Caracterização quantiqualitativa das condições bioclimáticas e produtivas nas operações pré-abate de frangos de corte (Tese de Doutorado- Parte 3)

O experimento foi realizado em uma empresa integradora e abatedouro localizada na região de São Carlos - São Paulo, com uma quantidade média de 300 mil aves abatidas diariamente. De acordo com os dados da estação meteorológica daquela localidade, a região está situada a uma altitude média de 800m e o clima pode ser considerado como tropical de altitude (Cwa - segundo a classificação de Koeppen), com inverno seco e verão quente e úmido, sendo que a temperatura média nos meses mais frios pode ficar abaixo dos 18°C e nos meses mais quentes acima de 25°C, sendo que a umidade relativa média mensal varia de 53 a 89%.

O período experimental foi de um ano, abrangendo as estações de inverno (fase inverno) e verão (fase verão). As aves utilizadas durante o experimento foram da linhagem Cobb, com idades variando de 6 a 7 semanas.

Foram acompanhados e monitorados um total de 16 carregamentos, desde a pega das aves até a espera para o abate, sob condições comerciais de manejo e transporte, sendo 8 carregamentos monitorados durante a fase inverno e 8 durante a fase verão. 

Para uma melhor análise das influências das variáveis ambientais durante as operações pré-abate de frangos de corte, o experimento foi dividido em duas fases (inverno e verão) e em 5 etapas (jejum, pega, carregamento, transporte e espera) de coleta de dados.

A fase inverno, ocorreu durante os meses de junho a agosto de 2006, e a fase verão aconteceu de dezembro de 2006 a março de 2007. Com isso, foi possível verificar a diferença existente entre as operações pré-abate realizadas durante estas duas estações do ano, bem como comparar as perdas resultantes de cada etapa.

Para atingir os objetivos propostos nesta pesquisa, foram avaliados 3 turnos de transporte - manhã, tarde e noite - de acordo com a seguinte classificação:

- Turno da manhã – período das 07h00 às 11h59;

- Turno da tarde – período das 12h00 às 17h59;

- Turno da noite – período das 18h00 às 06h59.

Diferentes distâncias também foram avaliadas durante o experimento, sendo dividas em 3 categorias - perto, média e longa - de acordo com a classificação a seguir:

- Perto – distância do percurso “granja – abatedouro” com menos de 30 km;

- Média – distância do percurso “granja – abatedouro” variando de 31 a 69 km;

- Longa – distância do percurso “granja – abatedouro” com mais de 70 km.

A pesquisa foi delineada de acordo com o fluxograma a seguir (Figura 1):

 

Figura 1 – Fluxograma de delineamento da pesquisa

 

Os dados relativos às medidas das variáveis ambientais (temperatura e umidade relativa) foram coletados continuamente à medida em que as operações pré-abate aconteciam. O registro de dados realizados a cada minuto pelos loggers possibilitou traçar um perfil das condições ambientais da carga ao longo do tempo. Simultaneamente, também, foram realizados os registros das variáveis ambientais do meio externo.

Os índices de conforto térmico são utilizados em avaliações ambientais para quantificar e caracterizar as zonas de conforto adequadas às diferentes espécies de animais. Estes abrangem os fatores que caracterizam o ambiente térmico ao qual os animais estão expostos, bem como o estresse que tal ambiente pode causar aos mesmos.

Dentre os índices de avaliação de conforto térmico existentes, a Entalpia tem sido proposta como o índice mais adequado para a avaliação do ambiente interno de galpões de criação de frangos de corte, Moura et al (1997). Isso porque é um índice que depende diretamente da temperatura e da umidade relativa do ar e expressa a quantidade de energia presente no ambiente. Sendo assim, de maneira geral, quanto maior o valor da Entalpia, maior a quantidade de energia (calor) existente no ar seco (ambiente).

