Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina

Página do item simplificado
dc.contributor.advisorGabriel Filho, Luís Roberto Almeida
dc.contributor.advisorGabriel, Camila Pires Cremasco
dc.contributor.advisorColetta, Luiz Fernando Sommaggio
dc.contributor.authorHespanhol, Patrícia Freitas Pelozo
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2019-08-05T12:04:49Z
dc.date.available2019-08-05T12:04:49Z
dc.date.issued2019-06-10
dc.description.abstractO presente trabalho buscou identificar padrões na produção de cana de por meio da utilização de Inteligência Artificial. Para tanto, foi realizada coleta de informações de fontes secundárias, com dados estatísticos fornecidos por órgãos públicos sobre a área cultivada e a produção de cana de açúcar, índices como pluviométricos e de temperatura e o tipo de solo dos municípios do estado de São Paulo, no ano de 2017, por meio de pesquisa documental. Com a utilização dos métodos Floresta dos Caminhos Ótimos (OPF), K-means e Fuzzy C-means (FCM) buscou-se identificar clusters, ou padrões, que representem essas características produtivas. Além disso, o trabalho testou a utilização do algoritmo OPF como ferramenta de apoio à decisão no setor agroindustrial e fez a comparação do método com os agrupadores de padrões K-means e FCM. Após o processamento dos dados foi possível identificar padrões na produção de cana de açúcar pelos três algoritmos, sendo que o OPF proporcionou resultados muito parecidos com o K-means e FCM, confirmando a eficiência do método. Além disso, foi possível identificar, no ano de 2017, um padrão de produção com municípios com alta produtividade, grandes áreas destinadas a produção de cana de açúcar e produção da cultura, com temperatura média alta e índices pluviométricos baixos. Os municípios que possuem pequenas áreas com plantação de cana de açúcar possuem uma variabilidade muito grande em resultados de produtividade. O padrão de município com baixa produtividade é acompanhado por temperatura média muito baixa, índices pluviométricos muito altos e solos do tipo Cambissolos, Neossolos e Espodossolos. O padrão do tipo de solo que proporcionou maior produtividade para os municípios foi o Latossolo.pt
dc.description.abstractThe present work sought to identify patterns in sugarcane production through the use of Artificial Intelligence. For this purpose, information was collected from secondary sources, with statistical data provided by public agencies on cultivated area and sugarcane production, rainfall and temperature indices, and the soil type of the municipalities of the State of São Paulo, in the year 2017, through documentary research. Using Optimum-Path Forest (OPF), K-means and Fuzzy C-means (FCM) methods, the aim was to identify clusters, or patterns, that represent these productive characteristics. In addition, the work tested the use of OPF algorithm as a decision support tool in the agribusiness sector and compared the method with the K-means and FCM standards groupers. After data processing, it was possible to identify patterns in sugarcane production by the three algorithms, and OPF provided results very similar to K-means and FCM, confirming the efficiency of the method. In addition, it was possible to identify, in the year 2017, a production pattern of municipalities with high productivity, large areas destined to the production of sugar cane and crop production, with high average temperature and low rainfall. Municipalities that have small areas with sugar cane plantation have a very large variability in productivity results. The municipal pattern with low productivity is accompanied by very low average temperature, very high rainfall rates and soils of the type Cambisols, Neosols and Spodosols. The soil type pattern that provided the highest productivity for the municipalities was the Oxisol.pt
dc.identifier.aleph000919057
dc.identifier.capes33004188001P8
dc.identifier.lattes5255054247692798
dc.identifier.lattes0046303577453043
dc.identifier.urihttp://hdl.handle.net/11449/183121
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectAgronegóciopt
dc.subjectReconhecimento de padrõespt
dc.subjectFloresta de Caminhos Ótimospt
dc.subjectK-médiaspt
dc.subjectFuzzy C-meansen
dc.subjectAgribusinessen
dc.subjectPattern Recognitionen
dc.subjectOptimum-Path Foresten
dc.subjectK-meansen
dc.titleAnálise de padrões na produção de cana de açúcar utilizando aprendizado de máquinapt
dc.title.alternativeAnalysis on sugar cane production using machine learningen
dc.typeDissertação de mestrado
unesp.advisor.lattes9951953532998797[2]
unesp.advisor.orcid0000-0003-2465-1361[2]
unesp.author.lattes5255054247692798
unesp.author.lattes0046303577453043[3]
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Ciências e Engenharia, Tupãpt
unesp.embargoOnlinept
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramAgronegócio e Desenvolvimento - Tupãpt
unesp.knowledgeAreaAgronegócio e desenvolvimentopt
unesp.researchAreaCompetitividade de Sistemas Agroindustriaispt

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Imagem de Miniatura
Nome:
hespanhol_pfp_me_tupa_parc_sub.pdf
Tamanho:
1.11 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Imagem de Miniatura
Nome:
hespanhol_pfp_me_tupa_int_sub.pdf
Tamanho:
3.47 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
2.99 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Dissertações - Agronegócio e Desenvolvimento - Tupã