Previsión del ambiente térmico para el ganado lechero mediante redes neuronales artificiales

El presente estudio tuvo como objetivo la previsión del ambiente térmico para el ganado lechero mediante redes neuronales artificiales, de acordó con la temperatura y humedad diaria. En la investigación se utilizaron los valores diarios de esas variables, disponibles en el Instituto Nacional de Meteorología de Brasil. Los datos correspondieron a las series históricas registradas en estaciones convencionales con tiempo de operación superior a 30 años hasta 2020. A continuación, se seleccionaron los municipios Canarana, Matupá, Nova Xavantina y Santo Antônio de Leverger, localizados en Mato Grosso, Brasil. Con base en los dados climatológicos, se estimó el Índice de Temperatura y Humedad diario en el calendario Juliano. Posteriormente, se probaron 35 arquitecturas de redes neuronales artificiales con tipología perceptrón de múltiples camadas, siendo la variable de entrada el día Juliano y la de salida el Índice de Temperatura y Humedad. La idoneidad de las redes fue verificada por el coeficiente de determinación, el error absoluto medio, el error cuadrático medio, el porciento medio del error absoluto y la normalidad de los residuos. No hubo diferencias entre los valores estimados por las redes y los obtenidos a partir de las series históricas. La rede de mejor desempeño y eficiencia para cada municipio, también fue comprobada por el análisis gráfico de los residuos. Se concluyó que las redes neuronales con tipología perceptron de dos camadas ocultas fueron apropiadas en el pronóstico del ambiente térmico natural para el ganado lechero.   The present study aimed to forecast the thermal environment for dairy cattle through artificial neural networks, according to the daily temperature and humidity. The research used the daily values of these variables, available in the National Institute of Meteorology of  Brazil. The data corresponded to the historical series registered in conventional stations with an operating time of more than 30 years until 2020. Next, the municipalities Canarana, Matupá, Nova Xavantina and Santo Antônio de Leverger, located in Mato Grosso, Brazil, were selected. Based on the climatological data, the Temperature and Humidity Index was determined for each day of the year in the Julian calendar. Subsequently, 35 artificial neural network architectures with multiple layer perceptron typology were tested, the input variable being the Julian day and the output variable being the Temperature and Humidity Index. The suitability of the networks was verified by the coefficient of determination, the mean absolute error, the mean square error, the mean percentage of the absolute error and the normality of the residuals. There were no differences between the values estimated by the networks and those obtained from the historical series. The network with the best performance and efficiency for each municipality was also verified by the graphic analysis of the residuals. It was concluded that the neural networks with perceptron typology of two hidden layers were appropriate in the forecast of the natural thermal environment for dairy cattle.