Calidad variable de entrada, calidad constante de salida. El reto fundamental del manejo del grano y del cereal nunca ha sido tan evidente como ahora, cuando el sector se esfuerza por garantizar las entregas según las especificaciones y, al mismo tiempo, aprovechar al máximo los suministros de cereal amenazados por las condiciones meteorológicas extremas y los actuales acontecimientos geopolíticos.
El análisis por infrarrojo cercano, introducido en los años ochenta, ha demostrado ser cada vez más valioso para la manipulación del grano y del cereal. A la hora de decidir el pago en el momento de la entrega, de mezclar el grano según las especificaciones del cliente, de cargarlo en el transporte, de recibirlo para molerlo o maltearlo y de comercializarlo en los mercados mundiales de materias primas, la facilidad de uso y la fiabilidad del análisis por infrarrojo cercano han garantizado que los manipuladores de cereal puedan ofrecer productos de mayor calidad a partir del mismo suministro finito de grano procedente del campo.
¿Qué ha hecho del análisis del grano por infrarrojo cercano una herramienta tan poderosa y qué debemos tener en cuenta a la hora de decidir las operaciones analíticas para el futuro?
Mirando dentro del grano: la evolución de la transmitancia del infrarrojo cercano
El infrarrojo cercano (NIR) utiliza el espectro electromagnético natural definido por longitudes de onda entre 700 nm y 2500 nm. El NIR es un método de análisis preciso y rápido, muy adecuado para la determinación cuantitativa de los principales componentes de la mayoría de los tipos de alimentos y productos agrícolas. En particular, proporciona una plataforma estable para soluciones analíticas robustas que pueden utilizarse en entornos difíciles sujetos a vibraciones, polvo y fluctuaciones de humedad y temperatura.
El NIR puede realizarse en transmitancia o reflectancia. En transmitancia, se puede obtener un espectro infrarrojo haciendo pasar luz infrarroja a través de una muestra y determinando qué fracción es absorbida por la muestra. Otra posibilidad es reflejar la luz de la muestra y extraer las propiedades de absorción a partir de la luz reflejada (reflectancia).
El detalle sobre la transmitancia es relevante para el grano entero, por ejemplo, cuando se analizan parámetros como la humedad, que puede estar distribuida de forma desigual en el grano y afectar al resultado si sólo se mide la superficie. La transmitancia garantiza que el grano se mide en profundidad para proporcionar datos suficientes para una medición precisa.
La cara cambiante del análisis NIR de grano y cereal vista a través del conocido analizador de grano Infratec™
La recopilación de datos sienta las bases para una creciente gama de aplicaciones
Las primeras aplicaciones de los analizadores de cereal basados en la transmitancia NIR fueron para el trigo, el maíz, la cebada, la soja y el arroz, para parámetros como la humedad, las proteínas y el contenido de grasa.
Rápidamente obtuvieron la aprobación, por ejemplo, organizaciones como el Servicio Federal de Inspección de Granos (EE.UU.). Al mismo tiempo, se aceleró el desarrollo de otros modelos de aplicación. Obsérvese que los modelos suelen denominarse calibraciones y ahora también se conocen como "paquetes analíticos" en relación con las soluciones FOSS.
En términos sencillos, un modelo de aplicación convierte el espectro medido por la instrumentación en un valor utilizable para el usuario final. Un aspecto crítico de este trabajo es disponer de datos suficientes y de una gama de datos lo suficientemente variada como para elaborar un modelo de aplicación válido que pueda manejar las variaciones naturales de las características de las muestras de grano y cereal en las distintas regiones y temporadas de cosecha. El mundo es un lugar bastante grande en lo que respecta al cultivo de cereales, y las temporadas de cultivo siguen sorprendiendo con fenómenos meteorológicos cada vez más extremos. En resumen, cuantos más datos puedan introducirse en un modelo, mejor, para poder describir con precisión las numerosas variaciones que cabe esperar encontrar en una sola muestra de grano.
En 1996 se introdujo una potente forma de modelización de aplicaciones llamada modelos de Redes Neuronales Artificiales (ANN, del inglés Artificial Neural Network) para manejar la variedad y complejidad de los datos. Los modelos ANN han contribuido a un rendimiento muy estable, independientemente del clima y la región. Este rendimiento ha quedado demostrado por años de pruebas en anillo con resultados de laboratorios de referencia. Hoy en día, los modelos de datos bien establecidos para los instrumentos Infratec de última generación contienen hasta 50.000 muestras o más que representan más de 35 años de variaciones estacionales. La gama de aplicaciones sigue creciendo, como se muestra en esta tabla desplegable:
