida respectivamente. Figura 23.- Distribución de partos del rebaño simulado durante el tercer año de simulación En la Figura 24 se muestran los valores medio de evolución de la CC, el peso, la producción lechera y la ingestión (kg MS/día) junto con los datos reales tomados del rebaño experimental de Arkaute. En términos generales, se observa que los resultados de las simulaciones con relación a los tres parámetros analizados (peso, CC y producción lechera) reflejan de manera aceptable las tendencias o evoluciones observadas a partir de los datos reales. La CC simulada presenta un valor medio máximo de 2,75 antes de que comiencen los partos, y a partir de ese momento experimenta un ligero descenso durante el pico de lactación (0,25 puntos) hasta el mes de abril, que es cuando más cantidad de pasto disponible hay. De abril a julio el modelo simula una tendencia creciente de la CC hasta un valor de 2,63. A partir de este momento la CC baja bruscamente debido a la peor calidad y disponibilidad del pasto, el cual no permite por sí solo satisfacer las necesidades de mantenimiento de los animales, a pesar de que en ese momento las ovejas se encuentran secas. La bajada de la CC se ve atenuada alrededor del 1 de agosto gracias a la dieta de Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 142 flushing que reciben las ovejas que presentan una CC menor de 2,5 puntos. A partir de la IA, gracias a la suplementación de concentrado que se realiza durante la gestación y a la mejor calidad y disponibilidad del pasto de los meses de septiembre y octubre, la CC del rebaño aumenta durante la gestación. 50 55 60 65 70 75 80 0 0,5 1 1,5 2 2,5 3 3,5 4 kg de Peso kg MS/día - Nota de CC - Litros de leche CONCENTRADO ALFALFA PASTO O SILO CC_Simulado Leche_Simulada CC_Real Leche_Real Peso_Real Peso_Simulado Figura 24.- Resultados de simulación: evolución media de la CC, el peso, la producción lechera y la Ingestión de MS como suma de la ingestión de concentrado, alfalfa y pradera o silo de hierba. Resultados reales: media de la CC, el peso y la producción lechera observados durante 6 años en el rebaño de Neiker El peso simulado sigue una evolución paralela a la de la CC, aunque en este caso se añade el peso del cordero y los anejos, motivo por el cual se observa una bajada de peso durante la paridera más pronunciada que la de la CC, de 71 kg que presentan antes de la paridera a 65 kg que presentan en plena lactación. La producción de leche simulada presenta la curva habitual, con una mayor producción en el pico, y se observa también que los periodos de alimentación en lactación se adaptan bien a la producción lechera media. Sin embargo, el rebaño no alcanza el valor potencial de 2,5 litros en el pico. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 143 Además de los datos medios, en las Figuras 44-46 del Anexo III pueden observarse las evoluciones de la CC, el peso y la producción de cada una de las 100 ovejas del rebaño En la Figura 46 se observa que algunas ovejas paren cuando ya está avanzado el periodo de alimentación 1, o incluso en el periodo 2 y 3, y que esas ovejas no pueden expresar todo su potencial debido a que su pico de producción se produce cuando la dieta está diseñada para cubrir las necesidades de mitad o final de lactación. En cuanto a la evolución individual de la CC, durante el primer año de simulación hasta que tienen lugar los primeros partos, todas las ovejas del rebaño, pese a ser distintas en CC y peso, presentan una evolución paralela (Figura 44). Pero la diferencia que muestran entre ellas en la fecha de parto y en la dieta aportada, hace que algunas tengan que movilizar más reservas que otras y durante el primer periodo de lactación se comienzan a observar simultáneamente ovejas que ganan CC y otras que pierden. En cuanto a la comparación de estas salidas con los datos reales del rebaño experimental de Neiker, en la Figura 24 se muestran los valores medios controlados durante un periodo de 6 años (2007-2012). Las estimaciones en dichos puntos presentan una desviación media con respecto a los datos reales de 1,42 kg en peso (c.v.