A equação utilizada para o cálculo da Entalpia foi a desenvolvida por Villa Nova (comunicação pessoal) e citada por Barbosa Filho, (2005):

 

 

H = Entalpia (kcal/kg ar seco);

Tbs = temperatura do bulbo seco (ºC);

UR = umidade relativa do ar (%).

Nesta pesquisa, a avaliação do conforto térmico do ambiente foi baseada no Índice Entalpia de Conforto (IEC), dado pela utilização das Tabelas de Entalpia (Anexo A), de acordo com Barbosa Filho et al. (2007). O uso desta variável psicrométrica vem ajudar a responder a maior parte das perguntas relacionadas ao estresse térmico e às perdas que ele pode causar.

Ao longo de toda a pesquisa, a medida da Temperatura Retal foi considerada como a principal variável fisiológica de detecção de estresse térmico das aves. Sendo assim, seus valores foram sempre registrados ao longo de todas as etapas das operações pré-abate.

O objetivo principal de realizar as medições de Temperatura Retal das aves foi verificar qual ou quais as variações desta durante as várias etapas das operações pré-abate. De posse destes valores, foi possível traçar um perfil das condições ambientais a que as aves estavam submetidas durante a realização destas etapas.

Para a caracterização das respostas das aves em função da Temperatura Retal, foram utilizados os limites da condição superior (CSE) e inferior (CIE) de estresse térmico para Temperatura Retal, proposto por Silva et al. (2007).

Durante o período experimental, foram utilizadas miniestações meteorológicas e loggers da marca Logen^® (Figura 2), com o objetivo de coletar e armazenar as informações de temperatura e umidade relativa durante todas as etapas das operações pré-abate. Além destes equipamentos, foram utilizados também termômetros clínicos digitais para as medias de Temperatura Retal das aves.

 

Figura 2-logger para registro de temperatura e umidade relativa.

 

A operação de pega das aves na presente pesquisa possuía as seguintes características: turma responsável por esta etapa formada por 8 a 10 trabalhadores; o método de pega utilizado foi o tradicional ou “pelos pés”; o número de aves carregadas por mão variou em função da densidade de aves por caixa e o tempo gasto nesta operação variou principalmente em função das características particulares de cada turma. 

A operação de carregamento das aves nesta pesquisa apresentou as seguintes características: equipe responsável pelo carregamento das aves composta por três trabalhadores, sendo dois responsáveis por empilhar as caixas já carregadas de aves na carroceria do caminhão e um com a tarefa de abrir as tampas das mesmas e não deixar faltar caixas para a turma da pega; caminhões de transporte com carga composta por 486 caixas, sendo que o processo de montagem da carga durava em média em torno de 40 minutos; entre as colunas de caixas em toda a extensão da carga do caminhão era deixado um espaço de em média 15cm (Figura 3), com o objetivo de favorecer a ventilação da parte central da carga durante o transporte; as caixas de transporte apresentavam dimensões externas de 75 x 60 x 30 cm, e possuíam portinholas de folha dupla tipo basculante, de abertura central e para fora; o peso médio de cada caixa cheia de aves foi de 32,0kg, sendo que estas eram arremessadas pelos trabalhadores a uma altura acima de suas cabeças (mais de 1,80m), Figura 5. Após o término do carregamento das aves e da amarração da carga, era realizado o processo de “molhamento” das aves, que consistia basicamente em jogar água, geralmente com uma mangueira, ao longo de toda a carga do caminhão, prática muito utilizada como uma maneira de evitar problemas de estresse térmico durante o transporte dos animais.

A operação de transporte das aves na presente pesquisa possuía as seguintes características: todos os caminhões monitorados tinham carga composta por 486 caixas de transporte dispostas em três fileiras (duas laterais e uma central), compostas por 9 caixas de altura e 18 caixas de comprimento; todos os caminhões eram equipados com lona plástica em sua parte frontal, dispositivo utilizado para evitar eventuais problemas de morte por hipotermia em períodos frios ou sob chuva e ventos fortes; os caminhoneiros eram equipados com rádios de comunicação, para que pudessem a qualquer momento reportar eventuais problemas que pudessem ocorrer durante a viagem.

Nesta etapa das operações pré-abate, além de todo o monitoramento das condições ambientais externas durante a viagem, foi realizada também uma análise do microclima da carga, Sendo monitorados também o tempo gasto no trajeto granja-abatedouro, a distância percorrida, o turno de viagem, a densidade de aves por caixa e a porcentagem de aves mortas na chegada ao abatedouro (DOA).

A operação de espera das aves na presente pesquisa possuía as seguintes características: galpão de espera com dimensões para comportar 8 caminhões; galpão de espera climatizado com ventiladores e linhas de nebulização; telas de polietileno (Sombrite) nas laterais, protegendo os caminhões da radiação solar direta; tanto a linha de nebulização quanto o sistema de ventilação do galpão de espera não possuíam acionamento automático, sendo ligados manualmente e permanecendo assim durante a maior parte do tempo, em todos os turnos.

Nesta etapa, como nas anteriores, foi realizado um monitoramento das variáveis ambientais (temperatura e umidade relativa) dos ambientes externo e interno do galpão de espera, objetivando-se verificar os comportamentos destas variáveis ao longo dos tempos de espera. Além disso, medidas de Temperatura Retal das aves foram realizadas com a finalidade de detectar as condições de conforto ou estresse térmico durante o período de espera.

 A carga dos caminhões era composta por três fileiras com 18 caixas na horizontal e 9 caixas na vertical, totalizando assim 162 caixas por fileira e 486 caixas por caminhão (Figura 3).

As caixas de transporte possuíam dimensões externas de 75 x 60 x 30 cm, com tampas de portinhola central tipo basculante. O peso médio da carga de um caminhão após ser carregado variou em torno de 9 a 12 toneladas de frangos vivos, dependendo do peso médio das aves.

 

Figura 3 – Caracterização da carga dos caminhões de transporte monitorados

 

Para facilitar o trabalho de distribuição dos loggers e abranger toda a extensão da carga, optou-se por uma configuração fixa e padrão (Figura 4) de distribuição destes aparelhos em todos os carregamentos.

 Conforme se observa na Figura 4, esta configuração de distribuição contou com 47 loggers, sendo o número de aparelhos colocados no centro da carga maior do que nas outras partes; isso foi feito por presumir-se que esta seria a região mais propensa à ocorrência de estresse térmico nas aves.

 

Figura 4 – Distribuição fixa dos loggers (caixas escuras) ao longo da carga

 

Após definida a configuração de distribuição dos loggers ao longo da carga do caminhão, outro problema foi a identificação das caixas que continham os loggers durante o carregamento. Isso se deu porque era preciso que as mesmas fossem colocadas nos locais corretos de coleta de dados previamente estabelecidos pela configuração definida.

Adotou-se como solução diferenciar as caixas que continham os loggers das demais, sendo utilizadas caixas de cor diferente das utilizadas pela empresa integradora em questão (Figura 5).

 

Figura 5 – Caixas com loggers (amarelas) diferenciadas das demais (vermelhas)

 

Outra solução adotada, também para facilitar e agilizar o trabalho, foi numerar as caixas de cor diferente, de modo que cada logger, também numerado, era preso junto à caixa de numeração correspondente (Figura 6).

 

Figura 6 – Caixas numeradas de acordo com a numeração dos loggers e posicionamento destes aparelhos dentro da caixa

 

Estas medidas de diferenciação e numeração das caixas com os loggers fizeram com que o carregamento não precisasse ser interrompido constantemente, para que caixas com logger colocadas em posições incorretas tivessem que ser remanejadas.

A fixação dos loggers nas caixas de transporte, feita pelo lado interno das mesmas, foi realizada por meio de uma braçadeira de plástico.

Com o objetivo de averiguar a existência de perda de peso das aves que poderia ocorrer devido ao tempo e às condições ambientais durante o transporte, realizou-se a pesagem das caixas que continham loggers no decorrer do carregamento. Para isso, utilizou-se uma balança, onde as caixas eram pesadas vazias (tara) e depois cheias de aves para, daí então, serem colocadas no caminhão (Figura 7).

