Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming
Autor(a) principal: | |
---|---|
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/4741 |
Resumo: | Na pecuária extensiva de corte é importante saber a quantidade de alimento disponível na pastagem para que se possa estimar a quantidade ideal de animais que devem ocupar aquela área. Na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, a massa de forragem disponível em determinadas áreas experimentais é estimada por um método direto, onde são usadas gaiolas para isolar determinada área da pastagem e, a cada mês, a vegetação dessa área é cortada, seca e depois pesada. Dessa forma, obtém-se a massa seca da amostra coletada que é utilizada para a estimar a taxa de acúmulo de pasto para o mês posterior. Este trabalho propõe um modelo computacional baseado em Redes Neurais Artificiais Long Short-Term Memory com o intuito de melhorar a estimativa de disponibilidade de pasto feita atualmente na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, com base em dados amostrais da disponibilidade de pasto, coletados por meio do método direto, e meteorológicos. A metodologia é baseada em pesquisa exploratória e experimental interdisciplinar, e seu desenvolvimento, realizado na forma de estudo de caso, apontou alguns problemas no processo de amostragem de disponibilidade de pasto que vinha sendo realizado. Buscando contornar os problemas identificados, foi definida uma arquitetura onde os dados amostrais de disponibilidade de pasto e meteorológicos, são persistidos em um banco de dados geográfico, após um processo de Extract, Transform, and Load. Depois de carregados no banco de dados geográfico, os dados passam por um pré-processamento que os prepara para o processo de treinamento da Redes Neural Artificial Long Short-Term Memory desenvolvida. Os resultados mostram que a metodologia proposta é capaz de estimar com significativa acurácia a disponibilidade de pasto instantânea e do mês posterior, uma vez que o erro médio verificado é de mesma magnitude do erro associado ao método de amostragem utilizado. |
id |
UNIP_db3504ab9384811529e575649e100691 |
---|---|
oai_identifier_str |
oai:repositorio.unipampa.edu.br:riu/4741 |
network_acronym_str |
UNIP |
network_name_str |
Repositório Institucional da UNIPAMPA |
repository_id_str |
|
spelling |
Perez, Naylor BastianiPerez, Naylor BastianiTrentin , GustavoGenro, Teresa Cristina MoraesSchulte, Leonardo Gauer2020-02-05T16:06:53Z2020-02-032020-02-05T16:06:53Z2019-01-01SCHULTE, Leonardo Gauer. Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming. 104 f. 2019. Dissertação (Mestrado) – Programa de Pós-Graduação em Computação Aplicada – Universidade Federal do Pampa, Campus Bagé, Bagé, 2019.http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741Na pecuária extensiva de corte é importante saber a quantidade de alimento disponível na pastagem para que se possa estimar a quantidade ideal de animais que devem ocupar aquela área. Na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, a massa de forragem disponível em determinadas áreas experimentais é estimada por um método direto, onde são usadas gaiolas para isolar determinada área da pastagem e, a cada mês, a vegetação dessa área é cortada, seca e depois pesada. Dessa forma, obtém-se a massa seca da amostra coletada que é utilizada para a estimar a taxa de acúmulo de pasto para o mês posterior. Este trabalho propõe um modelo computacional baseado em Redes Neurais Artificiais Long Short-Term Memory com o intuito de melhorar a estimativa de disponibilidade de pasto feita atualmente na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, com base em dados amostrais da disponibilidade de pasto, coletados por meio do método direto, e meteorológicos. A metodologia é baseada em pesquisa exploratória e experimental interdisciplinar, e seu desenvolvimento, realizado na forma de estudo de caso, apontou alguns problemas no processo de amostragem de disponibilidade de pasto que vinha sendo realizado. Buscando contornar os problemas identificados, foi definida uma arquitetura onde os dados amostrais de disponibilidade de pasto e meteorológicos, são persistidos em um banco de dados geográfico, após um processo de Extract, Transform, and Load. Depois de carregados no banco de dados geográfico, os dados passam por um pré-processamento que os prepara para o processo de treinamento da Redes Neural Artificial Long Short-Term Memory desenvolvida. Os resultados mostram que a metodologia proposta é capaz de estimar com significativa acurácia a disponibilidade de pasto instantânea e do mês posterior, uma vez que o