ARILSON JOSÉ DE OLIVEIRA JÚNIOR SISTEMA MÓVEL PARA ANÁLISE DE CONFORTO TÉRMICO DE ANIMAIS, UTILIZANDO MÉTODO INTERPOLADOR 𝑰𝑫𝑾 Botucatu 2019 ARILSON JOSÉ DE OLIVEIRA JÚNIOR SISTEMA MÓVEL PARA ANÁLISE DE CONFORTO TÉRMICO DE ANIMAIS, UTILIZANDO MÉTODO INTERPOLADOR 𝑰𝑫𝑾 Tese apresentada à Faculdade de Ciências Agronômicas da Unesp Câmpus de Botucatu, para obtenção do título de Doutor em Agronomia (Energia na Agricultura) Orientadora: Dra. Silvia Regina Lucas de Souza Coorientador: Dr. Vasco Manuel Fitas da Cruz Botucatu 2019 O48s Oliveira Júnior, Arilson José de Sistema móvel para análise de conforto térmico de animais, utilizando método interpolador IDW / Arilson José de Oliveira Júnior. -- Botucatu, 2019 112 p. Tese (doutorado) - Universidade Estadual Paulista (Unesp), Faculdade de Ciências Agronômicas, Botucatu Orientadora: Silvia Regina Lucas de Souza Coorientador: Vasco Manuel Fitas da Cruz 1. Conforto térmico. 2. Dispositivos móveis. 3. IDW. 4. Interpolação de dados. 5. Bem-estar animal. I. Título. Sistema de geração automática de fichas catalográficas da Unesp. Biblioteca da Faculdade de Ciências Agronômicas, Botucatu. Dados fornecidos pelo autor(a). Essa ficha não pode ser modificada. AGRADECIMENTOS A Deus, autor da vida. Aos meus queridos pais Arilson José de Oliveira e Valéria Cristina Fernandes de Oliveira, por me conduzirem em caminhos de felicidade e me apoiarem sempre. À minha amada esposa, Diéllen Cristina Devidé Ribeiro de Oliveira, que vivenciou ao meu lado esse árduo trabalho, me auxiliando, sustentando e confortando em muitos momentos. Te amo! À minha orientadora Silvia Regina Lucas de Souza, pela liberdade e confiança concedida a mim durante todo o período de pesquisa. Ao Programa de Pós-graduação em Agronomia (Energia na Agricultura) da Universidade Estadual “Júlio de Mesquita Filho”, pela oportunidade e suporte concedido para o desenvolvimento desse trabalho. À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – CAPES, pelo apoio financeiro que viabilizou a concretização dessa pesquisa. Ao Departamento de Engenharia Rural da Faculdade de Ciências Agronômicas da Universidade Estadual “Júlio de Mesquita Filho”, pelo acolhimento e apoio conferidos a mim desde o início da minha trajetória acadêmica. Aos meus amigos e companheiros de pesquisa que, de alguma forma, contribuíram para a conclusão desse projeto. “Ele da força ao cansado e fortalece o que não tem vigor. Os jovens se cansarão e se fatigarão, e os moços cairão, mas os que esperam no Senhor renovarão suas forças; subirão com asas como águias; correrão e não se cansarão; andarão e não se fatigarão.” Isaías 40:29–31 RESUMO Em ambientes de produção animal o processo de análise das condições de conforto térmico pode ser realizado mediante o cálculo de índices de conforto térmico e da elaboração de mapas de variabilidade espacial de parâmetros meteorológicos e dos próprios índices de conforto térmico. Os métodos atuais para análise do bem-estar animal, especificamente aqueles por meio de mapas de índices de conforto térmico, são realizados em programas de computador utilizando-se softwares específicos de interpolação de dados. Esses processos, por sua vez, não permitem que avaliações de conforto térmico sejam realizadas facilmente no próprio local de coleta de dados. Assim, esse trabalho foi realizado com o objetivo de desenvolver um sistema para criação de mapas de variabilidade espacial da temperatura do ar e de índices de conforto térmico de animais, utilizando o método interpolador 𝐼𝐷𝑊 (Inverse Distance Weighted), ou Inverso da Distância Ponderada. O sistema desenvolvido é composto por um aplicativo Android e dispositivos de transmissão e recepção de dados meteorológicos. O aplicativo foi desenvolvido por meio da linguagem de programação orientada a objetos Java, mediante o ambiente de desenvolvimento integrado Android Studio. Já os dispositivos móveis foram criados utilizando-se sensores de baixo custo de temperatura do ar, temperatura de globo negro e umidade relativa, juntamente com microcontroladores de plataforma eletrônica de código aberto – Arduino. O algoritmo desenvolvido para o aplicativo Android foi validado por meio da comparação entre valores de temperatura do ar medidos, e aqueles interpolados pelo aplicativo em um galpão de aves de corte. Já os módulos de transmissão e recepção de dados foram validados mediante a avaliação do ambiente térmico de um galpão de aves de corte de um pequeno produtor, durante o período de seis semanas. As avaliações foram realizadas considerando os mapas de temperatura do ar e dos índices de conforto térmico 𝐼𝑇𝐺𝑈 e 𝐼𝑇𝑈, criados no próprio local de coleta de dados A comparação entre os valores medidos e aqueles interpolados pelo aplicativo evidenciaram a correta implementação do método interpolador 𝐼𝐷𝑊, resultando em grande proximidade das medidas, cuja capacidade preditiva do algoritmo apresentou boa acurácia e precisão. O correto funcionamento entre módulos de transmissão, receptor e o aplicativo Aurora, demonstraram que o sistema desenvolvido é uma ferramenta capaz de avaliar o bem-estar de aves, bovinos e suínos com o uso de mapas de variabilidade espacial da temperatura do ar ou de índices de conforto térmico. A portabilidade do sistema permite que análises in loco sejam realizadas, sendo úteis na compreensão dos fatores bioclimáticos determinantes para o conforto térmico animal. Palavras-chave: Conforto térmico. Dispositivos móveis. 𝐼𝐷𝑊. Interpolação de dados. Bem-estar animal. ABSTRACT In animal production environments, the process of analysis of thermal comfort conditions may be carried out through the calculation of the thermal comfort index and the creation of maps showing spatial variabilities of meteorological parameters and the thermal comfort indexes. The current methods for analysis of animal well-fare, especially those including maps of thermal comfort indexes, are carried out using computer programs with specific software of data interpolation. On the other hand, these processes don’t allow the evaluations of thermal comfort to be easily performed in the data collection site. Therefore, the aim of this study was developing a system for creation of maps with spatial variability of the air temperature and thermal comfort of animals, using the 𝐼𝐷𝑊 (Inverse Distance Weighted) interpolation method. The system created is formed by an Android app and devices of transmission and reception of meteorological data. The app was developed using the Java programming language, through the Android Studio integrated development environment. The mobile devices were made using low cost air temperature, black globe temperature and relative humidity sensors, and microcontrollers of open source electronic platform – Arduino. The algorithm developed for the Android app was validated by means of comparing the air temperature figures measured, and those interpolated by the app in a broiler shed. On the other hand, the transmission and reception of data were validated via the evaluation of the thermal environment in a small farmer’s broiler shed for six weeks. The assessments were performed considering the air temperature maps and the 𝐼𝑇𝐺𝑈 and 𝐼𝑇𝑈 thermal comfort indexes, created in the data collection site. The comparison between the measured figures and the ones interpolated by the app emphasized the proper implementation of the 𝐼𝐷𝑊 interpolation method, resulting in a great proximity of the measurements, and the predictive capacity of the algorithm presented good accuracy and precision. Amid the correct operation of transmition and reception modules and the Aurora app, the system that was developed demonstrated that is a tool capable of evaluating the well-being of birds, bovine and swine, using maps of spatial variability in the air temperature or thermal comfort indexes. The portability of the system allows in loco analysis, useful for comprehending the bioclimatic factors essential for the animal thermal comfort. Keywords: Animal welfare. Data interpolation. 𝐼𝐷𝑊. Mobile devices. Thermal comfort. LISTA DE ILUSTRAÇÕES INTRODUÇÃO GERAL Figura 1 - Microcontrolador Arduino UNO ......................................................... 31 CAPÍTULO 1 Figura 1 - Fluxograma de entrada e saída de dados do aplicativo Aurora ....... 44 Figura 2 - Detalhamento das configurações durante a execução do aplicativo Aurora, relativas às instanciações de classes, inicialização de variáveis, objetos e serviços............................................................... 45 Figura 3 - Galpão de aves de corte localizado na fazendo experimental Edgardia, Botucatu/SP, Brasil.................…………………... 46 Figura 4 - Posicionamento dos sensores de temperatura e umidade relativa em galpão de aves localizado na fazendo experimental Edgardia, Botucatu/SP, Brasil. A distância entre os sensores é dada em metros (m).......................................................................................... 47 Figura 5 - Medidas de temperatura do ar (A., ºC) e umidade relativa (B., %) dos sensores HC2S3 (referência) e HOBO U12-013 𝐻𝐵#$, durante período de calibração (19–20/05/2018).............................................. 51 Figura 6 - Dispersão dos dados de temperatura (A., ºC) e umidade relativa (B., %) dos sensores HC2S3 e HOBO U12-013 𝐻𝐵#$, durante período de calibração (19 – 20/05/2018)......................................................... 52 Figura 7 - Mapas de temperatura do ar (ºC) do dia 9, criados pelo aplicativo Aurora para os períodos matutino (A.) e vespertino (B.) em área experimental delimitada no galpão de aves localizado na fazenda Edgardia, Botucatu/SP, Brasil............................................................ 59 Figura 8 - Mapas de índice de conforto térmico 𝐼𝑇𝑈 criados pelo aplicativo Aurora para galpão de aves de corte da fazenda experimental Edgardia, Botucatu/SP, Brasil – Simulação da presença de aves de 1 semana no período matutino (A.) e aves de 3 semanas no período vespertino (B.).................................................................................... 60 Figura 9 - Mapas de índices de conforto térmicos criados pelo aplicativo Aurora, mediante ambientes e dados das Tabelas 5 e 6, sendo: Aves1, 𝐼𝑇𝑈, 4 semanas de vida (A.); Aves2, 𝐼𝑇𝐺𝑈, 2 semanas de vida (B.); Bovinos1, 𝐼𝑇𝑈 (C.), Bovinos2, 𝐼𝑇𝐺𝑈 (D.); Suínos1, 𝐼𝑇𝑈 (E.) e Suínos2, 𝐼𝑇𝐺𝑈 (F.)........................................................................... 63 Figura 10 - Imagem do tipo GIF criada para medidas de temperatura do ar, em ambiente simulado com dimensões 2 x 4 m......................................... 65 CAPÍTULO 2 Figura 1 - Fluxograma do algoritmo dos dispositivos de transmissão .........…... 76 Figura 2 - Fluxograma do algoritmo do dispositivo de recepção ......………….... 77 Figura 3 - Padrão de configuração e esquema de comunicação, utilizando os módulos nRF24L01, sendo: PTX (transmissores) e PRX (receptor)..... 79 Figura 4 - Galpão de aves de corte localizado em uma fazenda da região de Pardinho/SP; Interior do galpão contendo aves em sua primeira semana (A. e B.), região de expansão do galpão, conforme crescimento das aves (C.) e vista externa do galpão (D.)..................... 81 Figura 5 - Área de aplicação dos dispositivos de transmissão de dados com referência geográfica aproximada, contendo em cada área seis dispositivos (𝑇𝑅$ a 𝑇𝑅*)………....………....………....………................. 82 Figura 6 - Esquema elétrico dos dispositivos de transmissão ............……....... 