Comparação e classificação de algoritmos de inteligência artificial para previsão de peso em ovinos

Scientific Reports volume 13, Artigo número: 13242 (2023) Citar este artigo

384 acessos

3 Altmétrico

Detalhes das métricas

Num mundo em rápida transformação, os dados agrícolas estão a crescer exponencialmente. Percebendo a importância destes dados, os investigadores procuram novas soluções para analisar estes dados e fazer previsões agrícolas. A Inteligência Artificial, com a sua capacidade de lidar com big data, está a tornar-se rapidamente popular. Além disso, ele também pode lidar com dados não lineares e ruidosos e não é limitado pelas condições exigidas para análise de dados convencional. Este estudo foi, portanto, realizado para comparar os algoritmos de aprendizado de máquina (ML) mais populares e classificá-los de acordo com sua capacidade de fazer previsões sobre dados de fazendas de ovinos abrangendo 11 anos. Os dados foram limpos e preparados antes da análise. A winsorização foi feita para remoção de outliers. Análise de componentes principais (PCA) e seleção de recursos (FS) foram feitas e com base nisso, três conjuntos de dados foram criados, a saber. PCA (em que apenas PCA foi usado), PCA + FS (ambas as técnicas usadas para redução de dimensionalidade) e FS (apenas seleção de recursos usada) previsão de peso corporal. Entre os 11 algoritmos de ML avaliados, as correlações entre valores verdadeiros e previstos para algoritmo MARS, regressão de crista bayesiana, regressão de Ridge, máquinas de vetores de suporte, algoritmo de aumento de gradiente, florestas aleatórias, algoritmo XgBoost, redes neurais artificiais, árvores de classificação e regressão, Regressão polinomial, K vizinhos mais próximos e algoritmos genéticos foram 0,993, 0,992, 0,991, 0,991, 0,991, 0,99, 0,99, 0,984, 0,984, 0,957, 0,949, 0,734 respectivamente para pesos corporais. Os cinco principais algoritmos para a previsão de pesos corporais foram MARS, regressão de crista bayesiana, regressão de Ridge, máquinas de vetores de suporte e algoritmo de aumento de gradiente. Um total de 12 modelos de aprendizado de máquina foram desenvolvidos para a predição de peso corporal em ovinos no presente estudo. Pode dizer-se que as técnicas de aprendizagem automática podem realizar previsões com uma precisão razoável e podem, assim, ajudar a tirar inferências e a fazer previsões futurísticas nas explorações agrícolas para a sua prosperidade económica, melhoria do desempenho e, subsequentemente, segurança alimentar.

Prevê-se que a população mundial aumente para 9,9 mil milhões até 2050 e que a procura global de vários produtos de carne e de origem animal deverá aumentar mais de 70% nas próximas décadas1. Portanto, existe uma extrema necessidade de aumentar a produção alimentar até 2050, intensificando a produção em quase a mesma quantidade de terra e utilizando os mesmos recursos. Isto também coloca pressão sobre o sector da pecuária porque agora existe a necessidade de produzir mais animais utilizando a terra, a água e todos os outros recursos naturais limitados. Significa que precisamos de encontrar abordagens novas e inovadoras para produzir mais alimentos, o que representa um enorme desafio para os cientistas animais, apesar da vasta riqueza genética2,3. Para resolver esta questão, estão a ser adoptadas novas tecnologias nas explorações pecuárias que estão a evoluir do tradicional para o de alta tecnologia4. As operações agrícolas estão a tornar-se cada vez mais automatizadas e a utilização de sensores está a aumentar em todos os aspectos da gestão agrícola. Isto não está apenas a reduzir o trabalho penoso e o trabalho, mas também a conduzir a um aumento exponencial na quantidade de dados gerados diariamente. Tudo isto está a levar a um aumento exponencial nos dados agrícolas. Os métodos tradicionais e as estratégias convencionais não são capazes de acompanhar estes enormes dados, o que resulta em tendências decrescentes de produção, especialmente nos países em desenvolvimento5,6,7,8,9,10.

Como a inteligência artificial está a transformar enormemente todas as indústrias, oferece soluções para os problemas analíticos da pecuária e das ciências veterinárias11. Estes ajudariam a comprovar muitos aspectos da gestão agrícola que são importantes para reduzir a mortalidade e melhorar a produtividade12. Eles não podem apenas lidar com dados de forma eficiente, mas também podem tirar inferências que eram até então desconhecidas porque as técnicas de ML possuem capacidades que não estão presentes nas técnicas convencionais. A tolerância de modelagem de tais métodos é consideravelmente maior do que as metodologias estatísticas. Isso ocorre porque não há exigência de suposições ou testes de hipóteses no ML. Além disso, o ML se beneficia como a capacidade de lidar com dados não lineares, imprecisos e ruidosos. Tudo isto torna esta área da ciência muito mais flexível do que os modelos estatísticos convencionais.