1
UNIVERSIDADE ANHANGUERA-UNIDERP
PROGRAMA DE PÓS-GRADUAÇÃO EM MEIO AMBIENTE
E DESENVOLVIMENTO REGIONAL
LEANDRO DE JESUS
UTILIZAÇÃO DE TÉCNICAS DE RECONHECIMENTO DE PADRÕES
PARA ESTIMAR O COMPORTAMENTO DE BOVINOS EM FUNÇÃO
DE VARIÁVEIS AMBIENTAIS
CAMPO GRANDE – MS
2018
2
Leandro de Jesus
Utilização de Técnicas de Reconhecimento de Padrões para Estimar
o Comportamento de Bovinos em Função de Variáveis Ambientais
Tese apresentada ao Programa de
Pós-graduação em Meio Ambiente
e Desenvolvimento Regional da
Universidade Anhanguera-Uniderp,
como parte dos requisitos para a
obtenção do título de Doutor em
Meio Ambiente e Desenvolvimento
Regional.
Orientação:
Prof. Dr. Celso Correia de Souza
CAMPO GRANDE – MS
2018
Dados Internacionais de Catalogação na Publicação (CIP)
Ficha catalográfica elaborada pela Biblioteca Anhanguera Uniderp
Elaborada por: Bibliotecária Kelly Cristina de Souza – CRB-1/2341
Jesus, Leandro de.
Utilização de técnicas de reconhecimento de padrões para estimar o
comportamento de bovinos em função de variáveis ambientais. /
Leandro de Jesus. -- Campo Grande, 2018.
128f. il. color.
Tese (doutorado) - Universidade Anhanguera Uniderp, 2018.
“Orientação: Prof. Dr. Celso Correia de Souza. ”
1. Bovino de corte. 2. Pecuária de precisão. 3. Etogramas. 4.
Monitoramento animal. 5. Bem-estar animal. I. Título.
CDD 21.ed. 636
J56u
4
AGRADECIMENTOS
A Deus pai que em sua glória e sabedoria incontestável concedeu-me
graça e força suficiente para que pudesse concluir este trabalho.
À família que com seu amor, apoio e compreensão deu-me estímulos para
continuar minha caminhada. Em especial, a minha esposa Marcia, colega de
trabalho, minha grande amiga e fonte do meu maior tesouro, nosso filho Felipe.
Eu amo vocês.
Aos professores que contribuíram para minha formação, profissional e
pessoal, utilizando de seus conhecimentos e experiências de vida.
Ao professor Dr. Celso Correia de Souza, pela dedicação, amizade, pelos
inúmeros erros de português corrigidos e pelo bom humor sempre presente.
Obrigado pela confiança.
Ao Dr. Pedro Paulo Pires, grande pesquisador que nos abriu as portas da
Embrapa Gado de Corte e nos proporcionou a realização deste estudo. Homem
de muita sabedoria e alegria, cada palavra sua é sempre uma injeção de
motivação e entusiasmo. Obrigado pela oportunidade e parceria.
Aos colegas de trabalho e amigos que durante estes anos viveram
conosco dia-a-dia passando por dificuldades e alegrias.
A todos esses e muitos outros que sempre nos apoiaram e estiveram
presentes neste caminho até o doutorado, deixo o meu mais profundo
agradecimento.
5
SUMÁRIO
AGRADECIMENTOS .................................................................................................................... 4
SUMÁRIO ...................................................................................................................................... 5
1. Resumo Geral .......................................................................................................................... 8
2. General Summary .................................................................................................................... 9
3. Introdução Geral .................................................................................................................... 10
4. Revisão de Literatura ............................................................................................................ 16
4.1. Comportamento animal ........................................................................... 17
4.1.1. Identificação do comportamento animal ............................................. 19
4.1.2. Ferramentas para Identificação do Comportamento Animal .............. 20
4.1.3. Principais Comportamentos dos Bovinos ........................................... 22
4.1.4. Instrumentos para Coleta de Dados – Equipamentos e Sensores
utilizados .......................................................................................................... 25
4.1.5. Coleta de Dados – Metodologia para os Bovinos .............................. 27
4.1.6. Comportamentos Observados dos Bovinos ....................................... 28
4.1.7. Tratamento e Processamento dos Dados .......................................... 31
4.2. Monitoramento ambiental – a influência do ambiente no comportamento
animal ............................................................................................................. 32
4.3. Revisão e Considerações ....................................................................... 33
5. Referências Bibliográficas ................................................................................................... 35
6. Artigos .................................................................................................................................... 41
Artigo I 41
Introdução ...................................................................................................... 41
Fundamentos da invenção ............................................................................. 42
Dispositivos e Sensores ................................................................................. 45
Projeto do circuito elétrico .............................................................................. 48
Estrutura do colar ........................................................................................... 51
Implementação e Testes do Colar ................................................................. 52
Resultados experimentos em Campo ............................................................ 56
Conclusões .................................................................................................... 58
6
Referências Bibliográficas .............................................................................. 58
Artigo II ....................................................................................................................................... 62
Resumo .......................................................................................................... 62
Abstract .......................................................................................................... 62
Introdução ...................................................................................................... 63
Material e Métodos ......................................................................................... 64
Resultados e Discussão ................................................................................. 70
Conclusões .................................................................................................... 75
Agradecimentos ............................................................................................. 76
Referências Bibliográficas .............................................................................. 76
Artigo III ...................................................................................................................................... 80
Resumo .......................................................................................................... 80
Introdução ...................................................................................................... 80
Material e Métodos ......................................................................................... 82
Coleta de dados ........................................................................................... 82
Extração de atributos e classificação dos comportamentos ......................... 85
Resultados e Discussão ................................................................................. 88
Comparação dos resultados com outros trabalhos ...................................... 91
Conclusões .................................................................................................... 94
Agradecimentos ............................................................................................. 94
Referências Bibliográficas .............................................................................. 94
Artigo IV ...................................................................................................................................... 98
Resumo .......................................................................................................... 98
Introdução ...................................................................................................... 98
Material e Métodos ....................................................................................... 100
Coleta de dados ......................................................................................... 101
Extração de atributos e classificação dos comportamentos ....................... 102
Análise de medidas de associação estatística ........................................... 103
7
Resultados e Discussão ............................................................................... 104
Conclusões .................................................................................................. 118
Agradecimentos ........................................................................................... 118
Referências Bibliográficas ............................................................................ 118
7. Conclusão Geral .................................................................................................................. 123
8
1. Resumo Geral
O comportamento natural dos bovinos pode ser interpretado como sendo
referente as reações do indivíduo frente as condições do meio onde está
inserido, sendo este processo dinâmico e essencial para satisfazer as
necessidades fisiológicas e o seu bem-estar. Todavia, identificar o que é
comportamento normal, mesmo em níveis mais baixos de abstração, não é uma
tarefa trivial quando executada em grande escala, devido ao trabalho necessário
para monitorar muitos animais de forma contínua. Assim, o objetivo desta tese
foi desenvolver uma metodologia para obtenção automática de etogramas de
bovinos e um método de análise dos comportamentos dos animais baseados em
variáveis ambientais, por de meio técnicas de inteligência artificial (IA) e de
análises de medidas de associações estatísticas. A comparação dos resultados
com a literatura confirma a eficiência do método utilizando classificação
automática dos comportamentos. A pesquisa apresentou uma base promissora
de desenvolvimento e uso de ferramentas computacionais de monitoramento e
análise do comportamento animal. Esta pesquisa insere-se na linha de pesquisa
Sociedade, Ambiente e Desenvolvimento Regional Sustentável do Doutorado
em Meio Ambiente e Desenvolvimento Regional da Universidade Anhanguera
Uniderp. Por meio da parceria entre a Universidade Anhanguera Uniderp,
Embrapa - Gado de Corte, Faculdade de Computação (FACOM) da Universidade
Federal de Mato Grosso do Sul (UFMS) e o Instituto Federal de Mato Grosso do
Sul (IFMS), busca-se ampliar os conhecimentos sobre Pecuária de Precisão para
subsidiar a formulação de ações destinadas ao desenvolvimento regional e a
conservação ambiental.
Palavras-chave: Bovino de corte, Pecuária de precisão, Etogramas,
Monitoramento animal, Bem-estar animal.
9
2. General Summary
The natural behavior of the cattle can be interpreted as being the reactions
of the individual to the conditions of the environment that are inserted, being this
process dynamic and essential to satisfy the physiological needs and their well-
being. However, normal behavioral identification, even at lower levels of
abstraction, it is not a trivial task when it is done on a large scale, so much work
is necessary to accompany many animals on an ongoing basis. Thus, the
objective of this study was to develop the methodology for the automatic search
of bovine etograms through of technics artificial intelligence analysis (AI) and
analysis of measures of statistical association. A comparison of the results with
the results. A research is a promising basis for the development and use of
computational tools for monitoring and analyzing animal behavior. This research
is part of the line of Society research, Environment and Sustainable Regional
Development of Doctorate in Environment and Regional Development at the
University Anhanguera Uniderp. Through a partnership between the University
Anhanguera Uniderp, Embrapa - Beef Cattle, FACOM / UFMS and IFMS seek to
increase their knowledge of Precision Farming to subsidize the formulation of
measures aimed at regional development and environmental conservation.
Keywords: beef cattle, precision livestock, ethograns, animal monitoring, animal
welfare.
10
3. Introdução Geral
O consumo de proteína animal cresce conforme cresce a população
mundial. Dos países que apresentam maior crescimento temos os em
desenvolvimento: Índia, China e Nigéria. Juntos deverão representar 35% do
crescimento da população urbana mundial entre 2018 e 2050. A Índia deverá
adicionar 416 milhões de habitantes urbanos, a China 255 milhões e a Nigéria
189 milhões (ONU, 2017).
O crescimento da população urbana é impulsionado pelo aumento geral
da população e pelo deslocamento das pessoas das áreas rurais para as
urbanas. Juntos, esses dois fatores são projetados para adicionar 2,5 bilhões de
pessoas à população urbana mundial até 2050, com quase 90% desse
crescimento acontecendo na Ásia e na África (ONU, 2017).
As economias destes países estão crescendo também e por isso as
pessoas têm maior capacidade financeira. Historicamente, quando as pessoas
têm mais dinheiro para gastar com alimentação, elas incluem mais proteína em
suas dietas. Portanto, o consumo de carne, inclusive bovina, vai crescer
substancialmente no futuro próximo.
Com aproximadamente 218,23 milhões de bovinos, o Brasil tem o maior
rebanho comercial do mundo. A região Centro-Oeste concentra cerca de 34,4%
de todo o rebanho bovino brasileiro. O estado de Mato Grosso do Sul (MS) se
destaca como um dos grandes produtores de bovinos, com cerca de 10,5% do
rebanho nacional (IBGE, 2018).
Ainda, no 1° trimestre de 2018, foram abatidas 7,72 milhões de cabeças
de bovinos sob algum tipo de serviço de inspeção sanitária no Brasil.
A região Centro-Oeste respondeu por 38,5% do abate de bovinos, seguida das
regiões Norte 20,8%, Sudeste 19,2%, Sul 11,4% e Nordeste 10,2% (IBGE,
2018).
A bovinocultura possui grande relevância social e econômica no estado
de MS, movimentando um grande número de agentes e de estruturas, que vão
da fazenda, à indústria e o comércio, gerando renda e criando empregos em
seus diversos segmentos. O estado figura como o segundo maior produtor de
carne bovina do país (Tabela 1).
11
Tabela 1. Quantidade e peso total de carcaças de bovinos abatidos. Brasil e
Unidades da Federação – 1° trimestre de 2018
Estado Quantidade (cabeças) Peso das carcaças (toneladas)
Mato Grosso 1206418 310355
Mato Grosso do Sul 867966 215470
Goiás 748030 188509
São Paulo 774304 199291
Minas Gerais 679396 157559
Pará 649499 159775
Rondônia 588284 142036
Rio Grande do Sul 498190 108860
Outros 1707913 -
Fonte: Adaptado IBGE (2018).
O estado de MS possui condições edafoclimáticas favoráveis à
bovinocultura em pastagens e ao cultivo de florestas e lavouras, além de se
localizar estrategicamente próxima a grandes centros urbanos, como os estados
de São Paulo e Minas Gerais, potenciais consumidores destes produtos.
Entretanto, a prática da bovinocultura extensiva, principal prática no Estado,
promove certos graus de degradação do solo e o aumento do desmatamento.
No combate a estes problemas, em adequação aos requisitos
competitivos do mercado, uma revolução tecnológica está em andamento na
pecuária nacional. Do conjunto dessas tecnologias pode-se destacar a
recuperação de áreas degradadas, uso de gramíneas e leguminosas forrageiras
adaptadas às condições de clima e solo de cada propriedade, divisão das
pastagens com uso de cercas eletrificadas por energia solar, o melhoramento
genético do rebanho com inseminação artificial e a implantação dos Sistemas de
Integração Lavoura-Pecuária-Floresta (ILPF).
Muitas ações são estabelecidas e realizadas com o intuito de constituir
planos e projetos que permitem o desenvolvimento da cadeia da carne como um
todo, com competitividade e sustentabilidade (MAPA, 2012a). Boas práticas
implantadas na bovinocultura tais como o manejo sanitário, o manejo nutricional
e a rastreabilidade são algumas das questões que valorizam o rebanho
brasileiro.
12
A Embrapa tem papel importante neste cenário da cadeia produtiva dos
bovinos, ao viabilizar soluções de pesquisa, desenvolvimento e inovação nesse
segmento econômico. Para tal, faz uso de metodologias ligadas à
agrometeorologia, biofísica, etologia animal, bioinformática, pecuária de
precisão, organização da informação e modelagem matemática, de modo a criar
mecanismos robustos de desenvolvimento e avaliação.
De modo especial, muitos pesquisadores têm direcionado seus esforços
na área de Pecuária de Precisão. A Pecuária de Precisão trata do uso de
informações georreferenciadas na gestão do rebanho, na otimização dos
insumos e diminuição dos impactos ambientais, ou ainda, o gerenciamento da
variabilidade espacial e a maximização do retorno econômico minimizando o
efeito ao meio ambiente (INAMASU et al., 2011).
O uso de sensores para monitoramento de animais e ambiente é de suma
importância para a realização da Pecuária de Precisão. Um sensor é um
dispositivo utilizado para aferir grandezas físicas que pode receber sinais e
interagir com o ambiente. Eles estão sendo empregados em muitas áreas de
aplicações como: militar, climatologia, indústria, saúde, entre outras (AKYILDIZ
et al., 2002).
A evolução da rastreabilidade bovina é o rastreio via satélite. As soluções
utilizadas na atualidade fazem uso de radiofrequência e para serem lidas
precisam de leitores especiais e geralmente necessitam de intervenção humana.
O rastreio via satélite tem a virtude de controlar efetivamente o trânsito do
gado no território nacional, bem como detectar o eventual uso de áreas
protegidas (unidades de conservação, áreas de preservação permanente, terras
indígenas, reservas legais).
Com esta tecnologia é possível comprovar que o gado chegou no
frigorífico não causou agressões ao meio ambiente. Muitas empresas, como
supermercados e redes atacadistas, assinaram protocolos de intenção para
comprar carne criada de forma sustentável, mas que até hoje não tinham como
comprovar efetivamente a sua origem idônea.
Além disso, a adoção da tecnologia de monitoramento via satélite poderá
diminuir as perdas em casos de surtos de doenças contagiosas, como a febre
aftosa. O sistema poderia informar ao Governo Federal e aos demais países de
13
interesse que um determinado animal ou rebanho não teve contato com outros
doentes, evitando o abate de animais pelo risco de proliferação da doença.
Outra motivação que incide sobre este trabalho é a predominância da
criação do bovino indiano (Bos indicus) em MS, que possui carne de menor valor
comparada a do bovino europeu (Bos taurus). Aumentar a produção de carne da
espécie europeia significa gerar maior receita, pois, ela é comercializada com
preço superior. Porém, trazer a espécie para criação na região centro-oeste do
Brasil traz junto incertezas, pois, não se sabe qual é o comportamento desta raça
no cerrado brasileiro.
Neste sentido, ferramentas de monitoramento animal e análises se fazem
necessárias para auxiliar na introdução de determinadas raças bovinas para as
quais não são adaptadas, sob a hipótese de que a adoção desta tecnologia
aceleraria a habilidade em perceber a adaptabilidade do animal ao ambiente.
Um sistema de monitoramento pode ajudar o pecuarista a melhorar a
gestão pecuária, aumentando o bem-estar animal e a produção, por meio da
análise do comportamento animal.
Este trabalho baseia-se no atendimento do alto nível de exigência do
mercado consumidor e manutenção da competitividade da indústria da carne
com vistas à conservação do meio ambiente.
Nesta pesquisa testou-se o uso de redes de sensores para coletar dados
do ambiente e monitorar bovinos com a finalidade de obter informações sobre o
comportamento dos animais, a fim de prover o manejo eficiente que tome
proveito das características do ambiente, das potencialidades do grupo,
subgrupo ou indivíduo em especial.
Assim, o objetivo geral foi analisar o comportamento de bovinos de corte
por meio de dados de monitoramento ambiental e animal, utilizando-se técnicas
de reconhecimento de padrões.
Buscou-se identificar automaticamente, por meio da criação de
dispositivos sensores e softwares, os comportamentos andando, pastando,
parado em pé, parado deitado, ruminando em pé, ruminando deitado e bebendo
água; e relacioná-los às variáveis ambientais (temperatura e umidade do ar,
precipitação, velocidade do vento, entre outras).
14
Assim, para facilitar a consecução do objetivo geral deste trabalho, dois
objetivos específicos foram propostos: monitorar as atividades diárias dos
bovinos de corte em um ambiente controlado e experimental e; relacionar as
atividades monitoradas com as características físico-ambientais da área de
criação dos animais em estudo.
Esta tese segue o modelo proposto pelo Programa de Pós-graduação em
Meio Ambiente e Desenvolvimento Regional da Universidade Anhanguera-
Uniderp. Deste modo, esta seção introdutória forneceu os antecedentes que
justificam o trabalho, explicita o objeto a ser tratado, importância do tema e os
objetivos do estudo.
A seção Revisão de Literatura inclui informações sobre a natureza,
importância e relevância da pesquisa indicada em outros estudos sobre o mesmo
tema. Um rol de teorias, técnicas e limitações a análise e identificação do
comportamento bovino são examinados e criticados objetivamente por meio de
um levantamento preciso, detalhado e atualizado.
A seção de Artigos apresenta de forma particionada quatro metodologias
e resultados, derivados e complementares, que compõe o resultado global do
estudo. A seção Artigo I apresenta um relatório técnico com objetivo de
descrever os detalhes de um sistema inédito no campo da identificação do
comportamento bovino. É apresentado um descritivo no campo da invenção,
seus fundamentos e detalhes quanto aos resultados objetivando a proteção da
propriedade intelectual.
O Artigo II apresenta uma investigação inicial acerca do uso de técnicas
de reconhecimento de padrões para identificar comportamentos básicos dos
animais utilizando-se apenas dados de GPS.
Visto as oportunidades observadas, o Artigo III aprofunda o estudo nas
técnicas de reconhecimentos de padrões com o objetivo de extrair um melhor
desempenho do classificar de comportamentos.
Por fim, o Artigo IV usufrui da alta capacidade discriminatória resultante
dos estudos anteriores para correlacionar os comportamentos identificados
automaticamente com as variáveis ambientais medidas em campo. Nas
discussões segue-se uma análise comparativa com resultados de trabalhos
15
relacionadas para validar a metodologia de classificação do comportamento
bovino proposta no estudo.
16
4. Revisão de Literatura
Para subsidiar o leitor na interpretação dos resultados foi realizada uma
revisão de pesquisas relacionadas ao estudo, possibilitando, assim, um melhor
entendimento das técnicas e limitações a análise e identificação do
comportamento bovino.
A Ciência Ambiental é uma área de estudo multidisciplinar com estudos
permeando todas as áreas científicas relacionadas ao planeta e o seu meio
ambiente. Recentemente, houve uma explosão na demanda de conhecimentos
e informações sobre questões ambientais. No presente, as preocupações em
relação às mudanças climáticas, à sustentabilidade e ao esgotamento dos
recursos naturais assumem posição de destaque nos setores social e industrial.
Por intermédio da ecologia, da geociência, da química e, até mesmo da
computação, os estudiosos das Ciências Ambientais geram conhecimentos
essenciais sobre o mundo em que vivemos.
O escopo deste trabalho não é tão abrangente quanto estudar todo o
ambiente, mas uma pequena parcela alusiva aos comportamentos dos bovinos
de corte e seu relacionamento com o ambiente.
Ao conjunto de tecnologias que monitoram o animal no seu ambiente, a
forma eficiente de gerenciar a produção animal, bem como, o conhecimento
aprofundado a respeito do comportamento animal inserido em dada região, é
denominada de pecuária de precisão.
O conceito de precisão está relacionado a uma postura gerencial que leva
em conta a variabilidade existente entre os animais, entre as fazendas e entre
os capins, por exemplo. A tomada de decisão é feita de forma inteligente porque
é baseada em tecnologias da informação e comunicação. A utilização de
sensores, comunicação sem fio e até a aplicação de Inteligência Artificial no
reconhecimento de padrões, melhora o desempenho tanto ambiental, quanto
econômico e social do sistema de produção.
A revisão de literatura foi realizada nos bancos de dados IEEE Xplore®
Digital Library, Springer Link, Google Scholar e o Portal de Periódicos
CAPES/MEC, utilizando os termos de pesquisa “Precision Livestock”, “beef
cattle”, “ethogram”, “livestock behavior”, “behaviour modelling” e “animal
welfare”, sem levar em conta o idioma de publicação. Como resultado, um total
17
de 30 estudos publicados durante o período 1954-2017 foram incluídos nesta
revisão.
4.1. Comportamento animal
A Etologia é a parte da Ecologia que trata dos hábitos dos animais e da
acomodação dos seres vivos às condições do ambiente (MICHAELIS, 2017).
Comportamento animal é tudo aquilo que se percebe das reações de um animal
ao ambiente que o cerca, segundo CARTHY (1969 apud FERRAZ, 2011).
Para o estudo do comportamento animal são necessárias observações
dos movimentos e postura do animal. Além disso, é preciso obter dados precisos
sobre suas ações, a fim de compreender em que condições elas acontecem.
As identificações de comportamentos podem servir para o gerenciamento
dos animais e das áreas em que eles vivem. SCHEIBE e GROMANN (2006)
indicam que desvios nos padrões normais de comportamento do animal podem
ser resultados de uma doença ou de perturbações exteriores.
Com o propósito de orientar as condições a serem consideradas para a
observação dos comportamentos, a British Farm Animal Welfare Council
elaborou uma lista que indica os melhores padrões de bem-estar do gado,
considerados normais para a sua criação, para serem utilizados na avaliação e
estudo do bem-estar animal (KILGOUR, 2012): 1) estar livre de fome e sede; 2)
estar livre de desconforto; 3) estar livre de doença e injúria; 4) ter liberdade para
expressar os comportamentos naturais da espécie e 5) estar livre de medo e de
estresse.
Uma das cinco liberdades estabelecidas é a liberdade de os animais
expressarem um comportamento normal. No entanto, para o bovino de corte, o
principal problema é estabelecer o que constitui um conjunto de comportamentos
“normais”.
Embora a intenção por trás disso seja inegavelmente positiva, a definição
do que constitui um comportamento normal não é nada direta. Uma abordagem
para delinear este conceito tem sido a de estudar o comportamento de
populações de animais selvagens. Pela ausência de antepassados selvagens
sobreviventes dos bovinos, o melhor que pode ser feito é estudar o
18
comportamento de bovinos em pastagem com intervenção humana mínima
(KILGOUR et al., 2012).
Para animais de criação a liberdade de expressar seu comportamento
natural pode ser problemática por dois motivos. Primeiro, o comportamento
natural é difícil de delinear devido à sua variabilidade e flexibilidade. Em segundo
lugar, alguns padrões de comportamento que são claramente naturais são, de
fato, prejudiciais ao bem-estar animal. Estes incluem comportamentos de
emergência, que podem gerar um estado de estresse; ou comportamentos como
a agressão relacionada ao acasalamento ou à doença, durante a qual os animais
infligem ferimentos ou privam seus parceiros de recursos (YEATES, 2017).
No entanto, quando essas reservas são levadas em conta, as
possibilidades de abertura para o comportamento natural podem ser úteis como
orientação para melhorar os sistemas de criação existentes (ŠPINKA, 2006).
Fornecer ao ambiente da fazenda os principais recursos para os quais o
comportamento foi originalmente adaptado traz três classes de benefícios.
Primeiro, muitas vezes é mais eficiente permitir que os animais satisfaçam
suas próprias necessidades e alcancem suas metas do que atender a essas
necessidades e objetivos por meios técnicos. Em segundo lugar, uma grande
classe de comportamentos naturais está associada à experiência afetiva positiva
e, assim, seu desempenho melhora diretamente o bem-estar animal. Terceiro, o
desempenho do comportamento natural em sua riqueza e complexidade
geralmente traz benefícios a longo prazo para o animal, como a melhoria da
proficiência em lidar com desafios sociais e físicos (ŠPINKA, 2006).
A discrepância entre naturalidade e bem-estar surge aqui porque a
seleção natural objetivou a maximização da aptidão individual, enquanto que os
produtores que cuidam do bem-estar animal estão preocupados com o bem-
estar de todos os animais do grupo igualmente. Assim, embora a liberdade de
realizar todo o repertório de comportamento natural não seja crucial para o bem-
estar dos animais, a oportunidade de realizar um comportamento natural pode
ser uma maneira eficaz de melhorar seu bem-estar imediatamente e uma base
promissora para o planejamento de sistemas de criação para o futuro.
Portanto, o comportamento natural do bovino deve ser considerado em
novos sistemas de produção, mas também em soluções para problemas
19
específicos em sistemas que estão sendo utilizados. Por exemplo, sintomas de
alterações de estado de saúde e bem-estar de um animal afetam o seu
comportamento. Mudanças no tempo padrão gasto pelo animal em atividades
como de pé, deitado, comendo ou andando podem indicar anormalidades
causadas por infecções, febre e estresse, social ou ambiental (GODSK e
KJAERGAARD, 2011).
4.1.1. Identificação do comportamento animal
O problema inicial para qualquer tipo de trabalho que busque a
identificação do comportamento animal é estabelecer quais são os
comportamentos habituais da espécie.
No trabalho de KILGOUR et al. (2012), para produzir um etograma
(inventário ou lista de comportamentos de determinadas espécies) de bovinos,
foi analisados 22 trabalhos sobre o bem-estar animal, realizados entre 1927 e
2009. O referido trabalho e apresentou 40 comportamentos identificáveis dos
bovinos, classificados em cinco categorias: comportamentos de manutenção (p.
ex. pastando ou ruminando); autoexpressão (p. ex. raspando a pata no chão ou
esfregando o pescoço em algum objeto); social (p. ex. lambendo outro animal ou
amamentando), procriação (p. ex. acasalando ou parindo) e; social mútuo (p. ex.
parado ou andando ao lado de outro animal). Apesar da diversidade, os
comportamentos mais comuns observados foram: pastando, parado, ruminando,
andando, bebendo água e lambendo algum tipo de suplemento. O trabalho
demonstra que os três primeiros comportamentos ocupam um período entre 90%
e 95% do dia do animal.
Na ausência de antepassados selvagens sobreviventes, a melhor
abordagem é estudar o comportamento de bovinos em pastagem com
intervenção humana mínima. Embora vários estudos tenham sido realizados em
uma tentativa de fazer isso, a maioria tem grandes limitações. Estas limitações
incluem um tempo de observação pequeno, um número muito baixo de animais
estudados e a utilização de áreas de pastagem muito restritas (KILGOUR et al.,
2012).
A metodologia de observação empregando-se apenas o especialista de
domínio não se mostra promissora na solução dos problemas que incluem o
20
pequeno tempo de observação dos animais, o número baixo de animais
estudados, e a utilização de áreas de pastagem muito restritas (KILGOUR et al.,
2012). O emprego de sensores e tecnologia de informação e comunicação figura
como uma solução mais promissora.
Um dos grandes precursores do monitoramento animal mediante o uso de
sensores foi o projeto Zebranet (JUANG et al., 2002) que foi desenvolvido em
parceria pela Universidade de Princeton - Estados Unidos - e pelo Centro de
Pesquisa de Mpala - Quênia. O sistema foi criado com o intuito de rastrear as
migrações de Zebras no continente Africano. O estudo fez uso de colares com
sensor GPS embutido, implantados no pescoço dos animais.
No campo biológico o Zebranet permitiu aos pesquisadores conhecerem
questões importantes referentes ao processo migratório das zebras, suas
relações inter-espécies e o seu comportamento noturno. No campo tecnológico,
incentivou o desenvolvimento de dispositivos eletrônicos capazes de realizar o
monitoramento de animais em um ambiente selvagem e sem infraestrutura
(JUANG et al., 2002).
4.1.2. Ferramentas para Identificação do Comportamento Animal
Os primeiros estudos publicados sobre comportamento animal (em torno
de 1920), foram realizados utilizando a observação humana e registros
manuscritos das atividades. Com a evolução do homem e o surgimento de novas
tecnologias, novas abordagens foram adotadas, sendo atualmente empregado
o uso de câmeras de vídeo, binóculos, tecnologia de visão noturna e outras
ferramentas de apoio (ANDERSON e CIBILS, 2013).
Estas são ferramentas eficientes de observação, no entanto, existem
problemas relacionados às limitações do homem, como a fadiga em trabalhos
que exigem longos períodos de observação e a influência da presença do
observador no habitat do animal. A utilização de dispositivos eletrônicos, além
de substituir a presença do homem e resolver estes problemas, pode melhorar
a qualidade dos dados coletados.
Registros demostram que na década de 1950 a eletrônica foi utilizada
para rastrear animais selvagens, e que na década de 1970 foi realizada uma das
primeiras tentativas de observação do comportamento de bovinos com a
21
eletrônica. Em 1991 foi realizado o primeiro trabalho de rastreamento de animais
utilizando GNSS (Global Navigation Satellite System - Sistema Global de
Navegação por Satélite), utilizando o GPS. Ainda, segundo ANDERSON e
CIBILS (2013), a utilização da tecnologia GPS para o monitoramento dos bovinos
foi registrada pela primeira vez em 1997.
A tecnologia GNSS combinada com outros dispositivos eletrônicos é
utilizada com frequência para monitorar animais e seus comportamentos.
ANDERSON e CIBILS (2013) apresentaram diferentes trabalhos desenvolvidos
entre 1997 e 2002, que fazem uso da tecnologia GNSS para monitoramento e
predição do comportamento bovino.
No trabalho que monitorou um gato doméstico com o uso de
acelerômetros, WATANABE et al. (2005), demonstraram que os dados de
aceleração podem ser úteis para indicar as atividades e o comportamento de
animais terrestres. Comportamentos básicos normalmente envolvem
movimentos de todo o corpo: postura do corpo, sentidos de movimento
característicos e as frequências de movimentos distintos (SCHEIBE e
GROMANN, 2006). A partir dos dados de aceleração, foi possível identificar os
diferentes comportamentos por meio da análise do padrão de aceleração dos
movimentos do animal.
As soluções comerciais disponíveis no mercado para rastrear animais, em
especial da tecnologia GNSS, são caras. As opções de baixo custo normalmente
são soluções criadas a partir de dispositivos comerciais, não projetadas para o
monitoramento animal. Existem vários trabalhos que adaptaram essas soluções
com sucesso, incluindo o trabalho de JESUS (2014) que utiliza um módulo GPS
conectado à plataforma Arduino.
A utilização de dispositivos não comerciais pode apresentar outras
vantagens, como a possibilidade de inclusão de outros recursos que possam
avaliar novas variáveis relacionadas ao comportamento animal e o menor tempo
de manutenção, em caso de falhas do equipamento, considerando que não há
dependência do fabricante para a solução (ANDERSON e CIBILS, 2013). Porém,
há a necessidade de alguém localmente capacitado para que se ofereça suporte.
Para aplicações no agronegócio, em especial de monitoramento de
bovinos, é fundamental que o sistema possua recursos de baixo custo, em
22
função do elevado número de dispositivos necessários, além da dificuldade de
acessos aos dispositivos após instalados e uma gestão de energia eficiente para
manter o sistema o maior tempo possível funcionando (HUIRCÁN et al., 2010).
Usualmente, as soluções para identificação do comportamento animal, utilizando
recursos computacionais são limitadas pelo consumo de energia e pela
capacidade da bateria.
A tecnologia de Rede de Sensores Sem Fio (RSSF) é uma candidata
natural para este tipo de aplicação (NADIMI et al., 2008), pelo fato de incorporar
em um único sistema a capacidade de sensoriamento, processamento e
comunicação por uma rede sem fio, permitindo que os dados sejam coletados e
encaminhados regularmente para um sistema central de controle e gestão. As
RSSFs foram utilizadas para a identificação do comportamento e da localização
dos animais em HUIRCÁN et al. (2010); NADIMI et al. (2008); NADIMI,
SØGAARD e BAK (2008); NADIMI et al. (2011); NADIMI et al. (2012) e SILVA et
al. (2005).
4.1.3. Principais Comportamentos dos Bovinos
A maioria dos trabalhos revisados por KILGOUR (2012) considera apenas
os comportamentos pastando, parado e ruminando, ignorando outros
comportamentos do animal. Apenas três dos 22 estudos revisados tinham
informações detalhadas sobre os diversos comportamentos: HERBEL e
NELSON (1966), ZEMO e KLEMMEDSON (1970) e HALL (1989). Apesar dos
dados sobre outros comportamentos de bovinos serem escassos na literatura, a
maior parte dela indica que o tempo gasto com atividades de pastoreio e
ruminação é cerca de 90 a 95% do tempo total da vida d o animal.
Além das limitações dos trabalhos quanto à restrição de comportamentos
avaliados, outros problemas encontrados são: o pequeno tempo de observação;
número baixo de animais no rebanho; áreas de pasto restritas e; observação de
um único animal do rebanho (KILGOUR, 2012).
KILGOUR et al. (2012) realizaram a observação do comportamento
utilizando seis rebanhos em cinco propriedades diferentes, em que todos os
animais foram observados, em uma área de pastagem maior que 200 hectares,
23
durante seis sessões nos períodos da manhã e da tarde, realizado em dois
meses (agosto e setembro) de dois anos consecutivos.
Apesar do trabalho de KILGOUR et al. (2012) eliminar alguns dos
problemas encontrados em trabalhos anteriores, devido às distâncias
envolvidas, era impossível determinar se os animais estavam ruminando. Assim,
o repouso e a ruminação foram combinados. Ainda, a pesquisa não considerou
o comportamento do animal no período noturno e em condições de chuva.
Mesmo com estas restrições, confirmou-se os resultados de outros
trabalhos quanto às principais atividades de bovinos: a atividade de pastagem
representou 51% do tempo (6,1h das 12h observadas), seguido pelas atividades
de descanso (de pé 17% e deitado 15%) e andando 14% (fonte).
Nos trabalhos avaliados por KILGOUR (2012), que registraram e
separaram os comportamentos ocorridos durante o dia e a noite (11 dos 22
trabalhos), a atividade pastando aconteceu com maior frequência durante a luz
do dia, com poucos registros durante a noite. O pico da atividade pastando se
dá no nascer e pôr do sol, informação confirmada em cinco dos seis rebanhos
avaliados. Já a atividade de ruminação, registrada quando o animal estava de
pé e quanto deitado, ocorre com maior frequência no período noturno, assim
como a atividade de descanso.
KILGOUR et al. (2012) utilizaram o conceito de comportamentos primários
e secundários, em que um comportamento secundário é aquele que acontece
ao mesmo tempo que um comportamento primário. Os comportamentos
primários, definidos pelos autores, foram: pastando; ruminando; descansando e;
andando. Alguns secundários tais como beber, explorar, auto-higiene e outros
que não compõem o rol de comportamentos primários. Ao todo foram
observados 18 comportamentos.
Alguns trabalhos, avaliados por KILGOUR et al. (2012), indicaram
momentos em que todos os animais estavam pastando simultaneamente,
porém, em todos eles poucos animais foram observados. HANCOCK (1954)
apud (ANDERSON e CIBILS, 2013) indica que mesmo bovinos de um mesmo
rebanho e de uma mesma cria, apresentam diferenças comportamentais.
Considerando o alto custo para equipar todos os animais de um rebanho,
OUDSHOORN, KRISTENSEN e NADIMI (2008) apud (ANDERSON e CIBILS,
24
2013) apontam que é possível generalizar o comportamento de uma
amostragem para todo o rebanho, porém, não há estudos que indiquem o
número exato de animais de um grupo a ser observado, para descrever e
generalizar com acurácia o comportamento do grupo investigado. Para OTIS e
WHITE (1999) apud (ANDERSON e CIBILS, 2013), uma amostra de seis a doze
animais pode ser considerada adequada, se planejada com base em evidências
de correlação.
GODSK e KJAERGAARD (2011) reafirmam que as diferentes alterações
comportamentais que podem ser identificadas para caracterizar um indivíduo
são muitas. Tipicamente, o comportamento normal de bovinos no rebanho
diverge de um animal para outro. No entanto, é importante ressaltar que ao
detalhar o comportamento em níveis mais baixos de atividades de bovinos,
como: andando; deitado; de pé e; pastando, a maneira de realizar essas
atividades pelos animais torna-se similar. Com base na duração, combinação e
frequência destas atividades realizadas por qualquer bovino se comportando
normalmente, seria possível definir o seu comportamento normal de forma geral.
Utilizando dados de sensoriamento remoto, os pesquisadores
HANDCOCK et al. (2009) avaliaram comportamentos mais complexos de
bovinos. Neste trabalho, puderam quantificar a quantidade de biomassa da
pastagem da área de pesquisa. Após o cruzamento dos dados de movimentação
e sensoriamento remoto, foi possível concluir que os bovinos se alimentam de
forma que a pastagem seja consumida uniformemente, ou seja, os animais
procuram as regiões onde a biomassa é maior.
Outra informação importante que foi inferida é o tempo que o rebanho
pasta perto do ponto de água. Foi constatado que os animais se mantem perto
do bebedouro por uma grande quantidade de tempo procurando não se afastar
deste local. Baseado nesta informação pode-se definir o tamanho ideal para
cada área de pastagem ou ainda, definir com mais precisão a quantidade de
bebedouros necessários para que haja uma exploração eficiente da área de
pastagem (HANDCOCK et al., 2009). Além disso, essa informação é importante
para que a pastagem não seja consumida até a exaustão da forragem ou
degradação do solo.
25
O monitoramento dos animais, baseado no tempo e distância entre os
animais, demonstrou que existem relações de preferência entres indivíduos
dentro do rebanho. Isso mostra que é possível identificar a estrutura hierárquica
dentro do grupo, definir grupos sociais e identificar acasalamentos. Essa
informação é importante na identificação dos indivíduos chave e pode contribuir
para um manejo mais eficaz do rebanho (HANDCOCK et al., 2009).
4.1.4. Instrumentos para Coleta de Dados – Equipamentos e
Sensores utilizados
Um dos métodos mais comuns para equipar os animais é a utilização de
colares. O colar não deve ficar apertado nem solto no pescoço do animal, pois
apertado pode abrasonar a pele e solto pode enroscar em algum objeto do
ambiente, um galho ou cerca, por exemplo (ANDERSON e CIBILS, 2013). Além
disso, alguns componentes precisam ficar em posição fixa, como antenas ou
sensores, pois se o colar se movimentar no pescoço do animal a qualidade dos
dados coletados será afetada.
Algumas alternativas citadas por ANDERSON e CIBILS (2013), a fim de
evitar que o colar deslize sobre o pescoço do animal, são: deixar os
componentes mais pesados (por exemplo, as baterias) na parte inferior do colar,
a fim de agirem como contrapeso; ou um colar composto por material elástico,
que absorva o suor e se estenda pelo pescoço do animal sem abrasoná-lo.
Um dos desafios ao colocar equipamentos em animais livres na natureza
é garantir que os comportamentos do animal não sejam adversamente afetados.
O design e o tamanho do dispositivo devem ser projetados de maneira que
possua o menor peso e tamanho possíveis. WATANABE et al. (2005) sugeriram
que o equipamento não deve ter mais que 5% do peso do animal, enquanto
BROOKS e HARRIS (2008) apud (ANDERSON e CIBILS, 2013) recomendam
que o peso seja menor que 1% da massa corporal do animal.
Após equipar o animal deve-se aguardar um período para que o mesmo
se adapte ao equipamento. Não há um tempo ideal de espera indicado, pois é
variável conforme a espécie avaliada. Por exemplo, em ovinos um período de 16
horas entre a instrumentação e o início da coleta dos dados parece ser ideal,
segundo HULBERT et al. (1998) apud (ANDERSON e CIBILS, 2013).
26
No estudo realizado por HANDCOCK et al. (2009) foram utilizados colares
com sensores GPS acoplados em bovinos, confinados em um ambiente
controlado. A principal diferença fica por conta do uso de imagens via satélite no
monitoramento do rebanho. Combinando o sensoriamento terrestre, feito pelos
colares, com o sensoriamento remoto realizado pelos satélites, os
pesquisadores obtiveram informações ainda mais precisas a respeito dos
animais.
MOREAU et al. (2009) coletaram dados com equipamentos colocados
simultaneamente em três lugares do corpo de cabras: um no pescoço; um na
intersecção do dorso/pescoço e; outro nas costas do animal. Foram comparados
os resultados de um classificador utilizando os dados de um sensor diferente
daquele utilizado na construção do modelo de classificação. Os resultados
indicaram influência significativa da posição do colar utilizado, afirmando que se
deve utilizar os dados do mesmo equipamento para classificar o comportamento.
SCHEIBE e GROMANN (2006) também utilizaram o equipamento em
partes diferentes do corpo do animal, um colar preso no pescoço e outro na
perna, com o objetivo de aferir os comportamentos de vacas e cavalos, e
comparar os resultados de cada um dos sensores. ROBERT et al. (2009) utilizou
uma abordagem diferente, prendendo o equipamento apenas na perna do
animal, já que os comportamentos de interesse da pesquisa (de pé, deitado e
andando) estão relacionados ao posicionamento da perna.
MARTISKAINEN et al. (2009) apontaram que pequenas variações no
posicionamento do equipamento no animal influenciam os resultados da
classificação e que a padronização da inclinação do dispositivo acelerômetro
pode melhorar o desempenho do classificador, reforçando WATANABE et al.
(2005) que indicaram a necessidade de calibração dos sensores de aceleração
individualmente para cada animal avaliado.
Nos trabalhos avaliados, os principais sensores utilizados foram os
sensores de movimentação, com destaque para o acelerômetro tridimensional,
que foi utilizado nos experimentos de SCHEIBE e GROMANN (2006),
MARTISKAINEN et al. (2009), ROBERT et al. (2009) e DIOSDADO et al. (2015).
Outro dispositivo comumente utilizado é o GPS. OLIVEIRA (2013) e GODSK e
KJAERGAARD (2011) usaram exclusivamente este dispositivo, enquanto
27
MOREAU et al. (2009), GONZÁLEZ et al. (2015) e DUTTA et al. (2015) utilizaram
o GPS e o acelerômetro. GUO et al. (2009) utilizaram, além do acelerômetro e
GPS, o giroscópio.
Usualmente, o acelerômetro e o GPS foram configurados para coleta de
dados em uma frequência de 10Hz e 1Hz, respectivamente. O trabalho de
ROBERT et al. (2009) foi o único avaliado que utilizou uma frequência diferente
para o acelerômetro, 100Hz.
NADIMI et al. (2008) utilizaram redes de sensores sem fio baseada no
protocolo de comunicação Zig-Bee para transmissão de dados de movimento do
rebanho, tais como o ângulo de inclinação do pescoço e da velocidade de
movimentação, os animais foram monitorados por um sensor equipado com um
acelerômetro de dois eixos.
De forma geral, o sistema de monitoramento e coleta de dados deve ser
pequeno, leve, resistente a choques e simples para fixar ao corpo do animal
(SCHEIBE e GROMANN, 2006). Em muitos trabalhos, os equipamentos e
sensores utilizados são colocados nos animais em colares, que ficam presos no
pescoço do animal. Destaque para os trabalhos de MOREAU et al. (2009),
SCHEIBE e GROMANN (2006), MARTISKAINEN et al. (2009), ROBERT et al.
(2009) e GODSK e KJAERGAARD (2011).
4.1.5. Coleta de Dados – Metodologia para os Bovinos
DIOSDADO et al. (2015), DUTTA et al. (2015), GONZÁLEZ et al. (2015),
GUO et al. (2009), MARTISKAINEN et al. (2009), ROBERT et al. (2009) e
SCHEIBE e GROMANN (2006) monitoraram os comportamentos de bovinos,
enquanto MOREAU et al. (2009) monitorou a atividade de cabras e WATANABE
et al. (2005) de gatos domésticos. O número de animais equipados nos
experimentos e o tempo de coleta de dados variou entre os trabalhos.
MARTISKAINEN et al. (2009) coletou dados de 30 animais por um período de
30 dias, enquanto DIOSDADO et al. (2015) monitorou 6 animais por um período
de apenas 36 horas.
MOREAU et al. (2009) realizaram duas coletas, em lugares
geograficamente diferentes (uma na Europa e outra na Ásia), com animais de
raças diferentes, com o objetivo de avaliar se as características do animal e do
28
sistema de criação (tipo de terreno e de pastejo) teriam efeito sobre a qualidade
da classificação automatizada dos comportamentos. Além disso, o intervalo de
coleta dos dados foi diferente nos dois experimentos, a cada 1 segundo no
primeiro e a cada 2 segundos, no segundo. ROBERT et al. (2009) também dividiu
as coletas em intervalos diferentes, dividindo os 15 bezerros monitorados em
três grupos, configurados para coleta nos intervalos de 1, 5 e 10 segundos.
Duas técnicas, para armazenar e recuperar os dados coletados, foram
encontradas nos trabalhos avaliados: armazenados em uma memória interna,
para posterior recuperação, quando o animal foi novamente capturado; ou
transmitidos, por uma rede sem fio, para um receptor central. KRAUSE et al.
(2013) apud (DIOSDADO et al., 2015) definem estes dois métodos de
recuperação dos dados, respectivamente, como bio-loggers e bio-telemetry
sensors.
GODSK e KJAERGAARD (2011) monitoraram 14 vacas leiteiras no pasto
por um dia, enquanto elas foram observadas de longe e suas atividades
manualmente registrados para servir como verdade terrestre. De baixo custo e
pouca infraestrutura, sensores de posicionamento GPS ligados às coleiras dos
animais foram utilizados para acompanhar os movimentos dos bovinos e
reconhecer as suas atividades. Por meio do pré-processamento dos dados
brutos de posição, foram obtidos altas de classificação usando técnicas padrões
de aprendizagem de máquina para reconhecer as atividades dos animais. Os
objetivos foram: (i) determinar até que ponto é possível ter confiabilidade no
reconhecimento das atividades dos animais a partir de dados de posicionamento
GPS, com receptores de GPS de baixo custo e; (ii) determinar que tipos de
atividades podem ser classificadas, e que confiabilidade esperar dentro das
diferentes classes.
4.1.6. Comportamentos Observados dos Bovinos
Os comportamentos mais comumente classificados nos trabalhos são
pastando, de pé, deitado e andando. Alguns trabalhos abordam também o
comportamento ruminando (DUTTA et al., 2015; GONZÁLEZ et al., 2015;
MARTISKAINEN et al., 2009). ROBERT et al. (2009) abordaram apenas os
29
comportamentos de pé, deitado e andando, enquanto que MOREAU et al.
(2009), os comportamentos andando, parado e pastando.
Outra abordagem utilizada é categorizar aqueles comportamentos que
não são de interesse em uma categoria geral. Por exemplo, se o trabalho não
tinha interesse em avaliar o comportamento saltitando, quando este acontecia
era classificado como "outros". DUTTA et al. (2015) e GONZÁLEZ et al. (2015)
utilizaram esta abordagem.
MARTISKAINEN et al. (2009) destacam a necessidade de trabalhos que
busquem identificar um número maior de comportamentos dos animais, já que
alguns dos sistemas propostos identificaram apenas um ou dois
comportamentos satisfatoriamente, reforçado por NADIMI et al. (2012), que
indicam que modelos para classificar mais comportamentos não alcançaram
resultados satisfatórios.
Para NADIMI et al. (2012), a observação do comportamento animal pode
trazer benefícios, a partir da análise de situações que afetam o bem-estar animal:
melhorar o bem-estar dos animais afeta positivamente a patologia animal e a
resistência a doenças, enquanto que níveis inadequados de bem-estar animal
podem afetar significativamente o crescimento e; a reprodução e a taxa de
sobrevivência dos animais, comprometendo a qualidade e a segurança dos
alimentos produzidos. Um sistema de monitoramento pode ajudar o produtor a
melhorar a gestão do negócio, aumentando o bem-estar animal e a produção.
Neste sentido, SCHEIBE e GROMANN (2006) buscaram identificar
comportamentos comuns, mas avaliando animais doentes e animais saudáveis,
com o objetivo de verificar se há variações de movimentos entre eles. O
resultado apontado foi que os animais doentes tiveram comportamentos
identificados com características diferentes dos saudáveis, ou seja, que a partir
dos dados de movimentação é possível diferenciar os comportamentos de
animais doentes e saudáveis.
NADIMI et al. (2008) apontam que a identificação comportamental e da
localização animal possibilitam que se avalie em quais condições determinados
comportamentos ocorrem, evoluindo no sentido de identificar individualmente
animais com potenciais problemas de saúde ou otimizar o processo de pastejo
30
destes. Porém, o foco dos trabalhos tem sido apenas indicar a localização do
animal na área de pasto ou identificar os seus comportamentos.
GODSK e KJAERGAARD (2011) argumentam que os sintomas de
alterações de estado de saúde e bem-estar de um animal afetam o
comportamento e a rotina considerada normal. Por exemplo, mudanças no
tempo padrão gastos em comportamentos como de pé, deitado, comendo ou
andando podem indicar alguma anormalidade na saúde do animal.
Os resultados demonstrados por NADIMI et al. (2008), apesar de
identificar apenas dois estados do comportamento atividade e inatividade,
mostram que é possível determinar uma regra de decisão geral que pode
classificar o comportamento de cada indivíduo em um rebanho de animais. Os
resultados foram confirmados pelo registro manual e por meio de medições de
GPS.
MOREAU et al. (2009) apontam a possibilidade de combinar os dados do
GPS com o acelerômetro para aferir os comportamentos e identificar as
características dos comportamentos com o ambiente, porém, utilizou os dados
do GPS apenas para plotar em um mapa 3D a localização em que os
comportamentos ocorreram.
GUO et al. (2009) utilizou os dados do acelerômetro e giroscópio para
aferir os comportamentos, seu trabalho não apresenta detalhes do uso destes
sensores e nem de seus resultados, e os dados do GPS para mostrar a relação
das transições de localização com a mudança dos comportamentos, indicando
as regiões em que os comportamentos ocorrem dentro da área de pasto. O
trabalho de OLIVEIRA (2013) também avaliou a relação do animal com o
ambiente, validando o uso de trajetórias semânticas para identificar as
características do comportamento bovino. Utilizando um conjunto de dados
georreferenciados e os dados de GPS, o trabalho relacionou o deslocamento do
animal com as áreas de interesse (cocho, bebedouro, árvores) e apresentou
informações sobre o deslocamento, como a distância percorrida e a duração e
velocidade média das trajetórias.
31
4.1.7. Tratamento e Processamento dos Dados
Os conjuntos de dados utilizados para validar os modelos criados, em
geral, são rotulados manualmente a partir de anotações realizadas em campo
ou por análise de vídeos gravados durante o experimento. Os dados registrados
em manuscritos precisam ser transcritos para um arquivo digital, para então
serem processados pelos algoritmos que executam o reconhecimento dos
comportamentos.
O trabalho DUTTA et al. (2015) utilizou um software chamado WhatISee,
desenvolvido com o objetivo de permitir anotações de comportamentos
observados, registrando a data, horário e um rótulo, que identifica o
comportamento observado. O WhatISee ainda possui a opção de notificação ao
usuário, que é ativado após um intervalo de tempo pré-determinado. Trata-se de
um aplicativo com função genérica, não desenvolvido especificamente para
observação do comportamento animal, disponível para o sistema operacional
iOS. JESUS (2014) desenvolveu o aplicativo Ápis, voltado especificamente para
anotação de observações do comportamento animal, registrando a data, horário
e o comportamento selecionado. A proposta do software é aperfeiçoar o trabalho
de observação, importação e manipulação dos dados das anotações realizadas
em campo. A versão está disponível para qualquer dispositivo móvel com o
sistema operacional Android.
A utilização dos softwares, além de reduzir o tempo de rotulação dos
dados, também elimina a possibilidade de erros na transcrição das anotações
manuais para o arquivo digital.
Independente da técnica utilizada para rotular os registros, os conjuntos
de dados devem ser organizados para o treinamento e validação dos modelos
computacionais. Uma forma de organização possível é a utilizada por
GONZÁLEZ et al. (2015), onde dois conjuntos de dados foram gerados, sendo
um para construir o modelo e outro para validá-lo. Abordagem também utilizada
em MOREAU et al. (2009), que utilizou o conjunto de dados de um animal para
validar o modelo de classificação construído com os dados de outro animal.
Diferentes técnicas foram utilizadas para processar os dados e identificar
automaticamente os comportamentos, dentre elas: Máquina de Vetores de
32
Suporte (SVM), Árvore de Decisão, K-means (clustering), Redes Neurais
Artificiais (ANN) e Modelos Ocultos de Markov (HMM).
DIOSDADO et al. (2015) compararam o desempenho de quatro
algoritmos (Árvore de Decisão, K-means, HMM e SVM) e indicou que o algoritmo
SVM apresentou os melhores resultados. Porém, considerando o custo
computacional, indica o algoritmo de Árvore de Decisão para ser implementado
em um sistema de sensores com transmissão dos dados, em função da
facilidade de implementação e o custo de processamento.
A comparação entre diferentes algoritmos de classificação também foi
feita no trabalho conduzido por GODSK e KJAERGAARD (2011). Utilizando o
algoritmo END (uma versão de árvores de decisão balanceada), foi obtida uma
taxa média de sucesso de 86,2% de classificação das quatro atividades:
comendo / buscando (90,0%), caminhando (100%), deitado (76,5%), e de pé
(75,8%).
As medições de ângulo de inclinação do pescoço e de velocidade de
movimentação produzidas no trabalho de NADIMI et al. (2008) foram filtradas e
utilizadas para classificar o comportamento animal em duas classes, atividade e
inatividade. Uma árvore de decisão foi construída e utilizada para prever o
comportamento de outros animais no rebanho.
4.2. Monitoramento ambiental – a influência do ambiente no
comportamento animal
Sabe-se que fatores ambientais relacionam-se diretamente com o
comportamento animal. OLIVEIRA (2013) elenca a temperatura, a radiação solar
e a umidade relativa como os principais elementos do ambiente relacionados ao
comportamento bovino. Segundo SCHÜTZ et al. (2009) apud (OLIVEIRA, 2013),
os bovinos podem identificar pequenas alterações climáticas e buscar situações
para contorná-las, como procurar áreas com sombra para reduzir a temperatura
corporal. No trabalho de KILGOUR et al. (2012), identificou-se que 10,9% do
tempo os animais estavam em áreas de sombra.
Assim, é importante conhecer o ambiente com o qual os animais
convivem, pois, os animais respondem de formas distintas em diferentes
condições físicas. O uso de sensores em pesquisas envolvendo as ciências
33
ambientais, como por exemplo, o monitoramento de enchentes (UEYAMA et al.,
2010), aplicações para agricultura (WANG et al., 2006) e na indústria de
alimentos (CONNOLLY e O’REILLY, 2005), proporcionam novas oportunidades
para melhorar o conhecimento a respeito do meio ambiente.
A agricultura é um dos domínios no qual os sensores e suas redes são
usados com sucesso para obter inúmeros benefícios. Seleção de sensores e sua
utilização eficaz para resolver problemas de domínio agrícolas tem sido uma
tarefa árdua para os usuários novatos, devido à indisponibilidade de informações
na literatura. Os autores REHMAN et al. (2011) analisaram a necessidade de
sensores sem fio na agricultura, as tecnologias empregadas e suas aplicações
em diferentes aspectos da produção. O trabalho conclui que a tecnologia de rede
de sensores aplicada na área agrícola mostra-se um campo de pesquisa
promissor com muitos desafios, como o desenvolvimento de sensores
necessários para as atividades de campo, o desenvolvimento de sensores com
capacidade de comunicação sem fio e a redução nas dimensões dos sensores.
