NIRS portatili e analisi di laboratorio a confronto nella valutazione dell’unifeed per bufale da latte

In breve

Oggi l’impiego degli spettrofotometri NIRS portatili è ampiamente diffuso: tecnici e allevatori possono accedere facilmente a queste tecnologie e utilizzarle quotidianamente per il monitoraggio di materie prime, insilati, foraggi e unifeed. Nonostante ciò, le analisi di laboratorio rappresentano ancora il gold standard per la caratterizzazione composizionale degli alimenti zootecnici.

In questo contesto si inserisce la domanda centrale: quanto sono affidabili i dati forniti dai NIRS portatili? A tale quesito hanno cercato di rispondere i ricercatori del Dipartimento di Scienze Agrarie e Forestali dell’Università degli Studi della Tuscia, valutando le prestazioni di due strumenti NIRS portatili e confrontandole con i risultati delle analisi ufficiali di laboratorio sulla composizione chimica di razioni unifeed provenienti da aziende bufaline.

I risultati dello studio hanno evidenziato che, pur mostrando alcune limitazioni nella stima di componenti quali fibra, amido e grassi, i NIRS portatili rappresentano un valido supporto operativo, soprattutto per la determinazione della sostanza secca. Per questo parametro è stata infatti osservata un’elevata correlazione media tra le misurazioni NIRS e le analisi di laboratorio (r = 0,95).

La possibilità di ottenere in pochi secondi una stima della sostanza secca dell’unifeed mediante strumenti portatili costituisce un importante vantaggio gestionale, consentendo interventi più rapidi ed efficienti nella formulazione e nel controllo dell’alimentazione animale.

Introduzione

La conoscenza rapida della composizione degli alimenti destinati agli animali è fondamentale per ottimizzare le prestazioni zootecniche e ridurre i costi e l’impatto ambientale (Gheller et al., 2024; Nawab et al., 2025). I metodi analitici tradizionali rappresentano il riferimento ufficiale (es. AOAC), ma richiedono tempo e sono poco adatti a supportare decisioni gestionali in tempo reale in azienda (Fernández Pierna et al., 2022; Isnaini et al., 2025; Zareef et al., 2026).

In questo contesto, la spettroscopia nel vicino infrarosso (NIRS) si è affermata come una tecnologia rapida e non distruttiva per l’analisi degli alimenti ad uso zootecnico (Zareef et al., 2026). Tuttavia, l’accuratezza delle stime quantitative ottenute mediante dispositivi NIRS dipende fortemente dalla robustezza dei modelli di calibrazione (Danieli et al., 2004; Reeves, 2009) e dalle caratteristiche dei campioni analizzati (Evangelista et al., 2021).

Sebbene gli strumenti NIRS da banco abbiano mostrato ottime capacità predittive, emerge sempre più l’esigenza di disporre di dispositivi portatili utilizzabili direttamente in campo. In particolare, l’introduzione di spettrometri NIRS portatili offre nuove opportunità per l’analisi rapida in azienda; tuttavia, la loro affidabilità rispetto ai metodi di riferimento necessita ancora di essere adeguatamente verificata (Serva et al., 2021; Zhu et al., 2022; Mendoza et al., 2023).

Alla luce di ciò, lo scopo di questo studio è stato quello di valutare e confrontare le prestazioni di due dispositivi NIRS portatili commerciali per la caratterizzazione delle TMR destinate a bufale in lattazione, utilizzando le analisi di laboratorio come riferimento al fine di verificarne il grado di concordanza.

Metodologia

Sono stati raccolti complessivamente 230 campioni di unifeed provenienti da 11 allevamenti commerciali di bufale da latte situati nell’Italia centrale, in particolare nelle province di Roma e Frosinone, nel periodo compreso tra il 2021 e il 2025. Il campionamento ha consentito di includere diverse stagioni, annate e condizioni gestionali degli allevamenti, garantendo un’elevata variabilità dei campioni analizzati e una rappresentazione più ampia delle differenti realtà produttive.

I campioni sono stati prelevati immediatamente dopo la distribuzione in mangiatoia. Una quota di ciascun campione è stata utilizzata per le analisi fisiche in campo, mentre la restante parte è stata conservata e trasferita presso il laboratorio del Dipartimento di DAFNE dell’Università della Tuscia. Prima delle analisi di riferimento secondo i metodi ufficiali AOAC (1990, 2023), i campioni sono stati sottoposti a scansione a temperatura ambiente mediante due strumenti NIRS portatili.

