modelos de simulacion en la lechería tropical

1. Universidad Autónoma de Chiapas
Facultad de Medicina Veterinaria
Modelos de simulación para el manejo integral de
sistemas de producción de leche en pequeña escala.
Gilberto Yong Angel.
Tuxtla Gutiérrez Chiapas. 2014.

2. No. PAIS
PARTICIPACIÓN
%
ACUMULADO %
1 Estados Unidos 15 15
2 India 7.1 22.1
3 Fed. Rusia 6.2 28.3
4 Alemania 5.4 33.7
5 Francia 4.7 38.4
6 Brasil 4.4 42.9
7 China 3.7 46.6
8 Reino Unido 2.8 49.4
9 Nva. Zelanda 2.7 52.1
10 Ucrania 2.5 54.6
Introducción

3. 0
2000000
4000000
6000000
8000000
10000000
12000000
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Milesdelitros
Años
Produccion
Producción nacional de leche de bovino 1990-2010

4. -2
0
2
4
6
8
10
0
2000000
4000000
6000000
8000000
10000000
12000000
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Tasadecrecimiento
Milesdelitros
Años
Produccion Tasa
Producción nacional de leche de bovino 1990-2010 y tasa de
crecimiento anual.

5. Estrato Unidades de producción Vientres lecheros
Aporte a la
produccion
nacional
Vientres Número % Cabezas % %
Hasta 10 57,564 37.36 278,684 9.4 8.36
11 A 30 63,547 41.25 751,684 25.34 22.55
31 A 60 21,056 13.66 576,748 19.44 17.31
61 A 100 7,267 4.72 370,330 12.49 11.11
101 A 300 3,787 2.46 403,020 13.59 12.09
301 A 600 486 0.31 133,248 4.49 4
601 A 1000 158 0.1 88,200 2.97 2.65
Mas de 1000 180 0.12 364,203 12.28 10.93
Estratos Unidades de producción Vientres de doble propósito
Aporte a la
producción
nacional
Vientres Número % Cabezas % %
HASTA 10 29,434.00 27.92 153,957.00 6.24 0.69
11 A 30 44,731.00 42.43 582,243.00 23.61 2.6
31 A 60 18,646.00 17.69 544,704.00 22.08 2.43
61 A 100 7,260.00 6.89 383,605.00 15.55 1.71
101 A 300 4,581.00 4.35 496,325.00 20.12 2.21
301 A 600 568 0.54 154,299.00 6.26 0.69
601 A 1000 131 0.12 63,964.00 2.59 0.29
MAS DE 1000 79 0.07 87,380.00 3.54 0.39
Estructura de la población lechera nacional, según tipo de producción

6. Estrato Unidades de producción Vientres lecheros
Aporte a la
produccion
nacional
Vientres Número % Cabezas % %
Hasta 10 57,564 37.36 278,684 9.4 8.36
11 A 30 63,547 41.25 751,684 25.34 22.55
31 A 60 21,056 13.66 576,748 19.44 17.31
61 A 100 7,267 4.72 370,330 12.49 11.11
101 A 300 3,787 2.46 403,020 13.59 12.09
301 A 600 486 0.31 133,248 4.49 4
601 A 1000 158 0.1 88,200 2.97 2.65
Mas de 1000 180 0.12 364,203 12.28 10.93
Estructura de la población lechera nacional, con ganado especializado
142,167 =92%
1,607,116 = 54.18%
48 %

7. Estratos Unidades de producción Vientres de doble propósito
Aporte a la
producción
nacional
Vientres Número % Cabezas % %
HASTA 10 29,434.00 27.92 153,957.00 6.24 0.69
11 A 30 44,731.00 42.43 582,243.00 23.61 2.6
31 A 60 18,646.00 17.69 544,704.00 22.08 2.43
61 A 100 7,260.00 6.89 383,605.00 15.55 1.71
101 A 300 4,581.00 4.35 496,325.00 20.12 2.21
301 A 600 568 0.54 154,299.00 6.26 0.69
601 A 1000 131 0.12 63,964.00 2.59 0.29
MAS DE 1000 79 0.07 87,380.00 3.54 0.39
Estructura de la población lechera nacional, ganado doble proposito
92,811= 88%
1,280904 = 52%
0.72%

8. Porque modelar un sistema de producción de
leche en pequeña escala?
Social
Económico
Técnico

9. 1. La energía solar sea transformada por las plantas.
2. Las plantas realicen en forma eficiente la fotosíntesis.
3. Las condiciones ambientales lo permitan
4. Exista cantidad y calidad en la producción de biomasa
5. Cosecha oportunamente por el animal.
6. El animal transforme el pasto en carne o leche.
7. El productor tome las decisiones adecuadas y oportunas.