4.3. Revisão e Considerações
Os trabalhos que esclarecem e contribuem para esta pesquisa foram
apresentados neste Capítulo. A revisão possibilitou um melhor entendimento das
técnicas e limitações a análise e identificação do comportamento bovino.
Baseado nas experiências relatadas foi possível especificar com
qualidade os sensores utilizados na criação do próprio colar. O equipamento aqui
desenvolvido incluiu os sensores GPS, acelerômetro, giroscópio e ainda
adicionou o magnetômetro, um tipo de sensor não utilizado em nenhum dos
trabalhos avaliados.
Quanto aos comportamentos aferidos nos trabalhos revisados,
selecionou-se pastando, andando, de pé, deitado e ruminando, que foram
abordados na maior parte das pesquisas, com especial destaque para a
necessidade de melhorar a aferição das classes de pé e deitado, que
apresentaram conflitos na classificação.
Entre os comportamentos avaliados por DIOSDADO et al. (2015) e
MARTISKAINEN et al. (2009), o que apresentou melhor resultado de
classificação foi o comportamento pastando, enquanto os com piores resultados
34
foram para distinguir os comportamentos de pé e deitado, utilizando o algoritmo
SVM. Mesmo resultado apresentado por JESUS (2014), com o algoritmo END.
Já os trabalhos de MOREAU et al. (2009) e ROBERT et al. (2009) apresentaram
os piores valores na classificação na classe andando.
Para a anotação das observações em campo, utilizou-se a abordagem de
JESUS (2014) e DUTTA et al. (2015), que fizeram uso de um software para
anotar os comportamentos. A ferramenta desenvolvida por JESUS (2014) foi
modificada e utilizada nas observações em campo.
Quanto aos algoritmos de classificação, os trabalhos destacam aqueles
baseados em Máquina de Vetores de Suporte (SVM) e Árvore de Decisão, em
especial DIOSDADO et al. (2015), que aponta o algoritmo SVM como aquele
com melhor acurácia, e o baseado em Árvore de Decisão, como o mais fácil de
se implementar e com menor custo de processamento. Assim, pretende-se
avaliar uma série de algoritmos, com destaque para os destas duas categorias.
As métricas de classificação utilizadas para apresentar os resultados dos
comportamentos variam de um trabalho para outro. As principais identificadas
foram: sensibilidade e precisão (DIOSDADO et al., 2015; GONZÁLEZ et al.,
2015); acurácia média (MOREAU et al., 2009; ROBERT et al., 2009; JESUS,
2014) e; ambas (MARTISKAINEN et al., 2009, DUTTA et al., 2015).
35
5. Referências Bibliográficas
AKYILDIZ, I. F.; SU, W.; SANKARASUBRAMANIAM, Y.; CAYIRCI, E. Wireless
sensor networks: a survey. Computer Networks, New York, v. 38, n. 4, p. 393–
422, 2002.
ANDERSON, R. E. D.; CIBILS, A. Spatiotemporal cattle data—a plea for protocol
standardization. Positioning, New York, v. 4, n. 1, p. 115 – 136, 2013.
CARTHY, J. D. O Estudo do Comportamento. São Paulo: Editora Nacional,
1969. 87p.
CLUTTON-BROCK, J. A Natural History of Domesticated Animals. London:
Cambridge University Press, 1999. 65p.
CONNOLLY, M.; O’REILLY, F. Sensor networks and the food industry. In:
Workshop on Real-World Wireless Sensor Networks (REALWSN’05), Julho,
2005, Stockholm, Sweden. Anais… Stockholm: 2005. p.16-24.
DIOSDADO, J. V.; BARKER, Z.; HODGES, H.; AMORY, J.; CROFT, D.; BELL,
N.; CODLING, E. Classification of behaviour in housed dairy cows using an
accelerometerbased activity monitoring system. Animal Biotelemetry, New
York, v. 3, n. 1, p. 15, 2015.
DUTTA, R.; SMITH, D.; RAWNSLEY, R.; BISHOP-HURLEY, G.; HILLS, J.;
TIMMS, G.; HENRY, D. Dynamic cattle behavioural classification using
supervised ensemble classifiers. Computers and Electronics in Agriculture,
New York, v. 111, p. 18 – 28, 2015.
MICHAELIS - Moderno Dicionário da Língua Portuguesa. ETOLOGIA.
Disponível em: <http://michaelis.uol.com.br>. Acesso em 13 de Junho de 2017.
FERRAZ, M. R. Manual do Comportamento Animal. Rio de Janeiro: Editora
Rubio, 2011. 42p.
36
GODSK, T.; KJAERGAARD, M. B. High classification rates for continuous cow
activity recognition using low-cost gps positioning sensors and standard machine
learning techniques. In: Proceedings of the international conference on Advances
in data mining: applications and theoretical aspects, 11, 2011, Berlin. Anais...
Berlin:Heidelberg, 2011. p. 174–188.
GONZÁLEZ, L.; BISHOP-HURLEY, G.; HANDCOCK, R.; CROSSMAN, C.
Behavioral classification of data from collars containing motion sensors in grazing
cattle. Computers and Electronics in Agriculture, New York, v. 110, p. 91 –
102, 2015.
GUO, Y.; POULTON, G.; CORKE, P.; BISHOP-HURLEY, G. J.; WARK, T.;
SWAIN, D. L. Using accelerometer, high sample rate gps and magnetometer data
to develop a cattle movement and behaviour model. Ecological Modelling, New
York, v. 220, n. 17, p. 2068 – 2075, 2009.
HALL, M.; FRANK E.; HOLMES, G.; PFAHRINGER, B; REUTEMANN, P;
WITTEN, I. H. The weka data mining software: an update. ACM SIGKDD
Explorations Newsletter, New York, v. 11, n. 1, p. 10–18, 2009.
HALL, S. J. Chillingham cattle: social and maintenance behaviour in an ungulate
that breeds all year round. Animal Behaviour, New York, v. 38, n. 2, p. 215 –
225, 1989.
HANCOCK, J. Studies of grazing behavior in relation to grassland management
i.variations in grazing habits of dairy cattle. Agricultural Science, Cambridge, v.
44, n. 4, p. 420–433, 1954.
HANDCOCK, R. N; SWAIN, D. L.; BISHOP-HURLEY, G. J.; PATISON, K. P.;
WARK, T.; VALENCIA, P.; CORKE, P; O'NEILL, C. J. Monitoring animal
behaviour and environmental interactions using wireless sensor networks, gps
37
collars and satellite remote sensing. Sensors, New York, v. 9, n. 5, p. 3586–
3603, 2009.
HERBEL, C. H.; NELSON, A. Activities of hereford and santa gertrudis cattle on
a southern new mexico range. Journal of Range Management, Washington, v.
19, p. 173–176, 1966.
HUIRCÁN, J. I.; MUÑOZ, C.; YOUNG, H.; DOSSOW, L. V.; BUSTOS, J.;
VIVALLO, G.; TONEATTI, M. Zigbee-based wireless sensor network localization
for cattle monitoring in grazing fields. Computers and Electronics in
Agriculture, New York, v. 74, n. 2, p. 258 – 264, 2010.
IBGE. Indicadores IBGE - Estatística da Produção Pecuária – jan - mar de 2018.
2018. Disponível em: <
https://biblioteca.ibge.gov.br/visualizacao/periodicos/2380/epp_2018_1tri.
pdf>. Acesso em: 13 ago. 2018.
INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, A. C. C. B.
Agricultura de Precisão - Um Novo Olhar. 1ed. São Carlos-SP: Embrapa
Instrumentação, 2011. 102p.
JESUS, L. Identificação do Comportamento Bovino por meio do
Monitoramento Animal. 2014. 110f. Dissertação (Mestrado em Ciência da
Computação) – Faculdade de Computação, Universidade Federal de Mato
Grosso do Sul, Campo Grande.
JUANG, P.; OKI, H.; WANG, Y.; MARTONOSI, M.; PEH, L.; RUBENSTEIN, D.
Energy-efficient computing for wildlife tracking: design tradeoffs and early
experiences with zebranet. SIGOPS Oper. Syst. Rev., New York, v. 36, n. 5, p.
96–107, 2002.
38
KILGOUR, R. J.; UETAKE, K.; ISHIWATA, T.; MELVILLE, G. J. The behaviour of
beef cattle at pasture. Applied Animal Behaviour Science, New York, v. 138,
n. 1–2, p. 12 – 17, 2012.
KILGOUR, R. J. In pursuit of “normal”: A review of the behaviour of cattle at
pasture. Applied Animal Behaviour Science, New York, v.138, n. 1, p. 1-11,
2012.
KRAUSE, J.; KRAUSE, S.; ARLINGHAUS, R.; PSORAKIS, I.; ROBERTS, S.;
RUTZ, C. Reality mining of animal social systems. Trends in Ecology
Evolution, New York, v. 28, n. 9, p. 541 – 551, 2013.
MAPA. Agenda Estratégica da Carne Bovina 2010 - 2015. 2012. Disponível
em: <http:-//www.agricultura.gov.br/arqeditor/file/camarassetoriais/AGES/carne
%20bovina-.pdf>. Acesso em: 25 mar. 2015.
MARTISKAINEN, P.; JÄRVINEN, M.; SKÖN, J.-P.; TIIRIKAINEN, J.;
KOLEHMAINEN, M.; MONONEN, J. Cow behaviour pattern recognition using a
three-dimensional accelerometer and support vector machines. Applied Animal
Behaviour Science, New York, v. 119, n. 1–2, p. 32 – 38, 2009.
MOREAU, M.; SIEBERT, S.; BUERKERT, A.; SCHLECHT, E. Use of a triaxial
accelerometer for automated recording and classification of goats’ grazing
behaviour. Applied Animal Behaviour Science, New York, v. 119, n. 3–4, p.
158 – 170, 2009.
NADIMI, E.; SøGAARD, H.; BAK, T. Zigbee-based wireless sensor networks for
classifying the behaviour of a herd of animals using classification trees.
Biosystems Engineering, New York, v. 100, n. 2, p. 167 – 176, 2008.
NADIMI, E.; SøGAARD, H.; BAK, T.; OUDSHOORN, F. Zigbee-based wireless
sensor networks for monitoring animal presence and pasture time in a strip of
39
new grass. Computers and Electronics in Agriculture, New York, v. 61, n. 2,
p. 79 – 87, 2008.
NADIMI, E.; JøRGENSEN, R.; BLANES-VIDAL, V.; CHRISTENSEN, S.
Monitoring and classifying animal behavior using zigbee-based mobile ad hoc
wireless sensor networks and artificial neural networks. Computers and
Electronics in Agriculture, New York, v. 82, p. 44 – 54, 2012.
OLIVEIRA, M. T. P. de. Análise Comportamental de Bovinos Baseada em
Trajetórias Semânticas Aplicada à Pecuária de Precisão. 2013. 103f.
Dissertação (Mestrado em Ciência da Computação) — Universidade Federal de
Mato Grosso do Sul, Campo Grande.
REHMAN, A.; ABBASI, A. Z.; SHAIKH, Z. A. A review of wireless sensors and
networks’ applications in agriculture. Computer Standards Interfaces, New
York, n. 1, p. – 15, 2011.
ROBERT, B.; WHITE, B. J.; RENTER, D. G.; LARSON, R. L. Evaluation of
threedimensional accelerometers to monitor and classify behavior patterns in
cattle. Computers and Electronics in Agriculture, Amsterdam, v. 67, n. 1-2, p.
80–84, 2009.
SATÉLITE, E. M. GeoRastro - Sistema de geodecisão para rastreabilidade e
produção sustentável da bovinocultura de corte 2011-2014. Campinas:
Embrapa, 2012.
SCHEIBE, K.; GROMANN, C. Application testing of a new three-dimensional
acceleration measuring system with wireless data transfer (WAS) for behavior
analysis. Behavior Research Methods, New York, v. 38, n. 3, p. 427–433, 2006.
SILVA, M. R. Middleware cerberus usando rfid para rastreabilidade bovina.
2009. 95f. Dissertação (Mestrado em Ciência da Computação) — Universidade
Federal do Mato Grosso do Sul, 2009.
40
ŠPINKA, M. How important is natural behaviour in animal farming systems?
Applied Animal Behaviour Science, New York, v. 100, p. 117-128, 2006.
UEYAMA, J.; HUGHES, D. R.; MATTHYS, N.; HORRÉ, W.; JOOSEN, W;
HUYGENS, C.; MICHIELS, S. An event-based component model for wireless
sensor networks: a case study for river monitoring. In: XXVIII Simpósio Brasileiro
de Redes de Computadores, Março, 2010, Gramado, RS. Anais... Gramado:
2010. p. 997–1004.
ONU. World Population Prospects: The 2017 Revision. Volume I:
Comprehensive Tables. New York: United Nations, Department of Economic and
Social Affairs, Population Division, 2017.
WANG, N.; ZHANG, N.; WANG, M. Wireless sensors in agriculture and food
industry–Recent development and future perspective. Computers and
Electronics in Agriculture, New York, v. 50, n. 1, p. 1–14, 2006.
WATANABE, S.; IZAWA, M.; KATO, A.; ROPERT-COUDERT, Y.; NAITO, Y. A
new technique for monitoring the detailed behaviour of terrestrial animals: A case
study with the domestic cat. Applied Animal Behaviour Science, New York, v.
94, n. 1–2, p. 117– 131, 2005.
ZEMO, T.; KLEMMEDSON, J. Behavior of fistulated steers on a desert grassland.
Journal of Range Management, Washington, v. 23, n. 3, p. 158–163, 1970.
ZHENG, Y.; LIU L.; WANG L.; XIE X. Learning transportation mode from raw gps
data for geographic applications on the web. In: Proceedings of the International
Conference on World Wide Web, 17, 2008, New York. Anais… New York, 2008.
p. 247–256.
41
6. Artigos
Artigo I
Relatório para Análise de Viabilidade de Patente.
Ápis: Sistema de monitoramento e análise do comportamento animal.
Leandro de Jesus
Introdução
A utilização do sistema de monitoramento insere-se no contexto onde
bovinos são apascentados em uma área de pastagem georreferencia e
monitorada por sensores agrometeorológicos para a coleta de dados ambientais.
Os animais são monitorados por meio de um colar com sensor de
posicionamento (GPS), sensores inerciais (acelerômetro, giroscópio,
magnetômetro e pressão atmosférica) - com a função de capturar as
movimentações do animal; e sensores de temperatura do ar, umidade do ar e
radiação solar. Os dados gerados pelo GPS e pelos sensores são coletados por
uma rede sem fio e armazenados em um banco de dados. O objetivo do sistema
é analisar os dados dos diversos sensores para gerar informações sobre os
comportamentos dos bovinos, podendo ainda, correlaciona-las com
características e dados ambientais da área de manejo.
Esta modelagem pode extrair informações sobre o comportamento do
animal em relação à ambiência, alimentação, consumo de água, repouso, ganho
ou perda de peso. Os resultados apresentados pelo sistema proporcionam
informações consubstanciadas ao produtor que poderá tomar as devidas
decisões no sentido de melhorar o seu desempenho econômico e estimar/reduzir
o seu impacto ambiental. Podemos destacar alguns exemplos de sua utilização:
na geração de índices para seleção genérica ao fornecer dados sobre
adaptabilidade e desempenho dos animais, na experimentação de outros
gêneros bovinos, na análise do bem-estar animal, ou ainda, nas informações
sobre a movimentação que podem ser utilizadas para identificar alguns tipos de
enfermidades.
Assim, o sistema de monitoramento e análise do comportamento animal,
denominado Ápis, consiste de três partes. A primeira é um colar, descrito neste
42
relatório, instalado no pescoço dos bovinos, para monitoramento da
movimentação dos animais e sensoriamento do ambiente. O colar possui
sensores de posicionamento por GPS e navegação inercial (acelerômetro,
giroscópio, magnetômetro e pressão atmosférica). Conta ainda, com sensores
de temperatura do ar, umidade do ar e radiação solar. Os dados aferidos são
armazenados em uma memória interna removível ou podem sem transmitidos
por uma rede sem fio.
A segunda parte é um software para dispositivos móveis intitulado como
Ápis Note. O objetivo do software é auxiliar o analista de domínio (veterinários,
pesquisadores e produtores) na observação do comportamento animal. O
software apresenta em uma grande tela todos os comportamentos identificáveis
dos animais, o usuário observa o animal e clica sobre o botão comportamento
que está sendo realizado. O sistema realiza registro com informações sobre a
identificação do animal, o comportamento e a hora que foi realizado.
A terceira e última parte é um software denominado Ápis Analysis. Por
meio deste software é possível identificar padrões comportamentais nos bovinos,
informações sobre trajetórias e ainda correlacioná-las com características e
dados ambientais da área de manejo.
Fundamentos da invenção
Algumas empresas fornecem soluções semelhantes, como a israelense
Cattle-Watch e a Globalstar, contudo, essas soluções limitam-se em apenas
realizar o monitoramento dos animais, cabendo ao especialista realizar todas as
análises referente ao comportamento dos animais.
Muitos trabalhos científicos exploram o comportamento bovino, no
entanto, ferramentas de análise comportamental que ofereçam subsídio para a
melhoria do desempenho produtivo e bem-estar animal são escassas na
literatura e no mercado. Portanto, a base conceitual para a invenção ainda flui
basicamente da academia.
Alguns trabalhos que esclarecem e contribuem para este invento são
apresentados a seguir. A fundamentação possibilita um melhor entendimento
das técnicas e limitações a análise e identificação do comportamento bovino e
seu ineditismo pela investigação ainda acadêmica.
43
Baseado nas experiências relatadas pudemos especificar com qualidade
os sensores utilizados na criação do nosso próprio colar. O equipamento
desenvolvido incluiu os sensores GPS, acelerômetro, giroscópio e ainda
adicionou o magnetômetro, um tipo de sensor não utilizado em nenhum dos
trabalhos avaliados.
Quanto aos comportamentos dos bovinos aferidos nos trabalhos
revisados, selecionou-se pastando, andando, de pé, deitado e ruminando, que
foram abordados na maior parte das pesquisas, com especial destaque para a
necessidade de melhorar a aferição das classes de pé e deitado, que
apresentaram conflitos na classificação.
Entre os comportamentos avaliados por DIOSDADO et al. (2015) e
MARTISKAINEN et al. (2009), o que apresentou melhor resultado de
classificação foi o comportamento pastando, enquanto os com piores resultados
foram para distinguir os comportamentos de pé e deitado, utilizando o algoritmo
SVM. Mesmo resultado apresentado por JESUS (2014), com o algoritmo END.
Já os trabalhos de MOREAU et al. (2009) e ROBERT et al. (2009) apresentaram
os piores valores na classificação na classe andando.
Para a anotação das observações em campo, utilizou-se a abordagem de
JESUS (2014) e DUTTA et al. (2015), que fizeram uso de um software para
anotar os comportamentos. A ferramenta desenvolvida por JESUS (2014) foi
modificada e utilizada nas observações em campo.
Quanto aos algoritmos de classificação, os trabalhos destacam aqueles
baseados em Máquina de Vetores de Suporte (SVM) e Árvore de Decisão, em
especial DIOSDADO et al. (2015), que aponta o algoritmo SVM como aquele
com melhor acurácia, e o baseado em Árvore de Decisão, como o mais fácil de
se implementar e com menor custo de processamento. Assim, foram avaliados
uma série de algoritmos, com destaque para os destas duas categorias.
As métricas de classificação utilizadas para apresentar os resultados dos
comportamentos variam de um trabalho para outro. As principais identificadas
foram: sensibilidade e precisão (DIOSDADO et al., 2015; GONZÁLEZ et al.,
2015); acurácia média (MOREAU et al., 2009; ROBERT et al., 2009; JESUS,
2014) e; ambas (MARTISKAINEN et al., 2009, DUTTA et al., 2015).
44
Em muitos trabalhos de monitoramento os colares são utilizados presos
ao corpo dos animais. O design e o tamanho do dispositivo deve ser projetado
de maneira que possua o menor peso e tamanho possíveis. WATANABE et al.
(2005) indicam que o equipamento não deve ter mais que 5% do peso do animal,
enquanto BROOKS e HARRIS (2008 apud ANDERSON e CIBILS, 2013)
recomendam que o peso seja menor que 1% da massa corporal do animal. Após
equipar o animal deve-se aguardar um período para que o mesmo se adapte ao
equipamento. Não há um tempo ideal de espera indicado, pois é variável
conforme a espécie avaliada. Por exemplo, em ovinos um período de 16 horas
entre a instrumentação e o início da coleta dos dados parece ser ideal, segundo
HULBERT et al. (1998 apud ANDERSON e CIBILS, 2013).
SCHEIBE e GROMANN (2006) também utilizaram o equipamento em
partes diferentes do corpo do animal, um colar preso no pescoço e outro na
perna. Enquanto, ROBERT et al. (2009) utilizaram uma abordagem diferente,
prendendo o equipamento apenas na perna do animal, já que os
comportamentos de interesse da pesquisa (em pé, deitado e andando) estão
relacionados ao posicionamento da perna.
Duas características importantes são atribuídas ao colar proposto neste
trabalho, a primeira é o grande volume de dados e o uso intensivo do sensor
GPS. Em decorrência do esforço computacional exigido pelas operações
envolvidas no armazenamento dos dados e no cálculo do posicionamento o colar
deve apresentar maior poder de processamento, maior quantidade de memória
e consequentemente maior consumo de energia.
O tempo máximo de uso do colar está limitado por essas duas
características. A primeira característica, o volume de dados a armazenar é
resolvida pela grande unidade de armazenamento removível que pode chegar a
16GB dependendo do modelo de cartão utilizado. A cada leitura de
posicionamento realizada o sensor GPS gera cerca de 254 Bytes de dados,
assumindo que a frequência de amostragem máxima é de 1Hz, seriam
necessários então 782 dias de funcionamento contínuos para esgotar o
armazenamento. Apesar da possibilidade de armazenar uma grande quantidade
de dados o esforço computacional para manipulá-los e eventualmente transmiti-
lo por meio de uma rede sem fio geraria um grande consumo de energia.
45
A segunda característica está relacionada ao uso intensivo do sensor
GPS, este realiza recepção de rádio e grande quantidade de cálculos para
estimar a posição do colar. Este procedimento também gera um grande consumo
de energia.
Uma solução que resolveria esses dois problemas seria diminuir a
frequência de amostragem. Entretanto verificou-se que ao diminuir a frequência
(aumentar o tempo entre as amostragens) o número de instâncias de exemplos
de um conjunto (classe) também diminui. Assim, o ideal seria provar que não há
prejuízo no desempenho do classificador ao utilizar uma taxa de amostragem
maior. Em teoria, esse aumento na taxa de amostragem poderia gerar uma
economia no consumo de energia sem prejuízo da classificação das atividades
e no reconhecimento do comportamento dos animais.
É apresentado nas próximas seções o processo de produção do colar
usado para coleta das informações dos bovinos. É detalhado os sensores
utilizados, a placa de circuito confeccionada para interligar os componentes e a
confecção dos colares. Apresenta-se também a etapa de programação e testes
do sistema e os indicativos da validação do equipamento em campo.
Dispositivos e Sensores
Para coleta dos dados de posicionamento do animal foi utilizado um
módulo receptor GPS. O modelo utilizado é o Vênus GPS produzido pela
SparkFun. Este é um receptor de baixo custo comercial e baixo consumo de
energia, com tensão de entrada mínima de 3,3 V e consumo de 2 mA (no estado
ocioso) e 6 mA (na taxa máxima de gravação). Ele é baseado no chipset
Venus638FLPx, programado por padrão com uma taxa de atualização de 1 Hz
(configurável até 20 Hz) e pode ser facilmente integrado a microcontroladores
como o Arduino.
46
Figura1. Módulo GPS: SparkFun Venus GPS com conector SMA. Fonte:
https://www.sparkfun.com/products/11058.
Para captação dos dados de movimentação do animal foi utilizada uma
placa de medição inercial, acelerômetro e giroscópio de 9 eixos 10 DOF MPU-
9250, com três sensores: acelerômetro, giroscópio e magnetômetro. O chip
MPU9250, encapsulado na placa, é responsável pela captura do movimento de
aceleração, de medições magnéticas, e pelos movimentos de rotação, todos eles
com 3 eixos de leitura. O módulo ainda conta com um sensor de pressão
atmosférica BMP180. A placa é acionada com uma tensão de entrada de 2,5 V
à 3,6 V e consumo de 3.7mA.
Figura 2. Placa de medição inercial: acelerômetro, giroscópio, magnetômetro e
barômetro.
O modelo do acelerômetro suporta configuração com valores de +/-2, +/-
4, +/-8, ou +/-16g, o giroscópio variações de +/-250, +/-500, +/-1000, ou +/-2000
graus/s e o magnetômetro em escala completa no intervalo de +/-4800 µT com
resolução de 16 bits.
Para capturar os dados de luminosidade do ambiente foi utilizado um
sensor LDR (Light Dependent Resistor).
47
Figura 3. Resistor Variável pela Luminosidade (LDR de 5mm).
Para o armazenamento dos dados coletados foi utilizado o data logger
OpenLog da SparkFun. Ele permite registrar dados seriais recebidos de 2400 a
115.200 bps e suporta cartões microSD de até 64 GB.
Figura 4. Dispositivo de armazenamento de dados em cartão de memória
SparkFun OpenLog. Fonte: https://www.sparkfun.com/products/13712.
Para controlar os sensores e processar as coletas foi utilizado o Arduino,
uma plataforma open-source de prototipagem eletrônica de hardware livre
baseada no microcontrolador ATmega da Atmel Corporation
(http://www.atmel.com/pt/br/products/microcontrollers).
Figura 5. Microcontrolador, um pequeno computador (SoC) em um único circuito
integrado o qual contém um núcleo de processador, memória e periféricos
programáveis de entrada/saída e pode ser programado. Fonte:
http://www.atmel.com/pt/br/products/microcontrollers/avr.
48
Para a mensuração da umidade e temperatura do ar foi utilizado o sensor
DHT22. Este sensor permite fazer leituras de temperatura entre -40 a +80 graus
Celsius com precisão de +-0,5 ºC e umidade entre 0 a 100% com precisão de +-
2%.
Figura 6. Sensor de Umidade e Temperatura AM2302 DHT22. Fonte:
https://www.sparkfun.com/products/10167.
Projeto do circuito elétrico
O circuito foi projetado e desenhado para que todos os componentes
ficassem em uma única placa. O software Fritzing foi utilizado para organizar a
disposição dos componentes na placa. A figura 7 mostra a disposição proposta
para a placa, utilizando o microcontrolador ATmega328p como sistema central,
unindo o módulo GPS, o módulo dos sensores de movimentação (acelerômetro,
giroscópio e magnetômeto em um único componente), o módulo OpenLog para
gravação dos dados no cartão de memória, um resistor LDR para coleta dos
dados de luminosidade e o sensor de umidade e temperatura do ar. A figura 7
define cada uma das ligações necessárias para interligar os componentes
eletrônicos no circuito proposto.
49
Figura 7. Projeto do circuito desenvolvido no Fritzing.
O circuito foi construído em uma placa de fenolite, que permite a conexão
e solda dos componentes. O circuito é desenhado sob a placa e o cobre não
correspondente ao circuito é corroído. Esta abordagem reduz as possibilidades
de problemas nas ligações. Na parte superior da placa foram soldados pinos do
tipo fêmea, que permitem que os componentes sejam encaixados, possibilitando
sua remoção de forma fácil e rápida. Na parte inferior as conexões dos pinos são
interligadas por uma trilha de cobre ou com fios e solda.
A placa construída, figura 8, facilitou o encaixe dos sensores e eliminou
os problemas de mal contato, que em geral acontece nos trabalhos realizados
em protoboards. Para o protótipo essa opção era importante, pois os sensores
podiam ser facilmente trocados. Para uma solução comercial recomenda-se que
os sensores sejam soldados diretamente à placa do circuito, garantindo que os
mesmos não se soltem com o manuseio do equipamento. No experimento, para
evitar que os sensores se soltassem dos encaixes, eles foram fixados aos pinos
de encaixe com cola quente.
50
Figura 8. Protótipo em placa de circuito impresso pelo processo de corrosão.
