Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
Pesquisas Agrárias e Ambientais
DOI: https://doi.org/10.31413/nativa.v9i3.10122 ISSN: 2318-7670
Prognóstico anual de la carga térmica radiante aplicándose inteligência artificial
Pedro Hurtado de Mendoza BORGES
1*
, Zaíra Morais dos Santos Hurtado de MENDOZA
1
,
Pedro Hurtado de Mendoza MORAIS
1
1
Universidade Federal de Mato Grosso, Cuiabá, MT, Brasil.
*E-mail: pborges@ufmt.br
(Orcid: 0000-0001-7603-8775; 0000-0002-0930-7928; 0000-0003-2431-9262)
Recebido em 16/04/2020; Aceito em 24/06/2021; Publicado em 12/07/2021.
RESUMEN: En este estudio se desenvolvieron redes neuronales artificiales para predecir el conforto térmico
animal, en función de la temperatura ambiente y la velocidad del aire para cada día del año en el calendario
juliano. Los datos fueron obtenidos en el sitio del Instituto Nacional de Meteorología para una serie histórica
de 30 años, coleccionada en la Estación Convencional Padre Ricardo Remetter, municipio de Santo Antonio
de Leverger-MT. Para la elaboración de las redes se adoptó como variable de entrada el día del año y como
variable de salida la carga térmica de radiación. El número de neuronas varió entre 2 y 15, utilizándose una y
dos camadas ocultas. El ajuste de las redes se verificó por el coeficiente de determinación, error absoluto medio,
porcentaje medio del error absoluto, la normalidad de los residuos y la prueba de t-Student. No hubo
discrepancias entre los valores estimados por las redes y los obtenidos de la serie histórica. Finalmente se
seleccionaron diez arquitecturas con adecuados índices de desempeño y las cuatro mejores se sometieron al
análisis de residuos. Se concluyó que las redes neuronales del tipo perceptron con dos camadas ocultas fueron
apropiadas para pronosticar la carga térmica radiante, conforme el día Juliano.
Palabras-clave: conforto térmico; red neuronal artificial; series temporales.
Annual prognostic of the radiant thermal using artificial intelligence
ABSTRACT: In this research, artificial neural networks were developed to predict the animal thermal comfort
based on the room temperature and air velocity for the year day in the Julian calendar. The data were obtained
from the website of the National Institute of Meteorology for a 30-year historical series, collected at the Padre
Ricardo Remetter Meteorological Station, municipality of Santo Antônio de Leverger-MT. To elaborate the
networks, the day of the year was adopted as the input variable and the radiation thermal load as the output
variable. The number of neurons ranged varied from 2 to 15, being used one and two hidden layers. The
adjustment of the networks was verified by the determination coefficient, mean absolute error, mean percentage
of the absolute error, the normality of residues and the t-Student test. The values estimated by the networks
and those obtained from the historical series did not differ. Finally, ten architectures with adequate performance
and efficiency indexes were selected and among them the four best were submitted to the residue analysis. It
was concluded that the artificial perceptron neural networks formed by two-layer hidden were suitable for the
prognosis of the radiant thermal load, as a function of Julian day.
Keywords: thermal comfort; artificial network; time series.
1. INTRODUCCIÓN
Entre otros criterios, el conforto térmico ha sido muy
utilizado para evaluar el bien estar animal, pues posibilita
identificar las condiciones ambientales de su alojamiento.
Diversos estudios han constatado reducción significativa en
el desempeño productivo y reproductivo de los animales
debido al estrés térmico (COUTINHO et al., 2014; NAVAS
et al., 2016; NETO; BITTAR, 2018). El grado de estrés
térmico del animal se puede acentuar por la influencia de las
variables climáticas temperatura y humedad del aire, bien
como de la velocidad del viento. Además, de los índices de
conforto propuestos por otros autores, Esmay (1982) sugirió
utilizar la carga térmica radiante (CTR) como índice para
evaluar las condiciones ambientales en que los animales se
alojan.