10. Modelo conceptual de las relaciones suelo clima planta animal.
Variables
Ambientales
Elongación
1ª. hoja
Elongación
2ª. hoja
Desarrollo
de hojas
Duración
de la hoja
Tamaño de
la hoja
Densidad
estolones
Hojas vivas
estolones
Producción
Animal por
Área
Animales por
Área
Producción por
Animal
Profundidad
de bocado
Desempeño
individual
Carga Animal
Cap. de
soporte
Tasa del
bocado
Búsqueda y
aprehensión
Tiempo de
pastoreo
Comportamiento
ingestivo
Características
morfo génicas
Masa de forraje
Características
estructurales
Calidad de
luz
Índice
Área
Foliar
Frecuencia
e intensidad de
la defoliación

11. HIPÓTESIS.
El empleo de un sistema de apoyo a la toma de decisiones
basado en modelos matemáticos de simulación es una
herramienta adecuada para el desarrollo de estrategias de
alimentación para sistemas de producción de leche en
pequeña escala de las regiones tropicales de México.

12. OBJETIVOS
Desarrollar un sistema de apoyo a la toma de decisiones, basados en
modelos matemáticos de simulación para la producción de leche en
pequeña escala en el trópico.
Objetivos específicos:
•Desarrollar un modelo matemático que permita simular el crecimiento del
pasto estrella bajo condiciones tropicales.
•Desarrollar un sistema de apoyo para la toma de decisiones de
productores en pequeña escala mediante la integración de dos modelos
matemáticos de simulación.
•Emplear el SATDLT para proponer estrategias de alimentación adecuadas
para las diferentes épocas del el año en los sistemas de producción de leche
en pequeña escala en zonas tropicales, en particular aquellas que
maximicen el uso del forraje en las praderas y disminuyan el uso de
concentrados.

13. Material y Métodos
MODELING GROWTH OF STAR GRASS (CYNODON PLECTOSTACHYUS (K. SCHUM) IN
THE SUBTROPICAL REGIONS OF CENTRAL MEXICO.
DEVELOPMENT OF PASTURE-BASED FEEDING STRATEGIES THROUGH
SIMULATION MODELS FOR TROPICAL SYSTEMS OF SMALL-SCALE MILK
PRODUCTION
G. Yong-Ángel,1 V.C. Pires-Silveira,2 F. Avilés-Nova,3 O. A. Castelán-Ortega.3*
¹Universidad Autónoma de Chiapas, ²Centro de Estudios Rurales, Universidad Federal de Sta. María,
Rio Grande del Sur, Brazil. ³Facultad de Medicina Veterinaria y Zootecnia, Universidad Autónoma del
Estado de México (UAEM
El trabajo esta desarrollado en dos fases:

14. Área de estudio
El municipio de
Tejupilco se ubica al
suroeste del estado de
México, está
comprendido entre los
paralelos 18º 45´30” y
19º 04´32” de latitud
norte, y entre los
meridianos 99º 59´ 07” y
100º 36´ 45..

15. Poza de
asimilación
Hoja Raíz Tallo
Muerte
Partición
Residuos
Modelo pasto estrella
N
Luz Temperatura
Fotosíntesis
Estructura
Dosel
Estructura
C

16. Poza de
asimilación
Hoja Raíz Tallo
Muerte
Partición
Residuos
Modelo pasto estrella
N
Luz Temperatura
Fotosíntesis
Estructura
Dosel
Estructura
C

17. Poza de
asimilación
Hoja Raíz Tallo
Muerte
Partición
Residuos
Modelo pasto estrella
N
Luz Temperatura
Fotosíntesis
Estructura
Dosel
C
Estructura

18. Hoja 1
Hoja 2
Hoja 3
Hoja 4
Tallo 1
Tallo 2
Tallo 3
Tallo 4
Consumo de forraje por el ganado bovino.

19. Poza de
asimilación
Hoja Raíz Tallo
Muerte
Partición
Residuos
Modelo pasto estrella
N
Luz Temperatura
Fotosíntesis
Estructura
Dosel
Estructura
C
Desarrollar
parámetros
específicos del
cultivo

