Modelagem matemática e sistemas inteligentes para predição do comportamento alimentar de suínos nas fases de crescimento e terminação

• Main Author: Guilherme Farias Tavares
• Other Authors: Jarbas Honorio de Miranda
• Language: Portuguese
• Published: Universidade de São Paulo 2017
• Subjects: Modelagem fuzzy; Redes neurais artificiais; Zootecnia de precisão; Artificial neural network; Fuzzy modeling; Precision livestock
• Online Access: http://www.teses.usp.br/teses/disponiveis/11/11152/tde-28072017-082242/

A suinocultura é uma atividade de grande importância em termos mundiais e de Brasil. Entretanto, por serem animais homeotérmicos, algumas alterações no ambiente térmico de alojamento podem alterar suas respostas fisiológicas e comportamentais para manutenção da temperatura interna. Portanto, o objetivo dessa pesquisa foi avaliar o comportamento alimentar de suínos, mediante a influência do ambiente térmico, nas fases de crescimento e terminação para diferentes linhagens comerciais e sexo. Além disso, buscou-se o desenvolvimento de modelos matemáticos e sistemas inteligentes para predição do tempo em alimentação (TM, min dia-1) dos suínos. Os dados foram coletados em uma granja experimental de suínos, localizada na cidade de Clay Center, Nebraska, Estados Unidos. O período experimental contemplou duas estações durante o ano 2015/2016 (verão e inverno), totalizando 63 dias (9 semanas) de informações coletadas para cada estação. Os animais alojados foram de três linhagens comerciais distintas: Landrace, Duroc e Yorkshire. Cada baia apresentava composição mista, sendo alojados 40 animais de diferentes linhagens comerciais e sexo. No total, foram confinados 240 animais, sendo 80 animais para cada linhagem comercial entre machos castrados e fêmeas. Foram registrados dados de temperatura do ar (Tar, °C), temperatura do ponto de orvalho (Tpo, °C) e umidade relativa do ar (UR, %) a cada 5 minutos no interior da instalação. Para TM, os dados foram coletados e registrados a cada 20 segundos por meio de um sistema de coleta de dados por rádio frequência. O conforto térmico foi analisado a partir do Índice de Temperatura e Umidade (ITU) e a Entalpia Específica (H, kJ kg-1 de ar seco). Para avaliar a relação entre o ambiente térmico e TM, foi utilizada estatística multivariada por meio de análise de componentes principais (ACP) e agrupamento para obtenção de padrões e seleção de variáveis para entrada nos modelos. O modelo fuzzy e as redes neurais artificias foram desenvolvidos em ambiente MATLAB® R2015a por meio dos toolboxes Fuzzy e Neural Network, com o objetivo de predizer TM, tendo como variáveis de entrada: linhagem comercial, sexo, idade e ITU. De uma maneira geral, as médias de Tar estiveram dentro da zona de termoneutralidade (ZCT) em todo período experimental, sendo que apenas a UR apresentou valores abaixo da UR crítica inferior. Para o ITU, apenas no verão foram encontrados valores acima da ZCT, entretanto, esses valores estiveram abaixo do ITU crítico superior. Diante da análise dos resultados, pôde-se observar em relação ao comportamento alimentar, que a fêmea Landrace apresentou o menor tempo em alimentação com médias de 42,19 min dia-1 e 43,73 min dia-1 para o inverno e verão, respectivamente, seguido do macho castrado de mesma linhagem. Enquanto as demais linhagens apresentaram valores acima de 60 min dia-1. Não foi observado correlação linear significativa entre o ambiente térmico e TM uma vez que os animais estiveram dentro de sua ZCT ao longo de todo período experimental, indicando que o comportamento alimentar foi influenciado principalmente pelos fatores homeostáticos e cognitivos-hedônicos. A estatística multivariada dividiu os animais em 8 grupos. Foi observado que animais de linhagens e sexos distintos se comportaram da mesma maneira, dificultando a modelagem matemática. Entretanto, alguns grupos apresentaram maior quantidade de animais de determinada linhagem e sexo, sendo estes utilizados como \"grupos padrão\" para o desenvolvimento do modelo fuzzy e a rede neural artificial. O modelo fuzzy apresentou R2 de 0,858 quando utilizado os dados do grupo padrão, entretanto, para todos os valores o R2 foi de 0,549. Já a rede neural apresentou um R2 de 0,611 para os dados completos e R2 de 0,914 para o \"grupo padrão\". Portanto, a rede neural artificial mostrou-se como uma ferramenta de maior precisão e acurácia na predição do comportamento alimentar de suínos nas fases de crescimento e terminação. === The swine production in an activity of great importance to Brazil and to the world. However, because they maintain a constant body temperature and, alterations in the thermic accommodation environment can directly affect their physiological and behavioral responses for maintaining the internal temperature. Thus, the objective of this study was to access the feeding behavior of growing-finishing pigs of different sirelines and gender and its relationship with climate variables (thermic environment). Furthermore, mathematical models based on classic logic was developed as well as an intelligent system for predicting the total time spent eating (TM, min day -1). The data was collected in an experimental farm located in Clay Center, Nebraska, United States. The experimental period contemplated two seasons (summer and winter), totalizing 63 days (9 weeks) of information collected for each season. The housed animals were from three different commercial sirelines: Landrace, Duroc and Yorkshire. Each pen presented a mix composition, being housed 40 animals of different sirelines and gender. In total, there were 240 housed animals, being 80 animals for each sireline among barrows and gilts. The data registered were air temperature (Tar, °C), dew point temperature (Tpo, °C) and relative humidity of the air (UR, %) every 5 minutes inside the facility. For TM, the data were collected and registered every 20 seconds by a radio frequency data collection system. The thermal comfort was analyzed from the Temperature and Humidity Index (THI) and Specific Enthalpy (H, kJ kg-1 of dry air). In order to evaluate the relationship between the thermic environment and TM, the multivariate statistics through principal component analysis (PCA) and grouping was utilized for obtaining the selection standards of variables to enter in the models. The fuzzy model and the artificial neural networks were developed in a MATLAB® R2015a environment through the Fuzzy and the Neural Network toolboxes with the objective to predict TM, having as entry variables: sireline, gender, age and THI. On the whole, the Tar averages were inside the thermoneutral zone (ZCT), however, these values were below the superior critic THI. In the face of the results analysis, it could be observed in ration to the feeding behavior that the Landrace gilt presented the shortest time eating with averages of 42.19 min day-1 and 43.73 min day-1 for winter and summer respectively followed by the barrow from the same sireline, while the other sirelines presented values above 60 min day-1. It was not observed a significative linear correlation between the thermic environment and TM once the animals were inside their ZCT throughout all the experimentation period, indicating that the feeding behavior was influenced mainly by the homeostatic and cognitivehedonic factors. The multivariate statistics divided the animals in 8 groups, being observed that animals of different sirelines and gender behave the same way throughout the experimentation period, making the mathematical modeling difficult. However, some groups presented a bigger amount of animals of determined sireline and gender, being utilized as \"standard groups\" for the development of the fuzzy model and the artificial neural network. The fuzzy model presented an R2 of 0,858 when utilizing the \"standard group\" data, however, for all the values the R2 was 0.549. In the other hand the neural network presented an R2 of 0.611 for the complete data and an R2 of 0.914 for the \"standard group\". Thus, the artificial neural network appeared to be a tool of a better precision and accuracy when predicting the feeding behavior of pigs on growing-finishing phases.