???jsp.display-item.identifier??? https://repositorio.unipampa.edu.br/jspui/handle/riu/4741
Tipo: Dissertação
metadata.dc.title: Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming
Autor(es): Schulte, Leonardo Gauer
Primeiro Orientador: Perez, Naylor Bastiani
1° Membro da banca: Perez, Naylor Bastiani
2° Membro da banca: Trentin , Gustavo
3° Membro da banca: Genro, Teresa Cristina Moraes
Resumo: Na pecuária extensiva de corte é importante saber a quantidade de alimento disponível na pastagem para que se possa estimar a quantidade ideal de animais que devem ocupar aquela área. Na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, a massa de forragem disponível em determinadas áreas experimentais é estimada por um método direto, onde são usadas gaiolas para isolar determinada área da pastagem e, a cada mês, a vegetação dessa área é cortada, seca e depois pesada. Dessa forma, obtém-se a massa seca da amostra coletada que é utilizada para a estimar a taxa de acúmulo de pasto para o mês posterior. Este trabalho propõe um modelo computacional baseado em Redes Neurais Artificiais Long Short-Term Memory com o intuito de melhorar a estimativa de disponibilidade de pasto feita atualmente na Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, com base em dados amostrais da disponibilidade de pasto, coletados por meio do método direto, e meteorológicos. A metodologia é baseada em pesquisa exploratória e experimental interdisciplinar, e seu desenvolvimento, realizado na forma de estudo de caso, apontou alguns problemas no processo de amostragem de disponibilidade de pasto que vinha sendo realizado. Buscando contornar os problemas identificados, foi definida uma arquitetura onde os dados amostrais de disponibilidade de pasto e meteorológicos, são persistidos em um banco de dados geográfico, após um processo de Extract, Transform, and Load. Depois de carregados no banco de dados geográfico, os dados passam por um pré-processamento que os prepara para o processo de treinamento da Redes Neural Artificial Long Short-Term Memory desenvolvida. Os resultados mostram que a metodologia proposta é capaz de estimar com significativa acurácia a disponibilidade de pasto instantânea e do mês posterior, uma vez que o erro médio verificado é de mesma magnitude do erro associado ao método de amostragem utilizado.
Abstract: In extensive herding, it is important to know the amount of food available in the pasture so that the ideal amount of animals that occupy that area can be estimated. In Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, the forage mass available in certain experimental areas is estimated by a direct method, where cages are used to isolate a particular area of the pasture and, every month, the vegetation of this area is cut, dried and then weighed. Thus, the dry mass of the collected sample is obtained, which is used to estimate the pasture accumulation rate for the subsequent month. This work proposes a computational model based on Long Short-Term Memory Artificial Neural Networks with the aim of improving the estimation of pasture availability currently done at Empresa Brasileira de Pesquisa Agropecuária - Pecuária Sul, based on data from pasture availability, collected through the direct method, and meteorological. The methodology is based on exploratory and experimental interdisciplinary research, and its development, carried out in the form of a case study, pointed out some problems in the pasture availability sampling process that had been carried out. In order to circumvent the problems identified, an architecture was defined where the pasture availability and meteorological data are persisted in a geographic database, after an Extract, Transform, and Load process. After being loaded into the geographic database, the data goes through a pre-processing that prepares them for the training process of the Long Short-Term Memory Artificial Neural Network developed. The results show that the proposed methodology is capable of estimating with significant accuracy the availability of instantaneous pasture and the subsequent month, since the average error verified is of the same magnitude of the error associated to the sampling method used.
metadata.dc.subject: Modelos computacionais
Pecuária de precisão
Ajuste de lotação
Oferta de forragem
Manejo de pastagem
Computational models
Precision farming
Stocking rate
Forage offer. Grazing management
CNPQ: CNPQ::ENGENHARIAS
Idioma: por
metadata.dc.publisher.country: Brasil
metadata.dc.publisher: Universidade Federal do Pampa
Sigla da Instituição: UNIPAMPA
Campus: Campus Bagé
Curso: Mestrado Acadêmico em Computação Aplicada
metadata.dc.identifier.citation: SCHULTE, Leonardo Gauer. Suporte à Decisão em Pastagens: Análise Espaço-temporal e Aprendizado de Máquina para Predição da Disponibilidade de Forragem no Contexto de Smart Farming. 104 f. 2019. Dissertação (Mestrado) – Programa de Pós-Graduação em Computação Aplicada – Universidade Federal do Pampa, Campus Bagé, Bagé, 2019.
Tipo de acesso: Acesso Aberto
metadata.dc.identifier.uri: http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741
metadata.dc.date.issued: 1-Jan-2019
???org.dspace.app.webui.jsptag.ItemTag.appears???Mestrado em Computação Aplicada

???org.dspace.app.webui.jsptag.ItemTag.files???
???org.dspace.app.webui.jsptag.ItemTag.file??? ???org.dspace.app.webui.jsptag.ItemTag.description??? ???org.dspace.app.webui.jsptag.ItemTag.filesize??????org.dspace.app.webui.jsptag.ItemTag.fileformat??? 
DIS Leonardo Schulte 2018.pdf2.2 MBAdobe PDF???org.dspace.app.webui.jsptag.ItemTag.view???


???jsp.display-item.copyright???