20. Obtención de parámetros del modelo
Ambienta
les:
• Base de datos climáticos de la región.
• Desarrollo de la ecuación angot
Planta
• Características agronómicas del cultivo
• Estudios de fisiología de la planta
Suelo
• Características físicas del suelo
• Mineralización
Pastoreo
• Consumo de materia seca
• Carga animal

21. Variables agronómicas medidas mensualmente en la pradera
experimental A, utilizadas para desarrollar el Modelo pasto estrella.
0
500
1000
1500
2000
2500
3000
Abr May Jun Jul Aug Sept Oct Nov Dec Jan Feb Mar
kgDMha-1
Yield Deads Stem Leaves Live

22. Comportamiento observado en el índice de área de la hoja de acuerdo a
la edad de la planta y numero de hojas
0.00
0.50
1.00
1.50
2.00
2.50
0
50
100
150
200
250
300
350
400
450
6 12 17 24 31 39 46 51 60 66 72
IAFcm2
Noleavesbyplant
Age days
No leaves by plant IAF cmts

23. Variables climáticas utilizadas para desarrollar el modelo pasto estrella
Variable Descripcion Valor
Rain Lluvia mm dia-1 2.8
HR Humedad relativa , % 64.2
Sol Horas luz dia, h 6.4
TMedia Temperatura media diaria, oC 20.8
TMaxima Temperatura Máxima día, oC 27.7
TMin Temperatura mínima diaria oC 14.9
T10 Temperatura promedio 10 dias anteriores 20.8
Aire Velocidad media del aire, km h-1 2.5

24. Sistema de apoyo a la toma de decisiones diseñado para simular las
estrategias de alimentación de un sistema de producción de leche en
pequeña escala para las regiones tropicales de México

25. El modelo fue diseñado para predecir la ingesta potencial, la
digestión y el rendimiento individual en este caso, vacas
lecheras, el consumo de forrajes y concentrado
La racionalidad del modelo es que un rumiante de un peso
corporal determinado, en un estado fisiológico conocido y con un
nivel deseado de producción, tendrá un consumo potencial de
forraje determinado por las restricciones impuestas por las
características de los forrajes y las características del animal
El modelo asume que el retículo-rumen es el sitio más importante
en el control del consumo voluntario y que este último puede ser
estimado a partir del conocimiento de las tasas de degradación y
pasaje de los alimentos a través de este órgano.

26. Una sección estática, que estima las necesidades de
nutrientes del animal, principalmente sobre la base del AFRC
(1993). La diferencia con el AFRC (1993), y la similitud con
el CNCPS, es que el modelo predice la producción de los
animales cada día, así como de las estimaciones de la ingesta
y el aporte de nutrientes obtenidos de la sección dinámica del
modelo

27. Efecto de la tasa de digestión y pasaje sobre la digestión de nutrientes
Disponible
No
Digestible
Metabolica
Disponible
No
Digestible
Metabolica
Disponible
No
Digestible
Td = Tasa de digestion
Tp = Tasa de pasaje
Td y Tp pueden ser afectadas por:
Digestibilidad del alimento.
Ingestión de piensos
Fermentación de productos fermentables..
Td1
Tp1
Tp1
Td1
Rumen Tracto GI bajo
Heces
Tp2
Tp2
Absorbido

28. Fase estática
Fase dinámica

29. Una sección dinámica, que describe el flujo y la digestión de
los alimentos por el tracto gastrointestinal y su suministro
como consecuencia de nutrientes para el animal. Esta
sección se compone de una serie de ecuaciones diferenciales
de primer orden para estimar la ingestión, el tamaño de
grupo de fracciones de los alimentos en el rumen, intestino
delgado y grueso del animal, las pozas de material digerido
y la excreción de los residuos no digeribles. En esta sección
se ejecuta sobre una base horaria, pero los resultados se
agregan a un día (24 h) para un acoplamiento adecuado a la
sección estática de la modelo.

