Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/335818
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Modelagem em casas de vegetação : aplicação de técnicas de aprendizado de máquina para capturar a variabilidade espacial e temporal de variáveis ambientais
Title Alternative: Greenhouse modeling : application of machine learning techniques to capture spatial and temporal variability of environmental variables
Author: Lopes, Vinícius André Velozo, 1991-
Advisor: Rodrigues, Luiz Henrique Antunes, 1959-
Abstract: Resumo: 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 existente

Abstract: 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 variability
Subject: Estufas
Mineração de dados
Predição (Logica)
Variabilidade
Aprendizado de máquina
Language: Português
Editor: [s.n.]
Citation: 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.
Date Issue: 2019
Appears in Collections:FEAGRI - Tese e Dissertação

Files in This Item:
File SizeFormat 
Lopes_ViniciusAndreVelozo_M.pdf4.09 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.