O documento apresenta um classificador baseado em lógica difusa para estimar o nível de estresse térmico em bovinos de corte, integrando variáveis ambientais e fisiológicas. O classificador foi desenvolvido utilizando temperatura de bulbo seco, umidade relativa do ar e temperatura da superfície corporal medida por termografia de infravermelho como entradas, e classifica a saída em três níveis de estresse térmico. Os resultados indicam que o classificador apresenta alto nível de acerto na classificação quando comparado à temper

1. Estimativa de estresse térmico de bovinos
de corte utilizando classificador baseado em
lógica difusa
Rafael V. de Sousa1, Tatiana F. Canata e Luciane S. Martello
1 Professor Dr. – Departamento de Engenharia de Biossistemas
Faculdade de Zootecnia e Engenharia de Alimentos da Universidade de São Paulo (FZEA – USP)

2. Introdução
Pecuária Nacional
■ Cenário da produção animal no Brasil:
❑ o segundo maior produtor e o maior exportados de carne,
❑ produtividade em cabeças por hectare cresceu 25% em 10 anos,
❑ Instrução Normativa no. 56 - Recomendações de Boas Práticas de
Bem-estar para Animais de Produção e de Interesse Econômico.
■ Perspectivas do Ministério da Agricultura, Pecuária e
Abastecimento:
❑ aumento da produção de 22% em 10 anos,
❑ avanço da produtividade e do bem-estar animal.

3. Introdução
Produtividade e Bem-Estar
■ Conforto/Estresse térmico animal tem um impacto importante no
crescimento e no bem-estar animal.
■ Resposta ao estresse térmico envolve a termorregulação:
❑ aumento de atividade dos mecanismos para a perda de calor,
❑ reduz as funções essenciais do organismo e a ingestão de alimentos.
■ Fatores relacionados com a condição/nível de estresse térmico:
❑ Ambientais: temperatura do ar, umidade, radiação, vento …
❑ Fisiológicos: temperatura retal, frequência respiratória, temperatura da
superfície da corporal …

4. Introdução
Nível de Estresse Térmico
■ Importante tendência: aplicação de
tecnologia para monitorar o
comportamento, a saúde e o
crescimento dos animais – ex. índices
de estresse térmico.
❑ Índices de temperatura-umidade: obtidos
por estatística, são tradicionalmente
utilizados com variáveis ambientais.
❑ Termografia de Infravermelho (TIV):
medida direta da transferência de calor
através da radiação emitida por corpos.
❑ Algoritmos baseados em inteligência
artificial para classificar e/ou estimar em
níveis o estresse térmico.
Ex.: National Research Council (1971):
ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x
(1.8 x TBS – 26.8)
TBS: temperatura de bulbo seco
UR: umidade relativa do ar
NASCIMENTO et al., 2011 HELLEBRAND et al., 2003
BROWN-BRANDL et al., 2006
cv
cv
cv

5. Objetivo
Classificador Fuzzy e TIV
Desenvolver um classificador baseado em Lógica Difusa (Fuzzy) que
integra varáveis ambientais e fisiológicas para determinar o nível
de estresse térmico em bovinos.
■ Utilização de sensor não invasivo para medida de variável
fisiológica – termografia de infravemelho.
■ Viabilizar o desenvolvimento de sistema de automação para
criadouros.
■ Alimentar sistemas informação para suporte a tomada de decisão.

6. Materiais e Métodos
Classificador Fuzzy
Sistema Fuzzy
Modelagem da
Resposta
Fisiológica do
Animal
Temperatura
de Bulbo Seco
(TBS)
Umidade
Relativa do Ar
(UR)
Termografia
Infravermelho
(TIV)
Classificação
Evidência Empírica

7. Materiais e Métodos
Projeto do Classificador Fuzzy
Aquisição
de Dados
• 18 bovinos Nelore, 10 dias, 3 medições por dia (8h , 12h e 16h)
• Estação climatológica (Campbell Scientific 21XI(L): temperatura (TBS) e umidade (UR)
• Câmera de infravermelho (TiS 9 Hz Fluke): temperatura da superfície corporal (TIV)
• Termômetro clínico: temperatura retal (TR)
Análise
Estatística
• Software SAS (Statistical Analysis System)
• Correlação de Pearson
• TIV com TR: melhor correlação da TR com temperatura da superfície corporal
• TIV com TR: classificação de intervalos de TIV em função de intervalos de estresse TR
Classificador
Fuzzy
• Software MATLAB (MathWorks)
• Classificador Fuzzy: CF
• Entradas: TBS, UR e TIV
• Saída: TR estimada (TRE)