30. Características nutricionales y cinética de fermentación del pasto estrella
cultivado en la región sur del estado de México
Month
NDF
g kg-1 DM
NDFD
g kg-1 DM
OMD
g kg-1
DM
CP
g kg-1 DM
ME
MJ kg-1
DM
Ccforag
e
g kg-1
DM
cForage
g h-1
Jan 756.5 396.8 562.5
61.0
8.8 150.5 0.03
Feb 747.6 390.4 520.9
55.8
8.1 164.5 0.03
Mar 762.3 385.4 501.6
33.1
7.8 172.5 0.03
Apr 756.6 366.9 485.7
27.8
7.6 183.5 0.03
May 760.2 399.6 482.6
70.0
7.5 138.2 0.03
Jun 472.7 188.4 457.6
137.6
7.1 359.7 0.05
Jul 615.8 325.8 451.3
142.7
7.0 211.4 0.05
Aug 636.2 335.0 459.8
127.8
7.2 205.9 0.05
Sep 682.9 387.9 641.8
116.2
10.0 170.7 0.04
Oct 671.9 365.0 646.7
99.0
10.1 199.1 0.04
Nov 715.2 369.8 651.2
86.4
10.2 168.2 0.04
Dec 744.3 418.2 591.4
89.9
9.2 135.7 0.04

31. Características nutricionales y cinética de fermentación del pasto estrella
cultivado en la región sur del estado de México
Month
NDF
g kg-1 DM
NDFD
g kg-1 DM
OMD
g kg-1
DM
CP
g kg-1 DM
ME
MJ kg-1
DM
Ccforag
e
g kg-1
DM
cForage
g h-1
Jan 756.5 396.8 562.5
61.0
8.8 150.5 0.03
Feb 747.6 390.4 520.9
55.8
8.1 164.5 0.03
Mar 762.3 385.4 501.6
33.1
7.8 172.5 0.03
Apr 756.6 366.9 485.7
27.8
7.6 183.5 0.03
May 760.2 399.6 482.6
70.0
7.5 138.2 0.03
Jun 472.7 188.4 457.6
137.6
7.1 359.7 0.05
Jul 615.8 325.8 451.3
142.7
7.0 211.4 0.05
Aug 636.2 335.0 459.8
127.8
7.2 205.9 0.05
Sep 682.9 387.9 641.8
116.2
10.0 170.7 0.04
Oct 671.9 365.0 646.7
99.0
10.1 199.1 0.04
Nov 715.2 369.8 651.2
86.4
10.2 168.2 0.04
Dec 744.3 418.2 591.4
89.9
9.2 135.7 0.04

32. Características nutricionales y cinética de fermentación del pasto estrella
cultivado en la región sur del estado de México
Mes
NDF
g kg-1 DM
NDFD
g kg-1 DM
OMD
g kg-1
DM
CP
g kg-1 DM
ME
MJ kg-1
DM
Ccforag
e
g kg-1
DM
cForage
g h-1
EnE 756.5 396.8 562.5
61.0
8.8 150.5 0.03
Feb 747.6 390.4 520.9
55.8
8.1 164.5 0.03
Mar 762.3 385.4 501.6
33.1
7.8 172.5 0.03
Abr 756.6 366.9 485.7
27.8
7.6 183.5 0.03
May 760.2 399.6 482.6
70.0
7.5 138.2 0.03
Jun 472.7 188.4 457.6
137.6
7.1 359.7 0.05
Jul 615.8 325.8 451.3
142.7
7.0 211.4 0.05
AgO 636.2 335.0 459.8
127.8
7.2 205.9 0.05
Sep 682.9 387.9 641.8
116.2
10.0 170.7 0.04
Oct 671.9 365.0 646.7
99.0
10.1 199.1 0.04
Nov 715.2 369.8 651.2
86.4
10.2 168.2 0.04
DIc 744.3 418.2 591.4
89.9
9.2 135.7 0.04
NDF= Fibra detergente neutra. NDFD=digestibilidad de la NDF, Ccforage= contenido celular del forraje. cForage= tasa de degradacion
de la pared celular de NDF. OMD=digestibilidad de la materia organica. ME= energía metabolisable , CP= proteina cruda.

33. Características productivas de las vacas lecheras usadas en tres
experimentos para calibrar el modelo CM
Caracteristica Finca 1 sd. Finca 2 sd. Finca 3 sd.
Pdn leche, kg day-1 11.4 2.2 18.1 4.0 9.9 3.0
Peso vivo, kg 460.4 44.4 495.0 36.5 456.8 23.0
Condición corporal 3.0 0.0 3.0 0.0 3.0 0.0
Días lactancia 110.0 29.00 120.0 24.6 115.0 23.8
Grasa de leche, g/kg 28.0 1.38 29.0 1.3 30.0 1.1
Proteina en leche, g/kg 30.0 0.38 30.0 0.2 31.0 0.4

34. Finca Mes (M) Concentrado (C)
Nivel de suplementación
(N)
Finca=1:3 M=1:12 C=1:2 N=5, 6, 7 kg cow-1 d-1
Finca 1
Enero a
Diciembre
C1= Experimental,
Expl
Finca 2
C2=Comercial,
Comc
Finca 3
216 estrategias de
alimentación
Composición química, contenido de energía y digestibilidad de la
materia orgánica del concentrado experimental y el comercial.