erro médio verificado é de mesma magnitude do erro associado ao método de amostragem utilizado.In extensive herding, it is important to know the amount of food available in the pasture so that the ideal amount of animals that occupy that area can be estimated. In Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, the forage mass available in certain experimental areas is estimated by a direct method, where cages are used to isolate a particular area of the pasture and, every month, the vegetation of this area is cut, dried and then weighed. Thus, the dry mass of the collected sample is obtained, which is used to estimate the pasture accumulation rate for the subsequent month. This work proposes a computational model based on Long Short-Term Memory Artificial Neural Networks with the aim of improving the estimation of pasture availability currently done at Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, based on data from pasture availability, collected through the direct method, and meteorological. The methodology is based on exploratory and experimental interdisciplinary research, and its development, carried out in the form of a case study, pointed out some problems in the pasture availability sampling process that had been carried out. In order to circumvent the problems identified, an architecture was defined where the pasture availability and meteorological data are persisted in a geographic database, after an Extract, Transform, and Load process. After being loaded into the geographic database, the data goes through a pre-processing that prepares them for the training process of the Long Short-Term Memory Artificial Neural Network developed. The results show that the proposed methodology is capable of estimating with significant accuracy the availability of instantaneous pasture and the subsequent month, since the average error verified is of the same magnitude of the error associated to the sampling method used.porUniversidade Federal do PampaMestrado Acadêmico em Computação AplicadaUNIPAMPABrasilCampus BagéCNPQ::ENGENHARIASModelos computacionaisPecuária de precisãoAjuste de lotaçãoOferta de forragemManejo de pastagemComputational modelsPrecision farmingStocking rateForage offer. Grazing managementSuporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farminginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIPAMPAinstname:Universidade Federal do Pampa (UNIPAMPA)instacron:UNIPAMPATEXTDIS Leonardo Schulte 2018.pdf.txtDIS Leonardo Schulte 2018.pdf.txtExtracted texttext/plain199199https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/3/DIS%20Leonardo%20Schulte%20%202018.pdf.txt78564ee56c1b6229c319321b9ede6a5aMD53ORIGINALDIS Leonardo Schulte 2018.pdfDIS Leonardo Schulte 2018.pdfapplication/pdf2250082https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/1/DIS%20Leonardo%20Schulte%20%202018.pdf7179057b0106850de98e172849c3ca2cMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81866https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/2/license.txt43cd690d6a359e86c1fe3d5b7cba0c9bMD52riu/47412020-02-06 03:25:29.889oai:repositorio.unipampa.edu.br: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ório InstitucionalPUBhttp://dspace.unipampa.edu.br:8080/oai/requestsisbi@unipampa.edu.bropendoar:2020-02-06T06:25:29Repositório Institucional da UNIPAMPA - Universidade Federal do Pampa (UNIPAMPA)false |
dc.title.pt_BR.fl_str_mv |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
title |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
spellingShingle |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming Schulte, Leonardo Gauer CNPQ::ENGENHARIAS Modelos computacionais Pecuária de precisão Ajuste de lotação Oferta de forragem Manejo de pastagem Computational models Precision farming Stocking rate Forage offer. Grazing management |
title_short |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
title_full |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
title_fullStr |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
title_full_unstemmed |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
title_sort |
Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming |
author |
Schulte, Leonardo Gauer |
author_facet |
Schulte, Leonardo Gauer |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Perez, Naylor Bastiani |
dc.contributor.referee1.fl_str_mv |
Perez, Naylor Bastiani |
dc.contributor.referee2.fl_str_mv |
Trentin , Gustavo |
dc.contributor.referee3.fl_str_mv |
Genro, Teresa Cristina Moraes |
dc.contributor.author.fl_str_mv |
Schulte, Leonardo Gauer |
contributor_str_mv |
