Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: Lopes, Vinícius André Velozo, 1991-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Estufas
Mineração de dados (Computação)
Predição (Logica)
Variabilidade
Aprendizado de máquina
Greenhouse
Data mining
Prediction
Variability
Machine learning
Link de acesso: https://hdl.handle.net/20.500.12733/1637866
Resumo: Orientador: Luiz Henrique Antunes Rodrigues
id UNICAMP-30_ba0a45cb7d9475062e3bc8c00acd3512
oai_identifier_str oai::1097185
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientaisGreenhouse modeling : application of machine learning techniques to capture spatial and temporal variability of environmental variablesEstufasMineração de dados (Computação)Predição (Logica)VariabilidadeAprendizado de máquinaGreenhouseData miningPredictionVariabilityMachine learningOrientador: Luiz Henrique Antunes RodriguesDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia AgrícolaResumo: A demanda por alimentos, fibras e energia é crescente em um cenário em que o aumento da população diverge da escassez, cada vez maior, de recursos naturais. As técnicas e sistemas de cultivo protegido podem ser uma alternativa vantajosa para aumentar a produtividade de culturas variadas, de forma sustentável, além de propiciar o desenvolvimento dessas fora das épocas normais de cultivo. A variabilidade de variáveis ambientais no interior de casas de vegetação ocorre tanto horizontalmente quanto verticalmente e, em alguns casos, o gradiente interno das variáveis meteorológicas pode ser similar à diferença encontrada entre os ambientes interno e externo. A ocorrência de gradientes microclimáticos no interior das casas de vegetação pode causar diferenças na produtividade e nas características das plantas dentro de um mesmo ambiente de cultivo protegido, assim como pode promover o desenvolvimento de doenças. Apesar disso, a maioria dos trabalhos envolvendo modelagem e predição da temperatura e da umidade relativa do ar no interior da casa de vegetação, as considera espacialmente homogêneas. Há uma lacuna, portanto, na modelagem das variáveis meteorológicas no interior desses ambientes, levando em conta a variabilidade espacial existente. O uso de técnicas de aprendizado de máquina propicia a criação de modelos mesmo quando as interações das variáveis envolvidas nos processos são desconhecidas. Estas técnicas possibilitam, ainda, resolver problemas lineares ou não lineares com múltiplas variáveis e podem ser utilizadas no processamento de pequenas ou grandes amostras de dados. Sua aplicação torna-se plausível, portanto, para resolução de problemas que envolvam dados meteorológicos, coletados de forma espacializada, para modelagem do microclima interno de casas de vegetação. Nesta perspectiva, o objetivo principal deste estudo é o desenvolvimento de modelos, utilizando técnicas de aprendizado de máquina, capazes de capturar a variabilidade espacial da temperatura e umidade relativa do ar no interior de uma casa de vegetação. Dente outras fontes de dados, dados de temperatura e umidade relativa do ar, coletados de forma especializada por 45 sensores no interior da casa de vegetação, foram utilizados na modelagem. Desenvolveram-se modelos com o uso de técnicas de aprendizado de máquinas como máquinas de vetores-suporte, florestas aleatórias, boosted regression trees e redes neurais recorrentes. Os resultados encontrados mostram boa capacidade dos modelos em prever ou modelar temperatura e umidade relativa do ar no interior da casa de vegetação considerando a variabilidade interna existenteAbstract: Demand for food, fiber, and energy is growing in a scenario where population growth diverges from the increasing scarcity of natural resources. Protected cultivation techniques and systems may be an advantageous alternative for sustainably increasing yields of a variety of crops, in addition to promoting the development of crops out of the regular seasons of cultivation. The variability of environmental variables inside greenhouse occurs both horizontally and vertically and, in some cases, the internal gradient of microclimate variables may be similar to the difference found between indoor and outdoor environments. The occurrence of microclimatic gradients can cause differences in plant¿s yield and characteristics within the same protected environment, as well as may promote the development of diseases. Despite this, most of the researches involving modeling and prediction of internal air temperature and relative humidity consider them to be spatially homogeneous. There is a gap, therefore, in the modeling of microclimatic variables within these environments considering the spatial variability that occurs. The use of machine learning techniques allows the creation of models even when the interactions of all variables involved in the processes are unknown. These techniques also make it possible to solve linear or non-linear problems with multiple variables and can be used in the processing of small or large data samples. Its application becomes feasible, therefore, for solving problems involving meteorological data, collected in a spatial way, for modeling the internal microclimate of greenhouse. In this perspective, the main objective of this study is the development of models, using machine learning techniques, capable of capturing the spatial variability of air temperature and relative humidity inside a greenhouse. Among other data sources, air temperature and relative humidity data, collected from 45 sensors inside the greenhouse, were used for modeling. Models were developed using machine learning techniques such as support vector machines, random forests, boosted regression trees and recurrent neural networks. The results show good models¿ ability to predict or model air temperature and relative humidity inside the greenhouse considering the existing internal variabilityMestradoGestão de Sistemas na Agricultura e Desenvolvimento RuralMestre em Engenharia AgrícolaFAPESP[s.n.]Rodrigues, Luiz Henrique Antunes, 1959-Attux, Romis Ribeiro de FaissolSentelhas, Paulo CesarUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia AgrícolaPrograma de Pós-Graduação em Engenharia AgrícolaUNIVERSIDADE ESTADUAL DE CAMPINASLopes, Vinícius André Velozo, 1991-20192019-09-11T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (73 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1637866LOPES, Vinícius André Velozo. Modelagem em casas de vegetação: aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais. 2019. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637866. Acesso em: 28 fev. 2025.https://repositorio.unicamp.br/acervo/detalhe/1097185Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2021-07-28T12:15:15Zoai::1097185Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2021-07-28T12:15:15Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
Greenhouse modeling : application of machine learning techniques to capture spatial and temporal variability of environmental variables
title Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
spellingShingle Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
Lopes, Vinícius André Velozo, 1991-
Estufas
Mineração de dados (Computação)
Predição (Logica)
Variabilidade
Aprendizado de máquina
Greenhouse
Data mining
Prediction
Variability
Machine learning
title_short Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
title_full Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
title_fullStr Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
title_full_unstemmed Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
title_sort Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
author Lopes, Vinícius André Velozo, 1991-
author_facet Lopes, Vinícius André Velozo, 1991-
author_role author
dc.contributor.none.fl_str_mv Rodrigues, Luiz Henrique Antunes, 1959-
Attux, Romis Ribeiro de Faissol
Sentelhas, Paulo Cesar
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Agrícola
Programa de Pós-Graduação em Engenharia Agrícola
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Lopes, Vinícius André Velozo, 1991-
dc.subject.por.fl_str_mv Estufas
Mineração de dados (Computação)
Predição (Logica)
Variabilidade
Aprendizado de máquina
Greenhouse
Data mining
Prediction
Variability
Machine learning
topic Estufas
Mineração de dados (Computação)
Predição (Logica)
Variabilidade
Aprendizado de máquina
Greenhouse
Data mining
Prediction
Variability
Machine learning
description Orientador: Luiz Henrique Antunes Rodrigues
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-09-11T00:00:00Z
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 https://hdl.handle.net/20.500.12733/1637866
LOPES, Vinícius André Velozo. Modelagem em casas de vegetação: aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais. 2019. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637866. Acesso em: 28 fev. 2025.
url https://hdl.handle.net/20.500.12733/1637866
identifier_str_mv LOPES, Vinícius André Velozo. Modelagem em casas de vegetação: aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais. 2019. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1637866. Acesso em: 28 fev. 2025.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1097185
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (73 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1829137689273696256

Registros relacionados