Il primo strumento (NIRS_A) operava nell’intervallo spettrale 900-1700 nm, mentre il secondo (NIRS_B) tra 950-1650 nm. Entrambi utilizzavano modelli di calibrazione proprietari per la stima dei principali parametri compositivi del TMR, tra cui sostanza secca (DM), proteina grezza (CP), frazioni fibrose (aNDFom, ADF) e amido; inoltre, il dispositivo NIRS_A consentiva anche la stima della lignina (ADL).

Le misure spettrali sono state effettuate in modalità riflettanza, acquisendo scansioni multiple per ciascun campione e rimescolando il materiale tra una scansione e l’altra al fine di garantire una maggiore omogeneità.

Successivamente alle scansioni NIRS, i campioni sono stati essiccati a 65 °C fino a peso costante per la determinazione della DM, quindi macinati e conservati per le successive analisi chimiche. La composizione chimica è stata determinata secondo i metodi ufficiali AOAC: le ceneri (ASH) mediante incenerimento a 550 °C, l’estratto etereo (EE) tramite metodo Soxhlet, CP con il metodo Kjeldahl e l’amido (Starch) mediante metodo enzimatico.

Le frazioni fibrose (aNDFom, ADF e ADL) sono state determinate secondo Van Soest et al. (1991) utilizzando il sistema Ankom, mediante analisi sequenziali condotte in condizioni standardizzate. Tutte le analisi sono state eseguite in duplicato e i risultati sono stati espressi come percentuale della sostanza secca, ad eccezione della sostanza secca stessa.

Analisi statistiche

L’accordo tra metodi (LAB vs. NIRS_A e NIRS_B) è stato valutato mediante analisi di Bland-Altman (Bland-Altman, 1999) e regressione di Passing-Bablok (Bilić-Zulle, 2011). La prima ha permesso di stimare il bias medio e i limiti di accordo (LoA), mentre la seconda ha consentito di identificare eventuali bias costanti e proporzionali tramite intercetta e pendenza con relativi intervalli di confidenza al 95%.

Per confrontare l’effetto del metodo analitico sulle variabili chimiche è stata eseguita un’ANOVA di Friedman, seguita dal test post hoc di Nemenyi in caso di significatività (p < 0,05). Inoltre, un’analisi delle componenti principali (PCA) è stata utilizzata per esplorare la distribuzione complessiva dei campioni e le relazioni tra i tre metodi analitici.

Infine, le equazioni di regressione di Passing-Bablok sono state applicate per correggere i dati NIRS dal bias sistematico, e le analisi di confronto sono state ripetute sui valori corretti per valutare l’eventuale miglioramento dell’accordo tra metodi. Tutte le analisi statistiche sono state eseguite in R (v. 4.3.1) utilizzando i principali pacchetti per gestione dati, outlier detection, analisi di concordanza, PCA e visualizzazione grafica.

Risultati & discussione

Coerentemente con le aspettative, le razioni unifeed hanno mostrato un’elevata variabilità compositiva, come evidenziato dai coefficienti di variazione, attribuibile alle differenti strategie gestionali adottate negli allevamenti. Nel complesso, i risultati riportati in Tabella 1 evidenziano differenze tra metodo di laboratorio e predizioni NIRS per la maggior parte dei tratti composizionali analizzati.

Tra i parametri analizzati, DM ha mostrato la migliore concordanza tra metodi. Nonostante il test di Friedman abbia evidenziato differenze significative (Tabella 2), le analisi di Bland-Altman (Figura 2) e Passing-Bablok (Figura 3, Tabella 3) hanno indicato un buon accordo e bias contenuti.

Entrambi i dispositivi NIRS hanno mostrato una lieve sottostima della DM, confermando la buona performance su matrici fresche. Considerando il contenuto medio di acqua (~55%), questo risultato è particolarmente rilevante, poiché l’acqua influenza fortemente le bande NIRS associate ai gruppi OH (Wheeler, 1959), pur introducendo fenomeni di scattering che possono influire sulla stabilità spettrale (Benelli et al., 2025).

