Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Teramoto, Érico Tadao | - |
Autor(es): dc.contributor | FCAVR - Faculdade de Ciências Agrárias do Vale do Ribeira | - |
Autor(es): dc.contributor | Bueno, Guilherme Wolff | - |
Autor(es): dc.creator | Diniz, Arthur Queiroz | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:48:11Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:48:11Z | - |
Data de envio: dc.date.issued | 2025-05-15 | - |
Data de envio: dc.date.issued | 2025-05-13 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/310453 | - |
Fonte completa do material: dc.identifier | http://lattes.cnpq.br/8042820899164407 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0009-0009-0166-3248 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/310453 | - |
Descrição: dc.description | A 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.description | Aquaculture 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.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | FAPESP: nº 2022/02756-4 | - |
Descrição: dc.description | FAPESP: nº 2022/16545-5 | - |
Descrição: dc.description | FAPESP: nº 2024/13914-5 | - |
Descrição: dc.description | CNPQ: nº 101209/2024-0 | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | FCAVR | - |
Direitos: dc.rights | info:eu-repo/semantics/restrictedAccess | - |
Palavras-chave: dc.subject | Tilápia-do-Nilo, Modelagem de crescimento, Aprendizado de máquina, Crescimento térmico, Produção aquícola. | - |
Título: dc.title | Avaliação de métodos de estimativa do crescimento corporal de tilápias do nilo criadas em tanques-rede | - |
Título: dc.title | Evaluation of methods for estimating the growth of Nile tilapia raised in net cages | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: