Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/364359
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Métodos supervisionados de machine learning aplicados à produtividade agrícola de cana-de-açúcar
Title Alternative: Supervised machine learning methods applied to sugarcane yield
Author: Yepes Guarnizo, Jhonnatan Alexander, 1991-
Advisor: Teruel Mederos, Barbara Janet, 1966-
Abstract: Resumo: Os métodos de aprendizado de máquinas têm tomado protagonismo dentro das ciências agrárias principalmente por sua capacidade de prever eventos futuros. A indústria canavieira brasileira é responsável por 39% da produção mundial, participação essa que lhe confere o rótulo de maior produtora e processadora dessa matéria-prima. Para manter a competitividade no cenário internacional, abastecer o consumo interno e sustentar a importância socioeconômica que isso implica na economia interna do país, o Governo e produtores têm historicamente recorrido a modelos de previsão de produtividade para desenvolver planos de ordenamento territorial, segurança alimentar, processamento de matéria-prima e logística para o transporte de produtos derivados. Nesse cenário, a previsão da produtividade da cana-de-açúcar tornou-se uma ferramenta valiosa para a tomada de decisões estratégicas mais precisas. Por esse motivo, o presente trabalho tem como objetivo avaliar o desempenho de três métodos de aprendizado de máquina supervisionado na criação de modelos de previsão de safra baseados nas propriedades de fertilidade do solo em cana-de-açúcar. O desenvolvimento do experimento ocorreu na Universidade Estadual de Campinas, especificamente dentro da Faculdade de Engenharia Agrícola (FEAGRI) com a variedade IACSP97-4039 devido à sua presença em usinas do estado de São Paulo, ao seu alto conteúdo energético e principalmente por ser uma espécie de ciclo curto. Os resultados obtidos apontam para o algoritmo Random Forest como o melhor classificador, sendo que Naive Bayes também apresentou resultados satisfatórios

Abstract: Machine learning methods have taken a leading role within the agricultural sciences mainly due to their ability to predict future events. The Brazilian sugarcane industry is responsible for 39% of world production, this participation has given it the label as the largest producer and processor of this raw material. To maintain competitiveness on the international scene, supply domestic consumption and sustain the socioeconomic importance that this implies in the country's internal economy, the Government and producers have historically resorted to productivity prediction models to develop land use planning, food security, processing of fresh material and logistics for the transportation of derived products. In this scenario, the prediction of productivity in sugarcane became a valuable tool to make more accurate strategic decisions. For this reason, the present study aims to evaluate the performance of three methods of supervised machine learning in the creation of crop prediction models based on the soil fertility properties in sugarcane. The development of the experiment took place at the State University of Campinas (SP), specifically within the Faculty of Agricultural Engineering (FEAGRI) with the variety IACSP97-4039 due to its presence in sugar mills in the state of Sao Paulo, its high energy content and mainly because it is a species short cycle. The results obtained point to the Random Forest algorithm as the best classifier, and Naive Bayes also presented satisfactory results
Subject: Aprendizado de máquina
Agricultura e tecnologia
Cana-de-açúcar - Rendimento
Floresta aleatória
Language: Português
Editor: [s.n.]
Citation: YEPES GUARNIZO, Jhonnatan Alexander. Métodos supervisionados de machine learning aplicados à produtividade agrícola de cana-de-açúcar. 2021. 1 recurso online (75 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP.
Date Issue: 2021
Appears in Collections:FEAGRI - Tese e Dissertação

Files in This Item:
File SizeFormat 
YepesGuarnizo_JhonnatanAlexander_M.pdf1.64 MBAdobe PDFView/Open


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