Al contrario, le prestazioni per ASH e CP sono risultate inferiori. Entrambi i dispositivi hanno mostrato bias proporzionale e tendenza alla sovrastima rispetto al laboratorio. Per le ceneri, la limitata sensibilità della NIRS verso le frazioni minerali rappresenta una possibile spiegazione, in accordo con la letteratura sulla spettroscopia nel vicino infrarosso (Manley, 2014; Khaleduzzaman & Salim, 2020).

Per CP la scarsa accuratezza può essere attribuita alla limitata capacità dei dispositivi portatili di intercettare le principali bande associate ai legami N-H e C-H, oltre alla variabilità strutturale della matrice. Le prestazioni inferiori dei dispositivi portatili come quelli in uso rispetto agli strumenti da banco sono coerenti con quanto riportato in letteratura (Serva et al., 2021; Benelli et al., 2025; Evangelista et al., 2025).

Per EE, l’accordo è risultato moderato: NIRS_A ha mostrato stime quasi non distorte, mentre NIRS_B ha evidenziato bias costante e proporzionale. Entrambi gli strumenti hanno comunque teso a sovrastimare rispetto ai valori di laboratorio, in linea con la difficoltà della spettroscopia NIRS nel descrivere frazioni lipidiche eterogenee (Kays, 2004; Evangelista et al., 2025).

Nel complesso, per le frazioni fibrose (aNDFom, ADF e ADL) i due NIRS portatili hanno mostrato le peggiori performance, con sottostima sistematica e presenza di bias sia costante che proporzionale. Anche questi risultati sono coerenti con la letteratura, che evidenzia elevate difficoltà predittive della NIRS per le frazioni fibrose (Buonaiuto et al., 2021; Yamada et al., 2024; Benelli et al., 2025).

Le difficoltà derivano dalla complessità chimica della fibra e dalla sovrapposizione delle bande NIRS associate a cellulosa, emicellulosa e lignina (Jin et al., 2017). Per l’amido, NIRS_A ha mostrato una correlazione moderata ma una sottostima proporzionale, mentre le prestazioni del NIRS_B sono risultato nel complesso scarse.

Le analisi confermano una ridotta accuratezza, attribuibile alla forte eterogeneità dell’unifeed e alla variabilità granulometrica, che influenzano scattering e risposta spettrale (White & Rouvinen-Watt, 2004; Buonaiuto et al., 2021).

 

 

Infine, l’analisi delle componenti principali (PCA) (Figura 4) ha mostrato una parziale sovrapposizione tra LAB e NIRS, indicando che le predizioni catturano il trend generale dei dati, sebbene permangano differenze sistematiche coerenti con i bias osservati nelle analisi di accordo.

 

Nel complesso, i dispositivi NIRS portatili utilizzati dotati di calibrazioni “di fabbrica” non possono essere considerati pienamente intercambiabili con il metodo di laboratorio. Tuttavia, dopo la correzione del bias, le predizioni NIRS hanno mostrato un miglioramento sostanziale dell’accordo con i valori di riferimento, raggiungendo livelli prossimi a una intercambiabilità operativa in condizioni di campo.

Le discrepanze osservate possono essere ricondotte a diversi fattori, tra cui l’elevata eterogeneità delle razioni unifeed destinate alle bufale, la variabilità delle caratteristiche fisiche dei campioni (contenuto di umidità e granulometria), i limiti spettrali intrinseci dei dispositivi portatili e l’impiego di modelli di calibrazione proprietari sviluppati per razioni destinate a bovine da latte, non sempre pienamente rappresentativi delle condizioni bufaline.

A ciò si aggiunge la mancanza di informazioni dettagliate sui modelli di calibrazione e la possibile non perfetta corrispondenza tra la definizione di NDF utilizzata nei modelli NIRS e l’aNDFom determinata con il metodo di laboratorio, che rappresentano ulteriori fonti di incertezza.

Conclusioni e prospettive

Entrambi i dispositivi NIRS portatili sono risultati efficaci soprattutto per la determinazione della sostanza secca e, in misura minore, dell’estratto etereo, mentre hanno mostrato importanti limiti nella stima di ceneri, proteina, frazioni fibrose e amido.