=2%), 0,14 puntos en CC (c.v.=6%) y 0,10 litros en leche (c.v.=7%). Estos resultados se consideran satisfactorios teniendo en cuenta que el rebaño simulado guarda algunas diferencias con el rebaño real (composición de la dieta, disponibilidad de praderas del rebaño real variable), y que lo que se pretende evaluar es el comportamiento general más que la predicción exacta, para lo cual se han realizado previamente las validaciones de los módulos que integran el modelo. En definitiva, como resultado de las simulaciones realizadas se puede concluir que el programa diseñado permite simular las tendencias o evoluciones de los tres parámetros (peso, CC y producción lechera) de manera aceptable, así como la distribución de la paridera y la ingestión en cada periodo, por lo que podría utilizarse para experimentar con manejos alternativos y como herramienta de asesoramiento. En el Anexo III se muestran todas las salidas gráficas correspondientes a la simulación realizada. Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 144 4.6 RESULTADOS DE OPTIMIZACIÓN Para realizar las 24 pruebas se han necesitado 8 días de computación. Cada una de las optimizaciones ha tardado aproximadamente 8 horas en encontrar una solución optimizada (1 hora más de lo estimado). Cabe destacar que en todas las pruebas realizadas el AG convergió antes de las 2000 iteraciones. En la Tabla 34 se muestra la descripción estadística de las tres variables que caracterizan a las 50 ovejas que resultaron al generar el rebaño inicial con el que se realizan las pruebas de optimización. Tabla 34.- Descripción estadística de la producción potencial en el pico de lactación, el peso y la condición corporal inicial de las 50 ovejas del rebaño Pico de lactación (l) Peso (kg) CC Media 1,99 59,78 2,39 Mediana 2,02 59,85 2,38 SD 0,46 2,80 0,45 Rango 2,34 11,83 1,86 Mínimo 0,75 55,41 1,46 Máximo 3,09 67,24 3,33 4.6.1 Soluciones encontradas En la Tabla 35 se muestran las variables de manejo correspondientes a las soluciones encontradas por el AG para cada prueba y en la Tabla 36 los resultados técnico-económicos que se obtienen al aplicar dichas soluciones. Los valores se expresan como €/oveja/año para simplificar la interpretación de los mismos. En cuanto a las soluciones o manejos encontrados, lo primero que destaca es que el manejo reproductivo varía en función del escenario. Tanto en E1 como en E3 (los escenarios donde no hay restricción en la fecha de secado), las cubriciones comienzan a finales de agosto en la explotación de costa y aproximadamente un mes después en la de interior (Tabla 35). Cuando se fija el secado el 10 de julio (E2 y E4) el AG encuentra soluciones en las que la fecha de IA tiene lugar alrededor de la segunda mitad de junio en ambas explotaciones. Esto supone un adelanto del inicio de cubriciones de entre 2-2,5 meses en los rebaños de costa, y más de 3,5 meses en los de interior, comparando E1-E3 con E2-E4. MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 145 Como resultado de lo anterior, se observan diferencias en la fecha de inicio del periodo de lactación y en la duración de la campaña de ordeño. En el escenario E1, el inicio de los partos tiene lugar más temprano en el caso del rebaño de costa (26 de enero) que en el de interior (2 de marzo). Lo mismo ocurre en el escenario E3, y en ambos casos (E1 y E3) parece que se trata de una estrategia orientada a producir leche a partir de pasto. En los escenarios E2 y E4, los partos comienzan en noviembre (Tabla 36) y en ambos casos la diferencia en el inicio entre explotaciones