La carga térmica radiante es la radiación total recibida por
un cuerpo, proveniente de todo el espacio circundante. Ese
índice es función de la temperatura ambiente, de la velocidad
del viento y de la temperatura de globo negro. Las dos
primeras variables pueden ser obtenidas fácilmente en
bancos de dados del Instituto Nacional de Meteorología
(INMET). Sin embargo, la temperatura del globo negro no
siempre es posible su adquisición de forma directa en esas
bases de dados. Con el propósito de mejorar las mediciones
de temperatura, Abreu et al. (2011) ajustaron un modelo
linear con erro en la predicción de 3,19% para estimar la
temperatura del globo negro a partir de la temperatura de
bulbo seco, la cual está disponible en bancos de dados.
Actualmente, la inteligencia artificial está cada vez más
revolucionando la era moderna. En ese sentido, se puede
constatar la aplicación de redes neuronales artificiales para
estimar variables y modelar procesos con base en valores
conocidos. Los mencionados recursos computacionales se
Prognóstico anual de la carga térmica radiante aplicándose inteligência artificial
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
230
han mostrado como una óptima alternativa para auxiliar en la
tomada de decisión del sector agropecuario. Santos et al.
(2016) monitorearon el comportamiento de cerdos usando
esos modelos, obteniendo resultados precisos y confiables.
Pandorfi et al. (2011) elaboraron redes neuronales para
predecir índices zootécnicos durante las fases de gestación y
maternidad en la ganadería porcina. Ferraz et al. (2014)
desarrollaron redes neuronales artificiales para estimar la
masa corporal de polluelos, sometidos a diversos períodos e
intensidades de estrés térmico. Aún, Valente et al. (2014)
utilizaron ese modelaje para clasificar muestras de leche
alteradas por la adición del suero de queso. En los estudios
citados, se adoptaron las redes neuronales artificiales del tipo
perceptron de varias camadas, pudiéndose demostrar la
viabilidad de su aplicación y su habilidad para prever
informaciones.
Los trabajos consultados permiten inferir que las redes
neuronales constituyen un artificio computacional útil en el
procesamiento de datos meteorológicos y que su uso es
promisor para estimar la carga térmica de radiación,
basándose en informaciones climáticas de series históricas
disponibles en los bancos de dados del Instituto Nacional de
Meteorología. Así, esta investigación fundamentase en la
hipótesis de que esos modelos pueden proporcionar los
criterios necesarios para predecir la situación del ambiente
térmico en instalaciones zootécnicas, auxiliando la tomada de
decisión con el propósito de realizar el manejo adecuado de
los animales. Esta problemática motivó la elaboración del
presente estudio, que tiene como objetivo verificar si las redes
neuronales son apropiadas para el pronóstico anual de la
carga térmica de radiación, en función de las variables
temperatura del bulbo seco y velocidad del aire.
2. MATERIAL Y MÉTODOS
2.1. Caracterización del área
Las instalaciones zootécnicas seleccionadas para esta
investigación pertenecen al Campo Experimental de la
Facultad de Agronomía y Zootecnia, Universidad Federal de
Mato Grosso. El área está localizada en el municipio de Santo
Antônio de Leverger-MT. El clima tropical de la región fue
clasificado como Aw (PEEL et al., 2007). La temperatura
media anual y la pluviosidad media anual son,
respectivamente, 26,1ºC y 1267 mm (INMET, 2020).
2.2. Colecta de los dados
Los datos colectados correspondieron a la Estación
Meteorológica Convencional Padre Ricardo Remetter,
código OMM 83364, operando desde 01/01/1986, situada
en el municipio de Santo Antônio de Leverger-MT, latitud de
-15,7833º, longitud de -56,0667º y altitud de 140 m. En este
estudio se utilizaron los valores de la temperatura del bulbo
seco y de la velocidad del viento para una serie histórica de
30 años, referentes al periodo entre 01/01/1988 y
31/12/2018 en los horarios de 00:00, 12:00 y 18:00 horas,
disponibles en el Banco de Datos Meteorológicos para la
Enseñanza e Investigación (BDMEP), Instituto Nacional de
Meteorología (INMET, 2020).