83 Figura 7 - Módulo transmissor em visão superior: (1) Arduino Nano 5V, (2) nRF24L01, (3) Capacitor 100 µF, (4) Regulador de tensão ajustável MT3608 auto boost Step Up, (5, 6) Sensor de temperatura e umidade relativa AM2302 e (7, 8) Resistor de 10 KW (pull up)..........................................................................….......................... 84 Figura 8 - Esquema elétrico do módulo receptor .......………………………....... 84 Figura 9 - Módulo receptor em visão superior: (1) Arduino Nano 5 V, (2) Capacitor 100 µF, (3) Bluetooth HC-06, (4) nRF24L01 e (5, 6) Resistor 2,2 KW (divisor de tensão).………...............…........................ 85 Figura 10 - Medidas de temperatura do ar do sensor HC2S3-L e dos sensores AM2302…………...............................…………………………………... 86 Figura 11 - Medidas de umidade relativa do sensor HC2S3-L e dos sensores AM2302……...............................………...............................…............ 86 Figura 12 - Medidas de 𝑇𝑎 e (B.) Medidas de 𝑈𝑅 do sensor referência HC2S3-L e dos sensores AM2302, sem aplicação da função de calibração; (C.) Medidas de 𝑇𝑎 e (D.) Medidas de 𝑈𝑅 com aplicação das funções de calibração............................................................................................ 89 Figura 13 - Mapas de temperatura do ar gerados pelos aplicativo Aurora dos períodos de mínima e máxima, durante as semanas 1, 2 e 3............... 91 Figura 14 - Mapas de temperatura do ar gerados pelos aplicativo Aurora dos períodos de mínima e máxima, durante as semanas 4, 5 e 6.............. 92 Figura 15 - Mapas de 𝐼𝑇𝐺𝑈 gerados pelos aplicativo Aurora dos períodos de mínima e máxima, durante as semanas 1, 2 e 3……………................ 94 Figura 16 - Mapas de 𝐼𝑇𝑈 gerados pelos aplicativo Aurora dos períodos de mínima e máxima, durante as semanas 4, 5 e 6………………...................................................................................... 96 LISTA DE TABELAS CAPÍTULO 1 Tabela 1 - Limites de conforto térmico para aves de corte, bovinos de leite e suínos, segundo os índices 𝐼𝑇𝐺𝑈 e 𝐼𝑇𝑈............................................. 41 Tabela 2 - Posição dos pontos conhecidos (𝑃&') e estimados (𝑃(') de temperatura do ar (𝑧, ºC), em um plano bidimensional 𝑥 e 𝑦 .............. 51 Tabela 3 - Fatores de calibração 𝐴 e 𝐵, coeficiente de determinação 𝑅2 e desvio padrão 𝑆𝐷 para medidas de temperatura do ar (ºC) e umidade relativa do ar (%) dos sensores HOBO U12-013, sendo 𝑦 = 𝐴 + 𝐵𝑥 ............................................................................................... 53 Tabela 4 - Valores dos coeficientes: linear 𝐴, angular 𝐵, correlação 𝑅 e determinação 𝑅2, obtidos pelo método de regressão linear para os dados estimados pelos sensores móveis 𝐻𝐵𝑚1, 𝐻𝐵𝑚2 e 𝐻𝐵𝑚3.................…………………...………...………...………...…....... 54 Tabela 5 - Médias dos valores medidos 𝑂 e estimados 𝐸, coeficiente de variação dos valores medidos 𝐶𝑉> e estimados 𝐶𝑉? e desvios padrão 𝑆𝐷 dos dados de regressão linear dos sensores móveis 𝐻𝐵𝑚1, 𝐻𝐵𝑚2 e 𝐻𝐵𝑚3........................................................................ 55 Tabela 6 - Valores de 𝑀𝐴𝐸, 𝑀𝐵𝐸 e 𝑅𝑀𝑆𝐸 dos sensores móveis 𝐻𝐵𝑚1, 𝐻𝐵𝑚2 e 𝐻𝐵𝑚3, em relação aos valores interpolados pelo aplicativo Aurora em galpão de aves ............................................................................ 56 Tabela 7 - Medidas e dados utilizados de ambientes simulados para ilustração de mapas de índices de conforto térmico, a partir do aplicativo Aurora ............................................................................................... 62 Tabela 8 - Medidas simuladas de Temperatura do ar (𝑇𝑎, ºC), Umidade relativa (𝑈𝑟, %), Temperatura de globo negro (𝑇𝑔, ºC) e Temperatura de bulbo úmido (𝑇DE, ºC) utilizadas para criação de mapas de índices de conforto térmico pelo aplicativo Aurora para aves, bovinos e suínos ............................................................................................... 62 CAPÍTULO 2 Tabela 1 - Fatores de calibração para medidas de temperatura do ar (𝑇𝑎, ºC) e umidade relativa do ar (𝑈𝑅, %) dos sensores AM2302, para 𝑦 = 𝐴 + 𝐵𝑥, sendo 𝑦 = sensor referência HC2S3...................................... 88 SUMÁRIO INTRODUÇÃO GERAL......………………………………………………. 21 Objetivo geral....................................................................................... 23 Objetivos específicos........................................................................... 23 Revisão de Literatura……………………………………………………. 24 Conforto térmico………………………………………………………….. 24 Conforto térmico de animais……………………………………………. 24 Índices de conforto térmico……………………………………………... 25 Índices de conforto térmico de animais………………………………... 26 Interpolação de dados………………………………………………….... 26 Computação móvel……………………………………………………..... 28 Microcontroladores……………………………………………………..... 30 CAPÍTULO 1 – AURORA: APLICATIVO MÓVEL PARA ANÁLISE DA VARIABILIDADE ESPACIAL DE ÍNDICES DE CONFORTO TÉRMICO DE ANIMAIS, UTILIZANDO O INTERPOLADOR IDW …………………………....................................................................... 32 1.1 INTRODUÇÃO…………………………………………………………….. 34 1.2 MATERIAL E MÉTODOS…..…………………………………………... 35 1.2.1 Método interpolador …………………………………………………….... 35 1.2.2 Índices de conforto térmico para animais…………………………….... 39 1.2.3 Aplicativo Aurora…………………………………………………………... 42 1.2.4 Validação…………………………………………………………………... 45 1.2.4.1 Calibração dos sensores……………………………………………….... 48 1.2.4.2 Avaliação dos erros do interpolador…………………………………….. 48 1.2.4.3 Capacidade preditiva do interpolador…………………………………... 49 1.2.5 Requisitos de operação....................................................................... 49 1.3 RESULTADOS E DISCUSSÃO………………………………………..... 50 1.3.1 Aplicativo…………………………………………………………………... 50 1.3.2 Aurora: Validação por cálculo manual de 𝐼𝐷𝑊……............................ 50 1.3.3 Calibração dos sensores HOBO U12-013……........……........……..... 51 1.3.4 Aurora: Validação em galpão de aves……........…….......................... 53 1.3.5 Mapas de índices de conforto térmico……........……........……........... 60 1.4 CONCLUSÃO……………………………………………………………. 67 REFERÊNCIAS………………………………………………………….. 68 CAPÍTULO 2 – SISTEMA PARA MEDIÇÃO E ANÁLISE DA VARIABILIDADE ESPACIAL DA TEMPERATURA DO AR E DOS ÍNDICES ITGU E ITU, VISANDO O CONFORTO TÉRMICO ANIMAL …………………………........................................................ 72 2.1 INTRODUÇÃO……………………………………………………………. 74 2.2 MATERIAL E MÉTODOS…..………………………………………….... 75 2.2.1 Sistema de leitura e transmissão de dados…………………………… 75 2.2.2 Dispositivo de transmissão ……………………………………………… 78 2.2.3 Módulo receptor…………………………………………………………... 80 2.2.4 Calibração dos sensores AM2302……………………………………… 80 2.2.5 Validação do sistema…………………………………………………….. 80 2.3 RESULTADOS E DISCUSSÃO…………………………………………. 83 2.3.1 Dispositivos de transmissão e módulo receptor………………………. 83 2.3.2 Calibração dos sensores AM2302…………………………………….... 85 2.3.3 Variabilidade espacial de 𝑇𝑎, 𝐼𝑇𝐺𝑈 e 𝐼𝑇𝑈 em galpão de aves…….... 90 2.3.4 Custo................................................................................................... 99 2.4 CONCLUSÃO……………………………………………………………... 99 REFERÊNCIAS………………………………………………………….... 101 CONSIDERAÇÕES FINAIS ................................................................ 105 REFERÊNCIAS ..…........……........……............................................... 106 21 INTRODUÇÃO GERAL Muitos são os trabalhos desenvolvidos atualmente relacionados à análise de conforto térmico de ambientes, em diferentes arquiteturas de instalações e para diferentes tipos de indivíduos. Houve, por meio de trabalhos científicos e da expansão dos setores que necessitam de intenso controle de parâmetros meteorológicos em suas instalações, um avanço significativo das tecnologias de monitoramento e controle de medidas inerentes ao conforto térmico. As condições de conforto térmico não são, em aspectos que determinam níveis de classificação de estados de conforto ou desconforto, integralmente absolutas. Ou seja, as condições térmicas diferem-se entre os indivíduos. Em avaliações de confortabilidade térmica de pessoas é comum considerar vertentes subjetivas para indicar se há conforto térmico ou não, como sua idade, peso, região em que habita, atividade executada no momento da avaliação, vestimentas entre outros. Já em avaliações de conforto térmico de animais, observa- se o uso frequente de índices de conforto térmico específicos para cada espécie. Embora os diferentes índices façam uso de variáveis meteorológicas semelhantes, a determinação da condição de conforto ou estresse térmico está relacionada a limites pré-definidos segundo a espécie e a idade do animal. Dessa forma, para uma ave com poucas semanas de vida um determinado ambiente pode ser confortável, porém, o mesmo pode apresentar-se desconfortável para um bovino ou suíno. Sabe-se que ambientes saturados de massas de ar quente e de elevada umidade ocasionam grandes perdas de performance produtiva e de potencial genético dos animais. Por isso, as condições de desconforto térmico além de prejudicarem significativamente à saúde quando há longos períodos de exposição, impedem a obtenção do máximo rendimento e qualidade das atividades desenvolvidas. Os processos de avaliação de conforto térmico, especificamente em ambientes de produção animal, podem ser desenvolvidos mediante duas atividades subsequentes e complementares. A primeira delas é a medição de variáveis meteorológicas (temperatura do ar, temperatura de globo negro, temperatura de bulbo úmido, umidade relativa, radiação solar e velocidade do vento), que são na maioria das vezes complementadas pela aplicação de índices não invasivos que, por meio dos parâmetros meteorológicos, fornecem a condição térmica aproximada de um determinado ambiente, informando se os indivíduos ali presentes estão confortáveis. Dentre os índices utilizados nesse tipo de avaliação, alguns são frequentemente 22 relatados em trabalhos e pesquisas, tais como o Índice de Temperatura e Umidade – ITU (BUFFINGTON et al., 1983), Índice de Temperatura de Globo Negro e Umidade – ITGU (BUFFINGTON et al.,1981) e Índice de Temperatura-Umidade-Velocidade (TAO e XIN, 2003). A aplicação desses índices baseia-se na instalação de sensores e dispositivos eletrônicos de armazenamento de dados (data loggers), e posterior cálculo da equação correspondente. A segunda atividade para avaliação do conforto térmico animal, é o mapeamento do ambiente onde se deseja avaliar os aspectos bioclimáticos em função da variabilidade espacial de medidas como: temperatura do ar, umidade relativa, velocidade do vento e dos próprios índices de conforto térmico. Nesse processo, a prática comum é trabalhar com dados coletados em pontos conhecidos e inseri-los posteriormente em softwares capazes de manipular os dados e gerar mapas temáticos, segundo o tipo de medida a ser avaliada. Apesar dos softwares processarem de forma eficaz grandes volumes de dados e gerarem mapas com precisão autêntica, tais programas exigem do usuário um determinado conhecimento e habilidade específica para manipular as ferramentas e componentes presentes no software (que podem, inclusive, ser de complexidade considerável). Além do conhecimento prévio para manipulação do volume de dados durante sua importação e em todo o processo de preparação, montagem e configuração dos equipamentos. Em suma, o processo de criação dos mapas de variabilidade espacial consiste atualmente na medição, transferência dos dados para um computador pessoal e uso de softwares específicos para o desenvolvimento dos mapas. Assim, observa-se que a prática atual de mapeamento inviabiliza possíveis análises dos parâmetros bioclimáticos in loco, ou seja, no próprio local onde as medidas são coletadas. Outro fator comumente observado nesse processo é a obtenção de mapas para as medidas de temperatura do ar, umidade relativa ou velocidade do vento, e não especificamente dos índices de conforto térmico de animais. O desenvolvimento de novas soluções tecnológicas correlacionadas à análise de conforto térmico animal, permite que linhas de pesquisa e trabalho associadas à zootecnia de precisão sejam aprimoradas, sobretudo no que diz respeito à performance das atividades concernentes ao bem-estar animal. 