de costa e interior no es tan marcada como en los escenarios en los que no se fija el secado. En cuanto a la campaña de ordeño, ésta tiene una duración aproximada de 212 días en los escenarios con fecha de secado abierta, en los que la lactación se prolonga hasta la siguiente fecha de cubriciones, y en los escenarios donde se seca el 10 de julio ésta dura aproximadamente 20 días más. En ambos escenarios, la duración de la campaña de ordeño se puede considerar elevada, y es similar a la encontrada en los rebaños de tipo dispersos caracterizados por (Ruiz, 2000), que con campañas de entre 217 y 238 días son los que presentan periodos de ordeño más largos. La diferencia de manejo en función del escenario y del tipo de explotación se ve reflejada en la cantidad de alimento comprado que se emplea en cada solución. En la Figura 25 se observa que la explotación de costa, con mayor disponibilidad de recursos pastables, presenta una menor cantidad de alimentación comprada en comparación con la de interior (en cualquiera de los escenarios), y en ambas son necesarias mayores cantidades de alimento cuando las cubriciones comienzan antes (E2 y E4) ya que esto hace que aumenten la duración del periodo de estabulación así como las necesidades durante el invierno, momento en el que comienzan los partos. Estos resultados coinciden con lo observado por Oregui (1997) entre rebaños trasterminantes, en los cuales se vio que las necesidades de suplementación son mayores en los rebaños en los que el desfase entre partos y el crecimiento primaveral de la hierba es mayor; ya sea por un adelanto de los primeros, o por el retraso del segundo debido a su localización en zonas de climatología más adversa. Las cantidades de forraje y concentrado están en general muy ajustadas (Figura 25 y Tabla 35) sobre todo en el caso del concentrado, para el cual se encuentran valores de entre 9 y 67 kg/oveja/año (Figura 25). Estos resultados son inferiores a los que presentan Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 146 las explotaciones de ovino lechero de raza Latxa. En las explotaciones de la CAPV, el consumo mínimo estimado está por encima del máximo encontrado en las optimizaciones, con valores entre 74 y 108 kg/oveja/año en las explotaciones que venden leche y entre 90 y 152 kg/oveja/año en las explotaciones que venden queso (Lursail, 2013). Las explotaciones de Navarra por su parte presentan valores de consumo medio aún mayores, llegando hasta los 162kg/oveja/año (ITG Ganadero, 2009). 0 5 10 15 20 25 30 35 40 0 20 40 60 80 100 120 140 160 180 E1_C E2_C E3_C E4_C E1_I E2_I E3_I E4_I €/oveja/año kg alimento/oveja/año Concentrado Forraje Gasto Figura 25.- Gasto y kg de alimento comprado en los escenarios E1-E4 en las explotaciones de costa (C) e interior (I) Escenarios Secado libre (E1 costes normales, E3, costes altos) y secado 10 julio (E2 costes normales, E4, costes altos) La gran diferencia en el consumo de concentrado encontrada al comparar las explotaciones reales con las soluciones optimizadas podría deberse en primer lugar a una sobreestimación de la producción forrajera de las praderas disponibles. Pero también cabe contemplar otros factores relacionados con la toma de decisiones que no están incluidos en el modelo de optimización, como por ejemplo la gestión de la mano de obra que supone el pastoreo o las interacciones entre climatología y producción y disponibilidad de forraje. Estos factores estarían relacionados con un mayor consumo en pesebre en determinados momentos (periodos de mayor demanda de trabajo en el establo, como la paridera o el pico de producción de leche del rebaño, épocas de climatología adversa, etc.) y con una disminución del aprovechamiento de las praderas. A MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 147 pesar de las limitaciones del modelo a la hora