Innovación. Fundamentos y metodología de la espectroscopia

JOSÉ LUIS ARES CEA. DOCTOR INGENIERO AGRÓNOMO. ESPECIALISTA EN INDUSTRIAS ALIMENTARIAS

Innovación

Fundamentos y metodología de la espectroscopia de infrarrojo cercano (NIRS) aplicada al control de calidad de los alimentos lácteos

DURANTE LAS ÚLTIMAS SEIS DÉCADAS SE PRODUJERON GRANDES CAMBIOS EN LAS TÉCNICAS ANALÍTICAS DE LOS LABORATORIOS DE CONTROL DE CALIDAD DE LOS ALIMENTOS LÁCTEOS, CON LA PROGRESIVA INCORPORACIÓN DE NUEVOS MÉTODOS INSTRUMENTALES, MÁS RÁPIDOS Y EFICACES. EN UNA PRIMERA FASE SE DESARROLLARON INSTRUMENTOS AUTOMÁTICOS PARA DETERMINAR LA CANTIDAD DE GRASA DE LA LECHE (BASADOS EN EL MÉTODO GERBER), LOS MÉTODOS COLORIMÉTRICOS PARA LA PROTEÍNA (PROMILK DE FOSS ELECTRIC, EL PROT-O-MAT DE PAÚL FUNKE, ETC.), CUYO USO FUE DECLINANDO CON LA APARICIÓN DE LOS INSTRUMENTOS BASADOS EN EL ANÁLISIS POR INFRARROJOS, DESTACANDO ENTRE ELLOS, LA TÉCNICA NIRS.

Los primeros instrumentos que aplican la técnica de espectroscopia infrarroja (IR), diseñados exclusivamente para el análisis de la leche, se basan en la diferente respuesta de las moléculas sometidas a radiaciones ‘IR’ de diferente longitud de onda. Sin embargo, el principal inconveniente de estos instrumentos es que son ‘cerrados’, es decir, han sido fabricados con la incorporación de unos filtros que seleccionan unas determi-

Análisis microbiológico. nadas longitudes de onda para el análisis de unos constituyentes de la leche predeterminados, siendo posible su adaptación (recalibración) para determinar otros constituyentes. Por el contrario, existen otros instrumentos no diseñados específicamente para el análisis de la leche, que realizan medidas dentro de la región del infrarrojo cercano (NIR), permitiendo la utilización de una variada gama de muestras en diferentes tipos de presentaciones, así como su posible calibración para numerosos componentes. En estos instrumentos, los monocromadores permiten realizar medidas de los componentes de la leche a lo largo de toda la región del infrarrojo cercano (near infrared).

Fundamentos de la técnica NIRS

El espectro de luz infrarrojo, que se sitúa entre el rango del ultravioleta y las microondas, está caracterizado por tres regiones según su longitud de onda: la región del infrarrojo cercano (NIR) comprendida desde 0,7 μm a 2,5 μm (14.285 cm-1 a 4.000 cm-1), la región del infrarrojo medio (MIR) de 2,5 a 25 μm (4.000 a 400 cm-1), y el infrarrojo lejano de 25 a 100 μm (400 a 100 cm-1).

Cápsula para muestras de leche.

Cápsula y filtro para muestras de queso.

El monocromador es el elemento común de todos los espectrofotómetros NIR de espectro continuo, con la capacidad de emitir secuencialmente todas las longitudes de onda del espectro NIR a partir de una fuente de luz de una amplia banda electromagnética, que abarca generalmente la zona del espectro NIR y algunas zonas del MIR y del visible. La energía de la radiación electromagnética es proporcional a la frecuencia de la radiación e inversamente proporcional a la longitud de onda. Cuando una molécula es sometida a una radicación de una determinada longitud de onda, la energía será absorbida sólo si la frecuencia de la radiación corresponde a la frecuencia de vibración de esa molécula (vibraciones de elongación a altas frecuencias y de rotación a bajas frecuencias).