O circuito teve seu circuito reduzido graças a utilização de apenas do
microcontrolador. Em protótipos típicos que utilizam a plataforma Arduino, os
projetistas optam pela utilização de uma placa completa, controladores de
tensão, pinos de entrada e saída, cristal oscilador e outros componentes
eletrônicos que auxiliam na fase de desenvolvimento, mas que não são utilizados
em protótipos mais maduros.
Assim, a placa do circuito pode trazer apenas parte da plataforma de
prototipação Arduino, reduzindo o tamanho final do sistema. Não foi abordado
neste trabalho o custo para a produção da própria placa Arduino, mas em geral,
a produção desta possui preço menor que os modelos de placas
comercializadas, considerando o custo dos componentes necessários para a
construção/montagem dela.
Outro problema, foi a programação para interligar todos os componentes
no Arduino. O receptor GPS, os sensores de movimentação e o módulo OpenLog
utilizam a comunicação serial para comunicação com o Arduino. Porém, o
microcontrolador ATmerga328p possui apenas um canal de comunicação serial,
fazendo com que estes três componentes concorressem pelo mesmo. Foi
necessário programar o código de maneira que a comunicação de um, não
interferisse na comunicação do outro: o que poderia acontecer é um componente
iniciar a gravação no buffer enquanto o outro ainda estava utilizando-o.
Nos testes iniciais, com os sensores programados individualmente, este
problema não apareceu, surgindo quando eles foram integrados. Para garantir
que as leituras dos sensores ocorressem a cada 1 segundo (configuração padrão
dos sensores utilizados) a taxa de leitura e escrita do microcontrolador foram
ajustadas para as mais rápidas possíveis.
51
Estrutura do colar
Para que o circuito fosse colocado no animal foi utilizado um cinto de
couro, com uma caixa acoplada, para guardar o circuito com os componentes
eletrônicos. O cinto possui cerca de 130 cm x 4 cm x 0,5 cm (comprimento x
largura x espessura), a fim de garantir que não arrebentasse caso enroscasse
em algo, como um galho ou a cerca.
O circuito foi colocado em uma caixa feita com material plástico ABS, com
dimensões de 10 cm x 7 cm x 9 cm (largura x altura x profundidade) e uma tampa
removível presa com parafusos e porcas para tornar o sistema robusto e a prova
d’água.
Figura 9. Montagem dos componentes do colar. Placa de circuito impresso
acomodada em caixa hermética construída em ABS. A fixação do colar nos
animais é feita por meio de um cinto reforçado feito em couro cru.
O sensor LDR não ficou dentro da caixa. Dois furos foram feitos na frente
da caixa onde o sensor foi encaixado e soldado a dois fios que foram interligados
ao circuito. O sensor de temperatura e umidade do ar também foi instalado no
lado de fora do invólucro plástico ficando protegido abaixo da tira de couro.
52
Figura 10. Detalhe do posicionamento do sensor de temperatura e umidade do
ar, em branco. Na frente do dispositivo encontra-se instalado o sensor de
luminosidade.
Implementação e Testes do Colar
O circuito e os componentes foram testados, para validar o funcionamento
individual de cada um e a integração de todos em um único sistema. Inicialmente
foram realizados testes de bancada e na sequência testes de campo.
Em um experimento de bancada cujo objetivo foi averiguar o perfeito
funcionamento do colar, foi possível capturar 21154 pontos de GPS, a uma
frequência média de 1Hz. O experimento foi iniciado as 23:59:47 horas e o
protótipo desligou às 05:57:14 por falta de energia. Utilizando-se uma bateria de
3.7V a 1000mA a autonomia foi de cerca de 6 horas. As baterias utilizadas nos
experimentos de campo possuem 6000mA de capacidade e aumentaram a
autonomia para mais de 36 horas, em alguns casos a bateria durou mais de 2
dias. Provavelmente o módulo GPS utilizou menos carga da bateria em campo
aberto onde não havia obstáculos para o sinal de satélite.
Para testar a precisão foi realizado o seguinte experimento. Marcou-se
quatro pontos em uma área plana (P1, P2, P3 e P4), de forma que os pontos
formem um quadrado perfeito com lado de 10 metros (Figura 11). Este valor foi
definido por questões práticas de medição, além da obrigatoriedade de ser maior
que a precisão de 2,5 metros informada pelo fabricante do sensor GPS. O
objetivo era colher a latitude e longitude para cada ponto utilizando o colar
53
desenvolvido. Após as medições, foi verificado que é possível reconstruir o
quadrado com dimensões aproximadas desenhadas no plano.
Neste teste, houve interesse na movimentação dos bovinos, ou seja, os
dados de interesse são as quantidades de espaço percorrido e a direção do
movimento. A precisão nos vetores gerados pela movimentação dos animais é
crucial para a identificação das atividades. Por exemplo, um erro constante em
determinada direção iria gerar apenas uma translação nos vetores sem
influenciar as análises de movimento.
Figura 11. Metodologia para verificar precisão do GPS de baixo custo.
Foram realizadas três amostragens para cada ponto seguindo a
sequência P1, P2, P3, P4, consecutivamente. A amostragem foi feita de forma
sequencial para que as leituras de um mesmo ponto não tendessem a um
mesmo valor. Os resultados gráficos das reconstruções dos três quadrados
podem ser vistos na figura 12.
Figura 13. Resultado gráfico das três amostragens. Amostra 1 é o polígono
vermelho, a amostra 2 é o azul e a amostra 3 é verde.
54
As latitudes e longitudes dos pontos serviram de entrada para uma função
escrita em Java que mede a distância entre os pontos. Desta forma, foi possível
verificar a corretude do algoritmo. Na tabela 1 são apresentadas as distâncias
entre os pontos e o cálculo do erro relativo percentual. A taxa de erro média de
4,08% na medição do comprimento das semi-retas em um sensor GPS de baixo
custo se mostra satisfatório, visto que este erro representa apenas 0,4 metros
em cada 10 metros.
Tabela 1. Distâncias entre os pontos e o cálculo do erro relativo percentual
Número da
Amostragem
Identificação do
Ponto Inicial
Identificação do
Ponto Final
Distância
(metros) Erro (%)
1 P1 P2 9,84 1,61
1 P2 P3 10,23 2,33
1 P3 P4 10,32 3,16
1 P4 P1 9,87 1,31
2 P1 P2 9,62 3,78
2 P2 P3 10,06 0,64
2 P3 P4 10,60 5,99
2 P4 P1 9,57 4,28
3 P1 P2 9,09 9,14
3 P2 P3 10,32 3,22
3 P3 P4 9,26 7,36
3 P4 P1 9,38 6,17
Taxa de erro médio 4,08
Distância média das semi-retas 9,85
No segundo arranjo dos dados (Tabela 2) calculou-se a distância entre os
pontos análogos entre as diferentes amostras. Procurou-se verificar se a
medição realizada em um mesmo ponto do espaço pelo GPS permaneceria
constante após movimentação pelo terreno. Foi obtido um erro médio de 0,82
metros ao medir o mesmo ponto por duas vezes. Esta alteração no
posicionamento pode definir se um animal está em movimento ou está parado e
um erro de medição alteraria a análise do movimento. Para resolver este
problema pode-se utilizar um Filtro Bayesiano, discutiremos esta abordagem.
55
Segundo a especificação do fabricante, o erro do módulo GPS Venus pode
chegar a 2,5 metros, um ótimo valor para GPS’s de baixo custo encontrados no
mercado. Assim, o erro obtido nos experimentos está dentro do especificado.
Tabela 2. Distâncias entre as amostragens e o cálculo do erro relativo percentual
Pontos P1
Amostra Amostra Distância (metros) Erro (%)
1 2 0,37 3,71
1 3 0,37 3,71
2 3 0,00 0,00
Pontos P2
Amostra Amostra Distância (metros) Erro (%)
1 2 0,51 5,08
1 3 1,66 16,58
2 3 1,23 12,29
Pontos P3
Amostra Amostra Distância (metros) Erro (%)
1 2 0,82 8,19
1 3 1,61 16,06
2 3 1,27 12,71
Pontos P4
Amostra Amostra Distância (metros) Erro (%)
1 2 0,51 5,08
1 3 0,82 8,19
2 3 0,37 3,71
Taxa de erro médio 7,94
Percebeu-se durante o experimento que ligar o dispositivo GPS em local
aberto cerca de 10 minutos antes de ser utilizado diminui significativamente o
erro na medição. Esta característica se deve ao fato que o sensor precisa de
tempo para sincronizar o máximo de satélites possível e ter uma boa diluição da
precisão. Diluição da precisão - DOP (Dilution Of Precision) - também conhecido
como GDOP (Geometric DOP), é o fator que determina a precisão obtida devido
à geometria dos satélites. Quanto menor a DOP, melhor a precisão.
56
Resultados experimentos em Campo
Uma amostra de monitoramento dos bovinos (849 horas de dados) foi
gerada e dividida em três conjuntos de dados. As sequências de dados DB1,
DB2 e DB3 estão relacionadas no Quadro 1.
Quadro 1. Sequências de dados coletados, em dias e horas, sobre o
comportamento dos bovinos, nos meses de maio e junho de 2017
Banco de dados Dados de monitoramento Dados de observação
Nº de dias N° de horas N° de dias N° de horas
DB1 11 199 8 26
DB2 25 513 16 71
DB3 06 137 0 0
Total 42 849 24 97
Dos algoritmos de classificação testados o que obteve o melhor
desempenho foi o algoritmo Random Forest com 91,6% de acertos identificando
7 classes: pastando, deitado descansando, deitado ruminando, andando, em pé
descansando, em pé ruminando ou bebendo água. Com os algoritmos END, J48,
Classification Via Regression, Multilayer Perceptron, SMO (SVM), obtive-se as
seguintes taxas de acerto: 90.2%, 84.9%, 82.7%, 61.1% e 47.1%,
respectivamente.
Outros estudos avaliaram o comportamento animal, apresentando
resultados similares, mas metodologias e algoritmos diferentes. Os resultados
dos comparativos apresentados, tabela 3, servem apenas como base para
indicar os valores obtidos nesta pesquisa e os apresentados por outros
trabalhos. Considerando que os números de testes e amostras são diferentes,
assim como o número de animais e o tempo de observação, não foi possível
afirmar que os resultados de um ou outro são melhores. Além disso, nenhum dos
trabalhos do comparativo realizou a diferenciação dos comportamentos de
ruminação, em pé ou deitado.
Tabela 3. Comparativo dos resultados obtidos quanto a taxa de acerto para cada
classe de comportamento. Os dados em negrito expressam o resultado obtido
57
neste trabalho. Dutta et al. (2015) e González et al. (2015) agruparam os
comportamentos em pé e deitado em uma única classe
Classes Martiskai
nenet al.
(2009)
Nadimi
et al.
(2012)
Godsk e
Kjaergaar
d (2011)
Duttaet
al.
(2015)
González et
al. (2015) A
González et
al. (2015) B
Pastando 81%
91,7%
83,8%
91,5%
90,0%
91,5%
93%
93,8%
93,7%
93,8%
98,4%
93,8%
Andando 79%
99,0%
73,8%
99,0%
100%
99,0%
97%
99,4%
83,8%
99,4%
27,7%
99,4%
Em Pé 65%
87,5%
71,8%
90,0%
75,8%
90,0% 92%
85,8%
60,7%
85,8%
86,3%
85,8% Deitado 83%
89,9%
83,2% /
93,9%
76,5%
93,9%
Ruminando 86%
90,9%
97%
92,4%
96,9%
92,4%
87,3%
92,4%
Com o banco de dados classificado foi possível elaborar um etograma
robusto, fundamentado num total de 849 horas de monitoramento dos bovinos,
1.616.821 comportamentos identificados, abrangendo períodos de luz, noite e
chuva. Na tabela 4 estão comparados o etograma elaborado com alguns outros
trabalhos pesquisados, em especial, deu-se destaque ao elaborado por
KILGOUR et al. (2012).
Tabela 4. Comparação entre quatro experimentos sobre as porcentagens de
tempos alocadas em que os bovinos estavam realizando cada comportamento
Comportamento Kilgouret al.(2012)
%
Inteligência
Artificial –
IA
%
Zemo &
Klemmedson
(1970)
%
Hall
(1989)
%
Pastando 51,0 38,7 36,2 33,7
Em pé - Descansando 17,1 33,5 5,0 6,0
Em pé - Ruminando ... 10,1 7,9 22,4
Deitado - Descansando 14,7 5,3 25,4 15,7
Deitado - Ruminando ... 8,3 20,4 2,7
Andando 13,8 3,3 ... ...
58
Bebendo água 0,5 0,8 ... ...
Outros 2,9 ... ... ...
Conclusões
Conclui-se que o colar proposto se enquadra às expectativas da pesquisa
quanto à precisão, baixo consumo de energia, acessibilidade aos manuais e
documentos de projeto, facilidade na construção e programação aliadas ao baixo
custo de aquisição. Dúvidas relacionadas à robustez e design foram totalmente
sanadas visto que foram produzidas centenas de horas de experimentos em
campo sem nenhum dano aos equipamentos.
Além do sensor GPS contido em outras soluções, fazemos uso de
sensores que captam o movimento do animal, além de dados do ambiente
(temperatura do ar, umidade do ar e radiação solar). Todas essas fontes de
dados foram de extrema importância para identificação dos comportamentos dos
bovinos.
Como base na frequência com que os animais realizam essas atividades
e com os dados ambientais é possível indicar problemas de saúde, estresse,
preferências quanto a pastagens ou até o desempenho dos animais.
Pelo uso dos colares e do software de análise do comportamento é
possível medir em grande escala, em áreas remotas e de forma contínua o
comportamento de um rebanho.
Referências Bibliográficas
ANDERSON, R. E. D.; CIBILS, A. Spatiotemporal cattle data—a plea for protocol
standardization. Positioning, New York, v. 4, n. 1, p. 115 – 136, 2013.
BATISTA, G.; PRATI, R.; MONARD, M. A Study of the Behavior of Several
Methods for Balancing Machine Learning Training Data. SIGKDD Explorations,
The Association for Computing Machinery (ACM), New York, v. 6, n. 1, p. 20-29,
2004.
DIOSDADO, J. V.; BARKER, Z.; HODGES, H.; AMORY, J.; CROFT, D.; BELL,
N.; CODLING, E. Classification of behaviour in housed dairy cows using an
59
accelerometer based activity monitoring system. Animal Biotelemetry, New
York, v.3, n.1, p. 15, 2015.
DUTTA, R.; SMITH, D.; RAWNSLEY, R.; BISHOP-HURLEY, G.; HILLS, J.;
TIMMS, G.; HENRY, D. Dynamic cattle behavioural classification using
supervised ensemble classifiers. Computers and Electronics in Agriculture,
New York, v. 111, p. 18 – 28, 2015.
GODSK, T.; KJAERGAARD, M. B. High classification rates for continuous cow
activity recognition using low-cost gps positioning sensors and standard machine
learning techniques. In: Proceedings of the international conference on Advances
in data mining: applications and theoretical aspects, 11, 2011. Anais...
Berlin:Heidelberg, 2011. p. 174–188.
GONZÁLEZ, L.; BISHOP-HURLEY, G.; HANDCOCK, R.; CROSSMAN, C.
Behavioral classification of data from collars containing motion sensors in grazing
cattle. Computers and Electronics in Agriculture, New York, v.110, p.91–
102,2015.
GUO, Y.; POULTON, G.; CORKE, P.; BISHOP-HURLEY, G. J.; WARK, T.;
SWAIN, D. L. Using accelerometer, high sample rate gps and magnetometer data
to develop a cattle movement and behaviour model. Ecological Modelling, New
York, v. 220, n. 17, p. 2068 – 2075, 2009.
HALL, S. J. Chillingham cattle: social and maintenance behaviour in an ungulate
that breeds all year round. Animal Behaviour, New York, v. 38, n. 2, p. 215 –
225, 1989.
HALL, M.; FRANK E.; HOLMES, G.; PFAHRINGER, B; REUTEMANN, P;
WITTEN, I. H. The weka data mining software: an update. ACM SIGKDD
Explorations Newsletter, New York, v. 11, n. 1, p. 10–18, 2009.
60
HANDCOCK, R. N; SWAIN, D. L.; BISHOP-HURLEY, G. J.; PATISON, K. P.;
WARK, T.; VALENCIA, P.; CORKE, P; O'NEILL, C. J. Monitoring animal
behaviour and environmental interactions using wireless sensor networks, gps
collars and satellite remote sensing. Sensors, New York, v. 9, n. 5, p. 3586–
3603, 2009.
HERBEL, C. H.; NELSON, A. Activities of hereford and santa gertrudis cattle on
a southern new mexico range. Journal of Range Management, New York, v.
19, p. 173–176, 1966.
HUIRCÁN, J. I.; MUÑOZ, C.; YOUNG, H.; DOSSOW, L. V.; BUSTOS, J.;
VIVALLO, G.; TONEATTI, M. Zigbee-based wireless sensor network localization
for cattle monitoring in grazing fields. Computers and Electronics in
Agriculture, New York, v. 74, n. 2, p. 258 – 264, 2010.
KILGOUR, R. J.; UETAKE, K.; ISHIWATA, T.; MELVILLE, G. J. The behaviour of
beef cattle at pasture. Applied Animal Behaviour Science, New York, v. 138,
n. 1–2, p. 12 – 17, 2012.
MARTISKAINEN, P.; JÄRVINEN, M.; SKÖN, J.-P.; TIIRIKAINEN, J.;
KOLEHMAINEN, M.; MONONEN, J. Cow behaviour pattern recognition using a
three-dimensional accelerometer and support vector machines. Applied Animal
Behaviour Science, New York, v. 119, n. 1–2, p. 32 – 38, 2009.
MOREAU, M.; SIEBERT, S.; BUERKERT, A.; SCHLECHT, E. Use of a triaxial
accelerometer for automated recording and classification of goats’ grazing
behaviour. Applied Animal Behaviour Science New York, v.119, n 3–4, p.158–
170, 2009.
NADIMI, E.; JØRGENSEN, R.; BLANES-VIDAL, V.; CHRISTENSEN, S.
Monitoring and classifying animal behavior using zigbee-based mobile ad hoc
wireless sensor networks and artificial neural networks. Computers and
Electronics in Agriculture, New York, v. 82, p. 44 – 54, 2012.
61
OLIVEIRA, M. T. P. de. Análise Comportamental de Bovinos Baseada em
Trajetórias Semânticas Aplicada à Pecuária de Precisão. 2013. Campo
Grande: UFMS, 2013. 103p. Dissertação Mestrado.
ROBERT, B.; WHITE, B. J.; RENTER, D. G.; LARSON, R. L. Evaluation of
threedimensional accelerometers to monitor and classify behavior patterns in
cattle. Computers and Electronics in Agriculture, New York, v.67, n.1-2, p.80–
84, 2009.
SCHEIBE, K.; GROMANN, C. Application testing of a new three-dimensional
acceleration measuring system with wireless data transfer (WAS) for behavior
analysis. Behavior Research Methods, New York, v. 38, n. 3, p. 427–433, 2006.
ZEMO, T.; KLEMMEDSON, J. Behavior of fistulated steers on a desert grassland.
Journal of Range Management, Washington, v. 23, n. 3, p. 158–163, 1970.
ZHENG, Y.; LIU L.; WANG L.; XIE X. Learning transportation mode from raw gps
data for geographic applications on the web. In: Proceedings of the International
Conference on World Wide Web, 17, 2008, New York. Anais… New York, 2008.
p. 247–256.
62
Artigo II
Aplicação de técnicas de reconhecimento de padrões para estimar o
comportamento de bovinos em função de dados de posicionamento GPS.
Leandro de Jesus
Resumo
Detectar rapidamente animais que precisam de atenção extra devido a
problemas de saúde ou bem-estar são essenciais. Estas anormalidades podem
ser detectadas pelas mudanças no tempo padrão gasto pelo animal em
atividades cotidianas como, ficar de pé, deitar-se, comer ou andar. O objetivo
desta pesquisa foi analisar o comportamento de bovinos por meio de
monitoramento animal utilizando sensores de posicionamento GPS e algoritmos
de reconhecimento de padrões. Os animais foram observados por um analista
de domínio (veterinário) e seus comportamentos foram anotados por meio de um
software que confere precisão e facilita o treinamento dos algoritmos de
classificação supervisionados. Os receptores de GPS, de baixo custo, foram
montados em colares e instalados em 11 bovinos no pasto, num total de 42 dias
incontínuos, enquanto esses animais foram observados à distância, e os seus
comportamentos registrados, num total de 97 horas, em que foram anotados
35.211 comportamentos. Para este conjunto de dados foi obtida uma taxa média
de sucesso de 86,1% de classificação de quatro atividades analisadas: pastar,
andar, ficar deitado e ficar de pé.
Palavras-chave: Bovinos de corte, Pecuária de precisão, Etograma,
Monitoramento animal, Bem-Estar animal.
Abstract
Rapidly spotting animals that need extra attention to health or wellness
issues are essential. These abnormalities can be detected by changes in the
standard time spent by the animal in daily activities such as standing, lying, eating
or walking. The objective of this research was to analyze the behavior of cattle
through animal monitoring using GPS positioning sensors and pattern recognition
algorithms. The animals were observed by a domain analyst (veterinary) and their
behaviors were annotated through software that confers precision and ease to
63
the training of the supervised classification algorithms. The low-cost GPS
receivers were mounted on collars and installed in 11 cattle in the pasture, in a
total of 42 non-continuous days, while these animals were observed from a
distance, and their systems, for a total of 97 hours, were recorded 35,211
behaviors. For this dataset we obtained an average success rate of 86.1% of the
classification of four activities analyzed: grazing, walking, lying and standing.
Key-words: Beef cattle, Livestock precision, Etogram, Animal monitoring, Animal
welfare.
Introdução
Os sintomas de alterações de estado de saúde e bem-estar de um animal
afetam o seu comportamento (GODSK e KJAERGAARD, 2011). Mudanças no
tempo padrão gasto pelo animal em atividades como ficar de pé, deitar-se, comer
ou andar podem indicar anormalidades causadas por infecções, febre e
estresse, social ou ambiental.
Estes comportamentos geralmente são consistentes e previsíveis, mas
não podem ser medidos em escala devido ao trabalho necessário para monitorar
um grande número de animais de forma contínua, em grandes áreas e/ou de
difícil acesso, como o Pantanal.
Os comportamentos mais comumente classificados na literatura são
pastar, ficar de pé, deitar-se e andar, entretanto, alguns trabalhos abordam
também o comportamento ruminar (DUTTA et al., 2015; GONZÁLEZ et al., 2015;
MARTISKAINEN et al., 2009). ROBERT et al. (2009) abordaram apenas os
comportamentos ficar de pé, deitar-se e andar, enquanto que MOREAU et al.
(2009), os comportamentos andar, ficar parado e pastar. HANDCOCK et al.
(2009) avaliaram comportamentos mais complexos do gado bovino, como os
dados de movimentação, a cobertura de pastagem e as relações sociais entre
os animais do rebanho.
Dos principais sensores utilizados para medir movimentação tem-se como
destaque a geotecnologia GNSS (Global Navigation Satellite System - Sistema
Global de Navegação por Satélite), utilizando o GPS. OLIVEIRA (2013) e
GODSK e KJAERGAARD (2011) utilizaram exclusivamente este dispositivo,
enquanto MOREAU et al. (2009), GONZÁLEZ et al. (2015) e DUTTA et al. (2015)
64
utilizaram GPS e acelerômetro. DIOSDADO et al. (2015), HUIRCÁN et al.
(2010), GUO et al. (2009), MARTISKAINEN et al. (2009), ROBERT et al. (2009)
e SCHEIBE e GROMANN (2006) também utilizaram sensores inerciais na
medição de movimentação animal.
Neste sentido, ferramentas de monitoramento e análise do
comportamento animal se fazem necessárias para auxiliar no manejo do
rebanho, na detecção de enfermidades, no melhoramento genético, ou na
experimentação de outros gêneros bovinos, sob a hipótese de que a adoção
desta tecnologia aceleraria a habilidade em perceber a adaptabilidade do animal
ao ambiente (ANDERSON e CIBILS, 2013).
O problema de reconhecimento de atividades bovinas foi abordado a partir
de uma perspectiva de software e a classificação foi realizada utilizando-se um
conjunto de ferramentas de aprendizagem de máquina, neste caso o Weka
Toolkit (HALL et al., 2009).
O trabalho apresenta um método para a obtenção de altas taxas de
sucesso de classificação por meio da otimização do pré-processamento dos
dados brutos de posicionamento GPS e a extração de características que
servem como entrada para o algoritmo de aprendizagem automática.
O objetivo da pesquisa foi analisar o comportamento de bovinos por meio
de monitoramento animal utilizando sensores de posicionamento GPS e
algoritmos de reconhecimento de padrões.
Material e Métodos
Durante os períodos de coletas de dados para os experimentos os animais
utilizados foram mantidos apascentados em pastagem cultivada, cerca de 52
hectares, e com suplementação mineral adequada, água à vontade, tratamento
sanitário e manejados pelos profissionais da Embrapa – Gado de Corte (Campo
Grande / MS). A área de estudo está localizada na região de planalto da bacia
do Alto Paraguai (BAP), sendo de considerável relevância, pois os problemas
ambientais da região do Pantanal, em parte, decorrem dos processos ocorridos
no planalto.
Da coleta dos dados. Cada animal monitorado foi equipado com um colar.
O colar é um dispositivo dotado de um sensor de posicionamento GPS,
65
acelerômetro, giroscópio e magnetômetro, todos de 3 eixos; um sensor de
radiação solar e um instrumento de medição de temperatura e umidade relativa
do ar. Os dados foram armazenados em um cartão de memória para posterior
recuperação manual, momento em que também era trocada a bateria do
dispositivo.
MARTISKAINEN et al. (2009) coletaram dados de 30 animais por um
período de 30 dias, enquanto DIOSDADO et al. (2015) monitoraram 6 animais
por um período de apenas 36 horas. GODSK e KJAERGAARD (2011)
monitoraram 14 vacas leiteiras no pasto por um dia. Neste trabalho, foi utilizada
uma amostra de 11 animais em 3 anos diferentes num total de 849 horas de
monitoramento.
Poucos estudos dispõem de informações detalhadas sobre os diversos
comportamentos do gado bovino, dentre os quais pode-se citar HERBEL e
NELSON (1966), ZEMO e KLEMMEDSON (1970), HALL (1989) e, em especial,
o etograma criado por KILGOUR et al. (2012).
Apesar da diversidade de comportamentos identificáveis os
comportamentos mais comuns observados foram: pastar, ficar parado, ruminar,
andar, beber água e lamber algum tipo de suplemento (KILGOUR et al., 2012).
Os três primeiros comportamentos ocupam um período entre 90% e 95% do dia
do animal. Assim, definimos os comportamentos a serem classificados: pastar,
andar, deitar-se e ficar de pé.
O analista de domínio, neste caso um veterinário, observou os animais e
anotou qual atividade o gado estava desempenhando e em qual instante isto
ocorreu. Em alguns trabalhos (GODSK e KJAERGAARD, 2011; ZHENG et al.,
2008; HANDCOCK et al., 2009; NADIMI et al., 2012), os pesquisadores
realizaram esse processo de observação utilizando caneta e papel. Neste
trabalho foi desenvolvido um software de anotação do comportamento,
denominado Ápis, para ser executado em qualquer dispositivo móvel com sensor
GPS e que execute o sistema operacional Android.
No primeiro conjunto de dados coletados, chamado de DB1, os quatro
bovinos utilizados no experimento foram escolhidos aleatoriamente a partir de
um rebanho de 38 animais. Um único animal foi utilizado por coleta. A razão para
a utilização de um único bovino em cada coleta foi baseada no desafio prático
66
de observar os animais. É importante salientar que a cada experimento, dos
quatro realizados, o animal monitorado era escolhido aleatoriamente pela ordem
de chegada no mangueiro, sem a preocupação de utilizar os mesmos animais.
Os dados foram coletados no final do mês setembro e durante todo o mês de
outubro.
As sequências de dados DB1 se resumiram a um total de 199 horas e 20
minutos de dados de posicionamentos GPS. O analista de domínio realizou a
identificação de 3.220 atividades enquanto os dados de GPS estavam sendo
coletados pelo sensor nos animais. Desta coleção de dados de identificação de
atividades, a atividade pastar foi classificada 1.641 vezes, seguido por deitar-se
com 825 observações, andar com 453 observações e, finalmente, ficar de pé,
com 300 observações.
