Autores: SALLE, Carlos Tadeu Pippi; GUAHYBA, Adriano da Silva; WALD, Vera Beatriz; SILVA, Ari Bernardes da; SALLE, Felipe de Oliveira; FALLAVENA, Luis Cesar Bello.
Referência: Revista Brasileira de Ciência Avícola, Campinas – SP, v.3, n.3, p.257-264, 200
INTRODUÇÃO
O uso da modelagem matemática, através de estatística convencional, para explicar o comportamento sorológico das aves e, assim, obter critérios objetivos para interpretar as monitorizações (Salle et al., 1998a, 1998b 1999b, 1999c), bem como
para medir a correlação entre níveis de aflatoxina e ocratoxina com os parâmetros de produção (Salle et al.,1999a) tem sido investigado. Salle & Silva (2000) expõem a necessidade da geração de critérios objetivos para a interpretação dos resultados das monitorizações, sem os quais o processo decisório e as medidas corretivas associadas à decisão tomada ficam seriamente comprometidos. Após esses
trabalhos, resolveu-se estudar a utilização de redes neurais artificiais, uma das técnicas de inteligência artificial, para a modelagem de dados na avicultura.
Em 1996, Roush et al. estudaram a predição de ascite em frangos através das redes neurais artificiais, realizando comparação entre resultados de diagnósticos de laboratório e a incidência predita pela rede neural. Segundo eles, a rede neural identificou corretamente a presença ou ausência de ascite. Esta é uma outra alternativa para analisar dados binários, além da regressão logística proposta posteriormente por Kirby et al., em 1997. Roush et al., em 1997, tornaram a utilizar a rede neural como uma predição probabilística de ascite em frangos de corte, agora sem necessitar de intervenções cirúrgicas e outros procedimentos utilizados em 1996. A conclusão foi que o uso dos modelos desenvolvidos pode melhorar o diagnóstico de ascite em frangos de corte.
Segundo North & Bell (1990), as matrizes pesadas devem estar sexualmente maduras (produzindo ovos) quando atingirem uma idade específica. Uma das medidas para antecipar essa idade é o controle do peso corporal durante o crescimento. Os mesmos autores afirmaram que fêmeas matrizes de corte
possuem a habilidade inerente de crescer rápido.
Quando alimentadas ad libitum durante o período de crescimento, elas ganham peso excessivo e depositam muita gordura interna. O processo de controle do peso deve ser feito em todo o período de recria e não somente poucas semanas antes do início da postura. Eles também ressaltaram a importância de se alimentar os galos de forma correta, pois, caso fiquem obesos, poderão desenvolver problemas de
pés e pernas, que os tornarão menos aptos à reprodução. A maioria dos técnicos brasileiros se baseia em tabelas de arraçoamento, adquiridas através dos fornecedores das linhagens. Isso, em nossa opinião, deveria ser feito com parcimônia, já que as linhagens de corte são selecionadas e testadas fora de nosso país, portanto, fora da nossa realidade climática, sanitária e de manejo. O curioso é que os mesmos técnicos que utilizam estas tabelas concordam que elas devem sofrer adaptações, pois as quantidades de ração fornecidas por eles diferem muito daquelas recomendadas nas tabelas de arraçoamento.
O presente trabalho objetiva demonstrar a possibilidade de uso da metodologia de redes neurais artificiais na estimação de parâmetros de produção de galinhas reprodutoras pesadas em recria, usando como exemplo um conjunto de dados de uma integração avícola sul-brasileira.
Notícias Relacionadas
MATERIAL E MÉTODOS
Os dados utilizados para a análise matemática foram obtidos dos registros de lotes de reprodutoras pesadas já terminados de uma empresa avícola integradora do
sul do Brasil, produtora de frangos de corte de uma mesma linhagem, no período compreendido entre 09/ 11/97 a 10/01/99. Dos vinte lotes de recria disponíveis para a análise, foram eliminados nove deles antes da digitação, restando onze em condições de serem estudados.
