Com o impedimento do uso dos antibióticos na produção animal como promotores de crescimento devido aos efeitos colaterais e à presença de resíduos em produtos de origem animal, existe uma necessidade para o desenvolvimento e utilização de substâncias alternativas para a substituição dos antibióticos. Os aditivos alimentares e compostos secundários provenientes de extratos de plantas têm sido utilizados na ração animal como substituintes dos antibióticos, exercendo funções terapêuticos e profiláticos. O objetivo desta revisão é apresentar um resumo abrangente sobre o uso de aditivos e compostos secundários na nutrição de pequenos ruminantes, destacando seu papel como estratégias nutricionais eficazes para a melhoria do desempenho e da saúde animal, além dos desafios no desenvolvimento de alternativas sustentáveis, seguras e acessíveis. Contudo, a eficácia dos aditivos na alimentação animal, depende de múltiplos fatores, como o tipo de dieta, o estágio fisiológico e a categoria animal, além das condições de manejo. Assim, a escolha e o uso adequado dos aditivos devem ser baseados em evidências científicas e ajustados às particularidades de cada sistema, visando sempre o equilíbrio entre produtividade, bem-estar animal e responsabilidade ambiental.

A gestão eficiente dos recursos hídricos é um desafio crucial para a produção de pequenos ruminantes, sobretudo em regiões tropicais e semiáridas. Este artigo tem como objetivo reunir e discutir as principais equações e abordagens utilizadas para estimar o consumo de água em ovinos, destacando a importância da modelagem matemática na simulação das exigências hídricas. A análise contempla variáveis como consumo de matéria seca, energia metabolizável, peso corporal, temperatura ambiente, além de técnicas de estimativa como a diluição isotópica da água corporal. Também são abordadas as perdas hídricas por diferentes vias fisiológicas e os efeitos da temperatura e da restrição hídrica no desempenho animal. A revisão demonstra que não há uma equação universalmente aplicável, sendo essencial a adaptação dos modelos às condições ambientais, fisiológicas e produtivas específicas. Nesse sentido, a compreensão integrada dos fatores que influenciam o consumo de água é fundamental para a formulação de dietas e estratégias de manejo mais sustentáveis e eficientes.

Accurate body weight monitoring is essential for efficient sheep production, yet conventional weighing methods are labor-intensive and require frequent animal handling. Computer vision provides a promising non-invasive alternative; however, many published studies rely on validation strategies that may overestimate predictive performance because repeated observations from the same animals are simultaneously included in training and testing datasets. This study developed and evaluated an integrated analytical framework for image-based body weight estimation in ewes that combines standardized image processing, robust frame-level quality control, longitudinal statistical modeling, and strict leakage-controlled validation. A longitudinal dataset comprising 20 Dorper ewes monitored over six sampling periods was acquired using top-view depth imaging synchronized with body weight measurements under semi-arid conditions. The analytical framework integrated three complementary modules: longitudinal mixed-effects modeling, early prediction of final body weight, and contemporaneous body weight estimation. Predictive analyses were evaluated using nested leave-one-animal-out cross-validation, in which all preprocessing, correlation filtering, feature selection, model optimization, and model selection were performed exclusively within the training animals of each outer fold. The longitudinal mixed-effects model accurately characterized individual growth trajectories (conditional R² = 0.98). Initial body weight remained the strongest predictor of final body weight (R² = 0.770), whereas image-derived morphometric descriptors alone showed limited predictive performance under strict animal-level validation (R² = −0.899 to −0.031). Combining baseline body weight with selected morphometric descriptors produced modest but biologically informative improvements, achieving a maximum R² of 0.839. Contemporaneous body weight estimation achieved moderate predictive performance (maximum R² = 0.332) and revealed temporal changes in the importance of morphometric descriptors throughout growth. Overall, the proposed framework provides a reproducible methodology for evaluating image-derived phenotypes under rigorous animal-level validation, contributing to the development of more robust, interpretable, and biologically grounded computer vision systems for Precision Livestock Farming.