O segundo conjunto de dados foi gerado no ano posterior ao primeiro,
definido como DB2. Dois animais da raça Caracu foram equipados com os
colares e observados em dois períodos diferentes. O primeiro aconteceu entre
os dias 14 e 28 de maio de 2015. O segundo período de coleta do conjunto DB2
ocorreu entre os dias 25 de junho e 06 de julho de 2015.
As sequências de dados DB2 se resumiram em cerca de 513 horas de
dados de posicionamento GPS. O analista de domínio realizou mais de 70 horas
de observação e a identificação de 31.991 comportamentos, sendo 13.111
pastar, 1.328 beber água, 2.678 andar, 3.685 ficar de pé descansando, 2.007
ficar de pé ruminando, 4.230 ficar deitado descansando e, 4.952 ficar deitado
ruminando.
O terceiro período de coleta, DB3, foi realizado nos dias 09 a 10 de maio
de 2017 e de 22 a 25 de junho de 2017, com 3 animais. Dificuldades na
disponibilização de recursos humanos e materiais impossibilitaram a observação
dos animais no terceiro período de coleta. As sequências de dados DB1, DB2 e
DB3 estão relacionadas na tabela 1.
67
Tabela 1. Sequências, de dados coletados, em dias e horas, sobre o
comportamento dos bovinos
Banco de dados Dados de GPS Dados de observação
No. de dias No. de horas No. de dias No. de horas
DB1 11 199 8 26
DB2 25 513 16 71
DB3 06 137
Total 42 849 24 97
Sobre a extração de atributos e classificação dos comportamentos. As
sequências de dados dos experimentos foram formadas por informações de
posicionamento GPS, nas quais os animais executavam as seguintes atividades:
pastar, deitar-se, andar ou ficar de pé.
A arquitetura do módulo de classificação do comportamento bovino foi
composta por três avaliadores com diferentes estruturas de dados de saídas,
inspirado pela pesquisa feita por ZHENG et al. (2008) e GODSK e
KJAERGAARD (2011). Os pesquisadores ZHENG et al. (2008) reconheceram
automaticamente diferentes modos de transporte humanos como caminhar,
andar de bicicleta e dirigir automóvel a partir de dados brutos de GPS. No
trabalho conduzido por GODSK e KJAERGAARD (2011), o tratamento de dados
brutos de GPS foi utilizado para reconhecer os comportamentos primários de
vacas. A suposição básica para os dois trabalhos era de que há um sistema
causal, mais ou menos constante, relacionado com o tempo que exerce
influência sobre os dados no passado e pode continuar a fazê-lo no futuro. Este
sistema causal costuma atuar criando padrões não aleatórios que podem ser
detectados em um gráfico de série temporal, em especial, mediante a utilização
de um algoritmo de reconhecimento de padrões.
Cada um dos três avaliadores recebia e produzia estruturas de dados
específicas. Cada avaliador era configurado individualmente de modo a alterar o
comportamento da extração de atributos, de modo que os melhores resultados
de reconhecimento de atividades eram obtidos.
Assim, descreveu-se os três blocos de análises: (1) Analisador de
Movimento (AM), que transforma os dados brutos de posicionamento GPS e
determina o movimento que ocorre entre duas medições sucessivas e é
68
representada por uma estrutura de dados chamada de Movement Data Structure
(MDS) (Quadro 1); (2) Analisador de Segmento (AS), que agrupa os MDS,
organizando-os em segmentos de um determinado tamanho. Todas as
informações de movimento são processadas, e como resultado de uma ampla
variedade de características extraídas, é representada na estrutura de dados
Segment Data Structure (SDS) (Quadro 2); (3) Analisador de Atividades (AA),
que usa os SDS como entrada para o algoritmo de aprendizado de máquina e
representa a atividade classificada em uma estrutura de dados de atividades
chamada Activity Data Structure (ADS).
Quadro 1. Resumo dos atributos de um Movement Data Structure (MDS)
Identificação do
atributo
Descrição do atributo Descrição dos possíveis
valores
Tipo do movimento Uma representação discreta do
movimento executado
Direita, esquerda, para
trás, para frente, sem
movimento
Ângulo Ângulo relativo ao movimento
anterior
Dado em graus
Magnitude Distância percorrida entre duas
medições
Dado em metros
Velocidade Velocidade estimada de duas
medições em cada instante
Dada em metros por
segundo
Direção Direção absoluta do movimento Dado em graus
Aceleração Calculada com base na
velocidade estimada de duas
medições
Dada em metros por
segundo ao quadrado
[m/(s*s)]
O Analisador de Movimento (AM) pode ser controlado por meio de três
parâmetros de entrada: velocidade mínima, tamanho do histórico e angulação
limite. Cada um dos três parâmetros de entrada tem uma influência diferente no
AM: velocidade mínima - define o limite entre parado e em movimento; angulação
limite - define qual é a fronteira entre os tipos de movimentos: para frente, para
trás, esquerda, direita ou parado e, finalmente, o tamanho do histórico é o
69
número de movimentos anteriores utilizados no filtro bayesiano para decidir se
existe movimento entre dois pontos adjacentes na série temporal.
No trabalho de GODSK e KJAERGAARD (2011), a seleção dos valores
dos parâmetros de entrada do AM foi baseada na intuição e experiência de
observar o comportamento bovino. Assim, a velocidade mínima foi fixada em 0,3
m/s, o comprimento do histórico (número de pontos de GPS) foi fixado em 4 e a
angulação limite foi definida em 40 graus pelo mesmo motivo (GODSK e
KJAERGAARD, 2011).
Neste trabalho, no entanto, foram variados os valores para velocidade
mínima, comprimento do histórico e angulação limite afim de,
experimentalmente, encontrar valores adequados para os parâmetros de
entrada que maximizavam a taxa de acerto do algoritmo de classificação.
O Analisador de Segmento (AS) calcula os valores de quarenta e seis
atributos diferentes, representados no Segment Data Structure (SDS) - conjunto
de MDS’s. Como muitas destas características tendem a ser variantes de outras,
elas são agrupadas para maior clareza e listadas no Quadro 2. O critério para a
criação do SDS é personalizado por meio do parâmetro de estratégia de
segmentação. Por esta estratégia, pode-se variar o tamanho do segmento com
o propósito de maximizar a taxa de acerto do algoritmo de classificação.
Quadro 2. Resumo das 46 características geradas pelo analisador de
segmentos, agrupadas em 13 atributos
Parâmetro Atributo
Tipo do
movimento
- Distribuição (% para frente, para trás, direita e esquerda)
- Taxa de alteração entre movimento e sem movimento
- Taxa de alteração entre qualquer tipo de movimento
Direção - Acumulado de alterações (para frente, para trás, direita e
esquerda)
- Taxa de alteração (para frente, para trás, direita e esquerda)
- Alteração máxima (para frente, para trás, direita e esquerda)
Velocidade - Maior, menor e média
Aceleração - Maior e menor
- Média e acumulada (ambas positivas e negativas)
- Alterações entre positiva e negativa
70
Distância - Acumulada para movimento e sem movimento
- Maior distância de movimento e sem movimento
Tempo - Acumulado para movendo e sem movimento
O Analisador de Atividades (AA) atribui a observação feita pelo analista
de domínio para cada segmento. O segmento possui a data e hora de início e
fim, obtidas por meio do satélite GPS. A observação do analista do domínio,
realizada no Ápis, na qual ele identificou qual era atividade que o animal estava
realizando, também teve registrado sua data e hora por meio do satélite GPS.
Assim, foi possível sincronizar os segmentos com a observação.
Baseados nos dados do SDS e na classificação, fornecida pelo analista
de domínio, foi possível criar um banco de dados de instâncias (exemplos)
previamente classificadas. Este banco de dados de exemplos serviu como
entrada para as técnicas de aprendizagem de máquina, e implementadas pelo
Weka Toolkit (HALL et al., 2009). Foi utilizado, mais especificamente, os
algoritmos END, ClassificationViaRegression, SMO (SVM), RandomForest, J48
e MultilayerPerceptron. O problema de reconhecimento das atividades dos
bovinos foi tratado utilizando-se um conjunto de algoritmos clássicos de
aprendizagem de máquina.
Resultados e Discussão
Baseado na metodologia experimental de GODSK e KJAERGAARD
(2011), no primeiro experimento de classificação definiu-se os parâmetros de
configuração de entrada no módulo de análise de atividades da seguinte forma:
velocidade mínima foi ajustada para 0,3 m/s, tamanho do histórico foi definido
como 4, angulação limite foi definido como 40 graus, a estratégia de
segmentação foi definida com o tamanho de segmento de 160 segundos e,
finalmente, o classificador END foi selecionado como algoritmo de aprendizado
de máquina. Ao utilizar esta configuração foi obtida uma taxa de sucesso de
83,1%. Este resultado é inferior ao obtido no trabalho de GODSK e
KJAERGAARD (2011), que apresentou uma taxa de acerto de 86,2% no seu
melhor caso.
Os parâmetros de configuração para o AA utilizando o algoritmo END
foram modificados para verificar a possibilidade de aumento da taxa de acerto.
71
A tabela 2 apresenta os parâmetros utilizados, para cada iteração do algoritmo,
que compreende a extração dos atributos e a classificação. Os parâmetros são
alterados de forma a assumir todas as possibilidades possíveis para um arranjo.
O classificador END foi utilizado em sua configuração padrão, ou seja, o software
cria 10 conjuntos diferentes de treinamento e testes baseado no conjunto
universo de exemplos para cada iteração.
Tabela 2. Parâmetros e valores organizados que foram utilizados em arranjo no
módulo de reconhecimento de atividades
Parâmetros Mínimo Máximo Passo
Analisador de movimentos (MA):
Velocidade mínima [m/s]
Angulação limite [graus]
Tamanho do histórico
0,1
10
1
0,5
50
10
0,1
10
1
Analisador de segmentos (SA):
Tamanho do segmento [segundos] 30
180 10
A técnica utilizada tem foco na organização dos dados para obtenção de
uma alta taxa de acertos. Assim, combinando os parâmetros, foram obtidas
4.000 formas diferentes de organização dos dados de entrada. O algoritmo END
foi executado para as 4.000 iterações diferentes, e a melhor taxa de acerto
(acurácia) obtida foi de 84,7%, com tamanho de segmento igual a 180 segundos,
para qualquer valor das variáveis: velocidade mínima, angulação limite e
tamanho do histórico.
Foram testados outros algoritmos de aprendizagem de máquina
fornecidos pelo Weka Toolkit. Na tabela 3 são apresentados os resultados
obtidos desses testes, tendo definidos os parâmetros de entrada como indicado
na melhor classificação. O algoritmo Random Forest obteve o melhor
desempenho em termos de taxa de instâncias classificadas corretamente
(Tabela 3). Apesar do algoritmo END não possuir a melhor taxa de acertos ele
será utilizado para fins de comparação com o trabalho de GODSK e
KJAERGAARD (2011).
72
Tabela 3. Comparação da taxa de acerto (acurácia) entre algoritmos de
classificação
Algoritmo de Aprendizagem de
máquina
Taxa de
acerto na
classificação
Tempo decorrido
para classificar
as instâncias
END 84,7 % 21 segundos
ClassificationViaRegression 80,9 % 43 segundos
SMO (SVM) 62,3 % 21 segundos
RandomForest 86,1 % 44 segundos
J48 82,2 % 46 segundos
MultilayerPerceptron 72,1 % 477 segundos
Ao avaliar os resultados das classificações, combinando os parâmetros
de configuração do analisador de atividades, verificou-se que o tamanho do
segmento impacta de forma logarítmica na taxa de acertos para classificação de
cada conjunto de instâncias (Figura 1). Quanto maior o tamanho do segmento
maior a variabilidade do conjunto, elevando a taxa de acertos. Isso confirma a
hipótese de que com mais dados sobre a movimentação é possível obter um
maior entendimento sobre as atividades realizadas, no entanto, a tendência
logarítmica indica que esta tese possui um limite superior. Isto é verificado pela
linha de tendência do gráfico na figura 1.
Figura 1. Gráfico da taxa de acertos em função do tamanho do segmento
utilizando o algoritmo END. As instâncias (exemplos) classificadas estão
agrupadas em função do tamanho do segmento.
60
65
70
75
80
85
90
20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190
Taxa de acertos (%
)
Tamanho do segmento (segundos)
Conjunto de instâncias Logarítmica (Conjunto de instâncias)
73
No trabalho de GODSK e KJAERGAARD (2011), a seleção dos valores
dos parâmetros de entrada do AA foi baseada na intuição e experiência de
observar o comportamento bovino. No entanto, ao variar os valores das variáveis
propostas pelo autor, foi verificado que as instâncias classificadas estão
agrupadas em função do tamanho do segmento. Portanto, as variáveis utilizadas
na configuração do pré-processamento, velocidade mínima, angulação limite e
tamanho do histórico, não influenciavam significativamente na taxa de acertos,
ou ainda, é possível dizer que possuíam baixa taxa de correlação com a saída.
Analisando a matriz de confusão (Tabela 4) verificou-se, para o melhor
caso, que o algoritmo de classificação END concentra seu maior erro na classe
que representa a atividade ficar de pé. Lê-se, do conjunto de instâncias que
deveriam ser classificadas como ficar de pé, 19 instâncias foram classificadas
como pastar, 105 foram classificadas como ficar de pé, 8 como andar e 312 como
deitar-se. Percebe-se que o classificador obteve altas taxas de acerto para as
atividades andar com 100% e deitar-se com 93,3% de acertos. A atividade ficar
de pé contribui para o declínio da taxa média de acertos ao pontuar 70,3%.
Tabela 4. Matriz de confusão da primeira execução utilizando-se todas as
classes e o algoritmo END
Classes Pastar (a) Ficar De Pe (b) Deitar-se (c) Andar (d)
1ª. 321 54 47 23
2ª. 14 430 15 2
3ª. 19 105 312 8
4ª. 0 0 0 527
Analisando a matriz de confusão apresentada por Godsk e Kjaergaard
(2011), foi verificado que existe uma grande desproporção entre o número de
exemplos de cada classe. Essa situação faz com que os exemplos da classe
minoritária sejam classificados incorretamente. Um problema trivial de estatística
que deveria ser tratado. Para classes desbalanceadas o autor deveria utilizar
outras medidas de avaliação como: sensitividade (recall), especificidade,
precisão, medida F1 ou até mesmo análise ROC. Neste trabalho o problema das
classes desbalanceadas foi resolvido utilizando-se as técnicas de reamostragem
SMOTE + Edited Nearest Neighbor Rule (ENN) (BATISTA et al., 2004).
74
Como explanado no artigo de GODSK e KJAERGAARD (2011), para
classificar uma atividade utilizando dados de GPS, esta atividade por definição
deve influenciar no posicionamento do animal, ou seja, a atividade do animal
deve apresentar movimento para ser reconhecida. Assim, não se pode ter duas
atividades que por definição não apresentam movimento.
A informação de que o animal está realizando o comportamento pastar
tem grande relevância na classificação, pois, esta informação serve como base
para definir os locais preferenciais para alimentação, ou o tipo de pasto preferido
pelo animal, além da possibilidade de identificar os animais que passam mais
tempo comendo. Por exemplo, o animal que passa mais tempo pastando e tem
pouco ganho de peso, não traz lucro para a propriedade, ou não será um bom
candidato em um programa de melhoramento genético. No caso de um animal
ficar deitado por muito tempo, supõe-se que está sofrendo de alguma
enfermidade. Pode-se inferir este estado quando o animal passa muito tempo
sem movimento. Entretanto, ainda não se sabe quando estava de pé ou deitado.
Independente do animal estar de pé ou deitado, manter qualquer dos dois
estados por muito tempo é motivo para o produtor ou pesquisador monitorar o
animal de maneira mais detalhada.
Em outro procedimento experimental procurou-se associar as classes,
ficar de pé e deitar-se, em uma única classe, visto que, estas duas classes
apresentam como definição a ausência de movimento. Executando o algoritmo
END novamente, obteve-se uma melhor taxa de acertos de 88% com os
parâmetros com tamanho do segmento igual a 170 segundos. Comparando com
a primeira execução, que utilizou todas as classes, obteve-se melhores taxas de
acertos do algoritmo END, descritas na tabela 5.
Tabela 5. Melhores taxas de acertos de classificação das atividades do algoritmo
END em função do número de classes, quando as atividades deitado e de pé
associadas numa mesma classe
Número de Classes Taxa de acerto (%) Tamanho do segmento (s)
3 88,0% 170
4 84,7% 180
75
Ao avaliar os resultados das classificações, baseadas no algoritmo END,
com apenas 3 classes, verificou-se, pela matriz de confusão, tabela 6, que as
classes ficar de pé-deitado e a classe andar possuem uma alta taxa de acertos.
A classe pastar possui maior erro de classificação porque em certos momentos
o animal pastando em movimento e, em alguns momentos, parado.
Tabela 6. Matriz de confusão do algoritmo END a uma taxa de acertos de 88%
Classes Pastando (a) De Pe-Deitado (b) Andando (c)
1ª. 486 127 25
2ª. 80 626 5
3ª. 1 0 631
Por esta discussão conclui-se que o módulo de análise de atividades
comportamentais bovinas pode ser configurado de forma a atender às
expectativas específicas de cada pesquisador/produtor. Por exemplo, suponha
que se deseja criar um alarme para detectar um animal que está deitado por
muito tempo no pasto, pode-se configurar o módulo de análise de atividades de
modo que se tenha a melhor taxa de acertos para a classe deitado e,
consequentemente, obter-se o melhor alarme possível. Assim, o software pode
ser refinado para que atenda tais necessidades.
Conclusões
Foi apresentado um processo para identificação do comportamento
bovino utilizando dados brutos de GPS. Os animais foram observados por um
analista de domínio e seus comportamentos foram anotados por meio de um
software que confere precisão na anotação do analista de domínio e facilita o
treinamento dos algoritmos de classificação supervisionados. Para fornecer
dados para o estudo, receptores de GPS de baixo custo foram montados em
colares nos bovinos a pasto, num total de 42 dias incontínuos, ou por 849 horas
de monitoramento, enquanto eles foram observados a distância, e os seus
comportamentos registrados, num total de 97 horas e 35.211 comportamentos
anotados.
No processo de reconhecimento de padrões foi apresentado um modelo
de pré-processamento dos dados que rendeu uma maior taxa de acertos nos
76
algoritmos de classificação. A técnica consiste na extração de atributos a partir
de dados brutos de GPS e análise por meio de algoritmos de reconhecimento
padrões.
Dos algoritmos de classificação testados o que obteve o melhor
desempenho foi o algoritmo Random Forest com 86,1% de acertos contra 84,7%
do algoritmo END. Apesar do último apresentar desempenho inferior, seu tempo
de treinamento e classificação foi duas vezes menor.
Do ponto de vista do posicionamento GPS, os comportamentos ficar de
pé e deitar-se se assemelham, pois são definidos pela ausência de movimento
e, portanto, não podem ser diferenciados com eficiência. Assim em um
experimento utilizando apenas três classes (pastar, andar e ficar de pé-deitado)
foi obtida uma alta taxa de acertos na classificação de 88% com o algoritmo END.
O trabalho apresenta um método eficiente para monitorar e analisar os
comportamentos bovinos. A aplicação da metodologia ante a adição de dados
de sensores inerciais ao colar solucionará os problemas de similaridade dos
comportamentos ficar de pé e ficar deitado, além da possibilidade de reconhecer
a atividade de ruminação.
Agradecimentos
Agradecemos a Fundação de Apoio ao Desenvolvimento do Ensino,
Ciência e Tecnologia do Estado de Mato Grosso do Sul - FUNDECT.
Referências Bibliográficas
ANDERSON, R. E. D.; CIBILS, A. Spatiotemporal cattle data—a plea for protocol
standardization. Positioning, New York, v. 4, n. 1, p. 115 – 136, 2013.
BATISTA, G.; PRATI, R.; MONARD, M. A Study of the Behavior of Several
Methods for Balancing Machine Learning Training Data. SIGKDD Explorations,
The Association for Computing Machinery (ACM), New York, v. 6, n. 1, p. 20-29,
2004.
DIOSDADO, J. V.; BARKER, Z.; HODGES, H.; AMORY, J.; CROFT, D.; BELL,
N.; CODLING, E. Classification of behaviour in housed dairy cows using an
77
accelerometer based activity monitoring system. Animal Biotelemetry, New
York, v.3, n.1, p. 15, 2015.
DUTTA, R.; SMITH, D.; RAWNSLEY, R.; BISHOP-HURLEY, G.; HILLS, J.;
TIMMS, G.; HENRY, D. Dynamic cattle behavioural classification using
supervised ensemble classifiers. Computers and Electronics in Agriculture,
New York, v. 111, p. 18 – 28, 2015.
GODSK, T.; KJAERGAARD, M. B. High classification rates for continuous cow
activity recognition using low-cost gps positioning sensors and standard machine
learning techniques. In: Proceedings of the international conference on Advances
in data mining: applications and theoretical aspects, 11, 2011. Anais...
Berlin:Heidelberg, 2011. p. 174–188.
GONZÁLEZ, L.; BISHOP-HURLEY, G.; HANDCOCK, R.; CROSSMAN, C.
Behavioral classification of data from collars containing motion sensors in grazing
cattle. Computers and Electronics in Agriculture, New York, v.110, p.91–
102,2015.
GUO, Y.; POULTON, G.; CORKE, P.; BISHOP-HURLEY, G. J.; WARK, T.;
SWAIN, D. L. Using accelerometer, high sample rate gps and magnetometer data
to develop a cattle movement and behaviour model. Ecological Modelling, New
York, v. 220, n. 17, p. 2068 – 2075, 2009.
HALL, S. J. Chillingham cattle: social and maintenance behaviour in an ungulate
that breeds all year round. Animal Behaviour, New York, v. 38, n. 2, p. 215 –
225, 1989.
HALL, M.; FRANK E.; HOLMES, G.; PFAHRINGER, B; REUTEMANN, P;
WITTEN, I. H. The weka data mining software: an update. ACM SIGKDD
Explorations Newsletter, New York, v. 11, n. 1, p. 10–18, 2009.
78
HANDCOCK, R. N; SWAIN, D. L.; BISHOP-HURLEY, G. J.; PATISON, K. P.;
WARK, T.; VALENCIA, P.; CORKE, P; O'NEILL, C. J. Monitoring animal
behaviour and environmental interactions using wireless sensor networks, gps
collars and satellite remote sensing. Sensors, New York, v. 9, n. 5, p. 3586–
3603, 2009.
HERBEL, C. H.; NELSON, A. Activities of hereford and santa gertrudis cattle on
a southern new mexico range. Journal of Range Management, New York, v.
19, p. 173–176, 1966.
HUIRCÁN, J. I.; MUÑOZ, C.; YOUNG, H.; DOSSOW, L. V.; BUSTOS, J.;
VIVALLO, G.; TONEATTI, M. Zigbee-based wireless sensor network localization
for cattle monitoring in grazing fields. Computers and Electronics in
Agriculture, New York, v. 74, n. 2, p. 258 – 264, 2010.
KILGOUR, R. J.; UETAKE, K.; ISHIWATA, T.; MELVILLE, G. J. The behaviour of
beef cattle at pasture. Applied Animal Behaviour Science, New York, v. 138,
n. 1–2, p. 12 – 17, 2012.
MARTISKAINEN, P.; JÄRVINEN, M.; SKÖN, J.-P.; TIIRIKAINEN, J.;
KOLEHMAINEN, M.; MONONEN, J. Cow behaviour pattern recognition using a
three-dimensional accelerometer and support vector machines. Applied Animal
Behaviour Science, New York, v. 119, n. 1–2, p. 32 – 38, 2009.
MOREAU, M.; SIEBERT, S.; BUERKERT, A.; SCHLECHT, E. Use of a triaxial
accelerometer for automated recording and classification of goats’ grazing
behaviour. Applied Animal Behaviour Science New York, v.119, n 3–4, p.158–
170, 2009.
NADIMI, E.; JØRGENSEN, R.; BLANES-VIDAL, V.; CHRISTENSEN, S.
Monitoring and classifying animal behavior using zigbee-based mobile ad hoc
wireless sensor networks and artificial neural networks. Computers and
Electronics in Agriculture, New York, v. 82, p. 44 – 54, 2012.
79
OLIVEIRA, M. T. P. de. Análise Comportamental de Bovinos Baseada em
Trajetórias Semânticas Aplicada à Pecuária de Precisão. 2013. Campo
Grande: UFMS, 2013. 103p. Dissertação Mestrado.
ROBERT, B.; WHITE, B. J.; RENTER, D. G.; LARSON, R. L. Evaluation of
threedimensional accelerometers to monitor and classify behavior patterns in
cattle. Computers and Electronics in Agriculture, New York, v.67, n.1-2, p.80–
84, 2009.
SCHEIBE, K.; GROMANN, C. Application testing of a new three-dimensional
acceleration measuring system with wireless data transfer (WAS) for behavior
analysis. Behavior Research Methods, New York, v. 38, n. 3, p. 427–433, 2006.
ZEMO, T.; KLEMMEDSON, J. Behavior of fistulated steers on a desert grassland.
Journal of Range Management, Washington, v. 23, n. 3, p. 158–163, 1970.
ZHENG, Y.; LIU L.; WANG L.; XIE X. Learning transportation mode from raw gps
data for geographic applications on the web. In: Proceedings of the International
Conference on World Wide Web, 17, 2008, New York. Anais… New York, 2008.
p. 247–256.
80
Artigo III
Monitorando e classificação do comportamento bovino usando dados de
sensores inerciais e GPS.
Leandro de Jesus
Resumo
Detectar rapidamente animais que precisam de atenção extra devido a
problemas de saúde ou bem-estar são essenciais. Estas anormalidades podem
ser detectadas pelas mudanças no tempo padrão gasto pelo animal em
atividades cotidianas como, de pé, deitado, comendo, ruminando ou andando. O
objetivo desta pesquisa foi analisar o comportamento de bovinos por meio de
monitoramento animal utilizando sensores de posicionamento GPS, sensores
inerciais e algoritmos de reconhecimento de padrões. Os animais foram
observados por um analista de domínio e seus comportamentos foram anotados
por meio de um software que confere precisão e facilita o treinamento dos
algoritmos de classificação supervisionados. Os sensores, de baixo custo, foram
montados em colares e instalados em 11 bovinos no pasto, num total de 42 dias
incontínuos, enquanto esses animais foram observados à distância, e os seus
comportamentos registrados, num total de 97 horas, em que foram anotados
35.211 comportamentos. Para este conjunto de dados foi obtida uma taxa média
de acerto de 91,6% de classificação das atividades analisadas: pastando,
andando, deitado descansando, deitado ruminando, de pé descansando e de pé
ruminando.
Palavras-chave: Bovino de corte, Pecuária de precisão, Etograma,
Monitoramento animal, Bem-estar animal.
Introdução
Os sintomas de alterações de estado de saúde e bem-estar de um animal
afetam o seu comportamento. Mudanças no tempo padrão gasto pelo animal em
atividades como de pé, deitado, comendo ou andando podem indicar
anormalidades causadas por infecções, febre e estresse, social ou ambiental
(GODSK e KJAERGAARD, 2011).
81
Estes comportamentos geralmente são consistentes e previsíveis, mas
não podem ser medidos em escala devido ao trabalho necessário para monitorar
muitos animais de forma contínua.
Assim, ferramentas de monitoramento e análise do comportamento
animal se fazem necessárias para auxiliar no manejo do rebanho, na detecção
de enfermidades, no melhoramento genético, ou na experimentação de outros
gêneros bovinos, sob a hipótese de que a adoção desta tecnologia aceleraria a
habilidade em perceber a adaptabilidade do animal ao ambiente (ANDERSON e
CIBILS, 2013).
Os comportamentos mais comumente classificados na literatura são
pastando, de pé, deitado e andando, entretanto, alguns trabalhos abordam
também o comportamento ruminando (DUTTA et al., 2015; GONZÁLEZ et al.,
2015; MARTISKAINEN et al., 2009). ROBERT et al. (2009) abordou apenas os
comportamentos de pé, deitado e andando, enquanto que MOREAU et al.
(2009), os comportamentos andando, parado e pastando. HANDCOCK et al.