23 Objetivo Geral Diante do exposto, este trabalho foi conduzido com o objetivo de desenvolver um sistema móvel para análise do bem-estar animal, a partir de mapas temáticos de temperatura do ar e de índices de conforto térmico. Objetivos Específicos • Desenvolver um algoritmo de aplicação do método interpolador Inverso da Distância Ponderada, 𝐼𝐷𝑊; • Desenvolver um aplicativo para dispositivos móveis Android, capaz de interpolar dados e criar mapas temáticos; • Criar dispositivos para medição da temperatura do ar, temperatura de globo negro e umidade relativa, e transmissão de dados via tecnologia de rádio frequência; • Criar um dispositivo capaz de receber dados meteorológicos e enviá-los a um smartphone, por meio de tecnologia Bluetooth. A presente tese encontra-se dividida nos seguintes tópicos e capítulos: Introdução geral e Revisão de literatura: contextualização e conceituação dos principais assuntos abordados na pesquisa. Capítulo 1 – Intitulado “Aurora: Aplicativo móvel para análise da variabilidade espacial de índices de conforto térmico de animais, utilizando interpolador 𝐼𝐷𝑊”, teve por objetivo o desenvolvimento de um aplicativo para criação de mapas de temperatura do ar e índices de conforto térmico de animais, a partir de pontos referenciados em áreas bidimensionais. Capítulo 2 – Intitulado “Sistema para medição e análise da variabilidade espacial de 𝐼𝑇𝐺𝑈, 𝐼𝑇𝑈 e Temperatura do ar”, teve por objetivo a criação de um sistema capaz de medir dados de temperatura do ar, temperatura de globo negro e umidade relativa, permitindo análises de conforto térmico de animais in loco. Considerações finais: conclusões finais frente ao desenvolvimento, experimentação e discussão da pesquisa. 24 Revisão de Literatura A seguir são apresentadas as revisões de literatura dos assuntos que fazem parte da contextualização deste trabalho. Conforto térmico O conforto térmico é um parâmetro subjetivo. Embora hajam definições que relacionam o conforto térmico de um determinado indivíduo com a condição mental que expressa satisfação em relação ao ambiente térmico (ASHRAE, 2010; NEMATCHOUA, TCHINDA e OROSA, 2013; DIN et al., 2014), existem diferenças quanto a essa perspectiva. Entretanto, para além de uma definição, pode-se considerar o conforto térmico como o fundamento de estudos destinado à análise das condições necessárias para se criar um ambiente apropriado às atividades de seus indivíduos. Entende-se que as sensações de calor ou frio não dependem somente da temperatura do ar, mas de fatores como: i. temperatura radiante (a temperatura das superfícies ao nosso redor), ii. umidade relativa (medição do vapor de água em uma mistura ar-água), iii. movimento do ar (a taxa na qual o ar se move e toca a pele), iv. taxa metabólica (quantidade de energia gasta) e v. isolamento de roupas (materiais usados para reter ou remover o calor do corpo) (RAISH, 2019). Ao longo de pesquisas e trabalhos voltados para compreensão do conforto térmico, observou-se que há uma evidente relação entre bem-estar e produtividade. Indivíduos satisfeitos em relação ao ambiente térmico são mais produtivos, tanto os seres humanos (LUOA et al., 2013; SAKOI e MOCHIDA, 2013; DIN et al., 2014, KRALIKOVA, SOKOLOVA e WESSELY, 2014), como os animais (PASSINI et al., 2009; ALMEIDA et al., 2010; HERMUCHE et al., 2013). Assim, em um sistema produtivo (especialmente de animais), a construção, o monitoramento e manejo dos ambientes necessitam de uma atenção especial para que a bioclimatologia (estudos do clima às relações com os seres vivos) seja a melhor possível. Conforto térmico de animais Os animais homeotérmicos, cuja temperatura corporal interna permanece constante, possuem um estado em que seus mecanismos termorreguladores não apresentam esforços para atingir e manter o que chamamos de equilíbrio térmico. Que por sua vez, pode ser compreendido como a condição mental que expressa plena 25 satisfação em relação ao ambiente térmico, ou seja, o conforto térmico. Esse estado favorece o sistema fisiológico do animal, não permitindo que haja perdas de energia em mecanismos internos de preservação ou dissipação de calor (BAÊTA e SOUZA, 2010). De acordo com Baêta e Souza (2010), a condição de equilíbrio térmico, ou de termoneutralidade, associa-se à faixa de temperatura efetiva de um ambiente. Nesse contexto, é possível compreender os limites das condições térmicas dos animais, nos quais observa-se temperaturas além e aquém dos padrões desejados. Assim, são criadas zonas de sobrevivência, de homeotermia e de conforto térmico, permitindo assim estabelecer limites bem definidos entre o que se considera conforto, desconforto e estresse térmico (NÄÄS, 2008). Na zona de conforto térmico é onde encontra-se a termoneutralidade dos animais, seus limites inferiores e superiores delimitam entre a condição de conforto térmico e as condições de desconforto térmico pelo frio e pelo calor, respectivamente. Os extremos dos estados térmicos podem ser compreendidos mediante o estresse térmico pelo frio e pelo calor, condições nas quais é indispensável uma ação para normalizar a bioclimatologia do ambiente. Ainda segundo Baêta e Souza (2010), a hipotermia e a hipertermia definem os intensos valores de temperatura que estão além do estresse térmico pelo frio e pelo calor. O aumento da frequência respiratória e cardíaca, a redução da ingestão de alimentos e o aumento do consumo de água, são algumas características fisiológicas que os animais apresentam em condições de estresse térmico. Índices de conforto térmico Conforme exposto na definição de conforto térmico, não se pode avaliar o conforto térmico de um indivíduo tão somente pela temperatura do ambiente, mas deve-se levar em conta a temperatura radiante, umidade relativa, movimento do ar, taxa metabólica e isolamento de roupas (RAISH, 2019). Todavia, compreende-se que a influência que os fatores meteorológicos exercem sobre essa avaliação é fundamental na predição do bem-estar. Deste modo, os índices de conforto térmico são considerados métodos que permitem analisar e monitorar, de forma quantitativa, as condições térmicas de ambientes/indivíduos. Para uma análise mediante fatores meteorológicos, os índices de conforto térmico têm como parâmetros medidas de fácil obtenção, como a temperatura e umidade relativa do ar, temperatura de globo negro, temperatura de bulbo úmido, 26 velocidade do vento, pressão atmosférica e radiação solar. Ao associar o comportamento dos indivíduos com os parâmetros quantitativos, torna-se possível a determinação das zonas de conforto térmico sem a necessidade de se obter dados qualitativos dos indivíduos, o que é coerente quando se trata de avaliações de conforto térmico de animais. Dessa forma, a relação entre a real sensação dos indivíduos e os resultados gerados pelos índices de conforto térmico, demonstra que os índices são métodos eficazes nos processos de monitoramento e otimização de ambientes, considerando as limitações do padrão quantitativo (SILVA, MORAIS e GUILHERMINO, 2007). Índices de conforto térmico de animais A partir da correlação entre os parâmetros meteorológicos e o comportamento de animais e pessoas, muitos trabalhos foram desenvolvidos visando a criação de índices que correspondem, da melhor forma possível, à real condição térmica de um ambiente. Inicialmente os índices de conforto térmico foram criados e validados para seres humanos, como por exemplo, o Índice de Temperatura e Umidade – 𝐼𝑇𝑈, criado por Thom (1959). Ao longo dos anos o índice 𝐼𝑇𝑈 sofreu algumas modificações, sendo adaptado para análises do bem-estar de bovinos e aves (BIANCA, 1962; NRC, 1971; DIKMEN e HANSEN, 2009). Este índice tem como variáveis de entrada medidas de temperatura do ar e umidade relativa. Apesar do 𝐼𝑇𝑈 demonstrar boa aplicação como índice de conforto térmico, o mesmo apresenta algumas limitações devido ao aspecto minimalista quanto às variáveis utilizadas. Então, Buffington et al. (1981) propuseram outro índice chamado de Índice de Temperatura de Globo Negro e Umidade – 𝐼𝑇𝐺𝑈, cuja equação foi desenvolvida para análises de bovinos, e faz uso das medidas de temperatura do ar, umidade relativa e temperatura de globo negro. A temperatura de globo negro, medida utilizando-se um globo negro oco (fosco) de cobre, permitiu que fossem realizadas estimativas das condições de conforto térmico mais próximas às sentidas pelos animais (BUFFINGTON et al., 1981). Após as adaptações iniciais dos índices de conforto térmico de seres humanos para os animais, muitos trabalhos foram realizados visando avaliar não somente os aspectos comportamentais, mas também características construtivas dos ambientes e do próprio desempenho zootécnico que os animais apresentam frente aos resultados apresentados pelos índices de conforto térmico. Alguns trabalhos, como os 27 de Santos et al. (2005b), Lima et al. (2009), Fiorelli et al. (2010), Jácome et al. (2007) e Alves, Silva e Piedade (2007), avaliaram a correlação entre os tipos de materiais utilizados em coberturas de galpões de aves de produção e suas influências no conforto térmico (a partir dos índices de conforto térmico). Outras pesquisas buscam analisar as respostas fisiológicas e o desempenho zootécnico de aves sob variações de condições térmicas (MEDEIROS et al., 2005; OLIVEIRA et al., 2006; MENEGALI et al., 2010). Em suínos, trabalhos realizados buscaram compreender os perfis bioclimáticos das instalações, bem como seus efeitos no conforto térmico animal, além da relação entre os sistemas de alojamento e os parâmetros e comportamentos fisiológicos, assim como os índices zootécnicos (SAMPAIO et al., 2004; CORDEIRO et al., 2007; PANDORFI, SILVA e PIEDADE, 2008; FERNANDES et al., 2011; SARUBBI et al., 2012). Já em bovinos, os índices são aplicados como forma de avaliar os impactos das condições térmicas nos aspectos produtivos (NAVARIN et al., 2009; ALMEIDA et al., 2010; MELLADO et al., 2010; SILVA et al., 2010; BOHLOULI et al., 2013; BRÜGEMANN et al., 2013; NASCIMENTO et al., 2013; SCHÜLLER, BURFEIND e HEUWIESER, 2014). Demais pesquisas, como as de Furtado et al. (2006), Damasceno et al. (2010), Gomes et al. (2011) e Carvalho et al. (2014), analisaram os índices de conforto térmico perante modelos de predição e as possíveis influências do ambiente na produção. Além das aves, suínos e bovinos (cuja aplicação dos índices de conforto térmico é mais comum), em outras espécies de animais os índices também são aplicados, tendo em vista a concepção de avaliações sobre a influência das condições térmicas nas atividades dos animais, além dos efeitos que as variações meteorológicas e os diferentes tipos de materiais utilizados nas instalações causam no desempenho zootécnico e nas respostas fisiológicas dos animais (CEZAR et al., 2004; SANTOS et al., 2005a; SILVA et al., 2006; LIN et al., 2012; MALAMA et al., 2013). Interpolação de dados A interpolação é uma ferramenta matemática que é utilizada quando se faz necessário estimar valores a partir de um conjunto de dados. Em suma, quando