Análise discriminante baseada nos escores de conformação e acabamento de carcaça de ovinos

Marilene dos Santos Maciel; Janaína Kelli Gomes Aranhas; Francisco Fernando Ramos de  Carvalho; George Rodrigo Beltrão da  Cruz; Neila Lidiany  Ribeiro; Maria Norma  Ribeiro

doi:10.1590/1983-21252023v36n121rc

Autores

Marilene dos Santos Maciel Department of Animal Science, Universidade Federal Rural de Pernambuco, Recife, PE https://orcid.org/0000-0003-4234-9764
Janaína Kelli Gomes Aranhas Department of Animal Science, Universidade Federal Rural de Pernambuco, Recife, PE https://orcid.org/0000-0002-0582-0978
Francisco Fernando Ramos de Carvalho Department of Animal Science, Universidade Federal Rural de Pernambuco, Recife, PE https://orcid.org/0000-0001-9211-0263
George Rodrigo Beltrão da Cruz Department of Animal Science at the Center for Human, Social and Agrarian Sciences, Universidade Federal da Paraíba, Bananeiras, PB https://orcid.org/0000-0002-8480-4625
Neila Lidiany Ribeiro Instituto Nacional do Semiárido, Campina Grande, PB https://orcid.org/0000-0002-6410-244X
Maria Norma Ribeiro Department of Animal Science, Universidade Federal Rural de Pernambuco, Recife, PE https://orcid.org/0000-0003-3373-3246

DOI:

https://doi.org/10.1590/1983-21252023v36n121rc

Palavras-chave:

Métodos multivariados. Ovinos Santa Inês. Classificação de carcaça.

Resumo

A classificação da carcaça consiste em agrupar animais com características de carcaça semelhantes. Quando os grupos são definidos a priori, como o caso dos escores de conformação e acabamento, o interesse é identificar a contribuição de cada variável utilizada na separação dos grupos. Diante disso, utilizou-se a análise discriminante para discriminar animais da raça Santa Inês em função dos escores de conformação e acabamento (escore 2 = razoável, escore 3 = boa) e, identificar as variáveis que mais contribuem na diferenciação. Os escores de conformação e acabamento variam numa escala de 1 a 5. Nesse estudo, foram usados escores 2 e 3 considerando que os animais avaliados variaram entre essas duas respectivas escalas. O banco de dados foi composto por 122 informações de ovinos não castrados da raça Santa Inês, submetidos ao regime de confinamento, dos quais foram registradas 24 variáveis relacionadas à carcaça dos animais. Os dados foram submetidos ao teste de Mardia, para verificar a normalidade multivariada, seguido do teste não-paramétrico k-vizinho mais próximo (K-NN). Um subconjunto particular de variáveis foi selecionado pelo procedimento stepwise e a Distância de Mahalanobis (D²) para avaliar a separação dos grupos (p-valor ˂ 0,05). As variáveis com maior poder discriminatório para os escores de conformação de carcaça foram peso de carcaça fria (PCF), comprimento externo da carcaça (CEC) e pescoço (PES), para acabamento de carcaça foram peso vivo ao abate (PVA), CEC e perímetro torácico (PT). A análise discriminante multivariada mostrou-se eficiente para alocar os animais em seus grupos de origem.

Downloads

Não há dados estatísticos.

Referências

ALKARKHI, A. F.; ALQARAGHULI, W. A. A. Applied Statistics for Environmental Science with R. In: ALKARKHI, A. F.; ALQARAGHULI, W. A. A. (Eds.). Discriminant analysis. Elsevier, 2020. v. 1, cap. 10, p. 173-190.

ALONZO, M.; ROTH, K.; ROBERTS, D. Identifying santa barbara’s urban tree species from AVIRIS imagery using canonical discriminant analysis. Remote Sensing Letters, 4: 513-521, 2013.