Cuando una muestra es sometida a una radiación NIR, ésta absorbe una cantidad de energía que puede ser evaluada por dos métodos distintos: transmitancia (T) o reflectancia (R), según el lugar donde se disponga el detector, tras la muestra o en el mismo plano del origen de la radiación NIR, respectivamente. A continuación, se muestra la expresión de la intensidad de la absorción: T = I/ I0, siendo I0 la intensidad de energía irradiada e I la energía emergente de la muestra. Aplicando la ley de Lambert Beer, la intensidad I puede expresarse como: log10 (I0/I) = log10 (I/T) = = k.c.l = A, donde A es el parámetro denominado absorbancia; k es una constante de proporcionalidad característica de cada molécula; c es la concentración de moléculas que absorben la radicación y l es la longitud de onda de la fuente radiante. A efectos prácticos, y en el campo de la técnica NIR, la reflectancia R es análoga a la transmitancia T, por lo que la ecuación anterior puede ser expresada en términos de reflectancia como: log10 (I/R) = k.c.l = A.

Las absorbancias a todas las longitudes de onda, medidas a intervalos definidos, generalmente, de dos en dos nanómetros, constituyen el espectro de una sustancia, siendo posible su representación gráfica en dos dimensiones: A (absorbancia) en el eje de ordenadas y l (longitud de onda) en el eje de abscisas. En teoría, el espectro de una muestra vendría definido por las absorbancias de todos los enlaces presentes en sus moléculas, pero en la práctica esto no es así, ya que en el espectro NIR la respuesta de los diferentes enlaces no es independiente de la respuesta de los restantes, sino que se producen sobreposiciones e interferencias de tonos. Existen numerosos estudios sobre la asignación de ‘picos de absorción’ específicos en la región NIR para determinadas moléculas, entre ellos, los correspondientes a los principales enlaces químicos y moléculas presentes en los productos agroalimentarios. En la Tabla 1 se muestran algunas longitudes de onda asignadas a enlaces específicos de la composición de la leche en la zona del espectro infrarrojo (Baeten).

Tabla 1. Origen de las principales bandas de absorción de la leche en el espectro infrarrojo

Longitud de onda (nm) Enlace químico 1.194 CH2

1.200 H2O 1.450 -OH 1.540 CO-NH 1.660 NH2

- NH 1.745 C=O 1.762 CH2

1.820 H2O 1.938 H2O - -OH 2.056 NH 2.160 CO-NH 2.305 CH2

2.345 CH2

2.960 -CH3

Control de pH en el queso.

Calibraciones NIRS

Igual que ocurre con otros métodos utilizados en el análisis indirecto de la composición de la leche, la técnica NIRS requiere una calibración previa que permite relacionar la señal recibida en el instrumento con la cantidad de ciertos compuestos presentes en la muestra a analizar. En definitiva, calibrar consiste en predecir información (Y) a partir de las medidas (X) obtenidas por el espectrofotómetro mediante una función (f), que se expresa como: Ŷ = f (X). En el establecimiento de una ecuación de calibración intervienen diversos pasos, siendo críticos los siguientes: la selección de las muestras del grupo de calibración, los métodos estadísticos de regresión utilizados, los pre-tratamientos de la señal espectroscópica, la detección y cuantificación de los errores de calibración, y la elección final de la mejor ecuación de calibración.

Selección del grupo de calibración

Es el primer y más importante paso en el proceso de calibración; si la selección del colectivo de calibración no es la adecuada, entonces será imposible disponer de un buen modelo de calibración. Existen diversos métodos de selección del colectivo; para Fearn, una gran cantidad de muestras elegidas al azar formaría el grupo ideal de calibración, pero en la práctica esto no es posible, por lo que hay que elegir un subgrupo representativo del colectivo a estudiar en el caso de que se disponga de un gran número de muestras para el análisis. Si por el contrario, el número de muestras es muy limitado, entonces no debe descartarse ninguna durante el proceso de calibración para evitar que se alteren los estadísticos de predicción, siendo necesario realizar esfuerzos adicionales para ampliar en el futuro las muestras de dicho grupo de calibración. ¿Cómo decidir qué muestras se eligen? El método basado sólo en la información espectral, propuesto por Shenk y Westerhaus supuso, en este sentido, un gran avance. Este método consiste en obtener los espectros de un gran número de muestras del colectivo a analizar eligiendo, a través de la información puramente espectral, sólo el grupo de muestras que abarquen la mayor variabilidad del mismo, descartando aquellas que ofrecen información redundante; posteriormente, se analiza el grupo seleccionado usándolo en el proceso de calibración. Estos y otros autores utilizan el programa informático Infrasoft International Software (ISI) en la selección del grupo de muestras con la finalidad de abarcar la mayor varianza del colectivo muestral en estudio.