É importante salientar que, quando a carga era molhada antes do transporte, não foi possível avaliar a diferença de peso no final do mesmo.

 

Figura 7 – Pesagem das aves antes do carregamento

 

 

A variabilidade espacial é uma característica importante de muitos fenômenos naturais, tais como propriedades químicas e físicas do solo ou produtividade de grãos em uma área agrícola. Se a localização espacial varia continuamente na área em estudo, a descrição da variabilidade espacial é possível através das técnicas de Geoestatística, Diggle e Ribeiro Jr. (2006).

Sendo assim, o objetivo dessa análise foi verificar a dependência espacial para as variáveis ambientais temperatura e umidade relativa, bem como para o Índice Entalpia de Conforto (IEC), considerando como área de estudo o interior da carga do caminhão de transporte de frangos. Em cada conjunto de dados, as amostras foram divididas em três grupos, sendo L1 – lateral 1, M – meio e  L2 – Lateral 2, com as laterais apresentando as mesmas características e configuração de distribuição dos pontos (loggers).

Para isso foi estabelecido o modelo matemático do problema:

y(x) = μ(x) + S(x) + e(x); onde:

y(x) é a variável ambiental média medida na posição x;

μ(x) é a média do processo na posição x;

S(x) é o processo espacial subjacente na posição x;

E(x) é o erro aleatório na posição x.

O modelo acima possui alguns pressupostos: e(x) segue uma distribuição N(0,τ ²), onde τ ² é o ruído associado à medição de y(x); o S(x) segue uma N(0,Σ), onde Σ determina a variabilidade associada ao processo real e a estrutura de covariância entre as medições de y(x). Essa estrutura de variâncias e covariâncias é proveniente de alguma família de correlações que produza uma matriz Σ positiva definida; o μ(x) é a média da variável de interesse (temperatura, umidade ou entalpia) na posição x. Essa média pode ser constante em todas as posições ou pode seguir algum modelo em função das coordenadas.

Com esses pressupostos estabelecidos, a teoria estatística assegura que y(x) segue uma distribuição N(μ(x),Σ’), onde Σ’ é em função de Σ e τ ². Logo, antes de iniciar a modelagem, o pressuposto de normalidade de y(x) deverá ser verificado, para tal, se pode utilizar testes estatísticos como o de Shapiro-Wilk. No entanto, nesse estudo foi seguida a abordagem da família de transformações de Box-Cox. Outras abordagens diferentes do processo Gaussiano (Normal) também podem ser seguidas, por exemplo, modelos lineares generalizados, que associam outras distribuições ao problema.

Após a determinação do modelo pressuposto, realizou-se a modelagem de acordo com os seguintes passos:

1 – Análise exploratória dos dados;

2 – Estimação dos parâmetros do modelo - Nesse estudo foram levados em consideração os estimadores de máxima verossimilhança, devido ao número de parâmetros. Métodos numéricos são utilizados para estimar os valores dos parâmetros que maximizem a função de verossimilhança associada ao conjunto de observações de y(x); no entanto, para iniciar essa estimação numérica, foi necessário estabelecer “chutes” iniciais para os parâmetros.

Tais “chutes” foram dados utilizando um método de estimação “AD-HOC”, sendo então analisados semivariogramas empíricos, levando em consideração duas tendências de média, a constante e a em função da coordenada x. Além de fornecer os “chutes” iniciais aos parâmetros, essa técnica é uma continuação da análise exploratória, onde foi escolhida a família de correlação do problema;

3 – Confirmação da escolha dos modelos pelo Critério da Informação de Akaike (AIC) - Para confirmar a escolha dos modelos candidatos, foi utilizado o Critério da Informação de Akaike (AIC), complementar ao método da máxima verossimilhança, que gera um valor de penalidade ao modelo, ou seja, esse critério analisa o quanto o modelo está explicando da variabilidade dos dados comparado com o número de parâmetros envolvidos nos modelos estabelecidos; logo, quanto menor o valor do AIC, melhor o modelo;

4 – Predições dos pontos realizadas pelo método da Kigagem Ordinária - Com o modelo final estabelecido, o objetivo final de fazer predições para os locais não amostrados pôde ser realizado; para isso, foi utilizada a técnica de Krigagem Ordinária, essa predição pode ser feita em qualquer local interior à região de estudo, o que permitiu estimar valores desconhecidos das variáveis em regiões não amostradas.