Perez, Naylor Bastiani Perez, Naylor Bastiani Trentin , Gustavo Genro, Teresa Cristina Moraes |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS |
topic |
CNPQ::ENGENHARIAS Modelos computacionais Pecuária de precisão Ajuste de lotação Oferta de forragem Manejo de pastagem Computational models Precision farming Stocking rate Forage offer. Grazing management |
dc.subject.por.fl_str_mv |
Modelos computacionais Pecuária de precisão Ajuste de lotação Oferta de forragem Manejo de pastagem Computational models Precision farming Stocking rate Forage offer. Grazing management |
description |
Na pecuária extensiva de corte é importante saber a quantidade de alimento disponível na pastagem para que se possa estimar a quantidade ideal de animais que devem ocupar aquela área. Na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, a massa de forragem disponível em determinadas áreas experimentais é estimada por um método direto, onde são usadas gaiolas para isolar determinada área da pastagem e, a cada mês, a vegetação dessa área é cortada, seca e depois pesada. Dessa forma, obtém-se a massa seca da amostra coletada que é utilizada para a estimar a taxa de acúmulo de pasto para o mês posterior. Este trabalho propõe um modelo computacional baseado em Redes Neurais Artificiais Long Short-Term Memory com o intuito de melhorar a estimativa de disponibilidade de pasto feita atualmente na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, com base em dados amostrais da disponibilidade de pasto, coletados por meio do método direto, e meteorológicos. A metodologia é baseada em pesquisa exploratória e experimental interdisciplinar, e seu desenvolvimento, realizado na forma de estudo de caso, apontou alguns problemas no processo de amostragem de disponibilidade de pasto que vinha sendo realizado. Buscando contornar os problemas identificados, foi definida uma arquitetura onde os dados amostrais de disponibilidade de pasto e meteorológicos, são persistidos em um banco de dados geográfico, após um processo de Extract, Transform, and Load. Depois de carregados no banco de dados geográfico, os dados passam por um pré-processamento que os prepara para o processo de treinamento da Redes Neural Artificial Long Short-Term Memory desenvolvida. Os resultados mostram que a metodologia proposta é capaz de estimar com significativa acurácia a disponibilidade de pasto instantânea e do mês posterior, uma vez que o erro médio verificado é de mesma magnitude do erro associado ao método de amostragem utilizado. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-01-01 |
dc.date.accessioned.fl_str_mv |
2020-02-05T16:06:53Z |
dc.date.available.fl_str_mv |
2020-02-03 2020-02-05T16:06:53Z |
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.citation.fl_str_mv |
SCHULTE, Leonardo Gauer. Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming. 104 f. 2019. Dissertação (Mestrado) – Programa de Pós-Graduação em Computação Aplicada – Universidade Federal do Pampa, Campus Bagé, Bagé, 2019. |
dc.identifier.uri.fl_str_mv |
http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741 |
identifier_str_mv |
SCHULTE, Leonardo Gauer. Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming. 104 f. 2019. Dissertação (Mestrado) – Programa de Pós-Graduação em Computação Aplicada – Universidade Federal do Pampa, Campus Bagé, Bagé, 2019. |
url |
http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Pampa |
dc.publisher.program.fl_str_mv |
Mestrado Acadêmico em Computação Aplicada |
dc.publisher.initials.fl_str_mv |
UNIPAMPA |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Campus Bagé |
publisher.none.fl_str_mv |
Universidade Federal do Pampa |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIPAMPA instname:Universidade Federal do Pampa (UNIPAMPA) instacron:UNIPAMPA |
instname_str |
Universidade Federal do Pampa (UNIPAMPA) |
instacron_str |
UNIPAMPA |
institution |
UNIPAMPA |
reponame_str |
Repositório Institucional da UNIPAMPA |
collection |
Repositório Institucional da UNIPAMPA |
bitstream.url.fl_str_mv |
https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/3/DIS%20Leonardo%20Schulte%20%202018.pdf.txt https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/1/DIS%20Leonardo%20Schulte%20%202018.pdf https://repositorio.unipampa.edu.br/jspui/bitstream/riu/4741/2/license.txt |
bitstream.checksum.fl_str_mv |
78564ee56c1b6229c319321b9ede6a5a 7179057b0106850de98e172849c3ca2c 43cd690d6a359e86c1fe3d5b7cba0c9b |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIPAMPA - Universidade Federal do Pampa (UNIPAMPA) |
repository.mail.fl_str_mv |
sisbi@unipampa.edu.br |
_version_ |
1801849064444133376 |