Avaliação de métodos de estimativa do crescimento corporal de tilápias do nilo criadas em tanques-rede

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorTeramoto, Érico Tadao-
Autor(es): dc.contributorFCAVR - Faculdade de Ciências Agrárias do Vale do Ribeira-
Autor(es): dc.contributorBueno, Guilherme Wolff-
Autor(es): dc.creatorDiniz, Arthur Queiroz-
Data de aceite: dc.date.accessioned2025-08-21T20:48:11Z-
Data de disponibilização: dc.date.available2025-08-21T20:48:11Z-
Data de envio: dc.date.issued2025-05-15-
Data de envio: dc.date.issued2025-05-13-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/310453-
Fonte completa do material: dc.identifierhttp://lattes.cnpq.br/8042820899164407-
Fonte completa do material: dc.identifierhttps://orcid.org/0009-0009-0166-3248-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/310453-
Descrição: dc.descriptionA aquicultura é fundamental para suprir a demanda global por proteínas, com a tilápia-do-Nilo (Oreochromis niloticus) representando 68,36% da produção aquícola brasileira em 2024. Este estudo avaliou métodos para estimar o crescimento corporal dessa espécie em tanques-rede, comparando modelos empíricos clássicos - Coeficiente de Crescimento Linear (LNR), Coeficiente de Crescimento Específico (CCE), Coeficiente de Crescimento Diário (CCD) e Coeficiente de Crescimento Térmico (CCT) - com técnicas de aprendizado de máquina, como Máquinas de Vetores de Suporte (SVM - Support Vector Machines) e Redes Neurais Artificiais (RNA - Artificial Neural Networks). Utilizando dados de uma piscicultura no reservatório de Chavantes (SP), o CCT destacou-se entre os empíricos, com menor Raiz do Erro Quadrático Médio (RMSE - Root Mean Square Error: 16,69%) e alto índice de concordância (d: 0,97), enquanto o LNR não apresentou diferença estatisticamente significativa entre valores estimados e observados (t-test: t = 1,48). Já os modelos de aprendizado de máquina, principalmente o SVM com temperatura da água, superaram os empíricos (RMSE: 12,78%; Erro Médio de Viés - MBE - Mean Bias Error: 1,92%), mostrando maior precisão. Os resultados reforçam a importância de incluir variáveis ambientais, como temperatura, e sugerem que modelos híbridos (empíricos e inteligência artificial) podem otimizar a aquicultura moderna.-
Descrição: dc.descriptionAquaculture plays a crucial role in meeting global protein demand, with Nile tilapia (Oreochromis niloticus) accounting for 68.36% of Brazilian aquaculture production in 2024. This study evaluated methods for estimating body growth of this species in cage farming systems, comparing classical empirical models - Linear Growth Rate (LNR), Specific Growth Rate (CCE), Daily Growth Rate (CCD), and Thermal Growth Coefficient (CCT) - with machine learning techniques, including Support Vector Machines (SVM) and Artificial Neural Networks (ANN). Using data from a fish farm in Chavantes reservoir (SP, Brazil), the CCT showed the best performance among empirical models with the lowest Root Mean Square Error (RMSE: 16.69%) and high agreement index (d: 0.97), while LNR showed no statistically significant difference between estimated and observed values (t-test: t = 1.48). Machine learning models, particularly SVM incorporating water temperature, outperformed empirical models (RMSE: 12.78%; Mean Bias Error - MBE: 1.92%), demonstrating higher accuracy. The results highlight the importance of including environmental variables like temperature and suggest that hybrid models (combining empirical and artificial intelligence approaches) could optimize modern aquaculture practices.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionFAPESP: nº 2022/02756-4-
Descrição: dc.descriptionFAPESP: nº 2022/16545-5-
Descrição: dc.descriptionFAPESP: nº 2024/13914-5-
Descrição: dc.descriptionCNPQ: nº 101209/2024-0-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherFCAVR-
Direitos: dc.rightsinfo:eu-repo/semantics/restrictedAccess-
Palavras-chave: dc.subjectTilápia-do-Nilo, Modelagem de crescimento, Aprendizado de máquina, Crescimento térmico, Produção aquícola.-
Título: dc.titleAvaliação de métodos de estimativa do crescimento corporal de tilápias do nilo criadas em tanques-rede-
Título: dc.titleEvaluation of methods for estimating the growth of Nile tilapia raised in net cages-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.