(2009) avaliaram comportamentos mais complexos do gado bovino, além dos
dados de movimentação, a cobertura de pastagem e as relações sociais entre
os animais do rebanho.
Dos principais sensores utilizados para medir movimentação tem-se como
destaque a tecnologia GNSS (Global Navigation Satellite System - Sistema
Global de Navegação por Satélite), utilizando o GPS. OLIVEIRA (2013) e
GODSK e KJAERGAARD (2011) utilizaram exclusivamente este dispositivo,
enquanto MOREAU et al. (2009), GONZÁLEZ et al. (2015) e DUTTA et al. (2015)
utilizaram GPS e acelerômetro. DIOSDADO et al. (2015), HUIRCÁN et al.
(2010), GUO et al. (2009), MARTISKAINEN et al. (2009), ROBERT et al. (2009)
e SCHEIBE e GROMANN (2006) também utilizaram sensores inerciais na
medição de movimentação animal.
O problema de reconhecimento de atividades bovinas foi abordado a partir
de uma perspectiva de software e a classificação foi realizada utilizando-se um
conjunto de ferramentas de aprendizagem de máquina, neste caso o Weka
Toolkit (HALL et al., 2009).
O trabalho apresenta um método para a obtenção de altas taxas de
sucesso de classificação por meio da otimização do pré-processamento dos
82
dados brutos dos sensores - GPS, acelerômetro, giroscópio e magnetômetro - e
a extração de características que servem como entrada para o algoritmo de
aprendizagem automática.
Material e Métodos
Durante os períodos de coletas de dados para os experimentos os animais
utilizados foram mantidos apascentados em pastagem cultivada, cerca de 52
hectares, e com suplementação mineral adequada, água à vontade, tratamento
sanitário e manejados pelos profissionais da Embrapa – Gado de Corte (Campo
Grande / MS)(Figura 1).
Figura 1. Mapa da área dos experimentos, Embrapa Gado de Corte, Campo
Grande, Mato Grosso do Sul.
Coleta de dados
Cada animal monitorado foi equipado com um colar. O colar é um
dispositivo dotado de um sensor de posicionamento GPS, acelerômetro,
giroscópio e magnetômetro, todos de 3 eixos; um sensor de radiação solar e um
instrumento de medição de temperatura e umidade relativa do ar. Os dados
foram armazenados em um cartão de memória para posterior recuperação
manual, momento em que também era trocada a bateria do dispositivo.
83
MARTISKAINEN et al. (2009) coletaram dados de 30 animais por um
período de 30 dias, enquanto DIOSDADO et al. (2015) monitoraram 6 animais
por um período de apenas 36 horas. GODSK e KJAERGAARD (2011)
monitoraram 14 vacas leiteiras no pasto por um dia. Neste trabalho, foi utilizada
uma amostra de 11 animais em 3 anos diferentes num total de 849 horas de
monitoramento.
Poucos estudos dispõem de informações detalhadas sobre os diversos
comportamentos do gado bovino, dentre os quais pode-se citar HERBEL e
NELSON (1966), ZEMO e KLEMMEDSON (1970), HALL (1989) e, em especial,
o etograma criado por KILGOUR et al. (2012). Pastando, parado e ruminando s
comportamentos que ocupam de 90% a 95% do dia dos bovinos (Kilgour et al.,
2012). Assim, definimos os comportamentos a serem classificados: pastando,
andando, deitado descansando, deitado ruminando, de pé descansando, de pé
ruminando e bebendo água.
O analista de domínio, neste caso um veterinário, observou os animais e
anotou qual atividade o bovino estava desempenhando e em qual instante isto
ocorreu. Em alguns trabalhos (GODSK e KJAERGAARD, 2011; ZHENG et al.,
2008; HANDCOCK et al., 2009; NADIMI et al., 2008), os pesquisadores
realizaram esse processo de observação utilizando caneta e papel. Neste
trabalho foi desenvolvido um software de anotação do comportamento,
denominado Ápis, para ser executado em qualquer dispositivo móvel com sensor
GPS e que execute o sistema operacional Android.
Além dos dados de movimentos e posicionamentos gerados pelo colar,
acoplado ao pescoço do animal, também foram registrados os tempos do satélite
GPS. Esses tempos registrados nos dois dispositivos foram os elos que unem
as observações do analista e os dados de posicionamento gerados pelo colar.
Assim, o trabalho do analista é facilitado, pois suas ações consistem apenas em
olhar para o animal e clicar no botão que representa a atividade que está sendo
observada.
No primeiro conjunto de dados coletados, chamado de DB1, os quatro
bovinos utilizados no experimento foram escolhidos aleatoriamente a partir de
um rebanho de 38 animais. Um único animal foi utilizado por coleta. A razão para
a utilização de um único bovino em cada coleta foi baseada no desafio prático
84
de observar os animais. É importante salientar que a cada experimento, dos
quatro realizados, o animal monitorado era escolhido aleatoriamente pela ordem
de chegada no mangueiro. Os dados foram coletados no final do mês setembro
e durante todo o mês de outubro.
As sequências de dados DB1 se resumiram a um total de 199 horas e 20
minutos de dados de posicionamentos GPS. O analista de domínio realizou a
identificação de 3.220 atividades enquanto os dados de GPS estavam sendo
coletados pelo sensor nos animais. Desta coleção de dados de identificação de
atividades, a atividade pastando foi classificada 1.641 vezes, seguido por deitado
com 825 observações, andando com 453 observações e, finalmente, de pé, com
300 observações.
O segundo conjunto de dados foi gerado no ano posterior ao primeiro,
definido como DB2. Dois animais foram equipados com os colares e observados
em dois períodos diferentes. O primeiro aconteceu entre os dias 14 e 28 de maio
de 2015. O segundo período de coleta do conjunto DB2 ocorreu entre os dias
25 de junho e 06 de julho de 2015.
As sequências de dados DB2 se resumiram em cerca de 513 horas de
dados de posicionamento GPS. O analista de domínio realizou mais de 70 horas
de observação e a identificação de 31.991 comportamentos, sendo 13.111
pastando, 1.328 bebendo água, 2.678 andando, 3.685 de pé descansando,
2.007 de pé ruminando, 4.230 deitado descansando e, 4.952 deitado ruminando.
O terceiro período de coleta, DB3, foi realizado nos dias 09 à 10 de maio
de 2017 e de 22 à 25 de junho de 2017, com 3 animais. As sequências de dados
DB1, DB2 e DB3 estão relacionadas na tabela 1.
Tabela 1. Sequências de dados coletados, em dias e horas, sobre o
comportamento dos bovinos
Banco de dados Dados de monitoramento Dados de observação
No. de
dias
No, de
horas
No. de
dias
No. de horas
DB1 11 199 8 26
DB2 25 513 16 71
DB3 06 137
Total 42 849 24 97
85
Os observadores, especialistas de domínios, foram posicionados em
pontos estáticos para observarem os animais à distância. Com tais
posicionamentos, foi inevitável, em algum sentido, a perturbação dos animais, já
que os pontos de observação tinham que oferecer visadas aos animais, para
garantir o contato visual sobre os mesmos em todos os momentos. Portanto, se
um bovino parasse e olhasse para um observador por algum tempo, a sequência
era simplesmente anotada como realizando a atividade de pé.
Extração de atributos e classificação dos comportamentos
As sequências de dados utilizadas nos experimentos foram formadas por
informações de posicionamento GPS e por dados dos sensores inerciais,
acelerômetro, giroscópio e magnetômetro, nas quais os animais executavam as
seguintes atividades: pastando, deitado descansando, deitado ruminando,
andando, de pé descansando, de pé ruminando ou bebendo água.
A arquitetura do módulo de classificação do comportamento bovino foi
inspirada pela pesquisa feita por ZHENG et al. (2008) e GODSK e
KJAERGAARD (2011). Os pesquisadores ZHENG et al. (2008) reconheceram
automaticamente diferentes modos de transporte humanos como caminhar,
andar de bicicleta e dirigir automóvel a partir de dados brutos de GPS. No
trabalho conduzido por GODSK e KJAERGAARD (2011), o tratamento de dados
brutos de GPS foi utilizado para reconhecer os comportamentos primários de
vacas.
Assim, foi definido dois blocos de análises: (1) Analisador de Movimento
GPS (AMGPS), que transforma os dados brutos de posicionamento GPS,
determina o movimento que ocorre entre duas medições sucessivas e produz
uma estrutura de dados de saída; (2) Analisador de Movimento Inercial (AMI),
que calcula o módulo da diferença entre duas medições sucessivas dos sensores
acelerômetro, giroscópio e acelerômetro. Os atributos gerados pelos
analisadores estão listados no Quadro 1.
86
Quadro 1. Resumo dos atributos gerados pelos analisadores a partir dos dados
de monitoramento
Identificação do
atributo
Descrição do atributo Descrição dos possíveis
valores
Tipo do
movimento
Uma representação discreta do
movimento executado
Direita, esquerda, para trás,
para frente, sem movimento
Ângulo Ângulo relativo ao movimento
anterior
Dado em graus
Magnitude Distância percorrida entre duas
medições
Dado em metros
Velocidade Velocidade estimada de duas
medições em cada instante
Dada em metros por
segundo
Direção Direção absoluta do movimento Dado em graus
Aceleração Calculada com base na velocidade
estimada de duas medições
Dada em metros por
segundo ao quadrado
[m/(s*s)]
Radiação
Hora Hora do dia De 1 a 24.
deltaAx Módulo da diferença da aceleração
no eixo x
Dada em metros por
segundo ao quadrado
[m/(s*s)]
deltaAy Módulo da diferença da aceleração
no eixo y
Dada em metros por
segundo ao quadrado
[m/(s*s)]
deltaAz Módulo da diferença da aceleração
no eixo z
Dada em metros por
segundo ao quadrado
[m/(s*s)]
deltaGx Módulo da diferença da direção no
eixo x
Dado em graus
deltaGy Módulo da diferença da direção no
eixo y
Dado em graus
deltaGz Módulo da diferença da direção no
eixo z
Dado em graus
deltaMx Módulo da diferença da intensidade
do campo magnético no eixo x
Dado em micro Tesla (uT)
87
deltaMy Módulo da diferença da intensidade
do campo magnético no eixo y
Dado em micro Tesla (uT)
deltaMz Módulo da diferença da intensidade
do campo magnético no eixo z
Dado em micro Tesla (uT)
O módulo da diferença entre duas medições dos sensores inerciais é
utilizado para evitar problemas de análise dos diferentes posicionamentos que o
colar pode assumir no pescoço do animal. Do contrário, seria necessário prender
o colar de forma que os sensores mantivessem o posicionamento em relação ao
pescoço durante todo o experimento (Figura 1).
Figura 1. Diferentes posicionamentos que o colar pode assumir em relação ao
pescoço do animal. Destaque para as posições dos eixos do sensor
acelerômetro.
Por fim, para cada instância (exemplo), representada pelos atributos do
Quadro 1, é associada uma observação feita pelo analista de domínio. A
instância possui data e hora de início e fim, obtidas por meio do satélite GPS. A
observação executada pelo analista do domínio, na qual ele identificou qual era
atividade que o animal estava realizando, também teve registrado sua data e
hora por meio do satélite GPS. Assim, foi possível sincronizar os segmentos com
a observação.
Baseado nos atributos e na anotação, fornecida pelo analista de domínio,
foi possível criar um banco de dados de instâncias previamente classificadas.
Este banco de dados de exemplos serviu como entrada para as técnicas de
88
aprendizagem de máquina, e implementadas pelo Weka Toolkit. Foi utilizado,
mais especificamente, os algoritmos END, Classification Via Regression, SMO
(SVM), Random Forest, J48 e Multilayer Perceptron. O problema de
reconhecimento automático das atividades dos bovinos foi tratado utilizando-se
um conjunto de algoritmos clássicos de aprendizagem de máquina.
Resultados e Discussão
Analisando as matrizes de confusão apresentadas nos trabalhos de
GODSK e KJAERGAARD (2011), MARTISKAINEN et al. (2009) e GONZÁLEZ
et al. (2015) foi verificado que existe uma grande desproporção entre o número
de instâncias de cada classe. Essa situação faz com que os exemplos da classe
minoritária sejam classificados incorretamente. Um problema trivial de estatística
que deveria ser tratado.
Para o problema da classificação com classes desbalanceadas os autores
não deveriam avaliar as acurácias dos modelos, devendo focar a análise em
outras medidas, como: sensibilidade (recall), especificidade, precisão, medida
F1 ou até mesmo análise ROC. Neste trabalho o problema das classes
desbalanceadas foi resolvido utilizando-se as técnicas de reamostragem
SMOTE + Edited Nearest Neighbor Rule (ENN) (BATISTA et al., 2014).
O banco de dados de exemplos balanceado tem 26985 instâncias
classificadas pelo analista de domínio. Existem ainda, outras 1589836 instâncias
que não possuem classificação pois são originadas do monitoramento dos
bovinos em momentos que o analista de domínio não estava em campo.
No primeiro experimento, utilizando as instâncias classificadas, foram
testados alguns algoritmos de aprendizagem de máquina fornecidos pelo Weka
Toolkit. Na tabela 2 são apresentados os resultados obtidos destes testes, com
o algoritmo Random Forest obtendo o melhor desempenho em termos de taxa
de instâncias classificadas corretamente. O alto índice Kappa de 0,9030 indica
que o resultado da classificação está muito próximo da concordância perfeita.
Para selecionar os algoritmos com melhor desempenho, foi avaliado a
acurácia da classificação do modelo, utilizando o método cross-validation com
10 folds. Neste método o conjunto de dados é dividido em 10 partes de tamanhos
aproximados, nos quais 9 partes são utilizadas como conjunto de treinamento e
89
a parte restante como conjunto de teste. O processo repete-se 10 vezes, até que
todos os folds sejam utilizados como conjunto de teste.
Tabela 2. Comparação da taxa de acerto (acurácia) entre algoritmos de
classificação
Algoritmo de Aprendizagem de
máquina
Taxa de acerto na
classificação
Kappa statistic
END 90,2 % 0,8867
ClassificationViaRegression 82,7 % 0,7983
SMO (SVM) 47,1 % 0,3833
RandomForest 91,6 % 0,9030
J48 84.9 % 0,8248
MultilayerPerceptron 61,1 % 0.5467
Na avaliação do modelo utilizando o algoritmo Random Forest o
classificador apresentou acurácia média de 91,6%. Em um universo de 26985
instâncias, 24742 foram classificadas corretamente e 2243 incorretamente. Na
tabela 3, observa-se que a classe com a menor acurácia é a do comportamento
em pé descansando, com 84,3%. As classes que representam a ruminação,
deitado ruminando e em pé ruminando, marcaram 90% e 93,2%,
respectivamente. Destaque para a classificação das classes andando e bebendo
água que apresentaram acurácia de 98,3% e 98,7%.
Tabela 3. Precisão detalhada por classe utilizando o classificador Random
Forest
Classe TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area
Pastando/Procurando 0,899 0,022 0,87 0,899 0,884 0,865 0,989 0,941
EmPe-Descansando 0,843 0,014 0,912 0,843 0,876 0,857 0,985 0,947
Andando 0,983 0,011 0,94 0,983 0,961 0,954 0,999 0,993
BebendoAgua 0,987 0,005 0,972 0,987 0,979 0,976 0,999 0,997
Deitado-Descansando 0,875 0,012 0,924 0,875 0,898 0,883 0,988 0,955
Deitado-Ruminando 0,9 0,021 0,876 0,9 0,888 0,869 0,99 0,959
EmPe-Ruminando 0,932 0,012 0,927 0,932 0,929 0,918 0,994 0,981
Média ponderada 0,917 0,014 0,917 0,917 0,917 0,903 0,992 0,968
TP Rate - verdadeiros positivos: número de exemplos preditos positivos que são realmente positivos;
90
FP Rate - falsos positivos: número de exemplos preditos positivos que são realmente negativos; Precision - fração daqueles preditos positivos que realmente são verdadeiros: TP / predito para a classe; Recall - Recall is the TP rate (also referred to as sensitivity); F-Measure - Is the harmonic mean of precision and recall: 2*( Precision* Recall)/( Precision+Recall); MCC - Um coeficiente de correlação entre as classificações observadas e previstas: Matthews correlation coeficiente; ROC Area - A plot of true positive fraction (= sensitivity) vs. false positive fraction (= 1 – specificity) for all potential cut-offs for a test; PRC Area - A plot of true positive fraction Precision vs. Recall;
Na tabela 4 é apresentada a matriz de confusão do modelo criado com o
algoritmo Random Forest, mostrando detalhes do número de instâncias
classificadas corretamente e incorretamente em cada classe. Analisando a
classe EmPe-Descansando, que possui menor acurácia, observa-se que 215
instâncias foram classificadas incorretamente como Pastando/Procurando. Do
total de exemplos incorretamente classificados para esta classe, 35,4% foram
classificados como Pastando/Procurando e 18,7% Deitado-Descansando.
Tabela 4. Matriz de confusão utilizando o classificador RandomForest
classified as a b c d e f g
a = Pastando/Procurando 3467 126 212 5 2 19 24
b = EmPe-Descansando 215 3248 21 63 114 98 96
c = Andando 59 4 3788 3 0 0 1
d = BebendoAgua 17 13 2 3806 5 8 4
e = Deitado-Descansando 112 59 3 20 3372 243 46
f = Deitado-Ruminando 89 41 1 10 133 3469 112
g = EmPe-Ruminando 28 71 4 10 25 125 3592
Analisando ainda a tabela 4, verifica-se que os maiores erros nas classes
Deitado-Descansando e Deitado-Ruminando são recíprocos. Assim, deve-se
considerar nestes resultados os erros das observações em campo, pois um dos
problemas identificados, na observação dos comportamentos, foi diferenciar os
momentos em que o animal estava descansando ou ruminando, pois,
dependendo da posição que ele estava, não era possível identificar se havia
movimento de mastigação, característica que identifica o comportamento
ruminando.
91
Outra observação é quanto ao movimento que caracteriza o
comportamento ruminando. A variação da posição do pescoço do animal
comparado ao comportamento descansando é pequena podendo dificultar a
distinção dos dois comportamentos.
O comportamento bebendo água obteve uma ótima acurácia média de
98,7%. Este comportamento é caracterizado pela cabeça baixa do animal e pela
ausência de movimento, características similares que o comportamento
Pastando/Procurando pode assumir. Observa-se na matriz de confusão do
modelo, tabela 4, que a maior taxa de erro da classificação do comportamento é
com a classe Pastando/Procurando (17 registros).
Uma característica que diferencia o comportamento bebendo água dos
demais é a localização do animal no momento em que o comportamento
acontece, considerando a posição fixa dos bebedouros na área de pastagem. O
GPS coleta as coordenadas geográficas (latitude e longitude) do animal que
podem ser utilizadas para validar o comportamento bebendo água.
No entanto, não utilizamos essa abordagem, porque a utilização das
coordenadas geográficas na classificação apresenta um problema, o modelo fica
restrito a dados coletados na mesma área dos dados utilizados na construção
do modelo, ou seja, ele não pode ser generalizado para dados coletados em
outras áreas.
Comparação dos resultados com outros trabalhos
Os resultados dos comparativos apresentados, tabela 5, servem apenas
como base para indicar os valores obtidos neste trabalho e os apresentados por
outros. Considerando que os conjuntos de testes são diferentes, assim como o
número de animais e o tempo de observação, não é justo afirmar que os
resultados de um ou outro são melhores. Além disso, nenhum dos trabalhos do
comparativo realizou a diferenciação das posições da ruminação, em pé ou
deitado.
O trabalho de MARTISKAINEN et al. (2009) classificou comportamentos,
utilizando o algoritmo SVM e um conjunto de dados com 11.693 registros obtidos
de colares com acelerômetro triaxial de 30 vacas, mas, apenas 3508 registros
rotulados pelo analista de domínio. Os resultados apresentados pelos autores
92
são de uma bateria de testes realizada com 1.000 instâncias. Para efeito de
comparativo, as classes deste trabalho, em pé-ruminando e deitado-ruminando
foram agrupadas na classe ruminando e um novo modelo foi construído e
validado.
NADIMI et al. (2012) também utilizou um acelerômetro preso em um colar.
O conjunto de dados utilizado possuía 1.782.000 registros do acelerômetro. O
modelo de classificação foi construído com um algoritmo de Rede Neural Artificial
utilizando 75% dos registros, enquanto os outros 25% foram utilizados na
validação. Comparando a acurácia da classificação de cada classe, apresentada
por NADIMI et al. (2012), com as obtidas neste trabalho, constata-se que todas
elas tiveram melhor resultado no modelo aqui proposto.
O resultado é similar ao trabalho de GODSK e KJAERGAARD (2011) para
as classes pastando/procurando e andando. Porém, o uso exclusivo do sensor
GPS gerou dificuldade para diferenciar atividades que possuem como definição
a ausência de movimento, em pé e deitado, prejudicando a acurácia no modelo
proposto pelos autores.
No trabalho de DUTTA et al. (2015) foram utilizados sensores similares
aos desta pesquisa (GPS + acelerômetro). O trabalho monitorou 24 vacas e
obteve um conjunto de dados com 19.603 registros, dos quais 50% foram
utilizados para treinar o modelo e os outros 50% para validá-lo, utilizando o
algoritmo Bagging com um treinador baseado em árvore de decisão. O trabalho
não diferenciou os momentos que o animal estava em pé e deitado, apenas
distinguindo os momentos que o animal estava descansando e ruminando, além
dos momentos que estava andando e pastando.
Para possibilitar a comparação dos resultados, agrupou-se as classes Em
Pé-Descansando e Deitado-Descansando na categoria Descansando e as
classes Em Pé-Ruminando e Deitado-Ruminando na categoria Ruminando, e um
novo modelo foi construído e validado, com o algoritmo Random Forest e o
método cross-validation. A acurácia média obtida foi de 92,8%, enquanto DUTTA
et al. (2015) obteve 96%.
O trabalho de DUTTA et al. (2015) só não obteve melhor resultado na
classe Pastando e Andando. Uma diferença na técnica utilizada pelos autores foi
analisar os dados em segmentos agrupados de 5 segundos, enquanto neste
93
trabalho os dados foram analisados pontualmente, ou seja, apenas o momento
em que haviam anotações do comportamento no software para observação.
Além disso, eles capturaram os dados em frequência diferente, 4 Hz o GPS e 10
Hz o acelerômetro, enquanto que neste trabalho os sensores estavam
configurados na frequência de 1 Hz.
O trabalho de GONZÁLEZ et al. (2015) também utilizou os dados
capturados por um GPS e um acelerômetro, configurados na mesma frequência
de DUTTA et al. (2015), agrupados em segmentos de 10 segundos e divididos
em dois subconjuntos. O algoritmo de classificação foi desenvolvido baseado em
árvore de decisão e os dados foram divididos em dois subconjuntos advindos de
locais diferentes.
Tabela 5. Comparativo dos resultados obtidos com trabalhos relacionados. Em
vermelho a acurácia obtida nesta pesquisa
Classes Martiskainen
et al. (2009)
Nadimi
et al.
(2012)
Godsk e
Kjaergaard
(2011)
Dutta et al.
(2015)
González et
al. (2015) A
González et
al. (2015) B
Pastando 81% /
91,7%
83,8%
/
91,5%
90,0% /
91,5%
93% / 93,8% 93,7% /
93,8%
98,4% /
93,8%
Andando 79% /
99,0%
73,8%
/
99,0%
100% /
99,0%
97% / 99,4% 83,8% /
99,4%
27,7% /
99,4%
Em Pé 65% /
87,5%
71,8%
/
90,0%
75,8% /
90,0%
92% / 85,8%
Descansando
60,7% /
85,8%
Descansando
86,3% /
85,8%
Descansando Deitado 83% /
89,9%
83,2%
/
93,9%
76,5% /
93,9%
Ruminando 86% /
90,9%
97% / 92,4% 96,9% /
92,4%
87,3% /
92,4%
94
Conclusões
Foi apresentado um processo para identificação do comportamento
bovino utilizando dados brutos sensores de GPS, acelerômetro, giroscópio e
magnetômetro. Os animais foram observados por um analista de domínio e seus
comportamentos foram anotados por meio de um software que confere precisão
na anotação do analista de domínio e facilita o treinamento dos algoritmos de
classificação supervisionados.
Para fornecer dados para o estudo, os dispositivos sensores foram
montados nos bovinos no pasto, num total de 42 dias incontínuos, ou por 849
horas de monitoramento, enquanto eles foram observados a distância, e os seus
comportamentos registrados, num total de 97 horas e 35.211 comportamentos
anotados.
A adição de dados de sensores inerciais ao colar foi crucial para resolver
os problemas de similaridade dos comportamentos de pé e deitado, além de
prover a possibilidade de reconhecer a atividade de ruminação.
Dos algoritmos de classificação testados o que obteve o melhor
desempenho foi o algoritmo Random Forest com 91,6% de acertos identificando
7 classes: pastando, deitado descansando, deitado ruminando, andando, de pé
descansando, de pé ruminando ou bebendo água. Por fim, os resultados foram
comparados a outros trabalhos relacionados que utilizaram dados de GPS e
sensores inerciais. Os resultados das classificações aqui obtidos, em geral, são
mais robustos que os trabalhos avaliados, visto que, nesta abordagem é
classificado automaticamente um número maior de comportamentos.
Agradecimentos
Agradecemos a Fundação de Apoio ao Desenvolvimento do Ensino,
Ciência e Tecnologia do Estado de Mato Grosso do Sul - FUNDECT.
Referências Bibliográficas
ANDERSON, R. E. D.; CIBILS, A. Spatiotemporal cattle data—a plea for protocol
standardization. Positioning, New York, v. 4, n. 1, p. 115 – 136, 2013.
95
BATISTA, G.; Prati, R.; MONARD, M. A Study of the Behavior of Several Methods
for Balancing Machine Learning Training Data. SIGKDD Explorations, The
Association for Computing Machinery (ACM), New York, v. 6, n. 1, p. 20-29, 2004.
DIOSDADO, J. V.; BARKER, Z.; HODGES, H.; AMORY, J.; CROFT, D.; BELL,
N.; CODLING, E. Classification of behaviour in housed dairy cows using an
accelerometerbased activity monitoring system. Animal Biotelemetry, New
York, v. 3, n. 1, p. 15, 2015.
DUTTA, R.; SMITH, D.; RAWNSLEY, R.; BISHOP-HURLEY, G.; HILLS, J.;
TIMMS, G.; HENRY, D. Dynamic cattle behavioural classification using
supervised ensemble classifiers. Computers and Electronics in Agriculture,
New York, v. 111, p. 18 – 28, 2015.
GODSK, T.; KJAERGAARD, M. B. High classification rates for continuous cow
activity recognition using low-cost gps positioning sensors and standard machine
learning techniques. In: Proceedings of the international conference on Advances
in data mining: applications and theoretical aspects, 11, 2011. Anais...
Berlin:Heidelberg, 2011. p. 174–188.
GONZÁLEZ, L.; BISHOP-HURLEY, G.; HANDCOCK, R.; CROSSMAN, C.
Behavioral classification of data from collars containing motion sensors in grazing
cattle. Computers and Electronics in Agriculture, New York, v. 110, p. 91 –
102, 2015.
GUO, Y.; POULTON, G.; CORKE, P.; BISHOP-HURLEY, G. J.; WARK, T.;
SWAIN, D. L. Using accelerometer, high sample rate gps and magnetometer data
to develop a cattle movement and behaviour model. Ecological Modelling, New
York, v. 220, n. 17, p. 2068 – 2075, 2009.
HALL, S. J. Chillingham cattle: social and maintenance behaviour in an ungulate
that breeds all year round. Animal Behaviour, New York, v. 38, n. 2, p. 215 –
225, 1989.
96
HALL, M.; FRANK E.; HOLMES, G.; PFAHRINGER, B; REUTEMANN, P;
WITTEN, I. H. The weka data mining software: an update. ACM SIGKDD
Explorations Newsletter, New York, v. 11, n. 1, p. 10–18, 2009.
HANDCOCK, R. N; SWAIN, D. L.; BISHOP-HURLEY, G. J.; PATISON, K. P.;
WARK, T.; VALENCIA, P.; CORKE, P; O'NEILL, C. J. Monitoring animal
behaviour and environmental interactions using wireless sensor networks, gps
collars and satellite remote sensing. Sensors, New York, v. 9, n. 5, p. 3586–
3603, 2009.