2.3. Análisis de los dados
Los datos fueron almacenados em archivos textos y
planillas electrónicas. Con las funciones estadísticas, bien
como con las herramientas de filtro y clasificación de las
planillas, se determinaron los valores de la carga térmica de
radiación (CTR) para cada día del año, en el calendario
juliano. Ese índice fue estimado utilizándose la expresión
sugerida por Esmay (1982), conforme la ecuación 1.
CTR = α ∙ TRM
4
(01)
en que: CTR = carga térmica de radiación, en W/m
2
; α = constante
de Stefan-Boltzmann 5,67x10
-8
, en W/m
2
K
4
; TRM = temperatura
media radiante, en K.
La temperatura media radiante fue determinada, de
acuerdo con la ecuación 2.
TRM=100∙ 2,51∙√ v ∙(Tgn-Tbs)+Tgn 100
0,25
(02)
en que: TRM = temperatura media radiante, en K; v = velocidad del
viento, en m/s; Tbs = temperatura del bulbo seco, en K; Tgn =
temperatura del globo negro, en K.
La temperatura del globo negro fue estimada, según
Abreu et al. (2011), dada por la ecuación 3.
Tgn = 1,0335 ∙ Tbs + 0,456 (03)
2.4. Elaboración de las redes neuronales artificiales
Los valores de la carga térmica de radiación (CTR) para
cada día del año, en el calendario juliano, se introdujeron y
procesaron por medio de la función “neuralnet”, disponible
en el programa estadístico R (R CORE TEAM, 2019). Esa
función permitió definir las posibles arquitecturas de redes
neuronales artificiales. Luego, tomando como referencia los
estudios de Pandorfi et al. (2011); Binoti et al. (2014a); Binoti
et al. (2014b); Ferraz et al. (2014); Valente et al. (2014), se
optó por la tipología con la estructura perceptron de
múltiples camadas (MPL), para el pronóstico del índice
térmico, en función del día juliano.
En la secuencia, fueron definidas diversas arquitecturas
de redes neuronales artificiales, teniendo como variables
independiente y dependiente, respectivamente, en las
camadas de entrada y de salida, el día juliano y la carga térmica
radiante. También, se probaron una y dos camadas
intermediarias, conteniendo hasta 15 neuronas cada una. Las
variables de entrada y salida fueron normalizadas entre 0 y 1
para evitar la saturación y consecuentemente errores en los
valores estimados. Después, los resultados fueron
desnormalizados para poder expresarlos en la escala original,
de acuerdo con las relaciones descritas en las ecuaciones 4 y
5.
Vnor =
Vori - Vmin
Vmax - Vmin
(04)
Vdnor = Vnor ∙ (Vmax − Vmin)+ Vmax (05)
en que: Vnor = valor normalizado de CTR, adimensional; Vori =
valor original de CTR, en W/m²; Vmin = valor mínimo de CTR, en
W/m²; Vmax = valor máximo de CTR, en W/m²; Vdnor = valor
estimado desnormalizado de CTR, en W/m².
Conforme Binoti et al. (2014a); Binoti et al. (2014b);
Georgens et al. (2014); Valente et al. (2014), para reducir el
número de redes neuronales obtenidas y seleccionar las más
adecuadas, se calcularon el coeficiente de determinación (R²),
el error absoluto medio (MAE), el error cuadrático medio
(MSE), la raíz del error cuadrático medio (RMSE) y el
Borges et al.
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
231
porciento medio del error absoluto (MAPE). Las redes de
mejores índices se sometieron al análisis de normalidad para
los residuos por medio de las pruebas de Kolmogorov-
Smirnov, Lilliefors y Shapiro-Wilk. También, para esas redes
se verificó el ajuste entre los valores observados y los
estimados, aplicándose la prueba de t-Student.