se deseja densificar a malha de pontos ou estimar valores em pontos internos de uma área, a interpolação de dados é aplicada (MATOS, 2001). Os métodos de interpolação 28 compartilham de um princípio básico, de que “os pontos mais próximos tendem a ter características mais semelhantes do que pontos mais distantes” (BURROUGH, 1986). Existe uma caracterização dos métodos de interpolação, podendo ser determinísticos ou probabilísticos. Os métodos determinísticos são baseados diretamente nos valores medidos na vizinhança e/ou fórmulas matemáticas aplicadas para esses mesmos valores. Já os métodos probabilísticos correspondem aos métodos geoestatísticos, que incluem autocorrelação, “a qual expressa a intensidade de similaridade entre as amostras medidas em relação à distância e direção” (BURROUGH, 1986). O Inverso da Distância Ponderada é um dos modelos determinísticos mais simples para interpolar valores, sendo comumente aplicado o padrão de interpolação por média ponderada, no qual o valor estimado de cada ponto da malha é obtido mediante um peso adequado para os valores de altitude das amostras vizinhas. A ponderação mais usada é o inverso da distância euclidiana, elevada a um expoente (ISAAKS E SRIVASTAVA, 1989; MOLIN, AMARAL E COLAÇO, 2015). Há outros métodos de interpolação, como por exemplo, a krigagem. A maneira como os pesos são atribuídos às amostras é o diferencial básico entre a krigagem e outros métodos de interpolação (MATOS, 2003). A metodologia da krigagem é semelhante ao da interpolação por média ponderada, salvo que, na krigagem, uma análise espacial (baseada no semivariograma experimental) é necessária para determinar os pesos (MATOS, 2003). Outra característica importante da krigagem, é que ela fornece, em média, estimativas não tendenciosas. Segundo Matos (2003), observa-se como desvantagem do método o seu custo computacional, que é proporcional a 𝑛M (onde 𝑛 é o número de pontos da amostra), o que o torna dispendioso para grandes volumes de dados. Computação móvel A capacidade de disponibilizar ferramentas computacionais aos usuários, onde e quando for necessário, define o conceito de computação móvel. A independência da localização para que serviços sejam utilizados permite caracterizar a mobilidade da ação, sendo a computação o objeto fim do processo (FERNANDO, LOKE e RAHAYU, 2013). Atualmente, é comum observar uma mudança na forma com que as pessoas interagem com os serviços computacionais, no qual há um volume 29 ascendente de usuários que preferem realizar trabalhos de carácter digital em seus smartphones. A computação móvel, por meio dos dispositivos móveis, transformou não apenas hábitos de entretenimento e de interação entre as pessoas, mas também os meios de adquirir produtos, pesquisar, opinar e avaliar na rede mundial de computadores. De acordo com uma pesquisa realizada por Khan, Habib e Jamal (2020), percebe-se, atualmente, uma diferença comportamental, em termos de mobilidade, entre as pessoas que utilizam frequentemente aplicativos para smartphones, e as que não o fazem. Observou-se, por exemplo, que os indivíduos que utilizam os automóveis como meio de transporte, tendem a aumentar a visita a novos lugares, devido ao uso de aplicativos. Além disso, para essas pessoas, há um aumento no planejamento de viagens em grupo, por exemplo. Outros trabalhos, como o de Kim et al. (2019), ao avaliar o comportamento de alunos, frente ao uso de smartphones em sala de aula, demonstrou que os aplicativos de mensagens instantâneas, mídias sociais e navegadores, são os mais utilizados pelos estudantes em sala de aula. A pesquisa demonstrou claramente que o uso dos dispositivos móveis é generalizado nas salas de aula investigadas, e que, apesar dos benefícios que os smartphones oferecem, seu uso excessivo pode ser prejudicial ao desempenho acadêmico. Segundo Horwood e Anglim (2019), uma pesquisa de 2017 em adultos, mostrou que 54% das pessoas estão ocupadas em seus smartphones, quando deveriam estar realizando outras atividades; 65% relataram estarem ocupadas em seus dispositivos móveis mais do que o pretendido. De acordo com a Pew Research Center (PAGBRASIL, 2020), considerando dados de 2018, o Brasil é o quinto país que mais faz uso de smartphones no mundo. 84 milhões de adultos possuem um smartphone, o que representa 54% dos adultos no país. Considerando o uso de aplicativos de compra, o Brasil é o quarto país de maior uso no ranque mundial. Para os aplicativos de alimentação, em dois anos houve um crescimento de 45%, o que resultou no dobro de downloads de aplicativos como, iFood e Uber Eats. Nos últimos dois anos, houve um aumento de 130% no tempo que os brasileiros passam assistindo vídeos em seus dispositivos móveis; 81% dos que possuem celulares, acessam suas contas bancárias por aplicativos. Os aplicativos de mídias sociais também são muito populares no Brasil; em termos de tempo de uso, WhatsApp, Facebook e Instagram são os três aplicativos mais utilizados pelos brasileiros. 30 Microcontroladores Os microcontroladores são circuitos integrados programáveis, podendo ser definidos como computadores. A arquitetura elementar de um microcontrolador consistem em uma unidade central de processamento (CPU, Central Processing Unit), memória volátil e não volátil e portas de entrada e saída para comunicação com dispositivos externos (CALCUTT, COWAN e PARCHIZADEH, 2003; RENATO, 2006). O uso dos microcontroladores é bastante diversificado, podendo ser aplicado em máquinas hidráulicas comandadas, máquinas dispensadoras de produtos, sistemas autônomos de controle, motores e temporizadores, sistemas de monitoramento de temperatura, máquinas pneumáticas entre outros. Segundo Calcutt, Cowan e Parchizadeh (2003), há diversas características que definem um microcontrolador, como por exemplo: i. Embarcado em outros dispositivos (normalmente um produto de consumo, sendo os microcontroladores muitas vezes chamados de sistemas embarcados), ii. Dedicados a uma tarefa exclusiva, no qual há um programa específico programado (script armazenado na memória ROM, não volátil), iii. Dispositivo de baixo consumo de energia (um microcontrolador a bateria pode consumir apenas 50 mW). Um microcontrolador é capaz de controlar outros dispositivos facilmente, tornando possível sua interação através do envio de sinais eletrônicos para diferentes componentes do dispositivo. Os microcontroladores são, geralmente, pequenos e de baixo custo. Pode-se citar exemplos de aplicação dos microcontroladores em diversas áreas, como saúde, simulações e lógicas matemáticas, monitoramento climático, desenvolvimento computacional, entre outros (TEWARI et al., 2014; PANDIARAJ et al., 2014; DEVARAJU et al., 2015; DOMINGOS et al., 2015; LI, WANG e XIE, 2015; WYRWOł e HRYNKIEWICZ, 2015; FATEHNIA et al., 2016). Na Figura 1 é apresentado um exemplo de microcontrolador (Arduino UNO). 31 Figura 1 – Microcontrolador Arduino UNO Fonte: ARDUINO (2020). Arduino UNO é um microcontrolador baseado em ATmega328P, que opera sob tensão de 5V. Possui 14 pinos digitais de entrada e saída, e 6 analógicos. Este modelo foi o primeiro de uma série de placas Arduino com porta USB, e é um modelo de referência da plataforma Arduino (ARDUINO, 2020). Suas dimensões são de 68,6 x 53,4 mm. 32 CAPÍTULO 1 – AURORA: APLICATIVO MÓVEL PARA ANÁLISE DA VARIABILIDADE ESPACIAL DE ÍNDICES DE CONFORTO TÉRMICO DE ANIMAIS, UTILIZANDO O INTERPOLADOR !"# RESUMO Em ambientes de produção animal o processo de análise das condições de conforto térmico pode ser realizado por intermédio do cálculo de índices de conforto térmico e da elaboração de mapas da variabilidade espacial de parâmetros meteorológicos e dos próprios índices de conforto térmico. Os métodos atuais para obtenção de análises pertinentes ao bem-estar de animais, mediante mapas de interpolação de dados, podem se tornar dispendiosos em situações de análises pontuais e minimalistas, ou que requeiram diagnósticos in loco. Assim, esse estudo foi realizado com o objetivo de desenvolver um aplicativo para smartphones Android para criação de mapas da variabilidade espacial de índices de conforto térmico e de temperatura do ar, por meio de método interpolador. O aplicativo foi desenvolvido utilizando-se a linguagem de programação orientada a objetos Java, por meio do ambiente de desenvolvimento Android Studio. O método interpolador empregado foi o Inverso da Distância Ponderada (Inverse Distance Weighted, $%&), adotando ' = 2. O algoritmo desenvolvido foi validado mediante processo de comparação entre valores de temperatura do ar medidos e valores interpolados pelo aplicativo, em galpão de aves de corte. Os resultados mostraram que o algoritmo desenvolvido corresponde à correta implementação da equação do método interpolador $%&. A partir do processo de comparação, a avaliação dos erros do algoritmo apresentou maior valor de *+, e *-, de 0,3 ºC e .*/, de 0,37 ºC. A capacidade preditiva do algoritmo quanto à sua precisão, apresentou baixa dispersão dos dados. Em relação à acurácia das medidas, o maior valor de coeficiente angular obtido foi 1,04 ºC. Deste modo, o aplicativo desenvolvido permite criar mapas de índices de conforto térmico e de temperatura do ar úteis na obtenção de análises das condições térmicas de ambientes, especialmente em galpões de produção animal. Palavras-chave: Android. Conforto térmico. Dispositivos móveis. $%&. Interpolação de dados. 33 ABSTRACT In animal production environments the process of analysis of thermal comfort conditions may be accomplished through the calculation of thermal comfort indexes and the mapping of spatial variability of meteorological parameters and the thermal comfort indexes per se. Current methods for obtaining relevant analysis of animal welfare using data interpolation maps can become costly in one-time and minimalist analysis or require on-site diagnosis. Thus, the aim of this study was to develop an application for Android smartphones in order to create maps of spatial variability of thermal comfort indexes and air temperature, via the interpolator method. The application was developed through the Java object-oriented programming language, using the integrated Android Studio development environment. The interpolator method applied was the Inverse Distance Weighted ($%&), assuming ' = 2. The algorithm developed was validated by comparing both measured and interpolated air temperature figures by the application in a broiler shed. The results demonstrated that the algorithm is in accordance with the equation of the $%& interpolator method. As of the process of comparison, the assessment of the bugs in the algorithm showed higher values in *+, and *-, at 0,3 ºC and in .*/, at 0,37 ºC. The predictive capacity of the algorithm, in terms of its precision, presented low data dispersion. Regarding the accuracy of the measurements, the highest gradient obtained was 1,04 ºC. Therefore, the application allows the creation of air temperature maps that are relevant for obtaining analysis of environmental thermal conditions, specially in animal production sheds. Keywords: Android. Data interpolation. $%&. Mobile devices. Thermal comfort. 