HERBEL, C. H.; NELSON, A. Activities of hereford and santa gertrudis cattle on
a southern new mexico range. Journal of Range Management, New York, v.
19, p. 173–176, 1966.
HUIRCÁN, J. I.; MUÑOZ, C.; YOUNG, H.; DOSSOW, L. V.; BUSTOS, J.;
VIVALLO, G.; TONEATTI, M. Zigbee-based wireless sensor network localization
for cattle monitoring in grazing fields. Computers and Electronics in
Agriculture, New York, v. 74, n. 2, p. 258 – 264, 2010.
INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, A. C. C. B.
Agricultura de Precisão - Um Novo Olhar. 1ed. São Carlos-SP: Embrapa
Instrumentação, 2011. 102p.
KILGOUR, R. J.; UETAKE, K.; ISHIWATA, T.; Melville, G. J. The behaviour of
beef cattle at pasture. Applied Animal Behaviour Science, New York, v. 138,
n. 1–2, p. 12 – 17, 2012.
MARTISKAINEN, P.; JÄRVINEN, M.; SKÖN, J.-P.; TIIRIKAINEN, J.;
KOLEHMAINEN, M.; MONONEN, J. Cow behaviour pattern recognition using a
three-dimensional accelerometer and support vector machines. Applied Animal
Behaviour Science, New York, v. 119, n. 1–2, p. 32 – 38, 2009.
97
MOREAU, M.; SIEBERT, S.; BUERKERT, A.; SCHLECHT, E. Use of a triaxial
accelerometer for automated recording and classification of goats’ grazing
behaviour. Applied Animal Behaviour Science, New York, v. 119, n. 3–4, p.
158 – 170, 2009.
NADIMI, E.; JØRGENSEN, R.; BLANES-VIDAL, V.; CHRISTENSEN, S.
Monitoring and classifying animal behavior using zigbee-based mobile ad hoc
wireless sensor networks and artificial neural networks. Computers and
Electronics in Agriculture, New York, v. 82, p. 44 – 54, 2012.
OLIVEIRA, M. T. P. de. Análise Comportamental de Bovinos Baseada em
Trajetórias Semânticas Aplicada à Pecuária de Precisão. 2013. Campo
Grande: UFMS, 2013. 103p. Dissertação Mestrado.
ROBERT, B.; WHITE, B. J.; RENTER, D. G.; LARSON, R. L. Evaluation of
threedimensional accelerometers to monitor and classify behavior patterns in
cattle. Computers and Electronics in Agriculture, New York, v. 67, n. 1-2, p.
80–84, 2009.
SCHEIBE, K.; GROMANN, C. Application testing of a new three-dimensional
acceleration measuring system with wireless data transfer (WAS) for behavior
analysis. Behavior Research Methods, New York, v. 38, n. 3, p. 427–433, 2006.
ZEMO, T.; KLEMMEDSON, J. Behavior of fistulated steers on a desert grassland.
Journal of Range Management, Washington, v. 23, n. 3, p. 158–163, 1970.
ZHENG, Y.; LIU L.; WANG L.; XIE X. Learning transportation mode from raw gps
data for geographic applications on the web. In: Proceedings of the International
Conference on World Wide Web, 17, 2008, New York. Anais… New York, 2008.
p. 247–256.
98
Artigo IV
Comportamento bovino e fatores ambientais: um método automático pela
utilização de sensores e inteligência artificial.
Leandro de Jesus
Resumo
O comportamento natural dos bovinos pode ser interpretado como sendo
as reações do indivíduo frente as condições do meio onde está inserido, sendo
este processo dinâmico e essencial para satisfazer as necessidades fisiológicas
e o seu bem-estar. Todavia, identificar o que é comportamento normal, mesmo
em níveis mais baixos de abstração, não é uma tarefa trivial quando executada
em grande escala, devido ao trabalho necessário para monitorar muitos animais
de forma contínua. Assim, o objetivo deste trabalho foi desenvolver uma
metodologia para obtenção automática de etogramas em bovinos e um método
de análise dos comportamentos dos animais baseados em variáveis ambientais,
por de meio técnicas de inteligência artificial (IA) e de análises de medidas de
associações estatísticas. A comparação dos resultados com a literatura confirma
a eficiência do método utilizando classificação automática dos comportamentos.
A pesquisa apresentou uma base promissora de desenvolvimento e uso de
ferramentas computacionais de monitoramento e análise do comportamento
animal.
Palavras-chave: Bovino de corte, Pecuária de precisão, Etogramas,
Monitoramento animal, Bem-estar, Reconhecimento automático.
Introdução
Alterações de estado de saúde e bem-estar de um animal afetam o seu
comportamento. Desse modo, a observação da conduta comportamental pode
indicar anormalidades causadas por infecções, febre e estresse, social ou
ambiental (YEATES, 2017; GODSK e KJAERGAARD, 2011).
Poucos estudos dispõem de informações detalhadas sobre os diversos
comportamentos do gado bovino, dentre os quais pode-se citar HERBEL e
NELSON (1966), ZEMO e KLEMMEDSON (1970), HALL (1989) e, em especial,
o etograma (inventário de comportamentos usados pela etologia) descrito por
99
KILGOUR et al. (2012) para bovinos em pastoreio, onde os autores relataram
que durante a maior parte do dia (90 a 95%) os bovinos ficam pastando,
ruminando ou em ócio.
Tipicamente, o comportamento natural dos bovinos no rebanho pode
divergir de um animal para outro. No entanto, as maneiras como são realizadas
suas atividades (caminhar, manter-se deitado, estar em pé, comer/buscar
alimento ou ruminar) são similares. Ainda assim, mesmo identificáveis, os
comportamentos mais básicos não podem ser medidos em grande escala,
devido ao trabalho dispendioso necessário para monitorar muitos animais de
forma contínua (GODSK e KJAERGAARD (2011). Diferentes estudos de
comportamento usando essa metodologia com anotação das observações em
papel foram relatados na literatura (GODSK e KJAERGAARD, 2011; ZHENG et
al., 2008; HANDCOCK et al., 2009; NADIMI et al., 2008).
Os comportamentos mais comumente classificados na literatura são:
pastando, em pé, deitado, andando (ROBERT et al., 2009; MOREAU et al., 2009)
e ruminando (DUTTA et al., 2015; GONZÁLEZ et al., 2015; MARTISKAINEN et
al., 2009)). HANDCOCK et al. (2009) avaliaram a movimentação de bovinos e as
relações sociais entre os animais do rebanho por meio de um método automático
e de tempo real com alta capacidade espacial e temporal.
Dos principais sensores utilizados para medir a movimentação dos
animais teve-se como destaque a tecnologia GNSS (Global Navigation Satellite
System - Sistema Global de Navegação por Satélite), utilizando o GPS.
OLIVEIRA (2013) e GODSK e KJAERGAARD (2011) utilizaram exclusivamente
este dispositivo para classificar o comportamento dos bovinos, enquanto
MOREAU et al. (2009), GONZÁLEZ et al. (2015) e DUTTA et al. (2015) utilizaram
GPS e acelerômetro. DIOSDADO et al. (2015), HUIRCÁN et al.(2010), GUO et
al. (2009), MARTISKAINEN et al.(2009), ROBERT et al.(2009) e SCHEIBE e
GROMANN(2006) também utilizaram sensores inerciais na medição de
movimentação animal.
Os trabalhos de classificação automática dos comportamentos
apresentaram tempos de observação diferenciados. MARTISKAINEN et al.
(2009) coletaram dados de 30 animais por um período de 30 dias, enquanto
DIOSDADO et al. (2015) monitoraram 6 animais por um período de apenas 36
100
horas. GODSK e KJAERGAARD (2011) monitoraram 14 vacas leiteiras em
pastoreio por um dia.
O desenvolvimento de ferramentas computacionais de monitoramento e
análise do comportamento animal se fazem necessárias para implementação de
um sistema de classificação automática. O trabalho apresenta uma metodologia
para obtenção automática de etogramas em bovinos e um método de análise
dos comportamentos utilizando variáveis ambientais, por de meio técnicas de
inteligência artificial e análise de medidas de associação estatística.
Material e Métodos
Esta pesquisa se caracterizou quanto à finalidade como básica; quanto
aos objetivos, descritiva exploratória e, quanto à natureza, quantitativa. Os dados
de campo foram coletados na Embrapa – Gado de Corte, de Campo Grande
(MS, figura 1), e constou do monitoramento de uma amostra de 11 animais da
raça Nelore confinados durante 3 anos não consecutivos, num total de 849 horas
de monitoramento.
Durante os períodos de monitoramento e coletas de dados, os animais
utilizados foram tratados contra endo e ectoparasitas e mantidos em pastagem
cultivada com aproximadamente 52 hectares, e com suplementação mineral,
água à vontade.
Campo Grande é caracterizada pelo clima tropical com estação seca,
temperatura média anual de 23,2°C, com duas estações muito bem definidas:
quente e úmida no verão, menos chuvosa e mais amena no inverno.
101
Figura 1. Área dos experimentos, pastagem cultivada - Embrapa – Gado de
Corte em Campo Grande (MS).
Coleta de dados
Cada animal monitorado foi equipado com um colar de identificação
eletrônico, dotado de um sensor de posicionamento GPS, acelerômetro,
giroscópio e magnetômetro, todos de 3 eixos; um sensor de radiação solar e um
instrumento de medição de temperatura e umidade relativa do ar. Os dados
foram armazenados num cartão de memória para posterior recuperação manual,
momento em que também era trocada a bateria do dispositivo.
Os comportamentos registrados com base nos movimentos detectados
pelos sensores foram: pastando, andando, deitado descansando, deitado
ruminando, em pé descansando, em pé ruminando e bebendo água.
No presente estudo foi desenvolvido um software de anotação do
comportamento, denominado Ápis, para ser executado em qualquer dispositivo
móvel com sensor GPS e que execute o sistema operacional Android. Com este
dispositivo o trabalho do veterinário (analista de domínio) consistiu em olhar para
o animal e clicar no botão que representava o comportamento que está sendo
observado.
102
Além dos dados de movimentos e posicionamentos gerados pelo colar,
acoplado ao pescoço do animal, também foram registrados os tempos do GPS.
Os tempos registrados nos dois dispositivos, no colar e no software Ápis,
formaram os elos que uniram as observações do analista e os dados de
posicionamento gerados pelo colar.
Extração de atributos e classificação dos comportamentos
As sequências de dados utilizadas nos experimentos foram formadas por
informações de posicionamento GPS e por dados dos sensores inerciais,
acelerômetro, giroscópio e magnetômetro.
O método de extração de atributos, baseado nos trabalhos de ZHENG et
al. (2008) e GODSK e KJAERGAARD (2011), apresenta altas taxas de acerto de
classificação por meio da otimização do pré-processamento dos dados brutos
dos sensores, GPS, acelerômetro, giroscópio e magnetômetro, e a extração de
características servem como entrada para o algoritmo de aprendizagem
automática.
Os dados de monitoramento foram organizados num banco de dados,
submetidos a um procedimento para extração de atributos e aplicados em
algoritmos de reconhecimento de padrões para gerar informações sobre o
comportamento dos animais no espaço e no tempo (Figura 2).
Figura 2. Processo de classificação dos comportamentos. Os dados de
observação do analista de domínio são combinados com os dados de
monitoramento para formar instâncias.
Baseado nos atributos e anotações fornecidas pelo analista de domínio,
foi possível criar um banco de dados de instâncias previamente classificadas.
Este banco de dados de exemplos serviu como entrada para as técnicas de
103
aprendizagem de máquina, e implementadas pelo WekaToolkit (Hall et al., 2009).
Foi utilizado um conjunto de algoritmos clássicos de aprendizagem de máquina,
mais especificamente, os algoritmos END, Classification Via Regression, SMO
(SVM), Random Forest, J48 e MultilayerPerceptron.
Análise de medidas de associação estatística
Os dados de monitoramento do meio ambiente foram obtidos da estação
do Instituto Nacional de Meteorologia (INMET) de Campo Grande (A702, Código
OMM: 86810, aberta em: 11/09/2001, latitude: -20,447195º, longitude: -
54,722615º,altitude: 528 metros), instalada a cerca de 300 metros da área dos
experimentos na Embrapa Gado de Corte, Campo Grande.
O teste de independência de Qui-Quadrado foi usado para verificar a
existência de associação entre as variáveis ambientais e a variável
comportamento do bovino em uma tabela de contingência construída a partir de
dados das instâncias classificadas (Figura 3). A hipótese nula é a de que as
variáveis não estão associadas, ou seja, elas são independentes. A hipótese
alternativa é de que as variáveis estão associadas, ou dependentes.
Figura 3. Fluxograma do teste de Qui-quadrado entre as instâncias classificadas
(comportamentos identificados) e as variáveis ambientais para a interpretação
do comportamento bovino.
As instâncias classificadas que detinham informação sobre o
comportamento executado pelos animais foram associadas às informações das
condições ambientais em dado tempo. A variável comportamental foi submetida
a um teste de associação com as variáveis ambientais.
104
Resultados e Discussão
Nesta pesquisa, a amostra (849 horas de dados) foi gerada e dividida em
três conjuntos de dados.
No primeiro conjunto, chamado de DB1, foram utilizados quatro bovinos
escolhidos aleatoriamente a partir de um rebanho de 38 animais. Um único
animal foi utilizado por coleta. A razão para a utilização de um único indivíduo
em cada coleta foi baseada no desafio prático de observar os animais. É
importante salientar que a cada experimento, dos quatro realizados, o animal
monitorado era escolhido aleatoriamente pela ordem de chegada no mangueiro.
Os dados foram coletados nos meses de setembro e outubro de 2014.
As sequências de dados DB1 se resumiram a um total de 199 horas e 20
minutos de informações de posicionamentos GPS. O analista de domínio
realizou a identificação de 3.220 atividades, enquanto os dados de GPS estavam
sendo coletados pelo sensor nos animais. Desta coleção de dados de
identificação de atividades, a ação pastando foi classificada 1.641 vezes,
seguida por deitado com 825 observações, andando com 453 observações e,
finalmente, de pé, com 300 observações.
O segundo conjunto de dados foi gerado no ano posterior ao primeiro,
definido como DB2. Dois animais foram equipados com os colares e observados
em dois períodos diferentes. O primeiro aconteceu entre os dias 14 e 28 de maio
de 2015. O segundo período de coleta do conjunto DB2 ocorreu entre os dias 25
de junho e 06 de julho de 2015.
As sequências de dados DB2 se resumiram em cerca de 513 horas de
dados de posicionamentos GPS. O analista de domínio realizou mais de 70
horas de observação e a identificação de 31.991 comportamentos, sendo 13.111
pastando, 1.328 bebendo água, 2.678 andando, 3.685 de pé descansando,
2.007 de pé ruminando, 4.230 deitado descansando e, 4.952 deitado ruminando.
O terceiro período de coleta, DB3, foi realizado nos dias 09 à 10 de maio
de 2017 e de 22 à 25 de junho de 2017, com 3 animais. As sequências de dados
DB1, DB2 e DB3 estão relacionadas no Quadro 1.
105
Quadro 1. Sequências de dados coletados em dias e horas. Os dados de
monitoramento são compostos por informações recuperadas dos sensores
inerciais e GPS. Os dados de observação correspondem ao tempo que os
analistas de domínio passaram observando e anotando o comportamento dos
animais.
Banco de dados Dados de monitoramento Dados de observação
Nº de dias N° de horas N° de dias N° de horas
DB1 11 199 8 26
DB2 25 513 16 71
DB3 06 137 0 0
Total 42 849 24 97
Os observadores, especialistas de domínios, foram posicionados em
pontos estáticos para observarem os animais à distância. Se um bovino parasse
e olhasse para um observador por algum tempo, o comportamento era
simplesmente anotado como realizando a atividade de pé.
Dos algoritmos de classificação testados o que obteve o melhor
desempenho foi o algoritmo Random Forest com 91,6% de acertos identificando
7 classes: pastando, deitado descansando, deitado ruminando, andando, em pé
descansando, em pé ruminando ou bebendo água. Com os algoritmos END, J48,
Classification Via Regression, Multilayer Perceptron, SMO (SVM), obteve-se as
seguintes taxas de acerto: 90.2%, 84.9%, 82.7%, 61.1% e 47.1%,
respectivamente.
Outros estudos avaliaram o comportamento animal, apresentando
resultados similares, mas metodologias e algoritmos diferentes. Os resultados
dos comparativos apresentados (Tabela 1) servem apenas como base para
indicar os valores obtidos nesta pesquisa e os apresentados por outros
trabalhos. Considerando que os números de testes e amostras são diferentes,
assim como o número de animais e o tempo de observação, não foi possível
afirmar que os resultados de um ou outro são melhores. Além disso, nenhum dos
trabalhos do comparativo realizou a diferenciação dos comportamentos de
ruminação, em pé ou deitado.
106
Tabela 1. Comparativo dos resultados obtidos quanto a taxa de acerto para cada
classe de comportamento. Os dados em negrito expressam o resultado obtido
neste trabalho. DUTTA et al. (2015) e GONZÁLEZ et al. (2015) agruparam os
comportamentos em pé e deitado em uma única classe
Classes Martiskai
nenet al.
(2009)
Nadimi
et al.
(2012)
Godsk e
Kjaergaar
d (2011)
Duttaet
al.
(2015)
González et
al. (2015) A
González et
al. (2015) B
Pastando 81%
91,7%
83,8%
91,5%
90,0%
91,5%
93%
93,8%
93,7%
93,8%
98,4%
93,8%
Andando 79%
99,0%
73,8%
99,0%
100%
99,0%
97%
99,4%
83,8%
99,4%
27,7%
99,4%
Em Pé 65%
87,5%
71,8%
90,0%
75,8%
90,0% 92%
85,8%
60,7%
85,8%
86,3%
85,8% Deitado 83%
89,9%
83,2% /
93,9%
76,5%
93,9%
Ruminando 86%
90,9%
97%
92,4%
96,9%
92,4%
87,3%
92,4%
Com o banco de dados classificado foi possível elaborar um etograma
robusto, fundamentado num total de 849 horas de monitoramento do gado,
1.616.821 comportamentos identificados, abrangendo períodos de luz, noite e
chuva. Na tabela 2 estão comparados o etograma elaborado com alguns outros
trabalhos pesquisados, em especial, deu-se destaque ao elaborado por
KILGOUR et al. (2012). Estes realizaram uma revisão de literatura abrangente
sobre o comportamento do gado bovino e realizaram um experimento de
observação manual que resultou num etograma com 18 comportamentos
identificáveis e 133.840 anotações.
Os resultados apresentados pelos outros autores não abrangem períodos
de noite e chuva, além disso, KILGOUR et al. (2012) não identificaram o
comportamento ruminando.
107
Tabela 2. Comparação entre quatro experimentos sobre as porcentagens de
tempos alocadas em que o gado bovino estava realizando cada comportamento
Comportamento
Inteligência
Artificial – IA
%
Kilgouret al.
(2012)
%
Zemo &
Klemmedson
(1970)
%
Hall
(1989)
%
Pastando 38,7 51,0 36,2 33,7
Em pé - Descansando 33,5 17,1 5,0 6,0
Em pé - Ruminando 10,1 ... 7,9 22,4
Deitado - Descansando 5,3 14,7 25,4 15,7
Deitado - Ruminando 8,3 ... 20,4 2,7
Andando 3,3 13,8 ... ...
Bebendo água 0,8 0,5 ... ...
Outros ... 2,9 ... ...
As diferenças entre os trabalhos podem ser atribuídas em grande parte
às diferenças ambientais e categorias e/ou raças de bovinos utilizadas nos
experimentos. A abordagem deste trabalho, utilizando IA, indicou que os animais
passam 33,5% do seu dia em pé, resultado muito diferente dos 5% e 6%
descritos por ZEMO e KLEMMEDSON (1970) e HALL (1989), respectivamente.
Pela tabela 10, pode-se verificar que o comportamento em pé se intensifica no
período noturno e por isso a grande disparidade, nenhum dos trabalhos
relacionados faz a identificação dos comportamentos neste período.
Segundo OLIVEIRA et al. (1980), o rúmen de um zebu possui cerca de
57% da capacidade do rúmen de um taurino de mesma idade. Também,
verificaram experimentalmente que um taurino pode consumir quase duas vezes
mais capim nas condições próprias brasileiras. Estes dados amparam o
resultado obtido pela IA que indica que os zebuínos ruminam 18,4% do seu
tempo, enquanto HALL (1989), demonstrou que taurinos podem ruminar uma
porcentagem maior de tempo, 25,1%.
KILGOUR et al. (2012) conduziram seus experimentos com animais de
raças taurinas em locais de temperaturas mais amenas. Em seu trabalho, as
temperaturas médias para as 15h foram de 15,5°C e 19,1°C em dois anos
consecutivos. Neste trabalho, a média de temperatura para o mesmo horário foi
de 25,7°C ± 4,2°C. Os animais tendem a se movimentar menos devido ao calor,
108
fato que justifica o menor percentual de tempo “andando” (3,3%) observado no
presente estudo. O trabalho de KILGOUR et al. (2012) abrange 18
comportamentos, 11 estão representados no etograma (Tabela 2) na classe
outros. A classificação dos comportamentos utilizando IA enquadra toda a
variedade de comportamentos dos bovinos em sete classes, que segundo
KILGOUR et al. (2012), envolve 97,1% do dia do animal. Isto poderia ser um
problema, no entanto, muitos desses outros comportamentos são variantes dos
comportamentos cobertos pela IA. Por exemplo, o comportamento de auto-
higiene pode ser derivado do comportamento em pé.
Os resultados obtidos para o etograma, divergindo em parte dos trabalhos
relacionados, servem como advertência aos que se apoiam em índices exóticos
sem submeterem antes ao crivo das observações indispensáveis ante as
peculiaridades edafoclimáticas da região pesquisada.
OLIVEIRA (2013) elenca a temperatura, a radiação solar e a umidade
relativa como os principais elementos do ambiente correlacionados ao
comportamento bovino. Segundo SCHÜTZ et al. (2009), o bovino pode identificar
pequenas alterações climáticas e buscar situações para contorná-las, como
procurar áreas com sombra para reduzir a temperatura corporal. No trabalho de
KILGOUR et al. (2012), identificou-se que 10,9% do tempo os animais estavam
em áreas de sombra.
Os resultados deste estudo demonstraram haver associação global entre
a variável umidade relativa do ar com a variável comportamento (Tabela 3) o
valor do Qui-Quadrado igual a 98.814,762, com 18 graus de liberdade, e p = 0
(muito significativo), Assim, pode-se concluir que a hipótese nula, de
independência entre as variáveis, foi rejeitada. Isto é, há evidências de
associação entre as variáveis.
Tabela 3. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a umidade relativa do ar e o comportamento. χ2=
98814,762, df = 18, p < 0,00
U.R.
do
ar
Parâmetro
s
χ2
Andand
o
BebendoÁg
ua
Deitad
o-
Parado
Deitado-
Ruminand
o
EmPé-
Parado
EmPe-
Ruminand
o
Pastando/
Procurand
o
Frequência 2684 1384 4764 4469 7326 3597 32597
109
<=
40%
Frequência
Esperada 1853,7 448,2 3032,4 4726,0 19040,8 5751,0 21968,9
Resíduos
ajustados 20,0 45,2 32,9 -4,0 -106,0 -30,5 93,2
41 a
65%
Frequência 23034 5919 29142 40072 115435 31959 253604
Frequência
Esperada 16284,7 3937,0 26639,0 41517,1
167271,
2 50521,9 192994,2
Resíduos
ajustados 64,7 38,1 19,0 -8,9 -186,9 -104,8 211,9
66 a
90%
Frequência 19838 4612 41729 68965 347454 105929 262596
Frequência
Esperada 27766,9 6712,9 45421,9 70790,5
285213,
0 86144,6 329073,1
Resíduos
ajustados -70,3 -37,4 -25,9 -10,4 207,7 103,3 -215,0
91%
+
Frequência 7191 837 10650 20970 71585 22158 76321
Frequência
Esperada 6841,6 1654,0 11191,7 17442,4 70274,9 21225,5 81081,8
Resíduos
ajustados 4,6 -21,6 -5,6 29,9 6,5 7,2 -22,9
Verificada a associação global entre as variáveis pode-se verificar se há
associação local entre categorias, calculando-se os resíduos ajustados. O
resíduo ajustado tem distribuição normal com média zero e desvio padrão igual
a 1. Desta forma, caso o resíduo ajustado seja maior que 1,96 (nível de confiança
de 95%), em valor absoluto, pode-se dizer que há evidências de associação
significativa entre as duas categorias (p. ex. “baixa umidade” e “bebendo água”)
naquela célula. Quanto maior for o resíduo ajustado, maior a associação entre
as categorias.
Assim, o valor elevado para o resíduo ajustado, 45,2, da classe bebendo
água, evidencia o comportamento em situações de baixa umidade do ar, menor
do que 40%. Na faixa de conforto, onde a umidade relativa varia entre 41 e 65%,
os bovinos tendem a executar com grande ênfase o comportamento
pastando/procurando.
Os bovinos são sensíveis à umidade do ar porque usam a evaporação do
suor como um mecanismo importante para regular sua temperatura (FERREIRA
et al. 2009). Sob condições úmidas, a proporção em que a transpiração evapora
na pele é menor do que seria em condições secas. Dado que o corpo percebe a
proporção de transferência de calor para o ar, o animal sente-se mais quente
110
quando a umidade relativa é maior e por isso os comportamentos andando e
pastando possuem um resíduo ajustado negativo na faixa de alta umidade, entre
66 e 90%.
O ponto de orvalho é a temperatura na qual o vapor de água, que está em
suspensão no ar, começa a condensar. Pode ser utilizado como indicação de
conforto térmico, pois, está em função da temperatura, pressão e umidade. De
forma resumida, altos valores indicam saturação da umidade do ar, causando
desconforto.
Valores menores que 10,9% indicam ar seco. Os resultados do presente
estudo demonstraram que os animais tendem a beber mais água em clima seco
(resíduo ajustado 31). Além disso, tendem a executar comportamentos que
exigem menos mobilidade, em pé ruminando, em pé descansando e deitado
parado.
Tabela 4. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a temperatura do ponto de orvalho e as variáveis do
comportamento. χ2= 38048,728, df = 30, p < 0,00
P.Orvalh
o
(°C)
Parâmetro
s
χ2
Andand
o
Bebend
o
Agua
Deitado
-Parado
Deitado-
Ruminand
o
EmPe-
Parad
o
EmPe-
Ruminand
o
Pastando/
Procurand
o
<= 10,9
Frequência 9002 3457 14878 21128 97985 33804 92693
Frequência
Esperada 8904,6 2152,8 14566,4 22701,8
91465,
1 27625,7 105530,6
Resíduos
ajustados 1,2 31,0 2,9 -12,0 29,0 43,0 -55,3
11,0 a
13,9
Frequência 9561 1883 8740 14518 111017 31204 90065
Frequência
Esperada 8710,2 2105,8 14248,4 22206,2
89468,
2 27022,6 103226,6
Resíduos
ajustados 10,1 -5,3 -51,9 -59,0 96,7 29,4 -57,2
14,0 a
16,6
Frequência 9570 1842 19896 22846 88348 28270 111543
Frequência
Esperada 9210,2 2226,6 15066,3 23481,0
94604,
3 28573,9 109152,6
Resíduos
ajustados 4,2 -9,0 44,5 -4,8 -27,5 -2,1 10,2
16,7 a
18,0
Frequência 8665 1455 13517 19685 79034 25247 108904
Frequência
Esperada 8368,3 2023,1 13689,0 21334,5
85956,
0 25961,8 99174,3
111
Resíduos
ajustados 3,6 -13,8 -1,6 -12,9 -31,6 -5,1 43,0
18,1 a
18,9
Frequência 6952 2624 17717 30461 93708 26361 95815
Frequência
Esperada 8927,1 2158,2 14603,3 22759,3
91696,
6 27695,7 105797,8
Resíduos
ajustados -23,3 11,0 29,1 58,5 8,9 -9,3 -43,0
19,0+
Frequência 8997 1491 11537 25838 71708 18757 126098
Frequência
Esperada 8626,6 2085,5 14111,6 21993,1
88609,
7 26763,3 102236,1
Resíduos
ajustados 4,4 -14,3 -24,4 29,6 -76,1 -56,4 104,2
Temperaturas de ponto de orvalho maiores que 21°C indicam ambientes
de alta saturação de água no ar aliados a sensações térmicas desconfortáveis.
