Modelos heterogêneos para a previsão de safras e qualidades de cultivo na indústria sucroenergética

• Ano de defesa: 2019
• Autor(a) principal: CRUZ JÚNIOR, Geraldo Gomes da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal Rural de Pernambuco; Departamento de Estatística e Informática; Brasil; UFRPE; Programa de Pós-Graduação em Informática Aplicada
• Palavras-chave em Português: Modelo estocástico; Cana-de-açúcar; Agroindústria; Indústria sucroenergética; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8534

A agricultura é um importante setor para a economia e sociedade brasileira e mundial. As agroindústrias junto com pequenos agricultores, são responsáveis por colocar o país entre os maiores produtores deste setor no mundo. Um importante representante da agroindústria brasileira são as usinas sucroenergéticas, responsáveis pelo plantio, cultivo e produção de derivados da cana-de-açúcar. A cana-de-açúcar é responsável por 80% de todo o açúcar produzido, sendo o Brasil o maior produtor de cana no mundo. A agricultura vem ganhando muita força, produtividade e inovação, principalmente quando alinhada a conceitos de tecnologias recentes. A agricultura de precisão faz uso de recursos inovadores de softwares e hardwares para avaliar e monitorar as condições de cultivos. Com isso, gera um grande conjunto de dados preparados para serem analisados e posteriormente servirem para a tomada de decisão. Porém, as agroindústrias normalmente utilizam grandes áreas para o plantio de diferentes tipos de monoculturas. A dimensão dessas áreas geralmente acarreta grandes problemas para o monitoramento, controle de pragas, meio ambiente e cultivo da plantação. Visando maximizar a produção enquanto se procura minimizar os impactos ambientais, o agronegócio procura cada vez mais investir em tecnologias e pesquisas que auxiliem na análise de diversos dados coletados ao longo das safras. Esses dados precisam ser tratados para se extrair informações relevantes. Tendo em vista essa necessidade, este trabalho utiliza o CRISP-DM como processo para a mineração dos dados, o qual é uma ferramenta muito útil como parte da definição da metodologia do projeto. Com os levantamentos realizados e revisão da literatura, percebe-se que é necessário fazer previsões e análises de comportamentos futuros a partir de objetos modelados. Contudo, a qualidade das respostas de um modelo qualquer proposto depende da precisão da estrutura computacional e dos dados que alimentam o modelo. A problemática levantada se trata de um sistema complexo, ou seja, um sistema que é composto por inúmeros elementos que interagem, de modo que o comportamento agregado não pode ser inferido do comportamento das unidades constituintes isoladamente, logo se enquadrando na dinâmica de cultivo de um canavial, abrangendo diferentes variáveis de interesse, como temperatura, luminosidade, solo, dentre outras. Para a compreensão da problemática e desenvolvimento das propostas de solução utilizou-se a metodologia do Tookit HCD, um processo com princípios focados na imersão para compreensão da problemáticas e desenvolvimento de soluções alinhadas com as necessidades dos usuários finais. Esta dissertação discute e sugere um modelo piloto para implantação de uma infraestrutura para coleta, armazenamento, processamento e visualização de dados das plantações através da utilização da internet das coisas e de dispositivos móveis. A contribuição parte da apresentação de dois modelos estocásticos para a comunidade, focados na predição de safras, índices de qualidade e cenários de cultivo das diferentes fases de crescimento da cana-de-açúcar. Os modelos obtiveram resultados positivos e promissores nas simulações realizadas. Utilizou-se dados da Usina Agroindustrial São José, em uma área de estudo de 15 hectares. O primeiro modelo apresentado, baseado na utilização do método de Monte Carlo em cadeias de Markov, obteve bons resultados na predição de safras e índices de qualidade do canavial. O modelo obteve em experimentos testes de hipótese com p-values de 0.8754 e coeficientes kappa de 0.68. O Outro modelo é embasado em autômatos celulares estocástico, o qual visa a simulação de cenários georreferenciados da plantação, também classificando regiões como boas, más ou medianas. O Modelo conseguiu em experimentos um p-value de 0.8635 no teste de hipótese e um coeficiente kappa de 0.71. Em ambos os modelos os p-values e kappas indicam uma relação positiva entre os resultados dos modelos e os dados da base. O investimento em tecnologias e inovações agrícolas é essencial para otimizar as produções desse setor, bem como reduzir gastos enquanto se preserva o meio ambiente.