Estimativa de estresse térmico de bovinos de corte utilizando classificador baseado em

lógica difusa

Rafael V. de Sousa1, Tatiana F. Canata e Luciane S. Martello

1 Professor Dr. – Departamento de Engenharia de Biossistemas Faculdade de Zootecnia e Engenharia de Alimentos da Universidade de São Paulo (FZEA – USP)

IntroduçãoPecuária Nacional

■ Cenário da produção animal no Brasil:

❑ o segundo maior produtor e o maior exportados de carne,

❑ produtividade em cabeças por hectare cresceu 25% em 10 anos,

❑ Instrução Normativa no. 56 - Recomendações de Boas Práticas de

Bem-estar para Animais de Produção e de Interesse Econômico.

■ Perspectivas do Ministério da Agricultura, Pecuária e

Abastecimento:

❑ aumento da produção de 22% em 10 anos,

❑ avanço da produtividade e do bem-estar animal.

IntroduçãoProdutividade e Bem-Estar

■ Conforto/Estresse térmico animal tem um impacto importante no

crescimento e no bem-estar animal.

■ Resposta ao estresse térmico envolve a termorregulação:

❑ aumento de atividade dos mecanismos para a perda de calor,

❑ reduz as funções essenciais do organismo e a ingestão de alimentos.

■ Fatores relacionados com a condição/nível de estresse térmico:

❑ Ambientais: temperatura do ar, umidade, radiação, vento …

❑ Fisiológicos: temperatura retal, frequência respiratória, temperatura da

superfície da corporal …

IntroduçãoNível de Estresse Térmico

■ Importante tendência: aplicação de tecnologia para monitorar o comportamento, a saúde e o crescimento dos animais – ex. índices de estresse térmico.

❑ Índices de temperatura-umidade: obtidos por estatística, são tradicionalmente utilizados com variáveis ambientais.

❑ Termografia de Infravermelho (TIV): medida direta da transferência de calor através da radiação emitida por corpos.

❑ Algoritmos baseados em inteligência artificial para classificar e/ou estimar em níveis o estresse térmico.

HELLEBRAND et al., 2003NASCIMENTO et al., 2011

Ex.: National Research Council (1971):

TBS: temperatura de bulbo seco

UR: umidade relativa do ar

ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x (1.8 x TBS – 26.8)

BROWN-BRANDL et al., 2006

cv

cv

cv

ObjetivoClassificador Fuzzy e TIV

Desenvolver um classificador baseado em Lógica Difusa (Fuzzy) que

integra varáveis ambientais e fisiológicas para determinar o nível

de estresse térmico em bovinos.

■ Utilização de sensor não invasivo para medida de variável

fisiológica – termografia de infravemelho.

■ Viabilizar o desenvolvimento de sistema de automação para

criadouros.

■ Alimentar sistemas informação para suporte a tomada de decisão.

Materiais e MétodosClassificador Fuzzy

Sistema Fuzzy

Modelagem da Resposta

Fisiológica do Animal

Temperatura de Bulbo Seco

(TBS)

Umidade Relativa do Ar

(UR)

Termografia Infravermelho

(TIV)

Classificação

Evidência Empírica

Materiais e MétodosProjeto do Classificador Fuzzy

Aquisição de Dados

• 18 bovinos Nelore, 10 dias, 3 medições por dia (8h , 12h e 16h)• Estação climatológica (Campbell Scientific 21XI(L): temperatura (TBS) e umidade (UR) • Câmera de infravermelho (TiS 9 Hz Fluke): temperatura da superfície corporal (TIV) • Termômetro clínico: temperatura retal (TR)

Análise

Estatístic

a

• Software SAS (Statistical Analysis System) • Correlação de Pearson• TIV com TR: melhor correlação da TR com temperatura da superfície corporal• TIV com TR: classificação de intervalos de TIV em função de intervalos de estresse TR

Classificador

Fuzzy

• Software MATLAB (MathWorks)• Classificador Fuzzy: CF• Entradas: TBS, UR e TIV • Saída: TR estimada (TRE)

Materiais e MétodosImplementação e Validação do Classificador

■ Parâmetros de implementação:

❑ formas triangular e trapezoidal para compor a funções de pertinência,

❑ Método Mamdani baseado em composição Max-Min para inferencia,

❑ Saídas crisp obtidas pelo Método do Centróide (Defusificação).