8. Materiais e Métodos
Implementação e Validação do Classificador
■ Parâmetros de implementação:
❑ formas triangular e trapezoidal para compor a funções de pertinência,
❑ Método Mamdani baseado em composição Max-Min para inferencia,
❑ Saídas crisp obtidas pelo Método do Centróide (Defusificação).
■ Validação:
❑ comparação TR (medição) com TRE (estimação),
❑ comparação com ITU proposto por NRC(1971).
ITU = (1.8 x TBS + 32) – (0.55 – 0.0055 x UR) x (1.8 x TBS – 26.8)

9. Resultados
Temperatura Retal como Referência
Melhor correlação entre TR e
TIV - Fronte
9
Nível de
Estresse
TR (°C) TIV (°C)
Conforto (C) ≤ 39.0 ≤ 35.0
Crítico (Cr) 39.1 – 39.4 35.1 – 35.4
Perigo (P) ≥ 39.5 ≥ 35.5

10. Resultados
Variáveis Linguísticas
(a) TBS (b) UR (c) TIV (d) TRE

11. Resultados
Base de Regras
Se...
TBS UR TIV
Então...
TR
B B B C
B B M C
B B A C
. . . .
M M B C
M M M Cr
M M A Cr
. . . .
A A B Cr
A A M P
A A A P
Nível de Estresse TR (°C) TIV (°C)
Conforto (C) / Baixo (B) ≤ 39.0 ≤ 35.0
Crítico (Cr) / Médio (M) 39.1 – 39.4 35.1 – 35.4
Perigo (P) / Alto (A) ≥ 39.5 ≥ 35.5

12. Resultados
Avaliação do Classificador Fuzzy
■ TRE vs TR coincidem em ~75%.
Frequência de
acertos
Comparação entre a
classificação da TR
aferida com a TRE
estimada pelo CF
TRE
TR
Conforto Crítico Perigo Total
Conforto 71,60% 14,40% 2,60% 88,50%
Crítico 7,40% 3,10% 0,11% 10,60%
Perigo 0,56% 0,11% 0,22% 0,89%
Total 79,49% 17,61% 2,90% 100%

13. Resultados
Classificador vs ITU
■ Comparação entre ITU e CF – coincidem em ~66%
TRE
ITU
Conforto Crítico Perigo Total
Conforto 53,13% 0% 0% 53,13%
Crítico 12,50% 3,13% 0% 15,63%
Perigo 0% 23,05% 8,20% 31,25%
Total 65,63% 26,18% 8,20% 100%
Frequência de
acertos
Comparação entre a
classificação do ITU
calculado com a TRE
estimada pelo CF

14. Conclusões
■ O CF classifica os animais individualmente no mesmo período e
possui grande nível de acerto em comparação com a TR.
■ O CF integra indiretamente a TR para avaliação de estresse
térmico.
■ O CF integra diretamente variável fisiológica (TIV) e variáveis
ambientais constituindo uma ferramenta não invasiva promissora
para permitir a avaliação estresse térmico.
■ Possui potencial de integração com um sistema de gestão para
pecuária em tempo real.

15. Referências Bibliográficas
■ BROWN-BRANDL, T. M.; JONES, D. D.; WOLD, W. E. Evaluating modelling techniques for
cattle heat stress prediction. Biosystems Engineering, London, v. 91, n. 4, p. 513–524,
2005.
■ HELLEBRAND, H. J. et al. Application of thermal imaging for cattle management. In:
EUROPEAN CONFERENCE ON PRECISION LIVESTOCK FARMING, 1., 2003, Berlin.
Proceedings… Berlin, 2003. p. 761-763.
■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Instrução
Normativa 56. Brasília, 2008. Disponível em: <http://extranet.agricultura.gov.br/sislegis-consulta/
consultarLegislacao.do?operacao=visualizar&id=19205>. Acesso em: 27 maio 2014.
■ MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO (MAPA). Projeções do
Agronegócio. Brasília, 2009. Disponível em:
<http:/www.agricultura.gov.br/comunicacao/publicacoes>. Acesso em: 27 maio 2014.
■ NASCIMENTO, G. R. et al. Índice Fuzzy de conforto térmico para frangos de Corte.
Engenharia Agrícola, Jaboticabal, v. 31, n. 2, p. 219-229, 2011.
■ NATIONAL RESEARCH CONTROL (NRC). A guide to environmental research on
animals. Washington: National Academy of Science. Washington, DC, USA. 1971.

16. Obrigado pela Atenção!
Contatos:
Professor Dr. Rafael Vieira de Sousa
Professora Dra. Luciane Silva Martello
Departamento de Engenharia de Biossistemas – FZEA-USP
Campus Pirassununga – Pirassununga – SP
rafael.sousa@usp.brrafael.sousa@usp.br ; martello@usp.br