34 1.1 INTRODUÇÃO O uso de tecnologias no setor zootécnico e agrícola tem sido de grande importância para o desenvolvimento de novas ferramentas e pesquisas que proporcionam uma melhora da produtividade do trabalho do homem e das condições de produção animal (NAWAB et al., 2018; FAR e REZAEI-MOGHADDAM, 2018). O estudo das condições meteorológicas que animais ou seres humanos são submetidos, permite compreender e investigar os fatores determinantes das condições de estresse térmico. Segundo Ashrae (2010), o conforto térmico é uma condição mental que demonstra satisfação com o ambiente térmico, que por sua vez, apropria-se de um estado variável decorrente a fatores fisiológicos e psicológicos. Desse modo, o entendimento da interação entre indivíduo e ambiente é de extrema importância para uma maior eficiência na produção. Em ambientes de produção animal, o processo de análise das condições de conforto térmico e de comportamento animal pode ser realizado por meio do cálculo de índices de conforto térmico (THOM, 1959; BUFFINGTON et al.,1981; BUFFINGTON et al., 1983; TAO E XIN, 2003; HIGASHIYAMA et al., 2013; BOHLOULI et al., 2013; SCHÜLLER, BURFEIND e HEUWIESER, 2014) e da elaboração de mapas da variabilidade espacial de parâmetros meteorológicos, como temperatura e umidade relativa do ar, temperatura de globo negro, velocidade do vento, e dos próprios índices de conforto térmico, mediante técnicas de interpolação de dados (FARIA et al., 2008; PONCIANO et al., 2013; NAZARENO et al., 2015; COELHO et al., 2015). Uma análise efetiva das condições de conforto de um ambiente, mediante cálculo de índices ou da criação de mapas, requer um conhecimento prévio do pesquisador ou produtor para manipulação das ferramentas necessárias visando a integridade dos resultados. Os métodos atuais de avaliação de conforto térmico de ambientes consistem, em grande parte, na configuração prévia de sensores e data loggers (determinação das variáveis, período, intervalos de medição e formato de armazenamento de dados), e posterior organização desses dados por intermédio de softwares como Surfer, MatLab, GS+ e QGIS. Esses processos podem se tornar dispendiosos em situações de análises pontuais e minimalistas, ou que requeiram diagnósticos in loco, por exemplo. A falta de conhecimento na manipulação das tecnologias ou a necessidade de qualificação para uma avaliação efetiva dos ambientes, pode acarretar em diagnósticos errôneos das condições térmicas. 35 As ferramentas computacionais auxiliam produtores e pesquisadores na determinação do comportamento termodinâmico de seus ambientes (MORGADO, TALAIA e TEIXEIRA, 2017; SARAZ et al., 2017; QUEIROZ et al., 2017), permitindo classificar as condições térmicas mediante os limites estabelecidos pelos índices de conforto térmico (OLIVEIRA JÚNIOR et al., 2018). Dessa forma, percebe-se que o desenvolvimento de novas tecnologias é importante para o auxílio às técnicas de análise e monitoramento do conforto térmico em galpões de produção animal. Para produtores e pesquisadores que atuam na produção animal, é de grande importância possuir tecnologias de fácil usabilidade e que lhes permitam realizar ações preventivas e corretivas em galpões, tendo em vista ganhos na eficiência produtiva e na melhora da saúde dos animais. Assim, este trabalho foi realizado com o objetivo de desenvolver um aplicativo para smartphones Android para criação de mapas da variabilidade espacial de temperatura do ar e de índices de conforto térmico de animais, utilizando o interpolador $%&. 1.2 MATERIAL E MÉTODOS 1.2.1 Método interpolador Para a criação dos mapas de distribuição dos índices de conforto térmico e de parâmetros meteorológicos foi utilizado o interpolador inverso da distância ponderada (Inverse Distance Weighted, $%&), adotando ' = 2, também conhecido por inverso do quadrado da distância. A escolha do $%& como forma de estimativa dos pontos desconhecidos foi realizada considerando sua fácil implementação e os bons resultados que o interpolador apresenta (APAYDIN, SONMEZ e YILDIRIM, 2004). Desta forma, não são necessários desenvolvimentos de interpoladores mais complexos, como por exemplo, a krigagem, na qual deve-se realizar uma análise espacial baseada no semivariograma experimental (SOARES, 2000). Considerando que a diferença básica entre a krigagem e demais métodos de interpolação é a forma como os pesos são aplicados às amostras, considera-se o método $%& suficiente para compreender o cenário de estudo e aplicação da ferramenta a ser desenvolvida. O interpolador $%& assume que objetos próximos um do outro são mais semelhantes do que aqueles que estão mais distantes, sendo “'” o parâmetro que determina a influência dos valores que estão mais próximos ao ponto interpolado (MIRANDA, 36 2010). Para aplicação desse tipo de interpolador deve-se assumir que os pontos interpolados foram estimados considerando que no ambiente apenas os pontos conhecidos influenciam nos valores estimados. Quanto mais distante se encontra um valor a ser estimado dos valores conhecidos, menor será a influência dos valores conhecidos no ponto a ser estimado. Ao considerar o quadrado da distância (' = 2), os pontos conhecidos possuem maior influência sobre os dados estimados próximos a este. Não há qualquer regra para o valor da potência utilizada nas distâncias, porém o inverso do quadrado da distância apresenta-se como o mais usual para o interpolador (MIRANDA, 2010). Outros valores de potência foram testados (ex.: ' = 1 e ' = 3), porém os mapas com ' = 2 demonstraram ser mais apropriados, além de ser o parâmetro ' mais utilizados na literatura como um valor padrão. Trabalhos de análise do impacto do valor da potência ' do interpolador $%& na estimativa de valores desconhecidos, como os de Pham et al. (2016) e Musashi, Pramoedyo e Fitriani (2018), demonstraram que, especificamente para medidas de temperatura do ar, segundo Musashi, Pramoedyo e Fitriani (2018), uma potência de ' = 2 apresenta maior acurácia na predição de temperatura do ar, de acordo com o método de validação cruzada utilizando .*/, (Root Mean Square Error) (ARMSTRONG, 1998). Ao interpolar valores de matéria orgânica, Pham et al. (2016) também observou que, dentre seis valores de potência, ' = 2 é o valor mais acurado. Softwares geoestatísticos, como por exemplo ArcGIS, define por padrão o valor quadrático da potência de '. A Eq.1 apresenta o cálculo de um ponto estimado 2, segundo o interpolador $%& (ISAAKS e SRIVASTAVA, 1989; MOLIN, AMARAL e COLAÇO, 2015). 2 = ∑ 1 56 7 268 69: ∑ 1 56 7 8 69: (1) Em que 2 é o valor estimado para o ponto 2, ; é o número de amostras, 26 os valores conhecidos, 56 a distância entre o valor conhecido e o estimado ( 26 e 2 ) e ' = 2. Tendo em vista o desenvolvimento do algoritmo para criação dos mapas de interpolação, seis variáveis foram definidas como entrada para realização dos cálculos do método do inverso da distância por meio de Pontos Fixos Equidistantes – <=,, 37 sendo: 1. Número de sensores; 2. Número de linhas (de pontos conhecidos, >?@A); 3. Número de colunas (de pontos conhecidos, >?@B); 4. Largura do ambiente (CD, cm); 5. Comprimento do ambiente (EF, cm) e 6. Equidistância dos sensores no ambiente (,G, cm). O modo de <=, torna o processo de criação dos mapas mais prático ao usuário, visto que por meio desse método faz-se necessário a inserção do número de sensores, número de linhas e colunas onde se encontram os pontos conhecidos, o tamanho do ambiente a ser analisado e a equidistância dos sensores (cm). A partir dessas variáveis o aplicativo define o arranjo físico dos pontos conhecidos e as distâncias entre os valores conhecidos e estimados. O modo de <=, considera que na intersecção das linhas e colunas informadas pelo usuário, é onde se encontram os pontos conhecidos. O número de linhas e colunas total (em toda a malha imaginária do mapa) é obtido por meio das equações: Eq. 2 e 3: >A68HDI = JK ,G L M × K >?@I >?@B + 1MP + >?@A (2) Em que >A68HDI é o número de linhas, ,G a equidistância dos sensores (cm), L = 1 (constante da distância de interpolação, cm), >?@I o número de sensores e >?@B o número de colunas. >BFAQ8DI = JK ,G L M × K >?@I >?@A + 1MP + >?@B (3) Em que >BFAQ8DI é o número de colunas, ,G a equidistância dos sensores (cm), L = 1 (constante da distância de interpolação, cm), >?@I o número de sensores e >?@A o número de linhas. Obteve-se a distância entre pontos conhecidos e interpolados mediante o espaço euclidiano entre eles, métrica definida pela distância entre dois pontos como o comprimento do segmento de reta que os conecta. Assumindo que os mapas de índices de conforto térmico, nesse caso, são caracterizados em duas dimensões apenas (R e S), seguindo os modelos apresentados por Faria et al. (2008), Barros, Rossi e Souza (2017) e Queiroz et al. (2017), a distância bidimensional foi computada 38 de acordo com a Eq. 4 para os pontos < ('U, 'W) e Y (ZU, ZW), provada também pela aplicação do teorema de Pitágoras. 5 = [('U − ZU)] + ('W − ZW)] (4) Em que 5 é a distância bidimensional. A aplicação da Eq. 4 em termos de valores conhecidos e estimados, foi realizada mediante a separação das distâncias entre valores conhecidos e estimados inicialmente para o eixo R e posteriormente para o eixo S. A Eq. 5 apresenta o cálculo da distância entre um valor conhecido e estimado para o eixo R. %̂ = _7 − _ (5) Sendo %̂ a distância entre o valor conhecido e o estimado para o eixo x (cm), _7 a posição do valor conhecido no eixo R da matriz (cm) e _ a posição do valor desconhecido no eixo R da matriz (cm). Já a Eq. 6 apresenta o cálculo da distância entre um valor conhecido e estimado para o eixo S. %6 = `7 − ` (6) Em que %6 é a distância entre os valores conhecidos e o estimado para o eixo S, `7 a posição do valor conhecido no eixo S da matriz (cm) e ` a posição do valor desconhecido no eixo S da matriz (cm). Por fim, a distância entre o valor conhecido e o estimado é dada pela Eq. 7: ℎ = [b%̂ c ] + (%6)] (7) Sendo ℎ a distância entre valor conhecido e o estimado (cm), %̂ a distância entre valor conhecido e o estimado para o eixo R (cm) e %6 a distância entre valor conhecido e o estimado para o eixo S (cm). Além do <=, o usuário pode gerar um mapa de pontos interpolados mediante o modo de Pontos Fixos Aleatórios – <=+. Desta forma, existe a necessidade do 39 usuário definir as coordenadas R e S em que os sensores foram dispostos dentro do galpão. No <=+ não há a necessidade de descrever as equidistâncias entre os sensores, visto que os mesmos não mais estarão distribuídos uniformemente na instalação. 1.2.2 Índices de conforto térmico para animais Quatro equações foram implementadas a fim de obter os mapeamentos da distribuição dos índices de conforto térmico de animais. Utilizou-se o Índice de Temperatura e Umidade – $de para avaliação do conforto térmico no interior de instalações para frangos de corte, bovinos de leite e instalações de suínos. O $de foi calculado de acordo com cada espécie animal, sendo suas variáveis ajustadas conforme o animal a ser analisado. Índice de Temperatura e Umidade – $de para frangos de corte (SILVA et al., 2004) – Eq. 8, bovinos de leite (VITALI et al., 2009) – Eq. 9 e suínos (LIMA et al. 2007) – Eq. 10. $defgD8hF ij BFgkj = 0,8din + .o × (dD − 14,3) 100 + 46,3 (8) Em que din é a temperatura de bulbo seco (ºC) e drn a temperatura de bulbo úmido (ºC). $desFt68F ij Aj6kj = (1,8dD + 32) − 0,55 K1 − .o 100 M (1,8dD − 26) (9) Em que dD é a temperatura do ar (ºC) e RH a umidade relativa (%). $devQí8F = 0,63drn + 1,17di + 32 (10) Em que drn é a temperatura de bulbo úmido (ºC) e di a temperatura de bulbo seco (ºC). Como parte dos índices de conforto térmico de animais o Índice de Temperatura de Globo Negro e Umidade – $dye também foi implementado para as avaliações de conforto térmico de aves de corte, bovinos de leite e suínos, segundo Buffington et al. (1981) – Eq. 11. $dye = dh + 0,36d7F + 41,5 (11) Sendo dh a Temperatura de globo negro (ºC) e d7F a Temperatura de ponto de orvalho (ºC). 