Dissertação
Predição da variabilidade espacial da produtividade agrícola com modelos ocultos de Markov
Registro en:
FERREIRA, Jean Samarone Almeida .Predição da variabilidade espacial da
produtividade agrícola com modelos ocultos de Markov. 90 f. 2019. Dissertação (Mestrado) – Programa de Pós-Graduação Mestrado Acadêmico em Computação Aplicada – Universidade Federal do Pampa, Campus Bagé, Bagé, 2019.
Autor
Ferreira, Jean Samarone Almeida
Institución
Resumen
The work developed in this Master’s Thesis is characterized as exploratory research using
a case study based on data collected from one of Embrapa Pecuária Sul production
areas, and problem-related literature review. The work is justified by the need to try
to understand and predict land productivity over different times and seasons. The goal is
to predict what might happen in a crop, using a hidden Markov model for probabilistic
inference on historical data. The data were organized in state sequences, where each
state represents a productivity result (the model hidden part) or data regarding conditions
gathered from meteorological, soil, water balance, and other data (the model visible part).
Model implementation was done using R software libraries. A comparison was made
between models with real and simulated data. The results point to the need for a larger
set of productivity data so that the model results are reliable. The model was adequate to
predict yield throughout the crop, but the estimation of variability within a given area is
more sensitive to input data availability and discretization. O trabalho desenvolvido nesta dissertação de mestrado caracteriza-se como uma pesquisa
exploratória, que utiliza um estudo de caso com base em dados coletados em uma
das áreas de produção da Embrapa Pecuária Sul e revisão de literatura relacionada
ao problema. O trabalho é justificado pela necessidade de tentar entender e prever a
produtividade de uma determinada área ao longo do tempo. O objetivo é prever o que
pode acontecer em uma colheita, usando um modelo de Markov oculto para inferências
probabilísticas em dados históricos. Os dados foram organizados em sequências de
estados, onde cada estado representa um resultado de produtividade (a parte oculta do
modelo) e dados referentes às condições coletadas de dados meteorológicos, do solo,
do balanço hídrico e de outros dados (a parte visível do modelo). A implementação do
modelo foi feita com a linguagem R . Foi feita uma comparação entre os modelos com
dados reais e simulados. Os resultados apontam a necessidade de um conjunto maior de
dados de produtividade para que o modelo seja confiável. O modelo mostrou-se adequado
para predizer a produtividade ao longo das safras, mas a estimativa da variabilidade
dentro de uma determinada área é mais sensível à disponibilidade e discretização dos
dados de entrada.