Avaliação de métodos de estimativa do crescimento corporal de tilápias do nilo criadas em tanques-rede
Carregando...
Arquivos
Data
Autores
Orientador
Teramoto, Érico Tadao 

Coorientador
Bueno, Guilherme Wolff 

Pós-graduação
Curso de graduação
Registro - FCAVR - Engenharia de Pesca
Título da Revista
ISSN da Revista
Título de Volume
Editor
FCAVR
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
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.
Resumo (inglês)
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
Palavras-chave
Tilápia-do-Nilo, Modelagem de crescimento, Aprendizado de máquina, Crescimento térmico, Produção aquícola.
Idioma
Português
Citação
DINIZ, Arthur Queiroz. Avaliação de métodos de estima do crescimento corporal de tilápias do Nilo criadas em tanques-rede. Orientador: Érico Tadao Teramoto. Coorientador: Guilherme Wolff Bueno. 2025. 39 p. Trabalho de conclusão de curso (Bacharelado em Engenharia de Pesca) - Universidade Estadual Paulista (UNESP), Faculdade de Ciências Agrárias do Vale do Ribeira, Registro, 2025.