Métodos de calibración

Los espectros obtenidos son vectores, que pueden ser utilizados en todos los tratamientos matemáticos y regresiones, individual o matricialmente, como se indica en las siguientes expresiones:

Y = {yij i = 1... I, j = 1... J} X = {xik i = 1... I, j= 1... K}

En la interpretación de estas expresiones, hay que tener en cuenta los siguientes términos:

i = 1, 2... I (muestras a analizar) j= 1, 2... J (variables a predecir) k= 1, 2... K (variables sobre las que predecir)

4Regresión lineal simple

Es el método más sencillo; se establece una relación lineal entre ambas variables:

Ŷ= a + b.X

Controles físico-químicos de quesos.

En esta expresión, a y b son las constantes de regresión; el valor de Ŷ es una estima del valor de referencia, por lo que el error en la aproximación para una determinada muestra sería: e= Ŷ-Y. El desarrollo de una calibración siguiendo este modelo consistiría en encontrar la longitud de onda que minimice ese error, y posteriormente, determinar las constantes de regresión que den la mejor aproximación para todas las muestras del colectivo de calibración.

4Regresión lineal múltiple

Este método está definido por una ecuación general del siguiente tipo:

Ŷ= b0 + Sxk · bk

Seguidamente se detallan los términos de esta ecuación: xk, para las diferentes longitudes de onda; b0 y bk, como coeficientes estimados determinados a partir de los datos iniciales. De forma similar al método anterior, la calibración consistiría en decidir cuántas longitudes de onda Corte de la cuajada.

Cuajada troceada y expulsión de suero.

utilizar y tras fijar el grupo de longitudes más adecuada, encontrar los coeficientes correspondientes. Existen diferentes formas de elegir las longitudes de onda a usar en la regresión, como el procedimiento paso a paso (step-up o el stepwise), que escoge la primera longitud con mayor correlación entre los valores NIR y los de referencia que se ajusten como una regresión simple, y después se busca la mejor longitud para añadirla como segunda variable en una ecuación de dos términos y así hasta que coincida con el criterio fijado para detenerse. En el procedimiento paso a paso inverso (step-down) se parte de una regresión múltiple con todas las longitudes y se van eliminando según un criterio establecido.

Los métodos anteriores utilizan los datos de los espectros NIR tal cual, pero existen otros métodos de regresión con una característica en común: la compresión de los datos. Esta compresión es necesaria por diversas razones: a) una sola variable X no es suficiente para predecir Y; b) dentro de un espectro existen numerosas intercorrelaciones entre todas sus variables, convirtiendo en redundante parte de la información del mismo; c) en general, los conocimientos que se tienen sobre los espectros, como la asignación de ciertas longitudes de onda a elementos químicos complejos concretos, pueden resultar muy escasos o ser inciertos.

4Regresión por componentes 4principales (RCP)

Este método se basa en el uso de los componentes principales de la X, denominados habitualmente como: tj (j= 1... g), los cuales se obtienen gracias a la existencia de colinearidad entre todas las variables de X. Esto significa que la matriz X tendrá un cierto número de variables en las que se concentra la mayor parte de la información, por lo que las variables redundantes y otras pequeñas variabilidades debidas al ‘ruido’ pueden ser eliminadas. En la RCP la compresión de los datos se realiza de una manera independiente al proceso de calibración, de tal forma que las componentes principales halladas han de reflejar la mayor parte de la variación espectral. Cada componente principal explica la máxima variación sistemáticamente, es decir, que el primer componente explica la variación más importante (la parte mayor del total de la varianza del grupo de datos), el segundo componente explica la segunda mayor parte de variación de ese grupo, y así sucesivamente.

Una vez determinados los componentes tj se realizará la regresión de yj a partir de tj, hallándose los correspondientes factores de regresión bk:

Elaboración de quesos. Extracción de leche de vaca.

[xn] → [tj] → [y] (n>j)

En numerosos casos, como en los productos más complejos (leche, forrajes, etc.), se dificulta la interpretación de los diferentes componentes calculados, si bien, en general, su utilización desemboca en mejores calibraciones que aquellas en las que se utiliza una regresión múltiple usando longitudes de onda individuales.