40 A temperatura de ponto de orvalho foi obtida em função da temperatura do ar (dD) e umidade relativa (eg) (ALDUCHOV e ESKRIDGE, 1996; LAWRENCE, 2005) – Eq. 12. d7F = -: zln } eg 100~ + +: × dD -: + dD � +: − ln } eg 100~ − +: × dD -: + dD (12) Em que eg é a umidade relativa do ar (%), dD a temperatura do ar (ºC), +: igual a 17,625 e -: igual a 243,04. Os limites de conforto térmico para os índices $dye e $de, para frangos de corte, bovinos de leite e suínos foram definidos segundo Oliveira Júnior et al. (2018), conforme Tabela 1. 41 Ta be la 1 – L im ite s de c on fo rto té rm ic o pa ra a ve s de c or te , b ov in os d e le ite e s uí no s, s eg un do o s ín di ce s !" #$ e !" $ Li m ite s de c on fo rto té rm ic o pa ra a ve s de c or te %& ' 72 ,4 ≤ IT U < 8 0 68 ,4 ≤ IT U < 7 6 64 ,5 ≤ IT U < 7 2 60 ,5 ≤ IT U < 6 8 56 ,6 ≤ IT U < 6 4 56 ,6 ≤ IT U < 6 0 Li m ite s de c on fo rto té rm ic o pa ra b ov in os d e le ite %& ' IT U < 7 2 72 ≤ IT U < 7 9 79 ≤ IT U < 8 9 89 ≤ IT U < 9 8 Li m ite s de c on fo rto té rm ic o pa ra s uí no s %& ' IT U ≤ 7 4 75 ≤ IT U < 7 9 79 ≤ IT U < 8 4 IT U ≥ 8 4 Fo nt e: O LI V E IR A J Ú N IO R e t a l. ( 2 01 8, p . 1 76 ). %& ,' 75 ,8 ± 0 ,9 ≤ IT G U ≤ 7 9 , 7 ± 1 , 6 71 ,9 ± 1 ,0 ≤ IT G U ≤ 7 4 , 4 ± 1 , 8 68 ,7 ± 1 ,0 ≤ IT G U ≤ 7 1 , 7 ± 0 , 4 C on fo rto té rm ic o E st re ss e pe lo c al or (l ev e) E st re ss e pe lo c al or (m od er ad o) E st re ss e pe lo c al or (s ev er o) C on fo rto té rm ic o A le rta P er ig o E m er gê nc ia Id ad e (s em an as ) 1 2 3 4 5 6 a 7 %& ,' IT G U < 7 4 74 ≤ IT G U < 7 9 79 ≤ IT G U < 8 4 %& ,' IT G U < 7 2 72 ≤ IT G U < 8 1, 10 IT G U ≥ 8 1, 10 C on fo rt o té rm ic o C on fo rto té rm ic o E st re ss e pe lo c al or (l ev e) E st re ss e pe lo c al or (p er ig os o) C on fo rto té rm ic o D es co nf or to té rm ic o E st re ss e pe lo c al or 42 1.2.3 Aplicativo Aurora O aplicativo Aurora foi desenvolvido para o sistema operacional Android, a partir da versão 8.0, Android 8.0 – Oreo, API 26. O desenvolvimento do aplicativo foi realizado por meio do ambiente de desenvolvimento integrado Android Studio 2.3.3 (GOOGLE, 2019a), utilizando-se a linguagem de programação orientada a objetos Java. Para a criação dos mapas de interpolação foi utilizada a biblioteca de gráficos MPAndroidChart (JAHODA, 2019), com implementação do modo chamado ScatterChart, mediante pontos do tipo retângulos. A área do gráfico é ajustada conforme o tamanho e a densidade da tela do dispositivo móvel, sendo a configuração da largura do mapa (width) definida pelo método getSize da classe Display. Na programação orientada a objetos, uma classe é uma estrutura, na qual objetos que compartilham os mesmos atributos (características) e métodos (ações) são criados (DEITEL e DEITEL, 2010). Nesse caso, tem-se um mapa diretamente proporcional à largura da tela do smartphone. Já para a definição da altura do mapa (height), o atributo público y da classe Point foi usado como variável na Eq. 13, visto que na altura do mapa houve uma pequena redução em relação ao tamanho da tela, devido ao espaço destinado para sua legenda. !ℎ = $ − & (13) Em que !ℎ é a altura do mapa (px), $ o tamanho da tela em unidade relativa (px), e & a variável de ajuste de tamanho (px). Para & tem-se a conversão de uma constante em unidade dp (Density- independent pixels) para px, que, segundo Google (2019b), é dado pela Eq. 14. & = () ()*160 (14) Sendo () = 170 e ()* a densidade da tela do dispositivo móvel (dpi – pontos por polegada). Para o quociente de /01234 utilizou-se o atributo display da classe Display, por meio do método getDisplayMetrics. A proporcionalidade entre largura e altura do mapa foi definida de acordo com a relação entre os tamanhos definidos pelo usuário, mediante as variáveis de entrada Largura (56, cm) e Comprimentos (78, cm) do ambiente. Para um ambiente em que a 43 largura é superior ao comprimento, a proporcionalidade é dada pelo comprimento (780, px) em função da largura (560, px) – Eq. 15; caso o comprimento seja superior à largura, tem-se a Eq. 16. Para ambientes que apresentam o mesmo tamanho de largura e comprimento, o mapa realiza o ajuste em função da largura da tela. 780 = 78 509 56 (15) Em que 78 é o comprimento do ambiente indicado pelo usuário (cm), 509 a largura do mapa em função do atributo público x da classe Point – em função do tamanho e densidade da tela do smartphone (cm) e 56 a largura do ambiente indicada pelo usuário (cm). 560 = 56 709 78 (16) Em que 56 é a largura do ambiente indicado pelo usuário (cm), 709 o comprimento do mapa em função do atributo público x da classe Point – em função do tamanho e densidade da tela do smartphone (cm) e 78 o comprimento do ambiente indicado pelo usuário (cm). O processo de interpolação e plotagem dos dados no mapa é feito mediante prévia configuração da disposição dos pontos conhecidos, segundo os modos de PFE e PFA. Após essa configuração, o aplicativo é capaz de identificar o tamanho de área e, consequentemente, a malha de pontos a ser criada, além de obter as distâncias entre os pontos conhecidos e estimados. Desta forma, a partir dos parâmetros meteorológicos informados pelo usuário, posteriormente à interpolação, o mapa da condição térmica do ambiente é criado por meio da plotagem dos dados interpolados, tanto em uma perspectiva de índices de conforto térmico como de medidas de temperatura do ar. Nas Figuras 1 e 2, são apresentados os fluxogramas de entrada, processamento e saída de dados no aplicativo. 44 Figura 1 – Fluxograma de entrada e saída de dados do aplicativo Aurora Fonte: OLIVEIRA JÚNIOR et al. (2019, p. 99). 45 Figura 2 – Detalhamento das configurações durante a execução do aplicativo Aurora, relativas às instanciações de classes, inicialização de variáveis, objetos e serviços Fonte: OLIVEIRA JÚNIOR et al. (2019, p. 100). Os mapas de temperatura do ar e de índices de conforto térmico foram criados em um gradiente de 64 cores, sendo os valores mais inferiores inicializados em azul e os mais superiores em vermelho. 1.2.4 Validação Duas formas de validação foram utilizadas para análise da integridade do algoritmo de interpolação, primeiramente foi realizada uma validação mediante a comparação dos valores interpolados em relação a um cálculo manual do interpolador :;<. Uma área conhecida foi definida contendo valores aleatórios de temperatura do ar (ºC), distribuídos em seis pontos fixos separados de forma equidistante. A segunda forma de validação foi realizada por meio da análise dos erros apresentados entre os valores interpoladas pelo aplicativo Aurora e os obtidos em um galpão de aves de corte (sem animais), mediante sensores digitais de temperatura e umidade relativa do ar. Ao todo, sete data loggers com sensores de temperatura e umidade relativa do ar, 46 modelo HOBO U12-013 (ONSET, 2019), foram utilizados em um galpão de aves de corte localizado na fazenda experimental Edgardia, Botucatu/SP, Brasil (22°49'18.3"S 48°24'54.2"W) (Figura 3). Para as medidas de temperatura do ar os data loggers HOBO U12-013 apresentam uma faixa de leitura de -20 °C a 70 °C, precisão de ± 0,35 °C a 0 °C a 50 °C, e desvio de 0,1 °C /ano. Em medidas de umidade relativa, faixa de medição de 5% a 95%, precisão de ± 2,5% (10% a 90%), e desvio típico < 1% ao ano. Os mesmos foram posicionamos a uma altura de 1,10 m, em relação ao piso. Na segunda forma de validação, o layout de distribuição dos sensores (pontos fixos e móveis) foi modificado a cada 24 horas, durante um período de 10 dias em maio de 2018 (dados coletados em intervalos de 30 minutos). O galpão possui orientação Leste-Oeste, com processo construtivo em pilares de concreto; vedação em alvenaria com tijolo maciço (uso de reboco); fechamento do aviário em tela metálica (com peitoril de 0,40 m), tipo alambrado e cortina plástica; forro em policloreto de polivinila (PVC) com pé-direito de 2,80 m. Para a cobertura, foi utilizado estrutura e telha metálica com 30% de inclinação e, para o piso, concreto. Quanto à ventilação, o galpão apresenta um sistema de ventilação artificial. Os posicionamentos dos sensores durante o período de coleta de dados são apresentados na Figura 4. Figura 3 – Galpão de aves de corte localizado na fazenda experimental Edgardia, Botucatu/SP, Brasil Foto: Arilson José de Oliveira Júnior - 2018 47 F ig u ra 4 – P o s ic io n a m e n to d o s s e n s o re s d e t e m p e ra tu ra e u m id a d e r e la ti v a e m g a lp ã o d e a v e s d e c o rt e l o c a li za d o n a f a ze n d o e x p e ri m e n ta l E d g a rd ia , B o tu c a tu /S P , B ra s il . A d is tâ n c ia e n tr e o s s e n s o re s é d a d a e m m e tr o s ( m ) F ig u ra : A ri ls o n J o s é d e O li v e ir a J ú n io r - 2 0 1 8 48 Conforme apresentado na Figura 4, houve uma movimentação dos sensores !"#$, !"#% e !"#& dentro do galpão durante o período de medição, visando modificar as distâncias e configurações referentes à disposição dos mesmos, para se obter uma melhor validação dos dados interpolados pelo aplicativo Aurora em relação aos parâmetros meteorológicas reais, considerando a distribuição aleatória dos pontos no interior do galpão. Para esse processo de validação optou-se exclusivamente pelas medidas de temperatura do ar, em graus Celsius (ºC), visto que o objetivo foi verificar a eficiência do método interpolador na estimativa de valores em pontos desconhecidos. Dado que, as medidas de temperatura do ar são comumente utilizadas em avaliações de conforto térmico animal, considerou-se apropriado adotá- la como valor de referência para interpolação. Em ambas as validações foi utilizado um smartphone Motorola Moto G5 de resolução 1080x1920 pixels (xxhdpi – 480 dpi), 5 polegadas, processador Quad-core 1.4 GHz Cortex-A53 + Quad-core 1.1 GHz Cortex-A53, memória RAM de 2 GB, memória interna de 32 GB e SO Android 7.0; e um dispositivo virtual Android (AVD) Pixel, API 27, 1080x1920 pixels (xxhdpi – 480 dpi), Android 7.1.1, memória RAM de 2 GB e VM heap de 256 MB. 1.2.4.1. Calibração dos sensores Os sensores utilizados na segunda forma de validação foram previamente calibrados por meio do método linear representado por ' = ) + "+, utilizando-se como referência o sensor de temperatura e umidade relativa do ar HC2S3 (CAMPBELL SCIENTIFIC, 2019). Os data loggers HOBO U12-013 e o sensor de referência HC2S3 foram dispostos em condições de bancada em ambiente interno durante um período de três dias, similar as condições experimentais. 1.2.4.2. Avaliação dos erros do interpolador Para a avaliação dos erros obtidos entre os valores interpoladas e os observados no galpão de aves, foram utilizados os indicadores estatísticos MAE (Mean Absolute Error), MBE (Mean Bias Error) e RMSE (Root Mean Square Error), conforme Eq. 17, 18 e 19 (WILLMOTT, 1981). ,)- = ∑ |01 − 31| 4 15$ 6 (17) 49 ,"- = ∑ (01 − 31) 4 15$ 6 (18) :,;- = < ∑ (01 − 31)% 4 15$ 6 (19) Em que 01 representa o valor interpolado, 31 o medido pelo data logger HOBO U12-013 e 6 é o número de observações. MAE indica a média absoluta dos desvios em módulo, já o MBE apresenta a média dos desvios considerando valores negativos (subestimadas) e positivos (superestimadas). Quanto menor o valor absoluto de MBE, melhor é a performance do método interpolador. RMSE apresenta a raiz quadrada do erro quadrático médio e fornece o valor real do erro produzido pelas medidas interpoladas, sendo seu valor ideal igual a zero (WILLMOTT, 2005). 