Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão
Saved in:
| Main Author: | |
|---|---|
| Publication Date: | 2025 |
| Format: | Bachelor thesis |
| Language: | por |
| Source: | Repositório Institucional da UPF |
| Download full: | https://repositorio.upf.br/handle/123456789/9535 |
Summary: | Accurately determining the harvest date is a strategic decision in agricultural management, directly impacting yield, grain quality, and crop sustainability. This study presents an exploratory investigation evaluating the feasibility of using machine learning algorithms to predict the harvest date of soybean and corn crops in the state of Rio Grande do Sul, Brazil. A dataset of one thousand records was built using real data and controlled simulations, including variables such as soil type, pH, nutrient levels (NPK), organic matter, temperature, humidity, precipitation, and solar radiation. Four regression models were implemented and compared: Linear Regression, Random Forest, MLP, and XGBoost. The analysis showed that Linear Regression achieved the best performance (MAE = 3.839172 days), outperforming even more complex models. The study also led to the development of a functional interface for data input and harvest prediction visualization. Results demonstrate that machine learning models can significantly support decision-making in agriculture, provided that the input data is reliable and representative. This research lays the groundwork for future studies and highlights promising paths for integrating artificial intelligence into agricultural planning. |
| _version_ | 1871607619073867776 |
|---|---|
| author | Accorsi, Leonardo |
| author_browse | Accorsi, Leonardo |
| author_facet | Accorsi, Leonardo |
| author_role | author |
| collection | Repositório Institucional da UPF |
| dc.contributor.author.fl_str_mv | Accorsi, Leonardo |
| dc.contributor.none.fl_str_mv | Hölbig, Carlos Amaral |
| dc.date.none.fl_str_mv | 2025-10-22T20:14:02Z 2025 |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.uri.fl_str_mv | ACCORSI, Leonardo. Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão. 2025. 17 f. Artigo de Conclusão de Curso (Bacharel em Computação). Curso de Computação. Universidade de Passo Fundo, Passo Fundo, 2025. https://repositorio.upf.br/handle/123456789/9535 |
| dc.language.iso.fl_str_mv | por |
| dc.publisher.none.fl_str_mv | Universidade de Passo Fundo Brasil UPF Instituto de Tecnologia |
| dc.rights.driver.fl_str_mv | info:eu-repo/semantics/openAccess |
| dc.source.none.fl_str_mv | reponame:Repositório Institucional da UPF instname:Universidade de Passo Fundo (UPF) instacron:UPF |
| dc.subject.por.fl_str_mv | Aprendizado do computador Agricultura de precisão Época de colheita |
| dc.title.none.fl_str_mv | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| dc.type.driver.fl_str_mv | info:eu-repo/semantics/bachelorThesis |
| dc.type.status.fl_str_mv | info:eu-repo/semantics/publishedVersion |
| description | Accurately determining the harvest date is a strategic decision in agricultural management, directly impacting yield, grain quality, and crop sustainability. This study presents an exploratory investigation evaluating the feasibility of using machine learning algorithms to predict the harvest date of soybean and corn crops in the state of Rio Grande do Sul, Brazil. A dataset of one thousand records was built using real data and controlled simulations, including variables such as soil type, pH, nutrient levels (NPK), organic matter, temperature, humidity, precipitation, and solar radiation. Four regression models were implemented and compared: Linear Regression, Random Forest, MLP, and XGBoost. The analysis showed that Linear Regression achieved the best performance (MAE = 3.839172 days), outperforming even more complex models. The study also led to the development of a functional interface for data input and harvest prediction visualization. Results demonstrate that machine learning models can significantly support decision-making in agriculture, provided that the input data is reliable and representative. This research lays the groundwork for future studies and highlights promising paths for integrating artificial intelligence into agricultural planning. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | UPF_2efc8526fa8f9b3bfde7a2817ce2aad0 |
| identifier_str_mv | ACCORSI, Leonardo. Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão. 2025. 17 f. Artigo de Conclusão de Curso (Bacharel em Computação). Curso de Computação. Universidade de Passo Fundo, Passo Fundo, 2025. |
| instacron_str | UPF |
| institution | UPF |
| instname_str | Universidade de Passo Fundo (UPF) |
| language | por |
| network_acronym_str | UPF |
| network_name_str | Repositório Institucional da UPF |
| oai_identifier_str | oai:repositorio.upf.br:123456789/9535 |