4Regresión por mínimos cuadrados 4parciales (PLS)

Al igual que en la RCP, en la PLS los factores de regresión son una combinación lineal de las absorbancias a las longitudes de onda estimadas a partir de los espectros NIR, pero precisamente es en esta estimación donde difieren ambos métodos. En la PLS los factores obtenidos describen la mayor parte o la más importante variación de los espectros, pero al mismo tiempo lo hacen para los valores químicos. En definitiva, el proceso PLS desarrolla de una forma simultánea e interrelacionada, un cálculo de los componentes principales de las matrices X e Y, de tal forma que la información de la matriz Y es usada directamente como guía para la óptima descomposición de la matriz X para posteriormente hacer la regresión sobre Y. La descripción de los algoritmos utilizados para el cálculo tanto de RCP como de PLS, así como una comparación de ambos métodos pueden consultarse en Martens y Naes (1989).

4Regresión por transformada 4de Fourier

Cada espectro NIR es transformado trigonométricamente desde su habitual forma de absorbancias por cada longitud de onda a un nuevo tipo de espectro. Este método además de permitir la compresión de los datos, facilita la detección y eliminación de cierto tipo de ‘ruidos’.

4Regresión por redes neuronales

Este tipo de regresión se utiliza para funciones no lineales. En este modelo las variables de entrada x desembocan en las variables de salida a través de otras variables intermedias, a las que se denomina frecuentemente ‘variables ocultas’. La información de todas las variables de entrada va a cada uno de los nodos intermedios, estando cada uno de éstos conectados con todas las variables de salida. Estos nodos estiman la suma de la información que aporta cada variable, denominados ‘pesos’, los cuales se calculan mediante aprendizaje por procesos iterativos continuos. Este aprendizaje consiste en el ajuste de los pesos de cada nodo basado en los errores de los valores de salida.

En general, el uso de redes neuronales está recomendado para casos en los que no exista una colinearidad en los espectros NIR y ésta implique a un número de longitudes de onda tan elevado que no puedan ser simplemente eliminadas del grupo de calibración. Asimismo, su uso puede mejorar considerablemente las calibraciones en las que el grupo de muestras sea muy grande, lo que aumenta la probabilidad de relaciones no lineales entre ellas. Mejora de las calibraciones

Un espectro NIR que abarque desde 700 a 2.500 nm con un intervalo de barrido de 2 nm, se compone de 700 datos, lo que implica el uso de mucha información. Una gran parte de la información contenida en estos espectros es redundante debido a la alta intercorrelación entre los datos espectrales (multicolinearidad). Este hecho hace necesario que antes de resumir la información espectral, ésta sea depurada de toda aquella que resulte irrelevante. Para el depurado o corrección de estos datos existen diversos métodos entre los que destacan las diferentes formas de corrección espectral y el uso de derivadas.

La dispersión de la luz es una función no lineal que puede distorsionar la relación entre los espectros NIR y los valores de referencia, por ello debe ser corregida. Existen diversas formas de corregir estas dispersiones, usando la MSC (multiplicative signal correction) o la SNV (standard normal variate transformation). En particular, para el análisis de leche, en el que el gran tamaño de los glóbulos de grasa hace que sea especialmente sensible a la dispersión, se ha propuesto ‘centrar’ los datos espectrales de forma que para cada espectro se resta la media de sus absorbancias y la media del colectivo de espectros. Así, la media de los datos iniciales es entonces sumada a cada nuevo espectro para conseguir que la suma de las absorbancias de cada espectro sea igual a cero, con lo que se consigue evitar que ciertas longitudes de onda tengan un peso demasiado grande que pueda afectar la posterior compresión de los datos.

Los espectros poseen una tendencia que se va acumulando a medida que aumenta la longitud de onda, la cual puede ser corregida matemáticamente (detrenting), pudién-

Instrumento NIRS.

Maduración de quesos.

dose combinar con la corrección SNV. Cuando se aplican ambos tratamientos, Dhanoa y col. recomiendan realizar primero la corrección de la tendencia de los espectros para proceder posteriormente a la corrección de la dispersión espectral, ya que tras la primera corrección se obtiene un grupo de espectros de media igual a cero y varianza uno, igualando la línea de base de todos ellos. La corrección espectral multiplicativa (MSC) y sus variantes (piece-wise MSC) permiten una mejora de hasta un 53% en las calibraciones respecto a las desarrolladas con los datos sin estas correcciones.

La derivada de los datos reduce considerablemente el rango de la matriz que contiene los espectros, facilitando en gran medida la posterior compresión de los mismos (componentes principales, mínimos cuadrados). Asimismo, la derivación minimiza dos de los problemas básicos de los espectros NIR: las grandes variaciones de la línea de base (normalmente, debido a los efectos de dispersión aditivos y multiplicativos), y el solapamiento de los diferentes picos o bandas de absorción.

Por otra parte, conviene tener presente que los diferentes pre-tratamientos y su secuencia de realización, se desarrollan habitualmente sin un conocimiento a priori de su efecto sobre el modelo, por lo que no se puede obviar su influencia real sobre el modelo a desarrollar. Detección y cuantificación de los errores de calibración

El objetivo de todo método de calibración es obtener unos coeficientes de calibración que determinen la concentración de ciertos elementos en futuras muestras, de tal forma que las diferencias entre los valores reales y los predichos se acerquen todo lo posible a cero. Para Williams, el error es la diferencia entre los datos medidos directamente por la vía de análisis tradicional y los datos estimados por el NIR, siendo éste el valor mínimo posible:

Ŷij – Yij = 0

En la Tabla 2 se muestran las numerosas fuentes de error en las calibraciones NIR, siendo necesario identificar el mayor número posible de ellas; no obstante, siempre quedan algunos errores que no se pueden detectar, denominándose estas muestras como anómalos (outliers). Se pueden encontrar dos tipos de datos anómalos, según su fuente: por su valor de laboratorio (los datos que según los estadísticos están fuera del colectivo en estudio), y por su espectro (datos igualmente fuera del colectivo muestral). En el primer caso, el programa ISI estima un estadístico t, para cuantificar las diferencias entre los valores de referencia y los estimados mediante la calibración. Howard y Workman señalan que los valores de t superiores a 2,5 sirven como indicativo de errores del dato de referencia o bien de problemas de presentación de la muestra a estudiar. En el segundo caso, esta detección se realiza gracias al estadístico H o distancia de Mahalanobis, que nos indica la distancia respecto a la media de la población muestral de cada espectro.

Una vez detectados estos errores y minimizados en la medida de lo posible, deben cuantificarse, mediante el empleo de diversos estadísticos que estiman la precisión y la reproductibilidad de los análisis o las predicciones, siendo los principales los basados en las desviaciones estándar, así como los coeficientes de correlación y regresión entre los diferentes elementos. En general, el sistema más utilizado para determinar la precisión de los análisis es el uso de réplicas o muestras ‘a ciegas’ para el caso de los análisis de laboratorio, y de comprobación de los datos obtenidos mediante NIR con otros datos de referencia del laboratorio, siendo esta última conocida como ‘proceso de validación’ de las ecuaciones NIR. En la validación se escoge un grupo de muestras perteneciente a la misma población que el grupo de calibración, pero independiente de éste, y mediante las ecuaciones previamente calculadas

Tabla 2. Fuentes de error en NIRS

Instrumento - Ruido del instrumento - Señal no lineal - Selección de las longitudes de onda - Tratamiento matemático de los datos - Electricidad estática - Temperatura de análisis - Variaciones en la energía eléctrica del instrumento - Desgaste y obsolescencia de los componentes

Muestras - Composición química: interacción entre constituyentes, influencia de la composición química sobre las propiedades físicas, nivel de humedad de la muestra durante el análisis - Forma de presentación de la muestra: molienda, homogeneización, etc. - Textura física de la muestra - Temperatura de la muestra durante el análisis - Temperatura ambiente durante el análisis - Factores de conversión

Manejo del equipo - Proceso de calibración: número de muestras utilizadas para seleccionar las longitudes de onda, selección del colectivo de calibración en función de su composición química, precisión de los análisis de laboratorio, tratamientos matemáticos - Preparación de la muestra: elección de las submuestras para analizar vía laboratorial y vía NIR, presentación de la muestra, elección del análisis de referencia - Almacenamiento de las muestras - Personas que intervienen en el proceso

se estiman los diferentes componentes que, posteriormente, son comparados con sus valores de laboratorio empleando diferentes estadísticos.

También es posible utilizar las mismas muestras de calibración para la validación mediante el método de validación cruzada. Éste consiste en la realización de sucesivas calibraciones con diferentes subgrupos obtenidos del grupo general de calibración, utilizándose el subgrupo de muestra que no entró en esa calibración para realizar posteriormente la validación. Este proceso se repite varias veces variando estos subgrupos (que pueden ser seleccionados con diversos criterios) hasta obtener el número ideal de elementos de la ecuación, y una vez fijados, se procede a la calibración final empleando todo el conjunto de muestras. El método de validación cruzada puede usarse cuando no se dispone de un grupo muy grande de muestras con lo que no sería posible hacer dos subgrupos para calibración y validación, o bien porque no se desea perder información relegándola sólo al grupo de validación.