1.2.4.3. Capacidade preditiva do interpolador A capacidade preditiva do interpolador foi analisada mediante a acurácia e precisão dos dados utilizando os valores obtidos pelo método linear, a partir de regressão linear, representado pela função ' = ) + "+. No contexto de acurácia do algoritmo em relação aos dados medidos, foram observados o coeficiente angular ", coeficiente de correlação : e coeficiente de determinação :%. Para a precisão, observou-se o desvio padrão ;= da regressão e o coeficiente de variância >? dos dados de temperatura do ar medidos pelos data loggers e estimados pelo algoritmo Aurora. 1.2.5 Requisitos de operação Para o correto funcionamento do aplicativo, os seguintes requisitos devem ser observados: • Sistema Operacional: possuir smartphone com Android versão 8.0 (API 26), ou superior; 50 • Disponibilidade de memória RAM: é necessário que o smartphone possua memória livre de, pelo menos, 270 MB para criação dos mapas e das imagens do tipo GIF; • Uso da CPU (Central Process Unit): O aplicativo pode fazer uso de até 45 % da CPU. • Layout dos mapas: para fins de usabilidade, recomenda-se que as configurações do layout dos mapas sejam realizadas de modo que a largura seja inferior ao comprimento, favorecendo assim, a visualização dos mapas sem rotação de tela – modo retrato (portrait mode); • Área de mapeamento: recomenda-se que mapas sejam criados para áreas inferiores a 150,00 @%. Para áreas superiores à mencionada, deve-se fracionar o ambiente em perímetros menores para evitar alto processamento e alocação de memória do smartphone. 1.3 RESULTADOS E DISCUSSÃO 1.3.1 Aplicativo O aplicativo Aurora para smartphones Android, foi desenvolvido e publicado na plataforma Google Play nas versões Português e Inglês. O download pode ser realizado pelo link: https://play.google.com/store/apps/details?id=com.olvappaurora. 1.3.2 Aurora: Validação por cálculo manual de ABC O algoritmo de interpolação do D=E foi primeiramente validado mediante o cálculo manual do interpolador, a fim de comparar os valores obtidos manualmente em relação aos apresentados pelo aplicativo Aurora. Desta forma, uma pequena área de 3 x 4 m (12 @%) foi simulada contendo seis pontos conhecidos de valores de temperatura do ar e quatro pontos a serem estimados. A Tabela 2 apresenta a disposição dos pontos conhecidos em um plano bidimensional + e ', e seus respectivos valores. 51 Tabela 2 – Posição dos pontos conhecidos (0FG) e estimados (0HG) de temperatura do ar (I, ºC), em um plano bidimensional + e ' Pontos + (m) ' (m) I (ºC) 0FJ 1,0 3,0 20,3 0FK 2,0 3,0 20,5 0FL 1,0 2,0 21,2 0FM 2,0 2,0 21,5 0FN 1,0 1,0 22,4 0FO 2,0 1,0 23,1 0HJ 1,0 4,0 20,8 0HK 2,5 4,0 20,9 0HL 1,0 0,5 22,2 0HM 2,0 0,0 22,3 Observou-se que os valores calculados manualmente foram iguais aos obtidos pelo aplicativo, demonstrando que o aplicativo apresenta correta codificação da equação do interpolador. 1.3.3 Calibração dos sensores HOBO U12-013 Na Figura 5 são exibidos os valores de temperatura e umidade relativa do ar do sensor de referência HC2S3 e do sensor HOBO U12-013 !"P$. Figura 5 – Medidas de temperatura do ar (A., ºC) e umidade relativa (B., %) dos sensores HC2S3 (referência) e HOBO U12-013 QRST, durante período de calibração (19 – 20/05/2018) A. B. Gráfico: Arilson José de Oliveira Júnior - 2018 0 200 400 600 800 1000 15 16 17 18 19 20 21 22 23 24 Te m pe ra tu ra d o ar (º C ) Medidas HC2S3 HOBO U12-013 0 200 400 600 800 1000 50 55 60 65 70 75 U m id ad e re la tiv a (% ) Medidas HC2S3 HOBO U12-013 52 A dispersão dos valores de temperatura e umidade relativa de ambos os sensores é apresentada na Figura 6. Figura 6 – Dispersão dos dados de temperatura (A., ºC) e umidade relativa (B., %) dos sensores HC2S3 e HOBO U12-013 QRST, durante período de calibração (19 – 20/05/2018) A. B. Gráfico: Arilson José de Oliveira Júnior - 2018 A Tabela 3 apresenta os termos ) e ", coeficiente de determinação :% e desvio padrão ;= para os data loggers HOBO U12-013, em função do sensor referência HC2S3. 16 17 18 19 20 21 22 23 24 16 17 18 19 20 21 22 23 24 T em pe ra tu ra d o ar ( H C 2S 3, º C ) Temperatura do ar (HOBO U12-013, ºC) Linear Fit y = -0,54239 + 1,03404x R = 0,99937 56 58 60 62 64 66 68 70 72 50 55 60 65 70 75 U m id ad e re la tiv a (H C 2S 3, % ) Umidade relativa (HOBO U12-013, %) Linear Fit y = -22,94324 + 1,30338x R = 0,99708 53 Tabela 3 – Fatores de calibração U e R, coeficiente de determinação WX e desvio padrão YB para medidas de temperatura do ar (ºC) e umidade relativa do ar (%) dos sensores HOBO U12-013, sendo Z = U + R[ Sensores !"P$ !"P% !"P& !"P\ !"#$ !"#% !"#& Te m pe ra tu ra d o ar (º C ) ) -0,5424 -0,9134 -0,1878 -0,5840 -0,8115 -0,1044 -0,8424 " 1,0340 1,0514 1,0190 1,0357 1,0483 1,0126 1,0472 :% 0,9987 0,9977 0,9995 0,9985 0,9980 0,9995 0,9988 ;= 0,0867 0,1180 0,0558 0,0955 0,1093 0,0522 0,0852 U m id ad e R el at iv a (% ) ) -22,9432 -18,2163 -14,6403 -12,7268 -12,5011 -24,1652 -11,7973 " 1,3034 1,2115 1,1105 1,1097 1,1543 1,3030 1,1132 :% 0,9942 0,9954 0,9964 0,9944 0,9949 0,9962 0,9968 ;= 0,4530 0,4003 0,3572 0,4427 0,4221 0,3648 0,3352 Considerando o processo de calibração, pode-se assumir que a acurácia dos sensores HOBO U12-013 foram aproximadas à acurácia nominal do sensor referência HC2S3, de aproximadamente 0,1 ºC. 1.3.4 Aurora: Validação em galpão de aves de corte A partir do conjunto de dados obtido durante o período de coleta de dados, foram gerados mapas da distribuição espacial das medidas de temperatura em intervalos de três horas (12h00, 15h00, 18h00, 21h00, 24h00, 03h00, 06h00 e 09h00), o que resultou em uma perspectiva das mudanças no microclima do ambiente nos períodos matutino, vespertino, noturno. Considerou-se o volume de dados suficiente para avaliação da integridade da implementação do interpolador D=E. Os coeficientes ), ", : e :% obtidos para os sensores móveis !"#$, !"#% e !"#&, são apresentados na Tabela 4. As médias dos valores medidos e estimados, coeficiente de variação dos valores medidos e estimados, e os desvios padrão estão presentes na Tabela 5. 54 V a lo re s d o s c o e fi c ie n te s : li n e a r " , a n g u la r #, c o rr e la ç ã o $ e d e te rm in a ç ã o $ % , o b ti d o s p e lo m é to d o d e r e g re s s ã o l in e a r p a ra o s d a d o s e s ti m a d o s p e lo s s e n s o re s m ó v e is & # ' (, & # ' % e & # ' ) D ia s 10 -1 ,0 07 6 1, 04 22 0, 99 97 0, 99 94 0, 07 99 0, 99 64 0, 99 99 0, 99 98 -0 ,6 29 6 1, 02 46 0, 99 91 0, 99 82 9 -0 ,9 08 9 1, 03 80 0, 99 92 0, 99 85 0, 39 81 0, 98 33 0, 99 93 0, 99 87 0, 24 55 0, 97 74 0, 99 78 0, 99 55 8 -0 ,2 51 0 1, 01 28 0, 99 99 0, 99 98 0, 46 89 0, 98 28 0, 99 95 0, 99 90 0, 02 13 0, 99 87 0, 99 99 0, 99 98 7 0, 03 15 0, 98 76 0, 99 96 0, 99 92 0, 57 59 0, 97 48 1, 00 00 0, 99 99 -0 ,2 66 4 1, 01 55 0, 99 93 0, 99 85 6 -0 ,3 85 3 1, 00 98 1, 00 00 0, 99 99 0, 80 91 0, 96 40 0, 99 93 0, 99 87 -0 ,1 69 1 1, 01 22 0, 99 98 0, 99 96 5 0, 30 20 0, 98 32 0, 99 98 0, 99 96 0, 52 48 0, 98 32 0, 99 97 0, 99 95 - 0 ,6 02 1 1, 03 80 0, 99 96 0, 99 93 4 -0 ,0 09 2 0, 99 99 1, 00 00 1, 00 00 0, 49 80 0, 98 95 0, 99 95 0, 99 90 -0 ,3 25 1 1, 02 39 0, 99 95 0, 99 89 3 0, 03 62 0, 98 97 0, 99 87 0, 99 74 1, 14 64 0, 94 15 0, 99 94 0, 99 87 -0 ,3 14 4 1, 00 44 0, 99 95 0, 99 89 2 -0 ,3 53 3 1, 00 87 0, 99 97 0, 99 95 0, 39 24 0, 98 23 0, 99 99 0, 99 98 -0 ,4 85 0 1, 01 52 0, 99 96 0, 99 91 1 -0 ,5 32 2 1, 01 67 0, 99 98 0, 99 96 0, 39 69 0, 98 17 0, 99 98 0, 99 96 -0 ,0 49 9 0, 99 88 0, 99 85 0, 99 69 T a b e la 4 – * + , ,- * + , ,- * + , ,- .+/0 .+/- .+/1 55 M éd ia s do s va lo re s m ed id os !" e e st im ad os #" , c oe fic ie nt e de v ar ia çã o do s va lo re s m ed id os $ % ! e e st im ad os $ % # e d es vi os pa dr ão &' d os d ad os d e re gr es sã o lin ea r d os s en so re s m óv ei s () * +, ( ) * , e () * - D ia s 10 21 ,9 2 ± 3, 15 22 ,0 0 ± 3, 02 14 ,3 8 1 3 ,7 4 0, 08 21 ,9 9 ± 2, 98 21 ,9 9 ± 3, 00 13 ,5 7 13 ,6 2 0, 04 21 ,9 0 ± 3, 06 21 ,9 9 ± 2, 99 13 ,9 9 13 ,5 9 0, 14 9 21 ,5 4 ± 3, 47 21 ,6 3 ± 3, 34 16 ,1 0 15 ,4 4 0, 15 21 ,6 9 ± 3, 27 21 ,6 6 ± 3, 32 15 ,0 7 15 ,3 4 0, 13 21 ,4 4 ± 3, 24 21 ,6 8 ± 3, 31 15 ,1 2 15 ,2 6 0, 23 8 23 ,2 9 ± 3, 60 23 ,2 4 ± 3, 56 15 ,4 7 15 ,3 0 0, 05 23 ,3 1 ± 3, 49 23 ,2 4 ± 3, 55 14 ,9 8 15 ,2 8 0, 12 23 ,2 4 ± 3, 53 23 ,2 5 ± 3, 54 15 ,2 1 15 ,2 2 0, 05 7 21 ,2 1 ± 4, 11 21 ,4 5 ± 4, 16 19 ,3 7 19 ,3 9 0, 13 21 ,5 1 ± 4, 08 21 ,4 8 ± 4, 18 18 ,9 6 19 ,4 8 0, 03 21 ,5 7 ± 4, 28 21 ,5 1 ± 4, 21 19 ,8 2 19 ,5 7 0, 18 6 20 ,6 2 ± 3, 74 20 ,8 0 ± 3, 70 18 ,1 1 17 ,7 8 0, 04 20 ,9 5 ± 3, 67 20 ,8 9 ± 3, 80 17 ,5 2 18 ,2 1 0, 14 21 ,0 6 ± 3, 96 20 ,9 8 ± 3, 91 18 ,8 0 18 ,6 4 0, 09 5 21 ,1 6 ± 3, 35 21 ,2 1 ± 3, 40 15 ,8 2 16 ,0 5 0, 07 21 ,3 9 ± 3, 35 21 ,2 2 ± 3, 41 15 ,6 8 16 ,0 8 0, 08 21 ,4 3 ± 3, 55 21 ,2 3 ± 3, 42 16 ,5 7 16 ,1 1 0, 10 4 21 ,5 6 ± 3, 48 21 ,5 7 ± 3, 48 16 ,1 3 16 ,1 2 0, 02 21 ,8 7 ± 3, 45 21 ,6 0 ± 3, 49 15 ,7 8 16 ,1 4 0, 12 21 ,8 3 ± 3, 58 21 ,6 4 ± 3, 50 16 ,4 2 16 ,1 7 0, 13 3 24 ,4 2 ± 3, 40 24 ,6 4 ± 3, 43 13 ,9 1 13 ,9 2 0, 19 24 ,3 3 ± 3 ,2 3 24 ,6 3 ± 3, 43 13 ,2 8 13 ,9 3 0, 12 24 ,3 5 ± 3, 40 24 ,5 6 ± 3, 38 13 ,9 6 13 ,7 7 0, 12 2 22 ,7 0 ± 4, 52 22 ,8 6 ± 4, 48 19 ,9 3 19 ,6 2 0, 11 22 ,8 2 ± 4, 37 22 ,8 4 ± 4, 45 19 ,1 4 19 ,4 8 0, 07 22 ,6 7 ±4 ,4 8 22 ,8 1± 4, 41 19 ,7 6 19 ,3 4 0, 15 1 23 ,0 7 ± 3, 45 23 ,2 2 ± 3, 39 14 ,9 3 14 ,5 9 0, 08 23 ,3 3 ± 3, 43 23 ,3 6 ± 3, 49 14 ,6 9 14 ,9 4 0, 08 23 ,4 3 ± 3, 60 23 ,5 1 ± 3, 59 15 ,3 5 15 ,2 9 0, 21 01 (º C ) 21 (º C ) 34 5 (% ) 34 6 (% ) 78 01 (º C ) 21 (º C ) 34 5 (% ) 34 6 (% ) 78 01 (º C ) 21 (º C ) 34 5 (% ) 34 6 (% ) 78 Ta be la 5 – 9:;< 9:;= 9:;> 56 A Tabela 6 exibe os indicadores estatísticos !"#, !$# e %!&# dos erros dos sensores móveis '$(), '$(* e '$(+ ao longo dos dez dias de medição. Tabela 6 – Valores de !"#, !$# e %!&# dos sensores móveis '$(), '$(* e '$(+, em relação aos valores interpolados pelo aplicativo Aurora em galpão de aves Dias 1 2 3 4 5 6 7 8 9 10 '$ ( ) !"# (ºC) 0,15 0,15 0,23 0,01 0,06 0,18 0,23 0,06 0,16 0,15 !$# (ºC) 0,15 0,15 0,22 0,01 0,06 0,18 0,23 -0,05 0,09 0,08 !$# (%) 0,63 0,68 0,89 0,05 0,26 0,88 1,10 -0,20 0,40 0,36 %!&# (ºC) 0,17 0,19 0,27 0,02 0,10 0,19 0,26 0,08 0,19 0,16 %!&# (%) 0,73 0,82 1,12 0,08 0,47 0,91 1,24 0,33 0,90 0,73 '$ ( * !"# (ºC) 0,09 0,08 0,30 0,27 0,18 0,18 0,10 0,12 0,08 0,04 !$# (ºC) 0,03 0,01 0,30 -0,27 -0,17 -0,06 -0,03 -0,07 -0,04 0,00 !$# (%) 0,13 0,05 1,21 -1,24 -0,79 -0,28 -0,16 -0,29 -0,17 0,00 %!&# (ºC) 0,09 0,10 0,37 0,29 0,19 0,19 0,11 0,14 0,13 0,04 %!&# (%) 0,40 0,42 1,50 1,34 0,90 0,90 0,51 0,58 0,59 0,17 '$ ( + !"# (ºC) 0,17 0,18 0,21 0,19 0,20 0,09 0,14 0,04 0,26 0,13 !$# (ºC) 0,08 0,14 0,21 -0,19 -0,20 -0,09 -0,07 0,01 0,24 0,09 !$# (%) 0,33 0,61 0,85 -0,88 -0,95 -0,41 -0,31 0,04 1,14 0,41 %!&# (ºC) 0,20 0,20 0,23 0,24 0,25 0,12 0,18 0,05 0,32 0,17 %!&# (%) 0,86 0,87 0,95 1,08 1,18 0,58 0,82 0,21 1,51 0,76 Em relação à análise dos erros do algoritmo, pode-se observar que os maiores erros apresentados foram de 0,49 ºC para o sensor '$() (layout 1, dia 3), 0,78 ºC 57 para o sensor '$(* (layout 1, dia 3) e 0,62 ºC para o sensor '$(+ (layout 4, dia 9). Sendo assim, os valores medidos pelos sensores HOBO U12-013 ('$(), '$(* e '$(+) e os interpolados pelo aplicativo Aurora, a partir dos valores conhecidos (pontos fixos), foram semelhantes. Durante o período de validação o maior valor de !"# e !$# obtido foi de 0,3 ºC ('$(*), no terceiro dia. O maior valor de %!&# foi de 0,37 ºC ('$(*) para o mesmo dia. A partir dos indicadores !"# e !