■ Validação:

❑ comparação TR (medição) com TRE (estimação),

❑ comparação com ITU proposto por NRC(1971).

ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x (1.8 x TBS – 26.8)

ResultadosTemperatura Retal como Referência

9

Temperatura Retal - TR

Definição da melhor área da superfície corporal

Classificação dos intervalos de TIV em função dos intervalos para a TR

Nível de Estresse

TR (°C) TIV (°C)

Conforto (C) ≤ 39.0 ≤ 35.0

Crítico (Cr) 39.1 – 39.4 35.1 – 35.4

Perigo (P) ≥ 39.5 ≥ 35.5

Melhor correlação entre TR e TIV - Fronte

ResultadosVariáveis Linguísticas

(a) TBS (b) UR (c) TIV (d) TRE

ResultadosBase de Regras

Se...TBS UR TIV

Então...TR

B B B C

B B M C

B B A C

. . . .

M M B C

M M M Cr

M M A Cr

. . . .

A A B Cr

A A M P

A A A P

Nível de Estresse TR (°C) TIV (°C)

Conforto (C) / Baixo (B) ≤ 39.0 ≤ 35.0

Crítico (Cr) / Médio (M) 39.1 – 39.4 35.1 – 35.4

Perigo (P) / Alto (A) ≥ 39.5 ≥ 35.5

■ TRE vs TR coincidem em ~75%.

ResultadosAvaliação do Classificador Fuzzy

Frequência de acertos

Comparação entre a

classificação da TR

aferida com a TRE

estimada pelo CF

TRE

TRConforto Crítico Perigo Total

Conforto 71,60% 14,40% 2,60% 88,50%

Crítico 7,40% 3,10% 0,11% 10,60%

Perigo 0,56% 0,11% 0,22% 0,89%

Total 79,49% 17,61% 2,90% 100%

ResultadosClassificador vs ITU

■ Comparação entre ITU e CF – coincidem em ~66%

TRE

ITUConforto Crítico Perigo Total

Conforto 53,13% 0% 0% 53,13%

Crítico 12,50% 3,13% 0% 15,63%

Perigo 0% 23,05% 8,20% 31,25%

Total 65,63% 26,18% 8,20% 100%

Frequência de acertos

Comparação entre a

classificação do ITU

calculado com a TRE

estimada pelo CF

Conclusões

■ O CF classifica os animais individualmente no mesmo período e

possui grande nível de acerto em comparação com a TR.

■ O CF integra indiretamente a TR para avaliação de estresse

térmico.

■ O CF integra diretamente variável fisiológica (TIV) e variáveis

ambientais constituindo uma ferramenta não invasiva promissora

para permitir a avaliação estresse térmico.

■ Possui potencial de integração com um sistema de gestão para

pecuária em tempo real.

Referências Bibliográficas■ BROWN-BRANDL, T. M.; JONES, D. D.; WOLD, W. E. Evaluating modelling techniques for

cattle heat stress prediction. Biosystems Engineering, London, v. 91, n. 4, p. 513–524, 2005.

■ HELLEBRAND, H. J. et al. Application of thermal imaging for cattle management. In: EUROPEAN CONFERENCE ON PRECISION LIVESTOCK FARMING, 1., 2003, Berlin. Proceedings… Berlin, 2003. p. 761-763.

■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Instrução Normativa 56. Brasília, 2008. Disponível em: <http://extranet.agricultura.gov.br/sislegis-consulta/consultarLegislacao.do?operacao=visualizar&id=19205>. Acesso em: 27 maio 2014.

■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Projeções do Agronegócio. Brasília, 2009. Disponível em: <http:/www.agricultura.gov.br/comunicacao/publicacoes>. Acesso em: 27 maio 2014.

■ NASCIMENTO, G. R. et al. Índice Fuzzy de conforto térmico para frangos de Corte. Engenharia Agrícola, Jaboticabal, v. 31, n. 2, p. 219-229, 2011.

■ NATIONAL RESEARCH CONTROL (NRC). A guide to environmental research on animals. Washington: National Academy of Science. Washington, DC, USA. 1971.

Contatos:Professor Dr. Rafael Vieira de Sousa

Professora Dra. Luciane Silva Martello

Departamento de Engenharia de Biossistemas – FZEA-USP

Campus Pirassununga – Pirassununga – SP

rafael.sousa@usp.brrafael.sousa@usp.br ; martello@usp.br

Obrigado pela Atenção!