35. Resultados

36. Comparación entre las predicciones del modelo comparado con los intervalos de
confianza para la producción de materia seca obtenidos en la pradera experimental A
-500
0
500
1000
1500
2000
2500
3000
3500
100 150 200 250 300 350 400
DMkgha-1
Harvest day
Lower limit Simulated Upper limit

37. Exactitud y precisión del las predicciones del modelo SG sobre la
disponibilidad del materia seca; análisis de regresión datos observados
vs disponibilidad de MS (kg MS ha-1)predicha por el modelo en la
pradera experimental A
R² = 0.917
0
500
1000
1500
2000
2500
3000
0 500 1000 1500 2000 2500 3000
Simulate dry mater
Tedeschi (2006)

38. Disponibilidad de MS observada vs predicha en la parcela experimental B
R² = 0.880
0
200
400
600
800
1000
1200
1400
1600
1800
0 200 400 600 800 1000 1200 1400 1600 1800
ObservedkgDMha-1
Simulate kg DM ha-1

39. y = 1.2834x - 4.1489
R² = 0.74
0
5
10
15
20
25
30
35
5 10 15 20 25 30
Producciónobservadakgdia-1
Producción simulada kg día -1
Producción de leche observada vs simulada por el sistema SATDLT
para el caso de los sistemas de producción de leche en pequeña escala
en el sur del estado de México.

40. Carga animal estimada por día, con base a la disponibilidad de pasto estrella
simulada, para las fincas 1 y 2.
0
2
4
6
8
10
12
14
104 136 164 192 221 241 276 303 331 350 6 37
Cabezasha-1
Diás del año
Farm 1
Farm 2

41. 0
2
4
6
8
10
12
14
104 136 164 192 221 241 276 303 331 350 5 37
Kglechevaca-1día-1
Dias del año
Farm 1 Farm 2
Días del año donde la calidad del pasto permite la producción de leche
sin uso de concentrado, kg leche vaca-1dia-1.

42. 0
2
4
6
8
10
12
14
16
18
1 2 3 4 5 6 7 8 9 10 11 12
Lechekg-1vaca-1día-1
Meses
Commercial
Experimental
Efecto del tipo de concentrado sobre la producción diaria de leche
(promedio mensual) simulada de leche por vaca para la finca 2 ( 5 kg de
concentrado vaca-1 día-1).

43. Efecto de la tasa de suplementación con el concentrado experimental
sobre el consumo diario de materia seca de forraje para las vacas de la
finca 2 (Kg MS vaca-1 dia-1).
3
3.5
4
4.5
5
5.5
6
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
KgMSvaca-1día-1
Meses
5 kg
6 kg
7 kg

44. 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Mx$
Meses
5 kg
6 kg
7 kg
Costo de producción por kilogramo de leche por mes para los tres
niveles de suplementación con concentrados (Mx$/kg de leche).

45. Conclusiones
En el presente trabajo se ha desarrollado un sistema de apoyo a la toma de
decisiones integrando dos modelos matemáticos de simulación: El modelo
de crecimiento de pasto estrella (SG) y el modelo vaca (CM).
Se ha demostrado que esta herramienta puede contribuir a mejorar la toma
de decisiones , por lo que es necesario seguir avanzando en la utilización de
estos sistemas y el desarrollo de los ya existentes, en todos los escenarios
que sean posibles para mejorar su confiabilidad.
Es necesario desarrollar mayor investigación sobre la fisiología de los
forrajes tropicales, principalmente el efecto del fotoperiodo, la fotosíntesis y
la tasa de crecimiento; además algunas labores como fertilización, riego,
carga animal.
Es importante mencionar que la respuesta de los modelos, solo son validas
para los sistemas que fueron desarrollados y es necesario realizar
adaptaciones, cuando se pretende utilizarlo en otro cultivo, sistema o
región.

46. Gracias por su atención