Prognóstico anual de la carga térmica radiante aplicándose inteligência artificial
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
234
bioclimáticos de vacas holandês em diferentes estações.
Revista REGET, Santa Maria, v. 14, n. 14, p. 2878-2884,
2013. DOI: http://dx.doi.org/10.5902/2236117010747
BATTISTI, I. D. E.; SMOLSKI, F. M. S. Software R:
Análise estatística de dados utilizando um programa
livre. 1ª Edição. Editora FAITH, Bagé. 2019. 173p.
BINOTI, M. L. M. S.; BINOTI, D. H. B.; LEITE, H. G.;
GARCIA, S. L. R.; FERREIRA, M. Z.; RODE, R.;
SILVA, A. A. L. Redes neurais artificiais para estimação
do volume de árvores. Revista Árvore, Viçosa, v. 38, n.
2, p. 283-288, 2014a.
BINOTI, M. L. M. S.; BINOTI, D. H. B.; LEITE, H. G.;
GARCIA, S. L. R.; SILVA, A. A. L.; PONTES, C.
Utilização de redes neurais artificiais para a projeção da
distribuição diamétrica de povoamento equiâneos.
Revista Árvore, Viçosa, v. 38, n. 4, p. 747-754. 2014b.
BRETTAS, P. K. M.; NASCIMENTO, M. R. B. M.;
GUIMARÃES, E. C.; SOUZA, G. P. Melhor índice de
estresse térmico para novilhas leiteiras mestiças. Acta
Scientiae Veterinariae, Porto Alegre, v. 45, n. 1486, p.
1-8, 2017.
BRIGHENTI, T. M.; BONUMÁ, N. B.; CHAFFE, P. L. B.
Calibração hierárquica do modelo SWAT em uma bacia
hidrográfica Catarinense. Revista Brasileira de
Recursos Hídricos, Porto Alegre, v. 21, n. 1, p. 53-64,
2016.
DOI: http://dx.doi.org/10.21168/rbrh.v21n1.p53-64
CHAVES, H. M. L.; JANKOSZ, A. V.; LUCCHESI, L. A.;
MARQUES, P. Acurácia do modelo hydrus na predição
da lixiviação de nitrato resultante da aplicação de lodo de
esgoto tratado a solos de diferentes texturas. Revista
Brasileira de Recursos Hídricos, Porto Alegre, v. 21,
n. 1, p. 99-104. 2016.
DOI: http://dx.doi.org/10.21168/rbrh.v21n1.p99-104
COUTINHO, G. S.; MAGALHÃES, P. C. M.;
FORMIGONI, A. S.; VALLE, G. R.; MOREIRA, A. H.
Conforto térmico e manejo de suínos na maternidade
levando em consideração o bem-estar animal. Revista
Eletrônica Nutritime, Viçosa, v. 11, n. 1, p. 3109-3119,
2014.
DAI, Z.; BIRDSEY, R. A.; JOHNSON, K. D.; DUPUY, J.
M.; HERANDEZ-STEFANONI, J. L. Modeling carbon
stocks in a secondary tropical dry forest in the Yucatan
Peninsula, Mexico. Revista Water, Air & Soil Pollution,
Switzerland, v. 225, n. 4, p. 1925, 2014. DOI:
https://doi.org/10.1007/s11270-014-1925-x
ESMAY, M. L. Principles of animal environment. 2 ed.
West Port: AVI, 1982. 325p.
FERRAZ, P. F. P.; YANAGI JUNIOR, T; JULIO, Y. F. H.;
CASTRO, J. O.; GATES, R. S.; REIS, G. M.; CAMPOS,
A. T. Predicting chick body mass by artificial
intelligence‑based models. Pesquisa Agropecuária
Brasileira, Brasília, v. 49, n. 7, p. 559-568, jul. 2014. DOI:
https://doi.org/10.1590/S0100-204X2014000700009
GEORGENS, E. B.; LEITE, H. G.; GLERIANI, J. M.;
SOARES, C. P. B.; CEOLIN, A. Influência da arquitetura
na estimativa de volume de árvores individuais por meio
de redes neurais artificiais. Revista Árvore, Viçosa, v. 38,
n. 2, p. 289-295. 2014.
