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

Abstract

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.

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.