Predicción del índice de estrés térmico e impacto en la producción en tiempo real mediante la plataforma digital NEIKER-kABE
Eduardo Rosa1, David de Gracia2, Laura Rincon1, Pilar Merino1
(1)-NEIKER (2)-UPV-EHU
Es conocido el impacto de las variables ambientales sobre el
bienestar y los parámetros productivos del ganado. Uno de los indicadores
empleados para evaluar su efecto es el índice de estrés térmico (THI), que
correlaciona temperatura y humedad ambiental con las respuestas fisiológicas de
los animales. El incremento del THI se asocia directamente con reducciones
en la producción lechera y alteraciones en la calidad de la leche,
repercutiendo económicamente a las granjas. Esta problemática se agrava ante el
escenario actual de cambio climático, donde la frecuencia e intensidad de los
eventos de calor extremo muestran una tendencia ascendente y se observa cierta
desestacionalización en la ocurrencia de eventos de estrés. Frente a este
desafío, la digitalización y la ganadería de precisión ofrecen a los
productores una oportunidad para adaptarse y mitigar el impacto del estrés por
calor en los animales.
El objetivo del trabajo fue implementar en la plataforma
digital NEIKER-kABE, la integración automática del THI futuro en base a
metadatos de predicción meteorológica y los modelos de producción de granjas
para permitir a los ganaderos conocer con días de antelación cómo afectará el
estrés térmico a la producción de leche.
Se seleccionaron 3 ganaderías de vacuno de leche
representativas de la producción en el País vasco. Entre 80-120 vacas Holstein estaban
alojadas en naves con ventilación natural equipadas con robot de ordeño y
sistema de ventilación. Se instalaron 6 sensores de temperatura y humedad
inalámbricos distribuidos en cada nave y una estación meteorológica en el
exterior que enviaban datos en tiempo real a la plataforma NEIKER-kABE. Se
calculó el THI tanto exterior como interior de las naves y se analizaron junto
a la producción y temperatura de la leche individualizada por vaca de los años
2023 y 2024. Se modelizó la producción de leche en base a los parámetros
ambientales mediante machine learning. Se utilizó un subconjunto del 85%
de los datos para entrenar el modelo de random forest y evaluarlo en una
configuración de validación cruzada anidada. Una vez optimizado el algoritmo se
utilizó para pronosticar el impacto en la producción de la leche a partir de las
predicciones meteorológicas previstas para la semana próxima.
Los resultados mostraron que las condiciones ambientales
dentro de las naves difieren de las registradas en el exterior, con disminuciones
del THI interior en torno al 10% en momentos de calor. Esto resalta la
necesidad de monitorizar específicamente el microclima de las instalaciones
para calcular el THI con precisión. Además, se observó que el efecto del THI
sobre la producción de leche varía entre individuos y granjas: mientras algunas
vacas mostraron reducciones de hasta el 25% en la producción, otras exhibieron
resistencia térmica, con pérdidas mínimas (<5%). El modelo predictivo logró
una alta precisión (r2=0.79; RMSE=0.23) al estimar las caídas
productivas asociadas al THI para el conjunto de la granja.
En conclusión, la monitorización individualizada de la
producción y calidad de la leche junto a la monitorización ambiental de las
naves permiten mejorar el conocimiento sobre eventos futuros de estrés por
calor y su posible efecto sobre la producción de leche, existiendo covariables
que deben ser consideradas para mejorar la precisión del modelo.