Nos experimentos realizados a maior medida de ponto de orvalho foi igual a
20,6°C, com média de 15,5°C ± 3,5°C. De modo geral, manteve-se no patamar
mais confortável.
Centros de baixa pressão atmosférica estão associados com a formação
de muitas nuvens, com chuva e eventualmente com tempestades. A alta
pressão, por outro lado, diminui a umidade, a nebulosidade e as condições para
chuva.
Com a pressão atmosférica mais baixa e a formação de nuvens é criada
uma situação favorável ao pastejo, como pode-se verificar na tabela 5, ao marcar
um resíduo ajustado de 140,1 no comportamento pastando/procurando.
Tabela 5. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a variável pressão atmosférica e as variáveis do
comportamento. χ2= 60449,712, df = 18, p < 0,00
Pressão
(hPa)
Parâmetros
χ2 Andando
Bebendo
Agua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<=
954,4
Frequência 14949 4365 25900 33217 107848 28678 197157
Frequência
Esperada 13444,8 3250,4 21993,3 34276,8 138100,2 41711,2 159337,3
Resíduos
ajustados 15,3 22,7 31,4 -6,9 -115,7 -78,0 140,1
Frequência 14048 2900 13330 27692 143329 40129 177746
112
954,5 a
955,8
Frequência
Esperada 13675,1 3306,1 22370,1 34864,0 140466,1 42425,8 162066,9
Resíduos
ajustados 3,8 -8,2 -72,2 -46,6 10,9 -13,7 57,8
955,9 a
958,1
Frequência 8047 2265 23803 35989 162059 52837 102023
Frequência
Esperada 12626,2 3052,5 20654,3 32189,9 129692,2 39171,7 149636,3
Resíduos
ajustados -47,5 -16,4 25,8 25,4 126,4 83,5 -180,2
958,2+ Frequência 15703 3222 23252 37578 128564 41999 148192
Frequência
Esperada 13000,9 3143,1 21267,3 33145,3 133541,5 40334,3 154077,5
Resíduos
ajustados 27,8 1,6 16,1 29,3 -19,2 10,1 -22,1
Analisando a tabela 6, conclui-se que a velocidade do vento é
inversamente proporcional a frequência que o bovino executa a atividade de
pastejo, isto é, quanto menor a velocidade do vento maior será a frequência com
que o animal realiza o pastejo (pastando/procurando). Destaque para o
comportamento em pé parado. Com ventos a grandes velocidades os bovinos
tendem a permanecer parado.
Tabela 6. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a variável velocidade do vento e as variáveis do
comportamento. χ2= 61905,636, df = 18, p < 0,00
Velocidade
(m/s)
Parâmetros
χ2 Andando
Bebendo
Agua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<= 2,3 Frequência 19670 4180 20793 43025 101453 29311 212385
Frequência
Esperada 14054,9 3397,9 22991,4 35832,4 144367,7 43604,2 166568,5
Resíduos
ajustados 56,2 15,7 -17,4 46,3 -161,7 -84,3 167,4
2,4 a 4,6 Frequência 21526 6214 42351 61547 264721 79204 281151
Frequência
Esperada 24687,0 5968,3 40383,6 62938,2 253576,4 76589,2 292571,4
Resíduos
ajustados -28,0 4,4 13,8 -7,9 37,2 13,7 -37,0
4,7 a 6,9 Frequência 9979 2128 18149 20447 121261 38322 106060
Frequência
Esperada 10320,4 2495,0 16882,5 26311,5 106008,2 32018,3 122310,1
113
Resíduos
ajustados -3,8 -8,2 11,2 -42,1 64,1 41,4 -66,2
7,0+ Frequência 1572 230 4992 9457 54365 16806 25522
Frequência
Esperada 3684,7 890,8 6027,5 9393,9 37847,8 11431,4 43668,0
Resíduos
ajustados -36,7 -23,0 -14,2 0,7 108,0 55,0 -115,0
Sob radiação solar menor que 70 kJ/m², que ocorre predominantemente
em períodos noturnos, são executados comportamentos de ruminação, com
destaque para o resíduo ajustado 130,2 do comportamento deitado ruminando.
Na faixa de radiação compreendida entre 1610,9 kJ/m² e 2147,4 kJ/m²
(Tabela 7), observa-se uma alta frequência da atividade pastando/procurando.
Esta atividade diminui com níveis mais altos de radiação, mas ainda assim, o
comportamento de pastejo mantém seu destaque. Este exame atesta que a raça
Nelore utilizada no presente estudo está altamente adaptada as regiões de alta
incidência de radiação solar.
Tabela 7. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a radiação global e as variáveis do comportamento.
χ2= 103625,597, df = 30, p < 0,00
Radiação
(kJ/m²)
Parâmetros
χ2 Andando BebendoAgua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<= 70,0 Frequência 24876 4846 58087 103256 348534 109006 323728
Frequência
Esperada 31721,3 7668,9 51890,6 80871,9 325830,8 98412,6 375937,0
Resíduos
ajustados -61,9 -51,3 44,3 130,2 77,3 56,4 -172,2
70,1 a
537,6
Frequência 7434 1136 2674 6037 59395 14298 63631
Frequência
Esperada 5043,8 1219,4 8250,8 12859,0 51808,4 15648,0 59775,6
Resíduos
ajustados 36,0 -2,5 -66,4 -66,1 43,0 -12,0 21,2
537,7 a
1074,2
Frequência 4127 2094 3172 4566 65087 15574 52541
Frequência
Esperada 4801,0 1160,7 7853,6 12239,8 49313,9 14894,6 56897,4
Resíduos
ajustados -10,4 28,8 -56,9 -76,0 91,4 6,2 -24,5
Frequência 6479 2632 6797 6319 40113 12119 69284
114
1074,3 a
1610,8
Frequência
Esperada 4689,5 1133,7 7671,1 11955,5 48168,6 14548,6 55575,9
Resíduos
ajustados 27,8 46,8 -10,7 -56,4 -47,2 -22,3 77,8
1610,9 a
2147,4
Frequência 6391 989 8953 7977 19251 7413 74433
Frequência
Esperada 4091,3 989,1 6692,6 10430,5 42024,1 12692,8 48486,6
Resíduos
ajustados 38,1 ,0 29,6 -26,1 -141,8 -51,5 156,7
2147,5+ Frequência 3440 1055 6602 6321 9420 5233 41501
Frequência
Esperada 2400,2 580,3 3926,3 6119,2 24654,1 7446,4 28445,4
Resíduos
ajustados 22,1 20,3 44,9 2,8 -121,8 -27,7 101,2
Durante o período dos experimentos, a precipitação media apresentou
variações muito pequenas. Das 849 horas de monitoramento, 93% (794 horas)
foram de ausência de chuva. A maior precipitação medida foi de 6,4 mm.
Pela tabela 8 foi possível verificar que os animais do experimento
deixaram de executar o comportamento de ruminação em precipitações maiores
que 4,7 mm.
Tabela 8. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a precipitação e as variáveis do comportamento. χ2=
12640,209, df = 18, p < 0,00
Precipitação
(mm)
Parâmetros
χ2 Andando
Bebendo
Agua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<= 1 Frequência 48054 12347 81077 125268 513817 153733 578666
Frequência
Esperada 49358,7 11932,9 80742,3 125837,7 506996,6 153131,1 584962,6
Resíduos
ajustados -23,6 15,0 4,8 -6,6 46,3 6,4 -41,5
,2 a 2,8 Frequência 3562 294 3672 6289 24032 8858 34964
Frequência
Esperada 2664,4 644,1 4358,5 6792,8 27368,1 8266,2 31576,8
Resíduos
ajustados 18,1 -14,2 -11,0 -6,6 -25,4 7,0 25,0
2,9 a 4,6 Frequência 543 51 1342 2440 634 108 3664
Frequência
Esperada 286,5 69,3 468,7 730,4 2942,9 888,9 3395,4
115
Resíduos
ajustados 15,4 -2,2 41,6 66,2 -52,3 -27,7 5,9
4,7+ Frequência 588 60 194 479 3317 944 7824
Frequência
Esperada 437,4 105,7 715,4 1115,0 4492,4 1356,9 5183,2
Resíduos
ajustados 7,4 -4,5 -20,1 -20,0 -21,6 -11,9 47,0
Foi possível constatar que os animais manifestaram, com maior
frequência, comportamentos que exigiam maior mobilidade, mesmo em
temperaturas mais elevadas. Destaque para o resíduo ajustado 146,4 do
comportamento em pé – parado, durante temperaturas abaixo de 17,8oC. Pela
análise das informações da tabela de temperaturas (Tabela 9), foi possível
concluir que os animais são tolerantes às altas temperaturas do ar pois mantém
alta frequência de execução do comportamento pastando/procurando em
temperaturas superiores à 26,9°C.
Os animais utilizados no experimento possuem pelo curto e fino,
características da raça Nelore, que favorecem a troca de energia com o
ambiente. Em ambientes com temperaturas baixas estes bovinos estarão mais
expostos ao risco de hipotermia. A temperaturas do ar menores que 17,8°C
observa-se que o comportamento deitado tem menor frequência de execução,
resíduos ajustados -50,4 e -88,9, nos comportamentos deitado-parado e deitado-
ruminando, respectivamente. Esta observação decorre do fato que o corpo perde
energia com mais facilidade em contato com o chão.
Tabela 9. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a temperatura do ar e a variável comportamento. χ2=
154795,691, df = 18, p < 0,00
Temp
(°C)
Parâmetros
χ2 Andando
Bebendo
Agua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<=
17,8
Frequência 6494 1517 6144 6649 97857 32199 53968
Frequência
Esperada 6682,3 1615,5 10931,1 17036,2 68638,3 20731,2 79193,5
Resíduos
ajustados -2,5 -2,6 -50,4 -88,9 146,4 89,9 -122,5
Frequência 18843 3882 48193 85527 312266 93635 252536
116
17,9
a
21,8
Frequência
Esperada 26584,6 6427,0 43487,9 67776,3 273068,6 82476,5 315061,1
Resíduos
ajustados -68,5 -45,3 32,9 101,1 130,6 58,2 -202,0
21,9
a
26,8
Frequência 17543 3596 18452 28502 107523 30568 195080
Frequência
Esperada 13090,8 3164,8 21414,3 33374,4 134464,4 40613,1 155142,3
Resíduos
ajustados 45,6 8,9 -24,0 -32,1 -103,9 -60,6 149,3
26,9+ Frequência 9867 3757 13496 13798 24154 7241 123534
Frequência
Esperada 6389,3 1544,7 10451,8 16289,2 65628,7 19822,2 75721,1
Resíduos
ajustados 47,2 60,3 32,6 -21,7 -211,8 -100,5 236,7
A atividade de ruminação tem sua frequência diminuída em temperaturas
do ar acima de 21,9°C, como pode-se verificar pelos resíduos ajustados
negativos. Esta circunstância era esperada. Segundo ZANINE et al. (2007), os
bovinos ruminam acentuadamente no período noturno, intervalo de tempo que
apresenta temperaturas mais amenas.
A faixa de temperatura que possui o maior resíduo ajustado para o
comportamento de ruminação é de 17,8 a 21,8°C. Essas temperaturas foram
medidas com grande expressividade das 21 às 23h. Este resultado corroborou
com o horário de maior frequência de ruminação, tabela 10. Analisando ainda a
tabela 10, foi possível verificar que os animais tinham preferência pela ruminação
na posição deitado nas primeiras horas da noite, entre 20h e 23:59h. Após esse
horário, até as 5h, os animais passaram a executar com mais frequência a
ruminação na posição em pé.
Segundo TERNMAN et al. (2012), a duração dos períodos de sono dos
bovinos pode diferir dependendo do sexo, estado de saúde, idade, gestação ou
lactação, no entanto, pode-se estimar um período de 4 horas como regra geral,
podendo ser em pé ou deitado. A pequena frequência de comportamento deitado
parado identificados durante a noite condiz com a pouca quantidade de tempo
despendida com o sono.
O horário entre as 16 e 19h foi o período que os animais passaram mais
tempo executando o comportamento pastando/procurando, mesmo resultado
apresentado no trabalho de KILGOUR et al. (2012).
117
O comportamento bebendo água foi observado com maior frequência
entre as 12h e 15h, período no qual foram registradas as maiores temperaturas
do dia. No mesmo período os animais apresentaram maior frequência de pastejo,
apresentando resíduo ajustado igual a 325, denotando a adaptação dos bovinos
Nelore a altas temperaturas do ar e intensa radiação solar.
Tabela 10. Tabela de contingência do teste de independência do Qui-Quadrado
acerca da associação entre a hora do dia e a variável comportamento. χ2=
1045460,289; df = 30; p < 0,00
Período
(h)
Parâmetros
χ2 Andando
Bebendo
Agua
Deitado-
Parado
Deitado-
Ruminando
EmPe-
Parado
EmPe-
Ruminando
Pastando/
Procurando
<= 5 Frequência 7174 1060 129 0 238056 76312 117229
Frequência
Esperada 14353,2 3470,0 23479,4 36592,8 147431,5 44529,6 170103,5
Resíduos
ajustados -71,4 -48,1 -183,6 -234,2 339,3 186,2 -191,9
6 a 8 Frequência 320 313 70 0 156800 44455 11080
Frequência
Esperada 6950,1 1680,2 11369,2 17719,0 71389,5 21562,2 82367,7
Resíduos
ajustados -86,8 -35,9 -116,9 -149,2 420,7 176,5 -340,4
9 a 11 Frequência 6191 473 76 244 89622 26115 74273
Frequência
Esperada 6426,7 1553,7 10513,0 16384,6 66013,1 19938,3 76164,6
Resíduos
ajustados -3,2 -29,4 -111,6 -140,5 120,3 49,2 -9,3
12 a 15 Frequência 14272 5609 24024 22099 27957 11121 152662
Frequência
Esperada 8408,6 2032,8 13755,0 21437,4 86370,5 26087,0 99652,6
Resíduos
ajustados 70,9 86,9 98,2 5,1 -265,9 -106,6 233,9
16 a 19 Frequência 16212 3581 8666 18332 16913 3502 155769
Frequência
Esperada 7274,3 1758,6 11899,5 18545,5 74719,4 22567,9 86209,7
Resíduos
ajustados 114,8 47,0 -32,8 -1,8 -279,3 -144,2 325,8
20+ Frequência 8578 1716 53320 93801 12452 2138 114105
Frequência
Esperada 9334,0 2256,6 15268,9 23796,7 95876,0 28958,0 110619,9
Resíduos
ajustados -8,8 -12,6 348,9 522,4 -364,2 -183,2 14,7
118
Conclusões
O classificador de comportamentos baseado em inteligência artificial
apresentou um elevado nível discriminatório, utilizando como entrada dados
brutos de sensores de GPS, acelerômetro, giroscópio e magnetômetro,
caracterizando as atividades diárias dos bovinos em 7 classes, pastando,
deitado descansando, deitado ruminando, andando, em pé descansando, em pé
ruminando e bebendo água, com uma precisão de 91,6%.
A metodologia para obtenção automática de etogramas foi muito eficiente
em determinar os comportamentos dos bovinos e pode caracterizar de forma
inédita o comportamento da raça Nelore em períodos de dia, noite e até chuva.
Ademais, a adaptação da raça Nelore às condições climáticas do cerrado foi
confirmada pelo comportamento ativo nas horas mais quentes do dia.
A combinação de axiomas e fatos científicos provam de forma direta a
eficácia da metodologia de obtenção automática de etogramas do gado bovino
e o método de análise dos comportamentos sobre variáveis ambientais por meio
de análise de medidas de associação estatística.
A metodologia empregada inova ao explorar o comportamento dos
animais e sua interação com o ambiente de forma automática, precisa e contínua
sem nenhuma intervenção humana.
Agradecimentos
Agradecemos a Fundação de Apoio ao Desenvolvimento do Ensino,
Ciência e Tecnologia do Estado de Mato Grosso do Sul - FUNDECT.
Referências Bibliográficas
ANDERSON, R. E. D.; CIBILS, A. Spatiotemporal cattle data—a plea for protocol
standardization. Positioning, New York, v. 4, n. 1, p. 115 – 136, 2013.
BATISTA, G.; PRATI, R.; MONARD, M. A Study of the Behavior of Several
Methods forBalancing Machine Learning Training Data. SIGKDD Explorations,
The Association for Computing Machinery (ACM), New York, v. 6, n. 1, p. 20-29,
2004.
119
DIOSDADO, J. V.; BARKER, Z.; HODGES, H.; AMORY, J.; CROFT, D.; BELL,
N.; CODLING, E. Classification of behaviour in housed dairy cows using an
accelerometerbased activity monitoring system. Animal Biotelemetry, New
York, v. 3, n. 1, p. 15, 2015.
DUTTA, R.; SMITH, D.; RAWNSLEY, R.; BISHOP-HURLEY, G.; HILLS, J.;
TIMMS, G.; HENRY, D. Dynamic cattle behavioural classification using
supervised ensemble classifiers. Computers and Electronics in Agriculture,
New York, v. 111, p. 18 – 28, 2015.
FERREIRA, F.; CAMPOS, W.E.; CARVALHO, A.U.; PIRES, M.F.A.; MARTINEZ,
M.L.; SILVA, M.V.G.B.; VERNEQUE, R.S.; SILVA, P.F. Taxa de sudação e
parâmetros histológicos de bovinos submetidos ao estresse calórico. Arq. Bras.
Med. Vet. Zootec., New York, v.61, n.4, p.763-768, 2009.
GODSK, T.; KJAERGAARD, M. B. High classification rates for continuous cow
activity recognition using low-cost gps positioning sensors and standard machine
learning techniques. In: Proceedings of the international conference on Advances
in data mining: applications and theoretical aspects, 11, 2011. Anais...
Berlin:Heidelberg, 2011. p. 174–188.
GONZÁLEZ, L.; BISHOP-HURLEY, G.; HANDCOCK, R.; CROSSMAN, C.
Behavioral classification of data from collars containing motion sensors in grazing
cattle. Computers and Electronics in Agriculture, New York, v. 110, p. 91 –
102, 2015.
GUO, Y.; POULTON, G.; CORKE, P.; BISHOP-HURLEY, G. J.; WARK, T.;
SWAIN, D. L. Using accelerometer, high sample rate gps and magnetometer data
to develop a cattle movement and behaviour model. Ecological Modelling, New
York, v. 220, n. 17, p. 2068 – 2075, 2009.
120
HALL, S. J. Chillingham cattle: social and maintenance behaviour in an ungulate
that breeds all year round. Animal Behaviour, New York, v. 38, n. 2, p. 215 –
225, 1989.
HALL, M.; FRANK E.; HOLMES, G.; PFAHRINGER, B; REUTEMANN, P;
WITTEN, I. H. The weka data mining software: an update. ACM SIGKDD
Explorations Newsletter, New York, v. 11, n. 1, p. 10–18, 2009.
HANDCOCK, R. N; SWAIN, D. L.; BISHOP-HURLEY, G. J.; PATISON, K. P.;
WARK, T.; VALENCIA, P.; CORKE, P; O'NEILL, C. J. Monitoring animal
behaviour and environmental interactions using wireless sensor networks, gps
collars and satellite remote sensing. Sensors, New York, v. 9, n. 5, p. 3586–
3603, 2009.
HERBEL, C. H.; NELSON, A. Activities of hereford and santagertrudis cattle on
a southern new mexico range. Journal of Range Management, New York, v.
19, p. 173–176, 1966.
HUIRCÁN, J. I.; MUÑOZ, C.; YOUNG, H.; DOSSOW, L. V.; BUSTOS, J.;
VIVALLO, G.; TONEATTI, M. Zigbee-based wireless sensor network localization
for cattle monitoring in grazing fields. Computers and Electronics in
Agriculture, New York, v. 74, n. 2, p. 258 – 264, 2010.
INAMASU, R. Y.; NAIME, J. M.; RESENDE, A. V.; BASSOI, A. C. C. B.
Agricultura de Precisão - Um Novo Olhar. 1ed. São Carlos-SP: Embrapa
Instrumentação, 2011. 102p.
KILGOUR, R. J.; UETAKE, K.; ISHIWATA, T.; MELVILLE, G. J. The behaviour of
beef cattle at pasture. Applied Animal Behaviour Science, New York, v. 138,
n. 1–2, p. 12 – 17, 2012.
MARTISKAINEN, P.; JÄRVINEN, M.; SKÖN, J.-P.; TIIRIKAINEN, J.;
KOLEHMAINEN, M.; MONONEN, J. Cow behaviour pattern recognition using a
121
three-dimensional accelerometer and support vector machines. Applied Animal
Behaviour Science, New York, v. 119, n. 1–2, p. 32 – 38, 2009.
MOREAU, M.; SIEBERT, S.; BUERKERT, A.; SCHLECHT, E. Use of a triaxial
accelerometer for automated recording and classification of goats’ grazing
behaviour. Applied Animal Behaviour Science, New York, v. 119, n. 3–4, p.
158 – 170, 2009.
NADIMI, E.; JØRGENSEN, R.; BLANES-VIDAL, V.; CHRISTENSEN, S.
Monitoring and classifying animal behavior using zigbee-based mobile ad hoc
wireless sensor networks and artificial neural networks. Computers and
Electronics in Agriculture, New York, v. 82, p. 44 – 54, 2012.
OLIVEIRA, M. T. P. de. Análise Comportamental de Bovinos Baseada em
Trajetórias Semânticas Aplicada à Pecuária de Precisão. 2013. Campo
Grande: UFMS, 2013. 103p. Dissertação Mestrado.
OLIVEIRA, M.E.M.; VEIGA, ROCHA, U.F. Estudo comparativo da ingestão de
alimentos e eliminaçao tecal em b o s Taurus e Bosindicus. Rev. Fac. Med. vet.
Zootec. Univ. S. Paulo, São Paulo, v. 17, p. 19 - 27, 1980.
ROBERT, B.; WHITE, B. J.; RENTER, D. G.; LARSON, R. L. Evaluation of
threedimensional accelerometers to monitor and classify behavior patterns in
cattle. Computers and Electronics in Agriculture, New York,v. 67, n. 1-2, p.
80–84, 2009.
SCHEIBE, K.; GROMANN, C. Application testing of a new three-dimensional
acceleration measuring system with wireless data transfer (WAS) for behavior
analysis. Behavior Research Methods, New York, v. 38, n. 3, p. 427–433, 2006.
SCHÜTZ, K.E., ROGERS, A.R., COX, N.R., TUCKER, C.B. Dairy cows prefer
shade that offers greater protection against solar radiation in summer: Shade use,
122
behaviour, and body temperature. Applied Animal Behaviour Science, New
York, n. 116, p. 28-34, 2009.
ŠPINKA, M. How important is natural behaviour in animal farming systems?
Applied Animal Behaviour Science, New York, v. 100, p. 117-128, 2006.
TERNMAN, E.; HÄNNINEN, L.; PASTELL, M.; AGENÄS, S.; NIELSEN, P. P.
Sleep in dairy cows recorded with a non-invasive EEG technique. Applied
Animal Behaviour Science, New York, v. 140, p. 1-2, 25-32, 2012.
YEATES, J. W. How Good? Ethical Criteria for a ‘Good Life’ for Farm Animals.
Journal of Agricultural and Environmental Ethics, Netherlands, v. 30, n. 1, p
23–35, 2017.
ZANINE, A. M.; VIEIRA, B. R.; FERREIRA, D. J.; VIEIRA, A. J. M.; CECON, P.
R. Comportamento ingestivo de bovinos de diferentes categorias em pastagem
de capim coast-cross. Biosci. J., Uberlândia, v. 23, n. 3, p. 111-119, 2007.
ZEMO, T.; KLEMMEDSON, J. Behavior of fistulated steers on a desert grassland.
Journal of Range Management, Washington, v. 23, n. 3, p. 158–163, 1970.
ZHENG, Y.; LIU L.; WANG L.; XieX. Learning transportation mode from raw gps
data for geographic applications on the web. In: Proceedings of theInternational
Conference on World Wide Web, 17, 2008, New York. Anais… New York, 2008.
p. 247–256.
123
7. Conclusão Geral
Foi apresentada uma revisão de trabalhos relacionados ao estudo,
possibilitando, assim, um melhor entendimento das técnicas e limitações a
análise e identificação do comportamento bovino.
O colar proposto se enquadra às expectativas da pesquisa quanto à
precisão, baixo consumo de energia, acessibilidade aos manuais e documentos
de projeto, facilidade na construção e programação aliadas ao baixo custo de
aquisição. Dúvidas relacionadas à robustez e design foram totalmente sanadas
visto que foram produzidas centenas de horas de experimentos em campo sem
nenhum dano aos equipamentos.
Além do sensor GPS contido em outras soluções, fizemos uso de
sensores que captam o movimento do animal, além de dados do ambiente
(temperatura do ar, umidade do ar e radiação solar). Todas essas fontes de
dados foram de extrema importância para identificação dos comportamentos dos
bovinos.
A experimentação em campo foi um sucesso. A tamanho da amostragem
utilizada supera em muitos graus aquelas amostragens utilizadas em trabalhos
relacionados. Nos experimentos de campo, os animais foram observados por um
analista de domínio e seus comportamentos foram anotados por meio de um
software que confere precisão na anotação do analista de domínio e facilita o
treinamento dos algoritmos de classificação supervisionados. Para fornecer
dados para o estudo os colares de baixo custo foram montados nos bovinos a
pasto num total de 42 dias incontínuos, ou por 849 horas de monitoramento,
enquanto eles foram observados a distância e seus comportamentos registrados
num total de 97 horas e 35211 comportamentos anotados.
O processo para identificação do comportamento bovino utilizando
apenas dados brutos de GPS foi promissor. No entanto, o uso dos dados de GPS
não foi suficiente para identificar todo o conjunto de comportamentos propostos
no estudo. Para este conjunto de dados foi obtido uma taxa média de sucesso
de 86,1% de classificação das quatro atividades: pastando, andando, deitado e
de pé. Esse resultado foi obtido pela otimização do pré-processamento dos
dados brutos de GPS e pelo sucesso da técnica de extração de atributos.
124
A adição de novos sensores, GPS, acelerômetro, giroscópio e
magnetômetro, para identificação do comportamento bovino utilizando foi um
sucesso. A adição dessas novas fontes de dados foi crucial para resolver os
problemas de similaridade dos comportamentos de pé e deitado, além de prover
a possibilidade de reconhecer a atividade de ruminação.
Dos algoritmos de classificação testados o que obteve o melhor
desempenho foi o algoritmo Random Forest com 91,6% de acertos identificando
7 classes: pastando, deitado descansando, deitado ruminando, andando, de pé
descansando, de pé ruminando ou bebendo água. Por fim, os resultados foram
comparados a outros trabalhos relacionados que utilizaram dados de GPS e
sensores inerciais. Os resultados das classificações aqui obtidos, em geral, são
mais robustos que os trabalhos avaliados, visto que, nesta abordagem é
classificado automaticamente um número maior de comportamentos.
Os resultados obtidos pelos algoritmos de inteligência artificial para o
etograma, divergiram, em parte, dos trabalhos relacionados, no entanto, servem
como advertência aos que se apoiam em índices fabricados em ambientes
diferentes, sob a utilização de diferentes raças bovinas, sem os submeterem
antes ao crivo das observações indispensáveis ante às peculiaridades climáticas
da região pesquisada.
O trabalho não teve como objetivo esgotar toda a análise dos
comportamentos bovinos frente a fatores ambientais, mas, fez uso de fatos
científicos para validar com sucesso uma metodologia para obtenção automática
de etogramas do gado bovino e um método de análise dos comportamentos
sobre variáveis ambientais por meio de análise de medidas de associação
estatística.
A metodologia empregada inova ao explorar o comportamento dos
animais e sua interação com o ambiente de forma automática, precisa e contínua
sem nenhuma intervenção humana.
Novas oportunidades de estudo surgem. De modo imediato, pode-se
calcular a frequência com que os animais realizam os comportamentos
identificados e a relação com o ambiente poderá demonstrar problemas de
saúde, estresse, preferências quanto a pastagens, as relações sociais ou até o
desempenho dos animais. Todos esses resultados poderão ser medidos em
125
grande escala, em áreas remotas de forma contínua pelo uso dos colares e do
software de análise do comportamento.