Video Experimental Relacionado
Updated: Jul 7, 2026
The Use of an Automated System GreenFeed to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals
Published on: September 7, 2015
Redes Neuronales Artificiales para la Predicción de Emisiones del Sector Ganadero: Una Revisión
Luciano Manuel Santoro1, Provvidenza Rita D'Urso1, Claudia Arcidiacono1
1Building and Land Engineering Section, Department of Agriculture, Food and Environment (Di3A), University of Catania, via S. Sofia 100, 95123 Catania, Italy.
La Inteligencia Artificial (IA), específicamente las Redes Neuronales Artificiales (RNA), puede mejorar significativamente el monitoreo y la gestión del ganado. Estos modelos avanzados ofrecen una precisión superior en la predicción de emisiones gaseosas en comparación con los métodos tradicionales, mejorando la sostenibilidad ambiental.
Área de la Ciencia:
- Ciencia Agrícola
- Ciencias Ambientales
- Ciencias de la Computación
Sus antecedentes:
- Las emisiones gaseosas de las instalaciones ganaderas presentan importantes desafíos ambientales y de salud.
- El monitoreo efectivo de los gases contaminantes es crucial para mitigar los impactos y mejorar la sostenibilidad de los sistemas ganaderos.
- La Inteligencia Artificial (IA), particularmente las Redes Neuronales Artificiales (RNA), ofrece capacidades avanzadas para el monitoreo y la gestión del ganado.
Objetivo del estudio:
- Revisar y sintetizar la aplicación de Redes Neuronales Artificiales (RNA) en la predicción de emisiones gaseosas de las instalaciones ganaderas.
- Evaluar el rendimiento de las RNA en comparación con los métodos estadísticos tradicionales en este dominio.
- Identificar tendencias, metodologías comunes y futuras direcciones de investigación en el monitoreo de emisiones ganaderas impulsado por IA.
Principales métodos:
- Una revisión sistemática de la literatura siguiendo las directrices PRISMA.
- Selección de 18 estudios relevantes publicados entre 2007 y 2024 de las bases de datos Web of Science y Scopus.
- Análisis del enfoque del estudio (p. ej., tipo de animal, gases monitoreados), metodologías de IA (p. ej., arquitectura de RNA, algoritmos de entrenamiento) y métricas de rendimiento.
Principales resultados:
- La investigación se realizó predominantemente en Europa (55%), centrándose en bovinos y cerdos.
- El amoníaco (NH3) y el metano (CH4) fueron los gases predichos con mayor frecuencia.
- La arquitectura Multilayer Perceptron (MLP), entrenada con retropropagación y validada usando el Error Cuadrático Medio (RMSE), fue la más común.
- Los modelos de RNA demostraron una precisión de predicción consistentemente mayor que los enfoques estadísticos tradicionales.
Conclusiones:
- Las RNA son herramientas muy eficaces para mejorar la precisión de las predicciones de emisiones ganaderas.
- La investigación futura debe optimizar las estructuras de RNA, abordar el sesgo de los conjuntos de datos y considerar la variabilidad ambiental para una predicción precisa.
- Los enfoques híbridos que combinan RNA con modelos estadísticos prometen avanzar en la gestión y sostenibilidad ganaderas.