$# percebe-se que os valores interpolados pelo ,-., por meio do aplicativo Aurora, foram similares aos valores reais de temperatura do ar no interior do galpão. Os valores interpolados para esse período não ultrapassaram um erro percentual aproximado de 0,9% em relação aos valores medidos para o sensor '$(), 1,2% para o sensor '$(* e de 1,1% para o sensor '$(+. Vicente-Serrano, Saz-Sánchez e Cuadrat (2003) encontraram valores semelhantes ao comparar métodos de interpolação para medidas anuais de temperatura do ar, no qual observou-se um valor de !"# de 0,46 ºC, !$# subestimado de 0,32 ºC e um valor de %!&# de 0,56 ºC. Da mesma forma, ao comparar os indicadores estatísticos com outras validações de métodos de interpolação com volumes de dados maiores, como as de Kurtzman e Kadmon (1999) e Apaydin, Sonmez e Yildirim (2004), percebe-se que para o conjunto de dados estudado os indicadores foram inferiores e, portanto, suficientes para considerar a correta implementação do interpolador IDW no aplicativo Aurora. Em determinados dias foram observados valores de !$# muito próximos de zero, como por exemplo, nos dias três ('$(+), quatro ('$()) e dez ('$(*). Um ponto importante a ser considerado no momento do posicionamento dos sensores em galpões, visando à aplicação do interpolador IDW, mediante o aplicativo Aurora ou software semelhante, é a proximidade dos pontos a serem interpolados em relação aos pontos fixos. Ou seja, pela própria característica desse interpolador (cada ponto medido tem uma influência local que diminui com a distância), para que a interpolação seja mais eficiente o usuário deve inserir seus sensores de modo a interpolar pontos no interior da distribuição dos sensores, como apresentado nos layouts dos dias 1, 2, 6, 7, 8, 9 e 10 (Figura 4). Quanto maior o número de valores conhecidos dentro do galpão (pontos fixos), melhor será o mapa de interpolação. Apesar do presente trabalho não ter por objetivo avaliar o número ideal de pontos fixos em galpões de aves de dimensões semelhantes às utilizadas na validação do 58 aplicativo, de acordo com os resultados encontrados é possível considerar que quatro sensores são suficientes para interpolar medidas de temperatura em uma área de aproximadamente 93 /* (local onde os sensores foram inseridos – 7,74 m x 12,00 m, Figura 3). Quanto à capacidade preditiva do algoritmo Aurora, ao avaliar sua precisão, mediante a dispersão dos dados pelos desvios padrão da regressão linear &-, pode- se encontrar valores de até 0,0160 ('$(), dia 4), 0,0342 ('$(*, dia 7) e 0,0546 ('$(+, dia 8), sendo os maiores valores de 0,1856 ('$(), dia 3), 0,1440 ('$(*, dia 6) e 0,2335 ('$(+, dia 9). Apresentando assim, baixa dispersão dos dados e um agrupamento homogêneo das medidas de temperatura do ar. Outra forma de observar a precisão foi analisar a semelhança entre os coeficientes de variação dos dados medidos e dos estimados pelo Aurora, no qual alguns coeficientes calculados para os dados gerados pelo algoritmo foram menores que os coeficientes dos dados medidos. Como por exemplo, 15,30% ('$(), dia 8), 15,44% ('$(), dia 9), 13,74% ('$(), dia 10), 13,77% ('$(+, dia 3) e 13,59% ('$(+, dia 10). Vale ressaltar que os valores de 01 dos dados estimados apresentaram baixos desvios em relação aos coeficientes dos dados de referência, demonstrando estarem estes sob o mesmo padrão de precisão dos dispositivos de medição, no caso, os data loggers. Do ponto de vista da acurácia do algoritmo, pode-se observar o coeficiente angular $ encontrado pelo método de regressão linear, que apresentou valores de até 1,0087 ('$(), dia 2), 0,9964 ('$(*, dia 10) e 1,0044 ('$(+, dia 3), sendo os valores mais distantes do valor ideal de 1,0422 ('$(), dia 7), 0,9415 ('$(*, dia 3) e 0,9774 ('$(+, dia 9). O que demonstra que as medidas estimadas permaneceram próximas aos valores obtidos pelos data loggers, considerando que o valor ideal para o argumento $ é de 1. Dessa forma, há de se inferir que as subestimativas e superestimativas das medidas de temperatura mantiveram-se próximas aos valores reais. Os coeficientes de correlação % e de determinação %* também permitiram avaliar a acurácia da interpolação, tendo como valor mais distante o de 0,9978 ('$(+, %, dia 9), 0,9955 ('$(+, %*, dia 9). Assim, mediante os indicadores de avaliação dos erros e da capacidade preditiva do algoritmo, é possível considerar que o interpolador IDW foi codificado de forma correta, além de permitir analisar o seu desempenho em medidas de temperatura do ar. 59 A fim de ilustrar o resultado obtido pelo aplicativo Aurora, na Figura 7 são exibidos mapas de temperatura do ar (ºC) criados a partir de valores de medidas de temperatura para os períodos matutino (6h00 às 11h59) e vespertino (12h00 às 17h59), no dia em que houve maior amplitude térmica durante a validação do algoritmo (dia 9). Figura 7 – Mapas de temperatura do ar (ºC) do dia 9, criados pelo aplicativo Aurora para os períodos matutino (A.) e vespertino (B.) em área experimental delimitada no galpão de aves de corte localizado na fazenda Edgardia, Botucatu/SP, Brasil A. B. Figura: Arilson José de Oliveira Júnior - 2018 Para ilustração dos mapas utilizou-se uma área delimitada pelos limites estabelecidos entre os pontos fixos do dia 9 (1400 x 774 cm, layout 4, dia 9, Figura 4). Na criação dos mapas de temperatura da Figura 7, um tempo médio de 4min15s foi necessário desde o início da interpolação (criação das matrizes e cálculo do interpolador IDW) até a apresentação dos mapas. Conforme os requisitos de operação, os autores recomendam que, para o uso eficiente do aplicativo em caso de áreas grandes, o usuário realize uma fragmentação do ambiente, buscando criar mapas para pontos específicos dentro do galpão. 60 1.3.5 Mapas de índices de conforto térmico Foram criados mapas de índices de conforto térmico para os mesmos períodos utilizados na ilustração do uso do aplicativo Aurora: matutino (6h00 às 11h59) e vespertino (12h00 às 17h59), a partir das medidas de temperatura do ar e umidade relativa. Para as condições dadas no período de validação, mapas de índices de conforto térmico de ,23 (Eq. 8) foram criados considerando a suposta presença de aves de 1 e 3 semanas para os dois períodos do dia 9 (Figura 8). Figura 8 – Mapas de índice de conforto térmico 456 criados pelo aplicativo Aurora para galpão de aves de corte da fazenda experimental Edgardia, Botucatu/SP, Brasil – Simulação da presença de aves de 1 semana no período matutino (A.) e aves de 3 semanas no período vespertino (B.) A. B. Figura: Arilson José de Oliveira Júnior - 2018 A partir dos mapas é possível observar uma homogeneidade no interior do galpão, tanto em relação às medidas de temperatura do ar (ºC), presentes na Figura 9, como para o índice ,23 de aves de corte. De acordo com a Figura 8, a suposta inserção de aves de uma semana de vida no período matutino do dia 9, lhes proporcionaria condições próximas de conforto térmico. Já tratando-se de aves de três semanas de vida, sua possível presença no período vespertino desse galpão lhes 61 proporcionariam condições próximas do estresse térmico, devido ao calor. Vale ressaltar que, o galpão especificado nas validações foi utilizado apenas para exemplificar o uso de sensores de temperatura e umidade relativa do ar para criação de mapas, mediante interpolação de dados por meio do aplicativo Aurora. Desse modo, nenhum dos recursos disponíveis para controle das condições do microclima presente no galpão foi empregado. Tendo em vista a ilustração de outros possíveis mapas de índices de conforto térmico para animais, diferentes layouts, medidas de temperatura do ar (ºC), umidade relativa (%) e temperatura de globo negro (ºC) foram simulados, conforme Tabela 6 e 7. 62 M ed id as e d ad os u til iz ad os d e am bi en te s si m ul ad os p ar a ilu st ra çã o de m ap as d e ín di ce s de c on fo rt o té rm ic o, a p ar tir d o ap lic at iv o A ur or a C ar ac te rís tic as d o an im al Av es d e 4 se m an as Av es d e 2 se m an as - - - - N úm er o de s en so re s 3 6 6 2 3 5 Ín di ce IT U IT G U IT U IT G U IT U IT G U M ét od o de in te rp ol aç ão ID W (P FA ) ID W (P FE ) ID W (P FA ) ID W (P FA ) ID W (P FE ) ID W (P FA ) In di ví du o Av es 1 Av es 2 Bo vi no s 1 Bo vi no s2 Su ín os 1 Su ín os 2 Ta be la 7 – Am bi en te (c m ) 60 0x 24 00 40 0x 14 00 10 00 x1 00 0 50 0x 50 0 25 0x 50 0 25 0x 60 0 M ed id as s im ul ad as d e Te m pe ra tu ra d o ar ( ! ", ºC ), U m id ad e re la tiv a (# $, % ), Te m pe ra tu ra d e gl ob o ne gr o ( ! %, ºC ) e T em pe ra tu ra d e bu lb o úm id o (! &' , º C ) u til iz ad as p ar a cr ia çã o de m ap as d e ín di ce s de c on fo rto té rm ic o pe lo a pl ic at iv o A ur or a pa ra a ve s, b ov in os e su ín os Se ns or es 6 ( ) * - - - - - - ( + - 30 ,7 - - - - , - - 60 ,0 60 ,0 - - - ( . - 30 ,5 31 ,0 - - - 5 ( ) * - - - - - - ( + - 31 ,5 - - - 24 ,0 , - - 55 ,0 68 ,0 - - 60 ,0 ( . - 31 ,0 26 ,0 - - 23 ,0 4 ( ) * - - - - - - ( + - 31 ,0 - - - 27 ,0 , - - 58 ,0 70 ,0 - - 70 ,0 ( . - 30 ,0 26 ,0 - - 27 ,0 3 ( ) * - - - - 26 ,0 - ( + - 29 ,2 - - - 32 ,0 , - 55 ,0 60 ,0 68 ,0 - - 80 ,- 0 ( . 20 ,0 29 ,0 25 ,0 - 27 ,0 30 ,0 2 ( ) * - - - - 25 ,0 - ( + - 27 ,5 - 30 ,0 - 25 ,0 , - 60 ,0 68 ,0 65 ,0 58 ,0 - 80 ,0 ( . 24 ,0 27 ,0 28 ,0 29 ,0 26 ,0 25 ,0 1 ( ) * - - - - 23 ,0 - ( + - 26 ,0 - 29 ,0 - 27 ,0 , - 75 ,0 70 ,0 70 ,0 60 ,0 - 88 ,0 ( . 18 ,0 25 ,0 24 ,0 28 ,0 24 ,0 25 ,0 Ta be la 8 – Am bi en te Av es 1 Av es 2 Bo vi no s1 Bo vi no s2 Su ín os 1 Su ín os 2 63 A partir das medidas simuladas apresentadas na Tabela 6 e de acordo com os diferentes layouts também simulados, segundo a Tabela 7, os mapas de índices de conforto térmico para animais foram criados e são apresentados na Figura 9. Figura 9 – Mapas de índices de conforto térmicos criados pelo aplicativo Aurora, mediante ambientes e dados das Tabelas 5 e 6, sendo: Aves1, !"#, 4 semanas de vida (A.); Aves2, !"$#, 2 semanas de vida (B.); Bovinos1, !"# (C.), Bovinos2, !"$# (D.); Suínos1, !"# (E.) e Suínos2, !"$# (F.) A. B. C. D. 64 E. F. Figura: Arilson José de Oliveira Júnior - 2018 Em todos os processos de criação dos mapas, seja por PFE ou PFA, o usuário possui uma pré-visualização da distribuição dos pontos fixos, de acordo com as configurações de posição de cada ponto (número de sensores, linhas e colunas – PFE; valores de x e y – PFA), antes da inserção dos dados correspondentes ao índice de conforto térmico escolhido para ser calculado e interpolado. A pré-visualização do layout do ambiente é um recurso que garante a correta configuração dos pontos fixos realizada pelo usuário em relação ao ambiente real (objeto de estudo). Além das possiblidades de aplicação do interpolador IDW por PFE ou PFA, o aplicativo Aurora também oferece um recurso de criação de imagens do tipo GIF (Graphics Interchange Format) animadas. Nas configurações do aplicativo há uma opção de ativação do modo de criação de GIFs animadas, que ao habilitá-lo o usuário deve especificar a quantidade de imagens e a velocidade que deseja visualizar a troca das mesmas. É possível criar GIFs de 2, 4, 6, 8, 16 e 24 imagens, sendo suas velocidades de 2, 4, 8 ou 10 frames por segundo. A opção de criação das GIFs é habilitada anteriormente à configuração do ambiente a ser estudado, assim o usuário deve se ater a gerar imagens animadas para um mesmo animal, ambiente e de mesmas medidas. Por exemplo, criar uma GIF de temperatura do ar em três períodos do dia para uma instalação de bovinos, ou do índice %&'( para máximas e mínimas do dia em um 65 galpão de aves. As imagens do tipo GIF são produzidas a partir dos mapas de interpolação, o que permite ao usuário ter uma visualização das mudanças do ambiente em determinado período de uma forma mais dinâmica. Outro recurso presente no Aurora é