Teniendo como referencia los trabajos de Binoti et al.
(2014a); Binoti et al. (2014b); Ferraz et al (2014); Georgens et
al. (2014); Soares et al. (2014); Valente et al. (2014), fueron
calculados el coeficiente de correlación (r), el índice de
concordancia de Willmott (Iw), bien como el índice de
desempeño (Id), resultante del producto de los anteriores y
que mide la proximidad entre valores estimados y
observados. Inclusive, considerándose las investigaciones
realizadas por Dai et al. (2014); Rodrigues et al. (2015); Sousa
et al. (2015); Brighenti et al. (2016); Chaves et al. (2016);
Lopes et al. (2016); Machado et al. (2017), en este estudio se
verificó la eficiencia de las redes por medio del coeficiente de
Nash-Sutcliffe (CNS), propuesto por Nash & Sutcliffe
(1970).
Aunque los criterios analíticos citados anteriormente
posibilitan concluir sobre la precisión de las redes para
estimar la carga térmica de radiación (CTR), Battisti; Smolski
(2019) sugieren evaluar el comportamiento de los residuos
gráficamente con el propósito de verificar la presencia de
tendencias inadecuadas en la distribución. En ese sentido, se
elaboraron el histograma de los residuos, el diagrama del
cuantil-cuantil con las bandas del intervalo de confianza, los
gráficos con los residuos para las variables dependiente e
independiente y el diagrama de dispersión para cada rede
seleccionada, en función del día juliano.
3. RESULTADOS
En el presente estudio se probaron 78 arquitecturas de
redes neuronales artificiales, con una camada de entrada, una
o dos intermediarias (ocultas) y una salida. El aumento de una
camada intermediaria para dos elevó la precisión de los
resultados. Sin embargo, el aumento de neuronas dentro de
esas camadas no interfirió en el desempeño de la rede. En la
Tabla 1 se muestran los resultados correspondientes a las diez
redes neuronales artificiales con índices satisfactorios.
Segundo esa Tabla las arquitecturas 2, 5, 6 y 10 presentaron
los mayores coeficientes de determinación (R²) y los menores
valores del error absoluto medio (MAE), de la raíz del error
cuadrático medio (RMSE) y del porcentaje del error absoluto
medio (MAPE).
Las pruebas de Kolmogorov-Smirnov, Shapiro-Wilk y
Lilliefors aplicadas para los residuos de las cuatro mejores
redes neuronales artificiales evidenciaron probabilidades
superiores a 0,05 (Tabla 2). Según ese resultado se puede
aceitar la normalidad de su distribución. También, en la Tabla
2, se observa que no hubo diferencias significativas entre los
valores observados y los estimados por las cuatro redes,
conforme la prueba de t-Student, comprobado por la
probabilidad mayor que 0,99. Esos resultados constituyen la
premisa básica para un adecuado ajuste entre los valores
calculados a partir de los dados del INMET y los obtenidos
por medio de las redes neuronales artificiales.
Tabla 1. Valores de los índices evaluados para cada arquitectura de
rede neuronal artificial.
Table 1. Values of the indexes evaluated for each artificial neural
network architecture.
RNA Arquitectura R² MAE RMSE MAPE
1 1:1-2-6-1:1 0,7597 0,0129 0,0170 1,2909
2 1:1-3-6-1:1 0,7755 0,0127 0,0166 1,2711
3 1:1-4-4-1:1 0,7635 0,0130 0,0170 1,2982
4 1:1-5-4-1:1 0,7658 0,0128 0,019 1,2846
5 1:1-6-5-1:1 0,7823 0,0123 0,0164 1,2325
6 1:1-6-6-1:1 0,7755 0,0127 0,0166 1,2353
7 1:1-7-8-1:1 0,7643 0,0127 0,0170 1,2735
8 1:1-8-5-1:1 0,7618 0,0130 0,0171 1,3013
9 1:1-8-7-1:1 0,7664 0,0128 0,0169 1,2784
10 1:1-9-5-1:1 0,7717 0,0127 0,0168 1,2740
La Tabla 3 contiene un resumen con los coeficientes e
índices de desempeño y eficiencia. En esa Tabla se puede
constatar un idóneo desempeño y una excelente eficiencia,
evidenciada por el elevado coeficiente de Nash Sutcliffe.