Os dados utilizados corresponderam a 273 linhas de registros semanais (219 utilizadas para o treinamento e 54 para o teste da rede) das seguintes variáveis: lote; galpão; idade (1 – 25 semanas); estação do ano (1 – 21/ 06 a 20/09: inverno; 2 – 21/03 a 20/06: outono; 3 – 21/ 09 a 20/12: primavera; 4 – 21/12 a 20/03: verão); temperatura (oC), umidade relativa do ar (URA); número de fêmeas vivas e mortas; percentual de mortalidade; percentual de mortalidade acumulada das fêmeas; número de fêmeas descartadas; quantidade de ração fornecida ao lote; quantidade de ração acumulada; quantidade de ração por fêmea/dia; quantidade de ração por fêmea/dia/padrão (manual da linhagem); período do
ano em que nasceram (1 – 16/07 a 14/02: fora de estação; 2 – 15/02 a 15/07: estação), peso das fêmeas; peso padrão das fêmeas (manual da linhagem) e
uniformidade dos lotes. A temperatura e umidade relativa do ar não eram mensuradas nos galpões. Para utilizar tais variáveis na análise, as mesmas foram obtidas no 8o Distrito de Meteorologia, do Ministério da Agricultura e do Abastecimento (8o DISME – MAA).
Para a confecção das redes neurais artificiais, utilizou- se uma arquitetura de retropropagação (representadana Figura 1), com redes recorrentes supervisionadas
e 3 grupos de neurônios ocultos e diferentes funções de ativação. A camada de entrada (grupo de neurônios número 1) utilizou uma função de escala linear [-1,1]. O primeiro grupo de neurônios da camada oculta, grupo 2, utilizou função Gaussiana.
O segundo grupo oculto, grupo 3, utilizou função tangente hiperbólica, e o terceiro grupo oculto, grupo 4, utilizou a função de complemento da Gaussiana. A camada de saída (grupo 5) utilizou uma função de ativação logística (logística sigmóide). As ligações entre neurônios foram ajustadas para taxa de aprendizagem e momento, em 0,1 e os pesos iniciais entre +0,3 e -0,3.
(contidas no grupo1 de neurônios). O termo “saída” significa a(s) variável(is) a ser(em) predita(s) (contidas no grupo de neurônios número 5).
Após haverem sido apresentados os padrões de entrada, esses foram propagados através de cada camada, sucessivamente, até que fossem geradas as saídas. A intervalos de 200 eventos, a rede parou o treinamento e comparou as saídas desejadas, contidas nos dados de teste da rede e um sinal de erro foi calculado para cada uma. Este sinal de erro foi transmitido de volta através da rede
(retropropagação). Os pesos das conexões foram, desse modo, atualizados com o objetivo de se diminuir o erro entre a entrada e a saída. Dessa forma, o erro diminuía e a rede neural aprendia o padrão dos dados analisados. A rede (modelo) que alcançou o menor erro nos dados de teste da rede (há 20.000 eventos de treinamento sem o erro diminuir) foi salva como um arquivo que pode ser acessado através de uma biblioteca de vinculação dinâmica (DLL: dynamic link library), a partir de uma planilha do programa Excel versão 97 para Windows
98â (ou outras versões).
Os modelos de redes neurais artificiais foram comparados e selecionados como melhores, baseados no coeficiente de determinação múltipla (R2), Quadrado Médio do Erro (QME), bem como pela análise de gráficos, plotando a predição da rede
versus a predição menos o real. A fórmula utilizada para calcular o R2 foi R2 = 1-(SSE/SSyy), onde SSE = S (valor real – valor predito)2 e SSyy = S (valor real –
média dos valores)2. O QME foi calculado como sendo a média dos valores reais menos os valores preditos, elevados à potência 2 [QME = média (valores reais – preditos)2].
