Previsão do valor Brix: aplicação de algoritmos de Machine Learning

Detalhes bibliográficos
Autor(a) principal: Silva, Catarina Andrade Mira Antunes da
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.5/23688
Resumo: Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial
id RCAP_9566527cef8c88120476a9328465dcae
oai_identifier_str oai:www.repository.utl.pt:10400.5/23688
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Previsão do valor Brix: aplicação de algoritmos de Machine LearningValor BrixMachine LearningPythonRegressãoOrdinary Least SquaresSupport Vector RegressionRedes NeuronaisRandom ForestLightGBMMestrado Bolonha em Métodos Quantitativos para a Decisão Económica e EmpresarialO consumo sustentável é um tema cada vez mais debatido na atualidade. Com o aumento da população mundial e a diminuição de recursos naturais, é necessário aplicar técnicas que conduzam a uma produção controlada combatendo assim o desperdício, pelo que a previsão da qualidade de produtos agrícolas é um tópico crucial na tomada de decisão. As áreas de Machine Learning e de Remote Sensing têm contribuído significativamente para responder a estas dificuldades, na medida em que o tempo de processamento desde a recolha de dados à previsão dos mesmos é relativamente curto. Desta forma, o principal propósito deste trabalho é estudar o potencial das imagens Sentinel-2, em parceria com a empresa Forging Lab, para a análise e previsão da qualidade de produtos agrícolas, pelo valor Brix, para que, posteriormente, se possam mitigar os riscos de perda e consequentemente aumentar os lucros. Ao longo do estudo utilizam-se várias abordagens de Machine Learning do ramo da aprendizagem supervisionada, nomeadamente, Regressão Linear (OLS), Support Vector Regression, Redes Neuronais, Random Forest e LightGBM. Na comparação dos resultados de previsão obtidos pelas várias abordagens em estudo, verifica-se que os modelos em que se aplicou o algoritmo Random Forest geram maior precisão e menores erros de previsão. O melhor modelo, do algoritmo Random Forest, apresentou um coeficiente de determinação de 87,87%, com erro absoluto médio de 0,2985 e erro quadrático médio de 0,2741.Sustainable consumption is an increasingly debated topic these days. Due to the current increase in population and the depletion of natural resources, it is urgent that we implement production control techniques so that, in turn, we can effectively combat waste. Thus, agricultural product quality prediction is a crucial topic in decision-making. Machine Learning and Remote Sensing have played a significant role in response to these challenges, as the processing time from data collection to data prediction is relatively short. Bearing this in mind, with this thesis we aim to study, in partnership with the company Forging Lab, the potential of Sentinel-2 images in agricultural product quality analysis and prediction, according to the Brix value, so that the risk of loss can be later mitigated and profit can, consequently, increase. Several approaches in the Machine Learning field are used in this research, namely Linear Regression (OLS), Support Vector Regression, Neural Networks, Random Forest, and LightGBM. When we compare the predicted results obtained by the approaches used in this study, we verify that the models in which the Random Forest algorithm was used generate higher accuracy and smaller forecast errors. The best Random Forest algorithm model presented a coefficient of determination of 87,87%, with a mean absolute error of 0,2985 and a mean square error of 0,2741.Instituto Superior de Economia e GestãoCosta, CarlosLopes, RuiRepositório da Universidade de LisboaSilva, Catarina Andrade Mira Antunes da2022-02-25T16:40:51Z2021-102021-10-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.5/23688porSilva, Catarina Andrade Mira Antunes da (2021). “Previsão do valor Brix: aplicação de algoritmos de Machine Learning”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão.info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-03-06T14:53:15Zoai:www.repository.utl.pt:10400.5/23688Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T17:07:52.189604Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Previsão do valor Brix: aplicação de algoritmos de Machine Learning
title Previsão do valor Brix: aplicação de algoritmos de Machine Learning
spellingShingle Previsão do valor Brix: aplicação de algoritmos de Machine Learning
Silva, Catarina Andrade Mira Antunes da
Valor Brix
Machine Learning
Python
Regressão
Ordinary Least Squares
Support Vector Regression
Redes Neuronais
Random Forest
LightGBM
title_short Previsão do valor Brix: aplicação de algoritmos de Machine Learning
title_full Previsão do valor Brix: aplicação de algoritmos de Machine Learning
title_fullStr Previsão do valor Brix: aplicação de algoritmos de Machine Learning
title_full_unstemmed Previsão do valor Brix: aplicação de algoritmos de Machine Learning
title_sort Previsão do valor Brix: aplicação de algoritmos de Machine Learning
author Silva, Catarina Andrade Mira Antunes da
author_facet Silva, Catarina Andrade Mira Antunes da
author_role author
dc.contributor.none.fl_str_mv Costa, Carlos
Lopes, Rui
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Silva, Catarina Andrade Mira Antunes da
dc.subject.por.fl_str_mv Valor Brix
Machine Learning
Python
Regressão
Ordinary Least Squares
Support Vector Regression
Redes Neuronais
Random Forest
LightGBM
topic Valor Brix
Machine Learning
Python
Regressão
Ordinary Least Squares
Support Vector Regression
Redes Neuronais
Random Forest
LightGBM
description Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial
publishDate 2021
dc.date.none.fl_str_mv 2021-10
2021-10-01T00:00:00Z
2022-02-25T16:40:51Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10400.5/23688
url http://hdl.handle.net/10400.5/23688
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv Silva, Catarina Andrade Mira Antunes da (2021). “Previsão do valor Brix: aplicação de algoritmos de Machine Learning”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
publisher.none.fl_str_mv Instituto Superior de Economia e Gestão
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799131172647731200

Registros relacionados