Esos valores fueron semejantes en las cuatro redes
neuronales artificiales, indicando que todas son apropiadas
para prever la Carga Térmica de Radiación y que pueden
suministrar resultados análogos con adecuada precisión. Sin
embargo, los resultados relativos a la arquitectura de red
neuronal artificial cinco (1:1-6-5-1:1) se mostraron superiores
al comparar sus índices de desempeño con las tres restantes
tipologías (Tabla 3).
Los resultados de las pruebas analíticas confirmaron la
normalidad de los residuos para las cuatro redes neuronales
artificiales seleccionadas, bien como su adecuado ajuste,
desempeño y eficiencia. No obstante, el análisis gráfico es una
posibilidad conveniente para visualizar la distribución de los
residuos referente a las suposiciones de normalidad e
independencia, como también a la ocurrencia de valores
estimados muy discrepantes (“outliers”) de los observados y
su magnitud. En ese sentido, se elaboró el histograma de la
densidad de probabilidad correspondiente a los residuos
estandarizados (Figura 1).
Tabla 2. Valores de los índices evaluados para cada arquitectura de red neuronal artificial.
Table 2. Values of the indexes evaluated for each artificial neural network architecture.
RNA Arquitectura Resultados Pruebas de normalidad Prueba de ajuste
Kolmogorov-Smirnov Shapiro-Wilk Lilliefors t-Student
2) 1:1-3-6-1:1 Estadística 0,0513 0,9843 0,0513 0,0115
Probabilidad 0,2923 (ns) 0,0523 (ns) 0,0795 (ns) 0,9908 (ns)
5) 1:1-6-5-1:1 Estadística 0,0617 0,9857 0,0617 0,0077
Probabilidad 0,1241 (ns) 0,0583 (ns) 0,0571 (ns) 0,9939 (ns)
6) 1:1-6-6-1:1 Estadística 0,0518 0,9861 0,0518 0,0043
Probabilidad 0,2824 (ns) 0,0867 (ns) 0,0752 (ns) 0,9965 (ns)
10) 1:1-9-5-1:1 Estadística 0,0535 0,9853 0,0535 0,0054
Probabilidad 0,2465 (ns) 0,0829 (ns) 0,0817 (ns) 0,9957 (ns)
Prognóstico anual de la carga térmica radiante aplicándose inteligência artificial
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
232
Tabla 3. Resumen con los resultados sobre el desempeño y la eficiencia de las redes neuronales artificiales.
Table 3. Summary with the results for the performance and efficiency of the artificial neural networks.
RNA Arquitectura
Indicativos de desempeño Eficiencia
Coeficiente de correlación Concordancia de
Willmott Índice de desempeño Coeficiente de
Nash Sutcliffe
2) 1:1-3-6-1:1 0,9038 0,7943 0,7179 0,9988
5) 1:1-6-5-1:1 0,9071 0,8006 0,7262 0,9988
6) 1:1-6-6-1:1 0,9041 0,7953 0,7190 0,9988
10) 1:1-9-5-1:1 0,9023 0,7939 0,7163 0,9988
Figura 1. Histograma de la densidad de probabilidad de los residuos
estandarizados para las redes neuronales artificiales.
Figure 1. Histogram of the probability density of the standardized
residuals for the artificial neural networks.