Le principali criticità riguardano proteina e fibra, dove le discrepanze rispetto al laboratorio sono risultate più elevate. L’applicazione della regressione di Passing-Bablok ha migliorato l’accordo tra NIRS e metodi di riferimento, indicando che gran parte delle differenze era dovuta a bias sistematici e che la correzione può rendere le stime più affidabili, sebbene in alcuni casi sia rimasto un bias residuo.

Nonostante tali limitazioni, i dispositivi NIRS portatili offrono importanti vantaggi in termini di rapidità di analisi, semplicità di utilizzo e carattere non distruttivo dell’analisi, configurandosi come strumenti promettenti per la valutazione rapida dell’unifeed direttamente in campo.

È infine da considerare la versatilità dei due sistemi NIRS utilizzati, in uno dei quali è possibile aggiornare le calibrazioni già istallate al momento dell’acquisto, operazione però che avrebbe un senso pratico solo nel caso di un utilizzo routinario tale da ammortizzare il costo (analisi di laboratorio, impegno del tecnico) di aggiornamento/sviluppo in proprio delle calibrazioni.

Tratto da: Evangelista, C., Petrocchi Jasinski, F., Manganello, F., Basiricò, L., Danieli, P. P., & Bernabucci, U. (2026). Prediction of total mixed ration composition for dairy buffaloes using portable near-infrared spectrophotometers. Italian Journal of Animal Science, 25(1), 793–810. https://doi.org/10.1080/1828051X.2026.2679695

Link al lavoro: https://www.tandfonline.com/doi/full/10.1080/1828051X.2026.2679695 

Autore: Chiara Evangelista

 

 

Letteratura di riferimento 

AOAC. 1990. Official Methods of Analysis. 15th ed.Association of Official Analytical Chemists. 

AOAC. 2023a. Ash of animal feed. In: Latimer GW, editor.Official Methods of Analysis of AOAC INTERNATIONAL.22nd ed. Association of Official Analytical Chemists.

AOAC. 2023b. Fat (crude) or ether extract in animal feed. In:Latimer GW, editor. Official Methods of Analysis of AOACINTERNATIONAL. 22nd ed. Association of Official AnalyticalChemists.

AOAC. 2023c. Protein (crude) in animal feed and pet food:Kjeldahl method. In: Latimer GW, editor. Official Methodsof Analysis of AOAC INTERNATIONAL. 22nd ed.Association of Official Analytical Chemists.

Benelli A, Primi R, Evangelista C, Spina R, Milanesi M, Pietrucci D, Ronchi B, Bernabucci U, Moscetti R. 2025. Predicting Forage Nutritional Quality With Near-Infrared Spectroscopy. Journal of Sustainable Agriculture and Environment. 4(3). https://doi.org/10.1002/sae2.70077

Bilić-Zulle L. 2011. Comparison of methods: Passing and Bablok regression. Biochem Med (Zagreb). 21(1):49–52. https://doi.org/10.11613/BM.2011.010

Bland JM, Altman DG. 1999. Measuring agreement in method comparison studies. Stat Methods Med Res. 8(2):135–160. https://doi.org/10.1177/096228029900800204

Buonaiuto G, Cavallini D, Mammi LME, Ghiaccio F, Palmonari A, Formigoni A, Visentin G. 2021. The accuracy of NIRS in predicting chemical composition and fibre digestibility of hay-based total mixed rations. Ital J Anim Sci. 20(1):1730–1739. https://doi.org/10.1080/1828051X.2021.1990804 

Danieli PP, Carlini P, Bernabucci U, Ronchi B. 2004. Quality evaluation of regional forage resources by means of near infrared reflectance spectroscopy. Ital J Anim Sci. 3(4):363–376. https://doi.org/10.4081/ijas.2004.363

Evangelista C, Basiricò L, Bernabucci U. 2021. An overview on the use of near infrared spectroscopy (nirs) on farms for the management of dairy cows. Agriculture (Switzerland). 11(4). https://doi.org/10.3390/agriculture11040296

Evangelista C, Contò M, Basiricò L, Bernabucci U, Failla S. 2025. Near-Infrared Spectroscopy for Assessing the Chemical Composition and Fatty Acid Profile of the Total Mixed Rations of Dairy Buffaloes. Applied Sciences (Switzerland). 15(6). https://doi.org/10.3390/app15063211