Elección de la ecuación

¿Qué ecuación se debe elegir? La respuesta a esta pregunta no depende simplemente de la evaluación de la magnitud de los errores y la selección de la ecuación con el mínimo error, sino que han de interpretarse cuidadosamente los estadísticos generados durante el proceso de calibración. Esto es importante, ya que por ejemplo, un mismo error de 0,4% en la predicción de la proteína podría ser válido para un producto en el que la proteína oscile entre 12 y 40%, pero no así para otro que presente un rango de variación mucho menor. De una forma general, Shenk y Westerhaus han propuesto que la ecuación a elegir deberá tener el menor error estándar de precisión (EEP) conjuntamente con el menor número de términos posibles para la ecuación, y además que el coeficiente de regresión se mantenga dentro del rango de ±10% respecto a los datos de referencia. Para una interpretación más correcta de EEP hay que tener en cuenta la siguiente expresión:

EEP = EEL2 + EE2NIR + ɛ

Los elementos de la expresión anterior son: EEL, error estándar del método de referencia; EENIR es el error del método NIR, y ɛ es el error del modelo de calibración utilizado. En el error del modelo es posible subdividir las diferentes fuentes del mismo, así el ɛ se podría subdividir en las partes correspondientes a la óptica del instrumento, a la no colinearidad entre los datos x o entre éstos con los datos y, etc.

Ordeño de cabras.

Pesaje de muestras.

No obstante, los últimos avances en instrumentación NIR y en el desarrollo de modelos de calibración cada vez más precisos, permiten concluir que las diferencias en el EEP (para un mismo producto y constituyente, entre diferentes centros y usando instrumentos similares) se deben principalmente a las diferencias en EEL de los datos de referencia. Por su parte, el EEP no resulta un buen estadístico ya que sólo indica la calidad del ajuste de los datos utilizados para el cálculo de la regresión con la misma, y el EEV (error estándar de validación) puede ser muy variable pues para su cálculo se ha partido de un grupo de muestras elegidas al azar. Por ello, los citados autores, proponen el error estándar de la validación cruzada como mejor estadístico, que es muy similar a la media de EEV estimado a partir de diez grupos de validación elegidos al azar.

El máximo valor posible para un coeficiente de determinación (R2) de una ecuación NIR puede ser determinado a priori en función de los datos de referencia, según la siguiente expresión:

R2 max = 1 – (EEL/ δy)2

En dicha expresión, el EEL es el error estándar de los datos de laboratorio y δy es la desviación estándar de la población de calibración. Las diferencias que pueden encontrarse para el coeficiente R2 para un determinado constituyente se pueden explicar, en gran medida, por las diferencias de la determinación de ese constituyente en el o los laboratorios de análisis químico, y también por el rango de la desviación estándar del colectivo de calibración (Garrido y col.). Para Shenk y Westerhaus, este estadístico se puede clasificar por sus valores dentro de cinco categorías: valores de R2 superiores a 0,90 indican una capacidad de cuantificación excelente; valores entre 0,70 y 0,89 revelan una buena cuantificación; entre 0,50 y 0,69 existe una buena separación de las muestras en tres grupos (alta, media y baja); valores entre 0,30 y 0,49 permiten clasificar las muestras en dos grupos; finalmente, valores de R2 inferiores a 0,29 vaticinan que la ecuación hará sus estimas al azar.

En próximos artículos de la revista ILE se publicarán nuevos trabajos sobre la aplicación de la técnica NIRS en el control de calidad de los alimentos lácteos.

Equipo de trabajo

Los integrantes del equipo de trabajo NIRS son miembros del grupo de investigación ‘Zootecnia’, constituido en el marco del Plan Andaluz de Investigación (PAI). En esta línea de actuación intervienen investigadores del departamento de Producción Animal de la Escuela Técnica Superior de Ingenieros Agrónomos y de Montes (ETSIAM) de la Universidad de Córdoba (UCO) y de la Planta Piloto de Lácteos (PPL) del Instituto de Investigación y Formación Agraria y Pesquera (IFAPA), con la colaboración de la unidad NIR-MIR del Servicio Central de Apoyo a la Investigación (SCAI-UCO).

Recepción de leche.