Foram utilizadas para tanto, informações quanto ao modelo escolhido para a efetiva predição das regiões não amostradas, incluindo a estrutura de covariância adotada. Isto possibilitou a construção de mapas com gradiente de cores que corresponderam às predições de temperatura, de umidade relativa e do Índice Entalpia de Conforto (IEC), gerado pelo modelo adotado.

Em todas as etapas desta análise, foi utilizado o software estatístico R (R Development Core Team, 2006).

A análise de componentes principais, técnica estatística multivariada, consiste essencialmente em reescrever as variáveis reais em um conjunto de outras variáveis que sejam mais convenientes para a análise dos dados. Através das combinações lineares de n-variáveis, n-componentes principais são obtidas. Das características dessas ultimas, além da ortogonalidade, tem-se que são obtidas em ordem decrescente de máxima variância, o que faz com que a componente principal 1 detenha mais informação estatística que a componente principal 2, que por sua vez tem mais informação estatística que a componente principal 3, e assim por diante. O grande objetivo desta análise é explicar a estrutura de covariância do conjunto de dados a fim de reduzir a dimensão e simplificar a análise destes. Johnson e Wichern (1998).

Portanto, esta análise multivariada permite a redução da dimensionalidade dos pontos representativos dos dados reais, embora a informação estatística presente nas n-variáveis originais seja a mesma dos n-componentes principais, e portanto, é comum obter em apenas 1 ou 2 dos primeiros componentes principais, mais que 80% das informações relevantes para um determinado estudo.

A análise de componentes principais também pode ser usada para julgar a importância das próprias variáveis originais escolhidas, ou seja, as variáveis originais com maior peso para a compreensão dos dados.

Para a escolha do número de componentes principais representativos dos dados de origem, a melhor estratégia está em analisar a quantidade de variância amostral explicada e dos tamanhos relativos dos autovalores associados as componentes, visto que um componente associado a um autovalor que tende a zero será pouco importante para a dependência entre os dados. Kryzanowski (1990).

O gráfico da componente principal 1 versus a componente principal 2, por exemplo, fornece um objeto de fácil compreensão em termos da estatística dos dados para observação dos pontos no espaço n-dimensional.

Os eixos dos gráficos são os dois primeiros componentes principais (autovetores) da análise multivariada que representam a maior parte da variância dos dados, o que auxilia a distinguir, no próprio gráfico, as amostras de dados que apresentam padrões de comportamentos, separados por quadrantes, dos demais grupos. Dessa forma, tem-se que, graficamente, a análise de componentes pode ser descrita como a rotação dos eixos das componentes originais num espaço de duas dimensões a fim de que possa indicar algum padrão a ser interpretado.

A suposição básica da interpretação dos gráficos bidimensionais de análise de componentes é: quanto menor a distância entre os pontos, maior a semelhança entre as amostras. Os gráficos são especialmente úteis na visualização de semelhanças entre amostras ou objetos representados por pontos em espaço com dimensão maior do que três, onde a representação de gráficos convencionais não é possível.

Sendo assim, o objetivo desta análise foi a utilização dos gráficos das componentes principais, como forma de comprovação e/ou validação dos resultados apresentados pela análise geoestatística, ou seja, para verificar se os gráficos representativos dos perfis das variáveis ambientais estavam mesmo condizentes com os resultados esperados. 

Em todas as etapas desta análise, foi utilizado o software estatístico R (R Development Core Team, 2006).