Fernández Pierna JA, Vermeulen P, Chamberland N, Decruyenaere V, Froidmont E, Minet O, Lecler B, Baeten V. 2022. Performance of three handheld NIR spectrometers for predicting grass silage quality. Biotechnology, Agronomy, Society and Environment. 26(Special Issue):1–10. https://doi.org/10.25518/1780-4507.19918

Gheller LS, Wagemann-Fluxá CA, DeVries TJ. 2024. Accuracy and precision of diets fed to close-up cows on dairy farms and its association with early lactation performance. J Dairy Sci. 107(12):10811–10823. https://doi.org/10.3168/jds.2024-25118

Isnaini R, Despal, Permana IG, Zahera R, Rosmalia A, Farras MN. 2025. NIRS-based prediction of mineral content and DCAD status for sustainable livestock nutrition. Biodiversitas. 26(7):3281–3293. https://doi.org/10.13057/biodiv/d260720

Jin X, Chen X, Shi C, Li M, Guan Y, Yu CY, Yamada T, Sacks EJ, Peng J. 2017. Determination of hemicellulose, cellulose and lignin content using visible and near infrared spectroscopy in Miscanthus sinensis. Bioresour Technol. 241:603–609. https://doi.org/10.1016/j.biortech.2017.05.047 

Khaleduzzaman ABM, Salim HM. 2020. Development of local calibrations for the nutritional evaluation of fish meal and meat & bone meal by using near-infrared reflectance spectroscopy. J Appl Anim Res. 48(1):257–263. https://doi.org/10.1080/09712119.2020.1776715

Manley M. 2014. Near-infrared spectroscopy and hyperspectral imaging: Non-destructive analysis of biological materials. Chem Soc Rev. 43(24):8200–8214. https://doi.org/10.1039/c4cs00062e

Mendoza PTD, Hurburgh CR, Maier DE, Armstrong PR. 2023. NIR SPECTRAL IMAGING FOR ANIMAL FEED QUALITY AND SAFETY. Appl Eng Agric. 39(6):553–564. https://doi.org/10.13031/aea.15051

Nawab A, Dao TH, Chrystal P V., Cadogan D, Wilkinson S, Kim E, Crowley T, Barekatain R, Moss AF. 2025. Evaluation of Precision Feeding to Enhance Broiler Growth Performance. Animals. 15(16). https://doi.org/10.3390/ani15162433

Reeves JB. 2009. Does the Spectral Format Matter in Diffuse Reflection Spectroscopy? Appl Spectrosc. 63(9):669–677. https://doi.org/10.1366/000370209788559692

Serva L, Magrin L, Marchesini G, Andrighetto I. 2021. Assessment of the effectiveness of a portable NIRS instrument in controlling the mixer wagon tuning and ration management. Animals. 11(12). https://doi.org/10.3390/ani11123566 

Van Soest PJ, Robertson JB, Lewis BA. 1991. Methods for Dietary Fiber, Neutral Detergent Fiber, and Nonstarch Polysaccharides in Relation to Animal Nutrition. J Dairy Sci. 74(10):3583–3597. https://doi.org/10.3168/jds.S0022-0302(91)78551-2 

Wheeler OH. 1959. Near Infrared Spectra Of Organic Compounds. Chem Rev. 59(4):629–666. https://doi.org/10.1021/cr50028a004

White M, Rouvinen-Watt K. 2004. Near-infrared evaluation of wet mink diets. Anim Feed Sci Technol. 111(1–4):239–246. https://doi.org/10.1016/j.anifeedsci.2003.08.006

Yamada W, Cherney J, Cherney D, Runge T, Digman M. 2024. Handheld Near-Infrared Spectroscopy for Undried Forage Quality Estimation. Sensors. 24(16). https://doi.org/10.3390/s24165136

Zareef M, Arslan M, Ahmad W, Hassan MM, Shoaib M, Ouyang Q, Li H, Hashim MM, Javaria S, Chen Q. 2026. Applications of benchtop and portable spectroscopy techniques for food quality monitoring. Spectrochim Acta A Mol Biomol Spectrosc. 344. https://doi.org/10.1016/j.saa.2025.126713

Zhu C, Fu X, Zhang J, Qin K, Wu C. 2022. Review of portable near infrared spectrometers: Current status and new techniques. J Near Infrared Spectrosc. 30(2):51–66.