ALBERT

Description: "O meticuloso e mundialmente pioneiro trabalho dos pesquisadores que deu origem a esta coletânea revela um fenômeno estrutural: estão aumentando o número e a gravidade dos conflitos ambientais em todo o mundo, principalmente no 'sul global' exportador de commodities. Isso ocorre em razão da explosão dos monocultivos com seus agrotóxicos, da extração de recursos naturais, do transporte de materiais e da produção de rejeitos. Assim, sofrem as populações pobres, indígenas, quilombolas e tantas outras, que perdem seu sustento e sua saúde, e, por isso, mobilizam-se e protestam. Até mesmo a esquerda política mostra-se cada vez menos empenhada em reconhecer a ecologia popular e o movimento global por justiça ambiental. Enquanto isso, o comércio injusto e insustentável continua a gerar inúmeros problemas ambientais, de saúde e violação dos direitos fundamentais. Os inventários e os mapas de conflitos ambientais, como os abordados nesta obra, ajudam, com vigor científico e moral, a dar visibilidade a essa realidade indignante. Mais que isso, mostram a forma como instituições e pesquisadores engajados podem, ao se aliar aos movimentos por justiça e contra o racismo ambiental, contribuir para a construção de um mundo mais solidário, justo e sustentável." Joan Martínez-Alier, professor da Universidade Autônoma de Barcelona e da Faculdade Latino-Americana de Ciências Sociais (Flacso) de Quito/Equador

Description: Grazing and ruminating are the most important behaviours for ruminants, as they spend most of their daily time budget performing these. Continuous surveillance of eating behaviour is an important means for monitoring ruminant health, productivity and welfare. However, surveillance performed by human operators is prone to human variance, time-consuming and costly, especially on animals kept at pasture or free-ranging. The use of sensors to automatically acquire data, and software to classify and identify behaviours, offers significant potential in addressing such issues. In this work, data collected from sheep by means of an accelerometer/gyroscope sensor attached to the ear and collar, sampled at 16 Hz, were used to develop classifiers for grazing and ruminating behaviour using various machine learning algorithms: random forest (RF), support vector machine (SVM), k nearest neighbour (kNN) and adaptive boosting (Adaboost). Multiple features extracted from the signals were ranked on their importance for classification. Several performance indicators were considered when comparing classifiers as a function of algorithm used, sensor localisation and number of used features. Random forest yielded the highest overall accuracies: 92% for collar and 91% for ear. Gyroscope-based features were shown to have the greatest relative importance for eating behaviours. The optimum number of feature characteristics to be incorporated into the model was 39, from both ear and collar data. The findings suggest that one can successfully classify eating behaviours in sheep with very high accuracy; this could be used to develop a device for automatic monitoring of feed intake in the sheep sector to monitor health and welfare.