Como complemento del análisis de normalidad fue
elaborado el gráfico de probabilidad normal de los residuos
estandarizados con las bandas del intervalo de confianza para
95% (Figura 2). En esa Figura se puede observar que la mayor
parte de los puntos coordenados formados por los valores de
los cuantiles teóricos y de los residuos están muy próximos a
la línea de referencia o bisectriz y solo algunos en los
extremos se alejaron. Aún, se puede constatar que todos los
puntos se mantuvieron entre los límites de confianza para
95%.
La validad de la suposición de independencia puede ser
cualificada con base en el gráfico de dispersión de residuos,
según el orden de colecta de los dados reales observados.
Para esa finalidad se implementaron los diagramas de las
Figuras 3 y 4 con los residuos estandarizados, en función de
valores estimados de la Carga Térmica Radiante (CTR) y del
día Juliano. En esas Figuras se incluyeron dos líneas
horizontales con las ordenadas -2 y 2 para identificar, de
forma fácil, el número de puntos con grandes desvíos.
Después de confirmar el adecuado ajuste de las cuatro
redes neuronales artificiales seleccionadas por medio de los
análisis analítico y gráfico, fue elaborado el diagrama de
dispersión para representar los valores de la carga térmica de
radiación observados y estimados, en función del día Juliano
(Figura 5). En esa Figura se verifica que, los valores estimados
por las cuatro redes acompañaron la tendencia presentada
por los valores reales observados para la carga térmica de
radiación y no evidenciaron diferencias marcantes a lo largo
del año, estando las cuatro curvas muy próximas.
Figura 2. Gráfico de probabilidad normal de los residuos
estandarizados con las bandas del intervalo de confianza para 95%.
Figure 2. Normal probability plot of the standardized residuals with
the confidence interval bands for 95%.
Figura 3. Dispersión de los residuos estandarizados, en función de
los valores estimados de carga térmica de radiación.
Figure 3. Dispersion of the standardized residuals, as a function of
the estimated values of thermal radiation load.
Borges et al.
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
233
Figura 4. Dispersión de los residuos estandarizados, en función del
día Juliano.
Figure 4. Dispersion of the standardized residuals, as a function of
Julian day.
Figura 5. Dispersión de los valores de la carga térmica radiante, en
función del día Juliano y curvas de los valores estimados por las
cuatro redes neuronales artificiales seleccionadas.
Figure 5. Dispersion of the values of the radiant thermal load, as a
function of Julian day and curves for the values estimated by the
four selected artificial neural networks.
4. DISCUSIÓN
Los valores del coeficiente de determinación obtenidos
en este estudio fueron inferiores a los estimados por Binoti
et al. (2014a); Binoti et al. (2014b); Georgens et al. (2014),
siendo mayores que 0,9. Probablemente, esas discrepancias
se deben a las elevadas oscilaciones diarias de las variables
climáticas temperatura y velocidad del aire a lo largo de los
años, lo que sin dudas puede generar diferencias entre los
valores observados y los estimados mediante las redes
neuronales. Sin embargo, los coeficientes de determinación
de las diez arquitecturas fueron superiores a 0,7, mínimo
valor considerado en este trabajo para iniciar la clasificación
de las cuatro mejores con adecuado ajuste.
Los valores del coeficiente de correlación de Pearson para
las cuatro redes seleccionadas fueron inferiores a los
obtenidos por Binoti et al. (2014a); Binoti et al. (2014b);
Georgens et al. (2014). Esas diferencias pueden ser oriundas
de la acentuada fluctuación de condiciones climáticas en la
región, bajo la influencia de las variables humedad relativa,
temperatura y velocidad del aire utilizadas en este trabajo. Por
otro lado, los valores del coeficiente de eficiencia de Nash
Sutcliffe (CNS) fueron superiores a los estimados por Sousa
et al. (2015); Brighenti et al. (2016); Chaves et al. (2016);
Lopes et al. (2016); Machado et al. (2017). Esas discrepancias
pueden estar asociadas al elevado número de observaciones
utilizadas en la presente investigación, lo que resultó en una
mayor eficiencia de las redes desarrolladas. Además, las
arquitecturas definidas en este estudio pueden haber
contribuido para una adecuada aproximación de los valores
estimados mediante las redes a los observados, aumentando
su capacidad de predicción.
