Emprego de aprendizado supervisionado para a análise de peso e grau de acabamento de bovinos na Pecuária de Precisão

Resumo

A Pecuária de Corte brasileira destaca-se no cenário internacional por possuir o maior rebanho comercial do mundo. Melhorar a eficiência produtiva na Pecuária trará enormes benefícios econômicos e ambientais ao país. Esta melhoria pode ocorrer pela integração de tecnologias e adoção de ferramentas matemáticas que permitam avaliar e predizer a dinâmica de crescimento e composição corporal de cada animal. Fazer a predição das características dos animais pode aumentar as possibilidades de negociação no mercado físico, como no futuro. Muitos modelos de predição levam em consideração somente o peso do animal baseado em balanças de pesagem automática. Deve-se ressaltar que há grandes desafios na integração de um único modelo que consiga agregar de forma multivariada o grau de acabamento, dados climáticos, nutrição, peso e o valor da oscilação da arroba ao longo do tempo a fim de que produtores negociem em busca do menor risco possível. Muitos frigoríficos bonificam ou descontam valores relativos aos animais, de acordo com algumas características como raça, sexo, peso final, grau de acabamento e o rendimento de carcaça, presença ou ausência de cupim. Estes são, portanto, os atributos que causam maior impacto na hora da negociação. A predição de pesos e grau de acabamento de bovinos deve auxiliar na antecipação de decisões e prover maior mobilidade para a negociação de animais, oferecendo, assim, um planejamento estratégico efetivo que melhore a eficiência produtiva do setor pecuário. As predições de pesos também contribuem para o melhoramento genético, uma vez que possibilita a identificação de indivíduos que crescem com maior eficiência, mesmo sob a influência de variáveis ambientais. Neste projeto pretende-se contribuir para o estado da arte deste importante tema no contexto do agronegócio brasileiro por meio do cumprimento dos seguintes objetivos: 1) predizer o peso e o grau de acabamento da carcaça de bovinos utilizando aprendizado supervisionado como: Distance-Weighted k-Nearest-Neighbor (DWNN), Multi Layer Perceptron (MLP) e Redes Neurais Recorrentes, especificamente Long Short-Term Memory network (LSTM); 2) avaliar a acurácia e precisão da predição do peso em diferentes momentos na fase de terminação dos animais; 3) análise do risco (margem líquida do lucro) dos produtores auxiliando no ponto ótimo econômico da venda dos animais. (AU)