| publishDate | 2025 |
| publishDateSort | 2025 |
| publisher.none.fl_str_mv | Universidade de Passo Fundo Brasil UPF Instituto de Tecnologia |
| reponame_str | Repositório Institucional da UPF |
| repository.mail.fl_str_mv | jucelei@upf.br||biblio@upf.br |
| repository.name.fl_str_mv | Repositório Institucional da UPF - Universidade de Passo Fundo (UPF) |
| repository_id_str | 1610 |
| spelling | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisãoAprendizado do computadorAgricultura de precisãoÉpoca de colheitaAccurately determining the harvest date is a strategic decision in agricultural management, directly impacting yield, grain quality, and crop sustainability. This study presents an exploratory investigation evaluating the feasibility of using machine learning algorithms to predict the harvest date of soybean and corn crops in the state of Rio Grande do Sul, Brazil. A dataset of one thousand records was built using real data and controlled simulations, including variables such as soil type, pH, nutrient levels (NPK), organic matter, temperature, humidity, precipitation, and solar radiation. Four regression models were implemented and compared: Linear Regression, Random Forest, MLP, and XGBoost. The analysis showed that Linear Regression achieved the best performance (MAE = 3.839172 days), outperforming even more complex models. The study also led to the development of a functional interface for data input and harvest prediction visualization. Results demonstrate that machine learning models can significantly support decision-making in agriculture, provided that the input data is reliable and representative. This research lays the groundwork for future studies and highlights promising paths for integrating artificial intelligence into agricultural planning.A definição precisa da data de colheita é uma decisão estratégica no manejo agrícola, impactando diretamente a produtividade, a qualidade dos grãos e a sustentabilidade da lavoura. Este trabalho apresenta um estudo exploratório que avalia a viabilidade do uso de algoritmos de aprendizado de máquina na previsão da data de colheita para as culturas de soja e milho no estado do Rio Grande do Sul. Para isso, foi construído um dataset com mil registros a partir de dados reais e simulações controladas, considerando variáveis como tipo de solo, pH, nutrientes (NPK), matéria orgânica, temperatura, umidade, precipitação e radiação solar. Quatro modelos foram implementados e comparados: Regressão Linear, Random Forest, MLP e XGBoost. A análise dos resultados revelou que a Regressão Linear apresentou o melhor desempenho (MAE = 3.839172 dias), superando inclusive modelos mais complexos. O estudo também resultou no desenvolvimento de uma interface funcional para inserção de dados e visualização da previsão. Os resultados demonstram que o uso de modelos de machine learning pode contribuir significativamente para a tomada de decisão no campo, desde que alinhado à qualidade e representatividade dos dados utilizados. A pesquisa serve como base para estudos futuros, apontando caminhos promissores para o uso de inteligência artificial no apoio ao planejamento agrícola.Universidade de Passo FundoBrasilUPFInstituto de TecnologiaHölbig, Carlos AmaralAccorsi, Leonardo2025-10-22T20:14:02Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfACCORSI, Leonardo. Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão. 2025. 17 f. Artigo de Conclusão de Curso (Bacharel em Computação). Curso de Computação. Universidade de Passo Fundo, Passo Fundo, 2025.https://repositorio.upf.br/handle/123456789/9535porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UPFinstname:Universidade de Passo Fundo (UPF)instacron:UPF2025-12-30T20:37:10Zoai:repositorio.upf.br:123456789/9535Repositório InstitucionalPRIhttp://repositorio.upf.br/oai/requestjucelei@upf.br||biblio@upf.bropendoar:16102025-12-30T20:37:10Repositório Institucional da UPF - Universidade de Passo Fundo (UPF) |
| spellingShingle | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão Accorsi, Leonardo Aprendizado do computador Agricultura de precisão Época de colheita |
| status_str | publishedVersion |
| title | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| title_full | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| title_fullStr | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| title_full_unstemmed | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| title_short | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| title_sort | Estudo comparativo de modelos de machine learning para estimar a data de colheita no contexto da agricultura de precisão |
| topic | Aprendizado do computador Agricultura de precisão Época de colheita |
| url | https://repositorio.upf.br/handle/123456789/9535 |