Determinação do comportamento de bovinos de leite a pasto baseado em dados de localização GPS e ambientais

Abstract

Determinar o comportamento animal de maneira automatizada por meio de algoritmos de aprendizagem de máquina vem tornando-se cada vez mais comum no estudo do comportamento animal. O principal objetivo desta pesquisa é avaliar o desempenho dos classificadores Random Forest, Bagging e J48 na determinação do comportamento de bovinos de leite a pasto utilizando dados obtidos por sensores de posicionamento GPS e sensores ambientais. Os dados utilizados foram coletados de três novilhas da raça Girolando com peso médio de 300 Kg. A segmentação de variáveis foi aplicada a dados do GPS coletados dos 3 animais e forneciam a latitude e longitude por minuto de cada um deles. Na área de estudo foi instalada uma mini estação meteorológica para registro das variáveis ambientais. Para avaliação dos classificadores utilizou-se o Weka Toolkit 3.8.5. Foram consideradas três classes de comportamento: comendo, ruminando e ócio. Para as análises foi utilizado o método de tentativa e erro onde as variáveis ambientais de temperatura de bulbo seco no pasto e à sombra, umidade relativa no pasto e à sombra, temperatura de globo negro à sombra, temperatura do ponto de orvalho à sombra, classe, posição e local foram sendo removidas de forma individual até que fosse observada uma melhor acurácia na classificação dos comportamentos. Para avaliação foi utilizado o método de cross-validantion com 10 folds. O Random Forest e o Bagging apresentaram desempenho semelhante com uma acurácia de 70,83%, enquanto o J48 apresentou uma acurácia de 65,1%.