ALVES, M. F.; LOTUFO, A. D. P.; LOPES, M. L. M. Seleção de variáveis stepwise aplicadas em redes neurais artificiais para previsão de demanda de cargas elétricas. Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, 1: 1-6, 2013.

BARBON, A. P. A. C. et al. Storage time prediction of pork by Computational Intelligence. Computers and Electronics in Agriculture, 127: 368-375, 2016.

BARBON, A. P. A. C. et al. Development of a flexible Computer Vision System for marbling classification. Computers and Electronics in Agriculture, 142: 536-544, 2017.

CARO, I. et al. Conformation characteristics of suckling lambs carcasses from the Spanish local breeds Churra and Castellana and the non-native breed Assaf determined using digital photographs. Small Ruminant Research, 160: 89-94, 2018.

CEZAR, M. F.; SOUSA, A. H. Carcaças ovinas e caprinas. 1. ed. João Pessoa, PB: UFCG, 2007. 120 p.

DIMAURO, C. et al. Use of the canonical discriminant analysis to select SNP markers for bovine breed assignment and traceability purposes. Animal Genetics, 44: 377-382, 2013.

ELMASRY, G. et al. Quality classification of cooked , sliced turkey hams using NIR hyperspectral imaging system. Journal of Food Engineering, 103: 333-344, 2011.

HAIR JR, J. et al. Análise multivariada de dados. 6. ed. Porto Alegre, RS: Bookman, 2009. 682 p.

JEON, H. et al. Discrimination of origin of sesame oils using fatty acid and lignan profiles in combination with canonical discriminant analysis. JAOCS, Journal of the American Oil Chemists’ Society, 90: 337–347, 2013.

JONES, A. G. et al. Using a lamb’s early-life liveweight as a predictor of carcass quality. Animal, 15: 1-8, 2021.

MAESSCHALCK, R.; JOUAN-RIMBAUD, D.; MASSART, D. L. The Mahalanobis distance. Chemometrics and Intelligent Laboratory Systems, 50: 1-18, 2000.

MARDIA, K. V.; KENT, J. T.; BIBBY, J. M. Multivariate Analysis. 1. ed. London: Academic Press, 2000. 518 p.

OLATUNJI, O. O. et al. Property-based biomass feedstock grading using k-Nearest Neighbour technique. Energy, 190: 1-19, 2019.

PAN, Y. et al. A new fast search algorithm for exact k-nearest neighbors based on optimal triangle-inequality-based check strategy. Knowledge-Based Systems, 189: 1–11, 2020.

PARK, B. et al. Discriminant analysis of dual-wavelength spectral images for classifying poultry carcasses. Computers and Electronics in Agriculture, 33: 219–231, 2002.

RESTLE, J. et al. Silagem de diferentes híbridos de milho para produção de novilhos superjovens. Revista Brasileira de Zootecnia, 35: 2066-2076, 2006.

ROSA, B. L. et al. Correlações entre medidas corporais e caracteristicas das carcaças de tourinhos Nelore terminados em confinamento. Boletim de Indústria Animal, 71: 371–380, 2014.

ROSENBLATT, M. Remarks on some nonparametric estimates of a density function. Annals of Mathematical Statistics, 27: 832–837, 1956.

SANTOS, J. R. . et al. Efeito da suplementação na composição física e centesimal da paleta, do costilhar e do pescoço de cordeiros Santa Inês terminados em pastejo. Revista Brasileira de Medicina Veterinária e Zootecnia, 62: 906-913, 2010.

SENRA, L. F. A. C. et al. Estudo sobre métodos de seleção de variáveis em DEA. Pesquisa Operacional, 27: 191-207, 2007.

SMITH, G. Step away from stepwise. Journal of Big Data, 5: 2-12, 2018.

TAHERI-GARAVAND, A. et al. Real-time nondestructive monitoring of Common Carp Fish freshness using robust vision-based intelligent modeling approaches. Computers and Electronics in Agriculture, 159: 16–27, 2019.