de reflejar la realidad de las explotaciones, la diferencia encontrada es tan grande, que indica que podría existir en las mismas cierto margen de reducción del consumo de concentrado. En este sentido, Jouven y Baumont (2008) sugieren que puede haber una tendencia en algunos modelos a subestimar el uso de concentrados y sobreestimar la producción cuando se comparan con resultados de explotaciones reales. Entre las causas de este comportamiento observado en los modelos se apuntan diversos factores: i) la asunción de condiciones reproductivas y sanitarias óptimas, ii) los errores de predicción de los modelos biológicos, iii) la dificultad de llevar a cabo una aplicación estricta de las recomendaciones de alimentación en los rebaños reales y iv) la falta de consideración en las optimizaciones de restricciones que en los rebaños reales juegan un importante papel, como la mano de obra. En cuanto a los aportes de EM y PM, en todos los escenarios simulados estos son superiores a las necesidades estimadas. En la Figura 26 se muestra el porcentaje de sobrealimentación de EM y PM que se ha obtenido en las diferentes pruebas con respecto a los resultados de la prueba del escenario E1 en costa. Se observa que las pruebas de costa presentan una sobrealimentación mayor que las de interior, debido no tanto a la cantidad de alimento comprado sino a la cantidad de forraje disponible en las praderas. Probablemente éste sea el motivo por el cual en los escenarios E2 y E4 el exce0 20 40 60 80 100 120 E1_C E2_C E3_C E4_C E1_I E2_I E3_I E4_I Exceso con respecto a E1_C (%) Exceso EM Exceso PM Figura 26.- Resultados de excesos de EM y PM en relación a los valores del E1 en costa Escenarios Secado libre (E1 costes normales, E3, costes altos) y secado 10 julio (E2 costes normales, E4, costes altos) Desarrollo de un modelo de simulación y optimización adaptado al ovino lechero 148 so en EM y PM es mayor que en los escenarios E1 y E3 (Figura 26), ya que en estos últimos la época de mayor disponibilidad de forraje de las praderas coincide con el momento de mayor necesidad, y por lo tanto el manejo está más adaptado a los alimentos disponibles y en consecuencia el exceso de EM y PM es menor. 4.6.1.1 Resultados económicos: Dentro de las salidas económicas obtenidas se observa un gradiente en los resultados de MEc (Tabla 36), situándose los valores más altos en el rebaño de costa en el escenario E1, y los más bajos en el rebaño de interior en el escenario E4. Este gradiente se explica en primer lugar por las diferentes características de las explotaciones comparadas, ya que la explotación de costa dispone de recursos pastables durante más tiempo y en mayor cantidad que la de interior, lo que permite realizar un menor gasto en alimentación obteniendo sin embargo mayores ingresos por leche vendida. En segundo lugar las diferencias en MEc son debidas a los diferentes escenarios planteados. Los escenarios donde se fija el secado (E2 y E4) presentan un MEc más bajo en relación a los escenarios E1 y E3 debido al gasto en alimentación. Cabe destacar que se observa una mayor diferencia en el MEc entre tipos de explotación (interior o costa) que entre diferentes escenarios (secado y precios). En cuanto a la importancia de los dos tipos de ingresos considerados, se observa que la leche contribuye en un 80% a los ingresos totales y los corderos suponen el 20% restante. Según datos de los servicios de gestión técnico-económica, el 69% del producto bruto del ovino lechero corresponde a la venta de leche, el 15% a la venta de corderos, otro 15% a las subvenciones y el 1% restante a la venta de animales o forraje (Lana, 2008). Tomando estos datos como referencia y eliminando subvenciones y otros ingresos, la importancia que tienen en los rebaños reales la leche y los corderos sería del 82% el 18% respectivamente, un