INSTITUTO NACIONAL DE METEOROLOGIA
(INMET). Banco de dados meteorológicos para
ensino e pesquisa. Disponível em:
<http://www.inmet.gov.br/
portal/index.php?r=bdmep/bdmep>. Acesso em: 10
janeiro 2020.
LOPES, F. B.; NOVO, E. M. L. M.; BARBOSA, C. C. F.;
ANDRADE, E. M.; FERREIRA, R. D. Simulação de
bandas espectrais do sensor MERIS para estimativas das
concentrações de clorofila-a em reservatório da região
semiárida. Revista Agro@mbiente On-line, Boa Vista,
v. 10, n. 2, p. 96-106, 2016. DOI:
http://dx.doi.org/10.18227/1982-8470ragro.v10i2.3482
MACHADO, A. R.; MELLO JUNIOR, A. V.;
WENDLAND, E. C. Avaliação do modelo J2000/JAMS
para modelagem hidrológica em bacias hidrográficas
brasileiras. Revista Engenharia Sanitária Ambiental,
Rio de Janeiro, v. 22, n. 2, p. 327-340, 2017. DOI:
http://dx.doi.org/10.1590/S1413-41522016145177
NASH, J. E.; SUTCLIFFE, J. V. River flow forecasting
through conceptual models. Part I: A discussion of
principles. Journal of Hydrology, Amsterdam, v. 10, n.
3, p. 282-290, 1970. DOI:
https://doi.org/10.1016/0022-1694(70)90255-6
NAVAS, T. O.; OLIVEIRA, H. F.; CARVALHO, F. B.;
STRINGHINI, J. H.; CAFÉ, M. B.; HELLMEISTER
FILHO, P. Estresse por calor na produção de frangos de
corte. Revista Eletrônica Nutritime, Viçosa, v. 13, n. 1,
p. 4550-4557, 2016.
TO, O. V.; BITTAR, D. Y. Análise do conforto térmico e
sua influência na produção e qualidade do leite em
ambiente de domínio de cerrado. Revista PUBVET,
Maringá, v. 12, n. 4, p. 1-6, 2018. DOI:
https://doi.org/10.22256/pubvet.v12n4a75.1-6
PANDORFI, H.; SILVA, I. J. O.; SARNIGHAUSEN, V. C.
R.; VIEIRA, F. M. C.; NASCIMENTO, S. T.;
GUISELINI, C. Uso de redes neurais artificiais para
predição de índices zootécnicos nas fases de gestação e
maternidade na suinocultura. Revista Brasileira de
Zootecnia, Viçosa, v. 40, n. 3, p. 676-681, 2011. DOI:
https://doi.org/10.1590/S1516-35982011000300028
PEEL, M. C.; FINLAYSON, B. L.; MCMAHON, T. A.
Updated world of the Köppen-Geiger climate
classification. Hydrology and Earth System Sciences,
Göttingen, v. 11, n. 5, p. 1633-1644, 2007. DOI:
https://doi.org/10.5194/hess-11-1633-2007
R CORE TEAM. R: A language and environment for
statistical computing. R Foundation for Statistical
Computing, Viena, Austria. Disponível em:
<http://www.R-project.org/>. Acesso em: 12 janeiro
2019.
RODRIGUES, E. L.; ELMIRO, M. A. T.; JACOBI, C. M.;
LAMOUNIER, W. L. Aplicação do Modelo SWAT na
avaliação do consumo de água em áreas de florestas
plantadas na bacia do rio Pará, Alto São Francisco, em
Minas Gerais. Revista Sociedade & Natureza,
Uberlândia, v. 27, n. 3, p. 485-500, 2015. DOI:
http://dx.doi.org/10.1590/1982-451320150309
SANTOS, D. S.; ARCE, A. I. C.; PIZA, L. V.; SILVA, A. C.
S.; COSTA, E. J. X.; TECH, A. R. B. Redes bluetooth
associadas a redes neurais artificiais para monitoramento
de suínos. Revista Archivos de Zootecnia, Córdoba, v.
65, n. 252, p. 557-563, 2016.
SOARES, F. C.; ROBAINA, A. D.; PEITER, M. X.; RUSSI,
J. L.; VIVAN, G. A. Redes neurais artificiais na estimativa
da retenção de água do solo. Revista Ciência Rural,
Santa Maria, v. 44, n. 2, p. 293-300, 2014.