Predição da variabilidade espacial da produtividade agrícola com modelos ocultos de Markov

• Autor(a) principal: Ferreira, Jean Samarone Almeida
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNIPAMPA
• Texto Completo: http://dspace.unipampa.edu.br:8080/jspui/handle/riu/5400
• topic: CNPQ::ENGENHARIAS; Modelo oculto de Markov; Produtividade agrícola; Variabilidade espacial; Inferência probabilística; Hidden Markov model; Agricultural productivity; Spatial variability; Probabilistic inference

O trabalho desenvolvido nesta dissertação de mestrado caracteriza-se como uma pesquisa exploratória, que utiliza um estudo de caso com base em dados coletados em uma das áreas de produção da Embrapa Pecuária Sul e revisão de literatura relacionada ao problema. O trabalho é justificado pela necessidade de tentar entender e prever a produtividade de uma determinada área ao longo do tempo. O objetivo é prever o que pode acontecer em uma colheita, usando um modelo de Markov oculto para inferências probabilísticas em dados históricos. Os dados foram organizados em sequências de estados, onde cada estado representa um resultado de produtividade (a parte oculta do modelo) e dados referentes às condições coletadas de dados meteorológicos, do solo, do balanço hídrico e de outros dados (a parte visível do modelo). A implementação do modelo foi feita com a linguagem R . Foi feita uma comparação entre os modelos com dados reais e simulados. Os resultados apontam a necessidade de um conjunto maior de dados de produtividade para que o modelo seja confiável. O modelo mostrou-se adequado para predizer a produtividade ao longo das safras, mas a estimativa da variabilidade dentro de uma determinada área é mais sensível à disponibilidade e discretização dos dados de entrada.