| dc.contributor | Perez, Naylor Bastiani | |
| dc.contributor | Perez, Naylor Bastiani | |
| dc.contributor | Trentin , Gustavo | |
| dc.contributor | Genro, Teresa Cristina Moraes | |
| dc.creator | Schulte, Leonardo Gauer | |
| dc.date | 2020-02-05T16:06:53Z | |
| dc.date | 2020-02-03 | |
| dc.date | 2020-02-05T16:06:53Z | |
| dc.date | 2019-01-01 | |
| dc.date.accessioned | 2023-10-12T15:07:57Z | |
| dc.date.available | 2023-10-12T15:07:57Z | |
| dc.identifier | 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. | |
| dc.identifier | http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9201721 | |
| dc.description | 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. | |
| dc.description | 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. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal do Pampa | |
| dc.publisher | UNIPAMPA | |
| dc.publisher | Mestrado Acadêmico em Computação Aplicada | |
| dc.publisher | Brasil | |
| dc.publisher | Campus Bagé | |
| dc.rights | Acesso Aberto | |
| dc.subject | Modelos computacionais | |
| dc.subject | Pecuária de precisão | |
| dc.subject | Ajuste de lotação | |
| dc.subject | Oferta de forragem | |
| dc.subject | Manejo de pastagem | |
| dc.subject | Computational models | |
| dc.subject | Precision farming | |
| dc.subject | Stocking rate | |
| dc.subject | Forage offer. Grazing management | |
| dc.subject | CNPQ::ENGENHARIAS | |
| 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 | |
| dc.type | Dissertação | |
