Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina
| Ano de defesa: | 2019 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | http://hdl.handle.net/11449/183121 |
Resumo: | O 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. |
| id |
UNSP_aca39cf0fb6fd5fb48445584c937ee94 |
|---|---|
| oai_identifier_str |
oai:repositorio.unesp.br:11449/183121 |
| network_acronym_str |
UNSP |
| network_name_str |
Repositório Institucional da UNESP |
| repository_id_str |
|
| spelling |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquinaAnalysis on sugar cane production using machine learningAgronegócioReconhecimento de padrõesFloresta de Caminhos ÓtimosK-médiasFuzzy C-meansAgribusinessPattern RecognitionOptimum-Path ForestK-meansO 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.The 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.Universidade Estadual Paulista (Unesp)Gabriel Filho, Luís Roberto AlmeidaGabriel, Camila Pires CremascoColetta, Luiz Fernando SommaggioUniversidade Estadual Paulista (Unesp)Hespanhol, Patrícia Freitas Pelozo2019-08-05T12:04:49Z2019-08-05T12:04:49Z2019-06-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/11449/18312100091905733004188001P852550542476927980046303577453043porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-06-10T15:00:20Zoai:repositorio.unesp.br:11449/183121Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462024-06-10T15:00:20Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
| dc.title.none.fl_str_mv |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina Analysis on sugar cane production using machine learning |
| title |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| spellingShingle |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina Hespanhol, Patrícia Freitas Pelozo Agronegócio Reconhecimento de padrões Floresta de Caminhos Ótimos K-médias Fuzzy C-means Agribusiness Pattern Recognition Optimum-Path Forest K-means |
| title_short |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| title_full |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| title_fullStr |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| title_full_unstemmed |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| title_sort |
Análise de padrões na produção de cana de açúcar utilizando aprendizado de máquina |
| author |
Hespanhol, Patrícia Freitas Pelozo |
| author_facet |
Hespanhol, Patrícia Freitas Pelozo |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Gabriel Filho, Luís Roberto Almeida Gabriel, Camila Pires Cremasco Coletta, Luiz Fernando Sommaggio Universidade Estadual Paulista (Unesp) |
| dc.contributor.author.fl_str_mv |
Hespanhol, Patrícia Freitas Pelozo |
| dc.subject.por.fl_str_mv |
Agronegócio Reconhecimento de padrões Floresta de Caminhos Ótimos K-médias Fuzzy C-means Agribusiness Pattern Recognition Optimum-Path Forest K-means |
| topic |
Agronegócio Reconhecimento de padrões Floresta de Caminhos Ótimos K-médias Fuzzy C-means Agribusiness Pattern Recognition Optimum-Path Forest K-means |
| description |
O 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. |
| publishDate |
2019 |
| dc.date.none.fl_str_mv |
2019-08-05T12:04:49Z 2019-08-05T12:04:49Z 2019-06-10 |
| 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/11449/183121 000919057 33004188001P8 5255054247692798 0046303577453043 |
| url |
http://hdl.handle.net/11449/183121 |
| identifier_str_mv |
000919057 33004188001P8 5255054247692798 0046303577453043 |
| 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.format.none.fl_str_mv |
application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
| instname_str |
Universidade Estadual Paulista (UNESP) |
| instacron_str |
UNESP |
| institution |
UNESP |
| reponame_str |
Repositório Institucional da UNESP |
| collection |
Repositório Institucional da UNESP |
| repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
| repository.mail.fl_str_mv |
repositoriounesp@unesp.br |
| _version_ |
1854955102401462272 |