Method of numerical correction of errors occasioned by delay of records during the monitoring of environmental variables of interest for animal production

As condições de ambiente térmico e aéreo, no interior de instalações para animais, alteram-se durante o dia, devido à influência do ambiente externo. Para que análises estatísticas e geoestatísticas sejam representativas, uma grande quantidade de pontos distribuídos espacialmente na área da instalação deve ser monitorada. Este trabalho propõe que a variação no tempo das variáveis ambientais de interesse para a produção animal, monitoradas no interior de instalações para animais, pode ser modelada com precisão a partir de registros discretos no tempo. O objetivo deste trabalho foi desenvolver um método numérico para corrigir as variações temporais dessas variáveis ambientais, transformando os dados para que tais observações independam do tempo gasto durante a aferição. O método proposto aproximou os valores registrados com retardos de tempo aos esperados no exato momento de interesse, caso os dados fossem medidos simultaneamente neste momento em todos os pontos distribuídos espacialmente. O modelo de correção numérica para variáveis ambientais foi validado para o parâmetro ambiental temperatura do ar, sendo que os valores corrigidos pelo método não diferiram pelo teste Tukey, a 5% de probabilidade dos valores reais registrados por meio de dataloggers.

Sistema fuzzy para estimativa do bem-estar de matrizes pesadas

Entender o comportamento e suas pequenas variações decorrentes das mudanças do ambiente térmico e desenvolver modelos que simulem o bem-estar a partir de respostas das aves ao ambiente constituem o primeiro passo para a criação de um sistema de monitoramento digital de aves em galpões de produção. Neste trabalho, foi desenvolvido um sistema de suporte à decisão com base na teoria dos conjuntos fuzzy para a estimativa do bem-estar de matrizes pesadas em função de frequências e duração dos comportamentos expressos pelas aves. O desenvolvimento do sistema passou por cinco etapas distintas: 1) organização dos dados experimentais; 2) apresentação dos vídeos em entrevista com especialista; 3) criação das funções de pertinência com base nas entrevistas e na revisão da literatura; 4) simulação de frequências de ocorrências e tempos médios de expressão dos comportamentos classificados como indicadores de bem-estar utilizando equações de regressão obtidas na literatura, e 5) construção das regras, simulação e validação do sistema. O sistema fuzzy desenvolvido estimou satisfatoriamente o bem-estar de matrizes pesadas, tendo na sua última versão, com maior número de regras, acertado 77,8% dos dados experimentais, comparados com as respostas esperadas por um especialista. O sistema pode ser utilizado como instrumento matemático-computacional para apoiar decisões em galpões de produção de matrizes pesadas.