Multivariate analysis of the behavior and physiology of Girolando heifers in pasture

Batista, Pedro Henrique Dias; Almeida, Gledson Luiz Pontes de; Pandorfi, Héliton; Melo, Airon Aparecido Silva de; Moraes, Alex Souza; Guiselini, Cristiane

doi:10.1590/1807-1929/agriambi.v23n4p303-308

Cited by 6 publications

(1 citation statement)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A ação dos elementos meteorológicos como a temperatura de bulbo seco, umidade relativa, temperatura de ponto de orvalho e temperatura de globo negro podem interferir no comportamento dos animais (Batista et al, 2019). Por isso, alterações nos valores das variáveis meteorológicas podem influenciar no tempo em que os animais despendem para realizar as classes comendo, bebendo e ócio.…”

Section: Resultsunclassified

Determinação do comportamento de bovinos de leite a pasto baseado em dados de localização GPS e ambientais

Bezerra

Batista

Santos

et al. 2021

Procedings Do XV Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

Automated determination of animal behavior through machine learning algorithms has become increasingly common in the study of animal behavior. This research aims to evaluate the performance of Random Forest, Bagging, and J48 classifiers in determining the behavior of dairy cattle on pasture using data obtained by GPS positioning sensors and environmental sensors. The data used were collected from three Girolando heifers with an average weight of 300 kg. The segmentation of variables was applied to GPS data collected from the 3 animals and provided the latitude and longitude per minute of each one of them. A mini meteorological station was installed in the study area to record environmental variables. To evaluate the classifiers, the Weka Toolkit 3.8.5 was used. Three classes of behavior were considered: eating, ruminating, and idleness. For the analyses, the trial and error method was used where the environmental variables of dry-bulb temperature in pasture and shade, relative humidity in pasture and shade, black globe temperature in shade, dew point temperature in shade, class, position, and location were being removed individually until a better accuracy in the classification of behaviors was observed. For evaluation, the cross-validation method with 10 folds was used. Random Forest and Bagging showed similar performance with an accuracy of 70.83%, while J48 had an accuracy of 65.1%.Resumo: Determinar o comportamento animal de maneira automatizada por meio de algoritmos de aprendizagem de máquina vem tornando-se cada vez mais comum no estudo do comportamento animal. O principal objetivo desta pesquisa é avaliar o desempenho dos classificadores Random Forest, Bagging e J48 na determinação do comportamento de bovinos de leite a pasto utilizando dados obtidos por sensores de posicionamento GPS e sensores ambientais. Os dados utilizados foram coletados de três novilhas da raça Girolando com peso médio de 300 Kg. A segmentação de variáveis foi aplicada a dados do GPS coletados dos 3 animais e forneciam a latitude e longitude por minuto de cada um deles. Na área de estudo foi instalada uma mini estação meteorológica para registro das variáveis ambientais. Para avaliação dos classificadores utilizou-se o Weka Toolkit 3.8.5. Foram consideradas três classes de comportamento: comendo, ruminando e ócio. Para as análises foi utilizado o método de tentativa e erro onde as variáveis ambientais de temperatura de bulbo seco no pasto e à sombra, umidade relativa no pasto e à sombra, temperatura de globo negro à sombra, temperatura do ponto de orvalho à sombra, classe, posição e local foram sendo removidas de forma individual até que fosse observada uma melhor acurácia na classificação dos comportamentos. Para avaliação foi utilizado o método de cross-validantion com 10 folds. O Random Forest e o Bagging apresentaram desempenho semelhante com uma acurácia de 70,83%, enquanto o J48 apresentou uma acurácia de 65,1%.

show abstract

Section: Resultsunclassified