Predictive model based on artificial neural network for assessing beef cattle thermal stress using weather and physiological variables

A Review on the Relevant Applications of Machine Learning in Agriculture

“…ANN technique was proposed for the identification and classification and has revealed adequate results in complex classifications of biological images and has proposed for the identification of wide variety of biological samples including insects e.g. mosquito ( [159]), prediction for beef cattle thermal stress using weather and physiological variables (de Sousa et al, 2018) [160], identification of animals by bioacoustics (Chesmore, 2001 [161] and 2004 [162]), identification of grasshoppers by their songs (Ohya and Chesmore, 2003) [163], Identification of bats by their echolocation calls (Parsons, 2001[164], Parsons and Jones, 2000[165]), Real-time bioacoustics monitoring and automated species identification including birds, frogs and insects from Puerto Rico and Costa Rica. (Aide et al 2013) [166], algae (Coltelli et al 2014) [167], etc.…”

Desenvolvimento de classificador de conforto térmico para bovinos de leite utilizando modelagem computacional e termografia de infravermelho

“…Entretanto, essas medidas são feitas de forma invasiva ou são impraticáveis para produções de larga escala. Assim, a utilização de ferramentas que avaliem as alterações fisiológicas de forma não invasiva, como a técnica da Termografia de Infravermelho, por exemplo, pode agregar informações sobre a resposta dos animais ao ambiente e auxiliar na detecção do estresse térmico de forma mais precisa, já que se trata de uma técnica que capta dados de forma rápida, segura e não gera desconforto aos animais (SOUSA et al, 2018).…”

“…próximo da inclinação ideal(1) e o menor RMSE encontrados porSousa et al (2018) podem ser reflexo do grupo de dados analisados que contou com animais mais uniformes (mesma idade e grupo genético com desempenho semelhante) na unidade experimental, diferente do que aconteceu no presente estudo em que foram avaliadas vacas em diferentes estágios de parição e lactação, que podem apresentar diferentes respostas termorregulatórias. Mesmo submetidos às mesmas condições ambientais a resposta dos animais são bastante variadas.…”

“…Estas variações também influenciam na captação da TIV pela câmera termográfica e consequentemente nos dados de TIV que são inseridos nos modelos. Dessa forma, podem ter sido responsáveis pelas diferenças de resultados para predição de TR entre o presente estudo eSousa et al (2018).Os valores de correlação encontrado por Sousa et al (2018) entre a temperatura da fronte com a temperatura de bulbo seco, a temperatura de bulbo úmido e a TR foram, respectivamente 0,97, 0,86 e 0,79. Já no presente estudo, as correlações entre TIVFRONmed com Ti, URi e TR foram, 092, -0,73 e 0,55.…”

“…Um possível critério de parada pode ser o número de ciclos, ou seja, quantas vezes a rede deve processar os dados para a aprendizagem. Outro critério pode ser a definição de um erro máximo atingido, o que indica que a rede foi capaz de aprender com os dados.As RNA têm sido estudadas em pesquisas na área animal como ferramenta de análise de dados para previsão de medidas fisiológicas Sousa et al (2018). desenvolveram um modelo, baseado em RNA para estimar o nível de estresse térmico em bovinos de corte (Nelore).…”