reparto muy parecido al que se observa en las soluciones optimizadas. Los ingresos por producción lechera de cada tipo de explotación varían muy poco entre los 4 escenarios, presentando en promedio un valor de 192 €/oveja en costa y de 188 €/oveja en interior. Teniendo en cuenta que el rebaño simulado es siempre el mismo, las diferencias encontradas son debidas a la disponibilidad de alimento y al manejo MODELO DE EXPLOTACIÓN. SIMULACIÓN Y OPTIMIZACIÓN 149 aplicado en cada escenario y explotación. En relación a los ingresos por corderos vendidos, en los escenarios E2 y E4 el AG encuentra soluciones en las que la IA tiene lugar al comienzo del verano y los corderos son vendidos en Navidad, alcanzando así un precio más alto que en los escenarios E1 y E3, y compensando el mayor gasto en alimentación que se realiza durante el invierno. El adelanto de los partos supone un aumento en el ingreso percibido por la venta de corderos de entre un 10,7% (E4_C vs. E3_C) y un 13,5% (E2_C vs. E1_C) en el caso del rebaño de costa, y en torno a un 21% en el rebaño de interior (tanto E4_I vs. E3_I como E2_I vs. E1_I). El gasto en IA no presenta diferencia entre pruebas, ya que en todos los casos se encontró como solución hacer IA, y ésta se realiza siempre al 50% del rebaño con un coste de 5 euros por oveja. Los gastos en forraje y en concentrado constituyen los resultados económicos que más varían entre escenarios y tipo de explotación. Las pruebas de costa muestran un gasto en alimentación de entre 6,7 y 14,8 €/oveja/año, lo cual es un valor muy bajo en relación a los valores que presentan las explotaciones reales, en las cuales el gasto en alimentación comprada alcanza los 56 €/oveja/año (Lana, 2008). En las pruebas de interior, el gasto en alimentación aumenta, aunque sigue siendo un valor bajo en comparación con la realidad (entre 18,5 y 36 €/oveja/año). En cuanto a los escenarios se observa que el gasto aumenta en E2 y E4 con respecto a E1 y E3 en torno a un 60% salvo en el caso de E2_C vs. E1_C, donde prácticamente se triplica. Ello es debido a que las épocas de mayores necesidades de los animales (fin de la gestación y comienzo de la lactación) no coinciden con los momentos de mayor disponibilidad de alimento y por lo tanto en esos escenarios de secado fijado se debe hacer un mayor gasto en alimentación. Tabla 35.- Variables de manejo encontradas en las 3 optimizaciones realizadas para cada prueba (media de 3 repeticiones) VARIABLE COSTA E1 COSTA E2 COSTA E3 COSTA E4 INTERIOR E1 INTERIOR E2 INTERIOR E3 INTERIOR E4 Concentrado Flushing (g) 50 233 283 183 67 183 217 167 Concentrado Gestación (g) 0 17 0 0 17 50 0 0 Concentrado Preparto (g) 150 100 183 417 317 33 283 183 Concentrado Lactancia_1 (g) 167 467 400 400 367 767 650 583 Concentrado Lactancia_2 (g) 533 33 217 100 350 117 33 467 Concentrado Lactancia_3 (g) 333 283 33 100 600 167 167 33 Concentrado Mantenimiento (g) 17 83 17 50 217 100 200 117 Forraje Flushing (g) 150 33 83 17 200 217 367 183 Forraje Gestación (g) 17 83 17 0 83 317 83 100 Forraje Preparto (g) 50 83 33 100 317 200 400 200 Forraje Lactación_1 (g) 850 633 1500 450 667 433 567 933 Forraje Lactación_2 (g) 50 433 267 367 233 217 700 1183 Forraje Lactación_3 (g) 33 317 50 100 417 117 167 83 Forraje Mantenimiento (g) 150 133 150 33 250 400 317 317 Periodo Lactancia 1 (%) 11,2 29,9 1,4 25,6 42,0 45,7 14,2 11,9 Periodo Lactancia 2 (%) 39,1 47,2 38,6 31,5 28,4 42,4 37,2 37,9 Periodo Lactancia 3 (%) 49,7 22,9 60,0 42,9 29,6 11,9 48,6 50,2 Emplear IA Si Si Si Si Si Si Si Si Inicio Cubriciones (día) 26-Ago 13-Jun 23-Ago 26-Jun 30-Sep 19-Jun 8-Oct 22-Jun Alimentación preparto (días) 44 57 60 38 60 67 51 44 Secado (l) 0,18 0,20 0,17 0,17 0,28 0,29 0,20 0,07 Escenarios Secado libre (E1 costes normales, E3, costes altos) y secado 10 julio (E2 costes normales, E4, costes altos)