É importante que se entenda que os modelos gerados só têm utilidade para a empresa onde foi realizado o estudo.
RESULTADOS E DISCUSSÃO
Dos vinte lotes disponíveis para serem estudados, nove foram eliminados por conterem erros nos registros. Se, por um lado, foi lastimável essa perda, por outro,
deixou a evidência de que os responsáveis pela análise dos dados não voltaram à própria história na busca de orientações para futuras decisões. Vale ressaltar que alguns dados importantes para a modelagem não foram sistematicamente registrados pela empresa em nenhum dos lotes em estudo, tais como: tratamentos medicamentosos, formulação da ração, informações referentes aos galos e temperatura interna dos galpões. Por essa razão, esses elementos não puderam ser agregados aos modelos. Tanto os erros de registro como a falta de anotação de dados importantes sobre os lotes sugerem que, na forma atual de gerenciamento das matrizes em recria, tais elementos não costumam ser analisados com rigor científico. Com os dados dos demais lotes foi possível construir e testar modelos para mortalidade, quantidade de ração a ser fornecida, peso da aves na semana atual e peso das aves na semana seguinte.
Como exemplo de todo o procedimento empregado nesse trabalho, na Tabela 2 é apresentado o resultado da construção dos 16 modelos da saída “Peso das aves
na semana seguinte”. O modelo escolhido foi o calculado pela rede 15, que tem o menor QME e o maior R2, além de ter apresentado distribuição uniforme na imagem gráfica dos dados, ao plotar a predição da rede versus a predição menos o real. A rede 15 teve como variáveis de entrada: idade, temperatura, URA, mortalidade acumulada, ração fornecida, período e uniformidade. O conhecimento da contribuição ou da participação de cada uma das entradas sobre a saída escolhida é de fundamental importância para a compreensão do que está interferindo na variável a ser predita. Com este valor à disposição, o profissional avícola pode avaliar e propor as correções pertinentes, quando possíveis e necessárias. É uma ferramenta de importância muito grande para o gerenciamento do processo, neste caso, da fase de recria. Algumas entradas podem ser modificadas, outras, como idade e mortalidade acumulada, são imutáveis. Porém, é possível alterar a temperatura ambiente, a umidade relativa do ar e a quantidade
de ração com o intuito de melhorar o peso das aves na semana seguinte. Dessas alterações, algumas são mais fáceis de realizar do que outras. Em qualquer
circunstância, as medidas tomadas para melhorar o processo poderão ter sua eficácia medida ao ser gerado o novo modelo que conterá as modificações
efetuadas. Na Tabela 3, são apresentadas as contribuições das entradas que compuseram os modelos das variáveis de saída.
É possível perceber que, como era de se esperar de aves em recria, a idade tem a maior contribuição sobre o peso das aves na semana seguinte (34,04%). Por outro lado, fica demonstrado qual a participação da temperatura ambiente (14,33%), da umidade relativa do ar (9,67%), da mortalidade acumulada (8,48%), da ração fornecida aos animais (10,70%), do período (10,88%), e da uniformidade dos animais (11,95%) para a saída em estudo. Dados demonstram que a temperatura ambiental tem praticamente a mesma participação do que a idade sobre a mortalidade acumulada das reprodutoras durante a fase de recria.
A estação do ano tem participação intermediária e a menor contribuição é dada pela umidade relativa do ar. Como não é possível alterar a idade dos animais, nem a estação do ano, resta a alternativa de lhes proporcionar o melhor conforto térmico para minorar a mortalidade. No modelo gerado, a mortalidade acumulada das fêmeas é influenciada em 44,27% pelas variáveis passíveis de interferência humana, pelo menos, em parte.
CONCLUSÃO
É possível explicar os parâmetros de desempenho das aves em recria de uma integração avícola através da utilização de redes neurais artificiais. A técnica
permite a tomada de decisões criteriosas.
Para ver o trabalho completo, com tabelas, figuras e referências bibliográficas, clique aqui.