Los resultados evidenciaron la excelente capacidad de las
redes neuronales para estimar o predecir valores con
adecuada precisión, a pesar de la elevada variabilidad de la
temperatura ambiente y velocidad del viento en la región. Se
confirmó que, las redes detectaron satisfactoriamente la
estacionalidad climática local, dada por la carga térmica de
radiación, aspecto relevante para el manejo de animales en
confinamiento. En esta investigación se corroboraron las
afirmaciones formuladas por Binoti et al. (2014a); Binoti et
al. (2014b); Ferraz et al. (2014); Georgens et al. (2014);
Valente et al. (2014). Eses autores no recomiendan adoptar
fórmulas para definir la arquitectura y el número de neuronas
dentro de las camadas ocultas, sino un análisis riguroso con
diversas tipologías.
De acuerdo con la Figura 5, se deduce que los valores
mínimos de la carga térmica radiante se mantuvieron muy
próximos de 475 W/m² y se obtuvieron durante el mes de
julio, correspondiendo a los días 180 y 190 del calendario
Juliano. Esos valores fueron inferiores a los determinados, en
período semejante, por Avila et al. (2013), en torno de 550
W/m². Sin embargo, los valores de este estudio fueron
superiores a 117,73 W/m², estimados por Brettas et al.
(2017). Esas diferencias se deben, probablemente, a las
características climáticas de cada región, lo que evidencia la
importancia de predecir la carga térmica radiante con
adecuada precisión, para el eficiente manejo de animales en
términos de conforto ambiental.
5. CONCLUSIONES
Las redes neuronales elaboradas presentaron adecuada
confiabilidad y eficiencia en las predicciones, justificando su
aplicación para auxiliar la tomada de decisión en el
planeamiento, gestión y manejo de animales. Las redes del
tipo perceptron formadas por tipologías de dos camadas
ocultas evidenciaron superioridad para estimar la carga
térmica radiante, en función de día Juliano, posibilitando
identificar los días del año más y menos favorables al stress
animal, de forma precisa.
6. REFER
E
NCIAS
ABREU, P. G.; ABREU, V. M. N.; FRANCISCON, L.;
COLDEBELLA, A.; AMARAL, A. G. Estimativa da
temperatura de globo negro a partir da temperatura de
bulbo seco. Engenharia na Agricultura, Viçosa, v. 19,
n. 6, p. 557-563. 2011.
AVILA, A. S.; JÁCOME, I. M. T. D.; FACCENDA, A.;
PANAZZOLO, D. M.; MÜLLER, E. R. Avaliação e
correlação de parâmetros fisiológicos e índices
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.
Borges et al.
Nativa, Sinop, v. 9, n. 3, p. 229-235, mai./jun. 2021.
235
SOUSA, A. M. L.; VITORINO, M. I.; CASTRO, N. M. R.;
BOTELHO, M. N.; SOUZA, P. J. O. P.
Evapotranspiration from remote sensing to improve the
SWAT model in Eastern Amazonia. Floresta e
Ambiente, Seropédica, v. 22, n. 4, p. 456-464, 2015.
DOI: https://doi.org/10.1590/2179-8087.083814
VALENTE, G. F. S.; GUIMARÃES, D. C.; GASPARDI, A.
L. A.; OLIVEIRA, L. A. Aplicação de redes neurais
artificiais como teste de detecção de fraude de leite por
adição de soro de queijo. Revista do Instituto de
Laticínios Cândido Tostes, Juiz de Fora, v. 69, n. 6, p.
425-432, 2014. DOI: https://doi.org/10.14295/2238-
6416.v69i6.353
