Clusterização de dados georreferenciados utilizando métodos de machine learning
Uloženo v:
| Hlavní autor: | |
|---|---|
| Datum vydání: | 2025 |
| Médium: | Bachelor thesis |
| Jazyk: | por |
| Zdroj: | Repositório Institucional da UPF |
| Download full: | https://repositorio.upf.br/handle/123456789/9533 |
Shrnutí: | This study investigates the application of machine learning techniques to the clustering of georeferenced data, focusing on a case study related to the management of Municipal Solid Waste (MSW) in the state of Rio Grande do Sul, Brazil. Data from different towns in the area was merged with details about waste disposal sites, and clustering methods like K-Means, K-Nearest Neighbors (KNN), DBSCAN, and Random Forest were used. The objective was to identify coherent territorial groupings that could support more effective public policies. The resulting regionalizations were compared with a baseline study for validation and comparative analysis of the models. The results show that spatial clustering methods perform satisfactorily, with K-Means and DBSCAN standing out, demonstrating the potential of machine learning techniques in spatial analysis applied to georeferenced data. |
| _version_ | 1871607647318310912 |
|---|---|
| author | Bergamin, Mateus Zanatta |
| author_browse | Bergamin, Mateus Zanatta |
| author_facet | Bergamin, Mateus Zanatta |
| author_role | author |
| collection | Repositório Institucional da UPF |
| dc.contributor.author.fl_str_mv | Bergamin, Mateus Zanatta |
| dc.contributor.none.fl_str_mv | Hölbig, Carlos Amaral |
| dc.date.none.fl_str_mv | 2025-10-22T19:12:54Z 2025 |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.uri.fl_str_mv | BERGAMIN, Mateus Zanatta. Clusterização de dados georreferenciados utilizando métodos de machine learning. 2025. 15 f. Artigo de conclusão de curso (Bacharel em Ciência da Computação). Curso de Ciência da Computação. Universidade de Passo Fundo, Passo Fundo, RS, 2025. https://repositorio.upf.br/handle/123456789/9533 |
| 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 | Clusterização de dados Aprendizado do computador Resíduos sólidos Ciências Exatas e da Terra::Ciência da Computação |
| dc.title.none.fl_str_mv | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| dc.type.driver.fl_str_mv | info:eu-repo/semantics/bachelorThesis |
| dc.type.status.fl_str_mv | info:eu-repo/semantics/publishedVersion |
| description | This study investigates the application of machine learning techniques to the clustering of georeferenced data, focusing on a case study related to the management of Municipal Solid Waste (MSW) in the state of Rio Grande do Sul, Brazil. Data from different towns in the area was merged with details about waste disposal sites, and clustering methods like K-Means, K-Nearest Neighbors (KNN), DBSCAN, and Random Forest were used. The objective was to identify coherent territorial groupings that could support more effective public policies. The resulting regionalizations were compared with a baseline study for validation and comparative analysis of the models. The results show that spatial clustering methods perform satisfactorily, with K-Means and DBSCAN standing out, demonstrating the potential of machine learning techniques in spatial analysis applied to georeferenced data. |
| eu_rights_str_mv | openAccess |
| format | bachelorThesis |
| id | UPF_e0c510a46e75d48673544dfd28bd4448 |
| identifier_str_mv | BERGAMIN, Mateus Zanatta. Clusterização de dados georreferenciados utilizando métodos de machine learning. 2025. 15 f. Artigo de conclusão de curso (Bacharel em Ciência da Computação). Curso de Ciência da Computação. Universidade de Passo Fundo, Passo Fundo, RS, 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:123456789/9533 |
| 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 | Clusterização de dados georreferenciados utilizando métodos de machine learningClusterização de dadosAprendizado do computadorResíduos sólidosCiências Exatas e da Terra::Ciência da ComputaçãoThis study investigates the application of machine learning techniques to the clustering of georeferenced data, focusing on a case study related to the management of Municipal Solid Waste (MSW) in the state of Rio Grande do Sul, Brazil. Data from different towns in the area was merged with details about waste disposal sites, and clustering methods like K-Means, K-Nearest Neighbors (KNN), DBSCAN, and Random Forest were used. The objective was to identify coherent territorial groupings that could support more effective public policies. The resulting regionalizations were compared with a baseline study for validation and comparative analysis of the models. The results show that spatial clustering methods perform satisfactorily, with K-Means and DBSCAN standing out, demonstrating the potential of machine learning techniques in spatial analysis applied to georeferenced data.Este trabalho investiga a aplicação de técnicas de machine learning na clusterização de dados georreferenciados com foco em um estudo realizado sobre a gestão de Resíduos Sólidos Urbanos (RSU) no estado do Rio Grande do Sul. Foram utilizados dados espaciais dos municípios gaúchos, combinados com informações sobre aterros sanitários, aplicando-se os modelos de clusterização K-Means, K-Nearest Neighbors (KNN), DBSCAN e Random Forest. O objetivo foi identificar agrupamentos territoriais coerentes, que possam subsidiar políticas públicas mais eficientes. A regionalização obtida com os métodos foi comparada com o estudo base, servindo para a validação e análise comparativa dos modelos. Os resultados revelam que os métodos de clusterização espacial apresentam desempenho satisfatório, com destaque para o K-Means e o DBSCAN, demonstrando o potencial das técnicas de machine learning na análise espacial aplicada a dados georreferenciados.Universidade de Passo FundoBrasilUPFInstituto de TecnologiaHölbig, Carlos AmaralBergamin, Mateus Zanatta2025-10-22T19:12:54Z2025info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfBERGAMIN, Mateus Zanatta. Clusterização de dados georreferenciados utilizando métodos de machine learning. 2025. 15 f. Artigo de conclusão de curso (Bacharel em Ciência da Computação). Curso de Ciência da Computação. Universidade de Passo Fundo, Passo Fundo, RS, 2025.https://repositorio.upf.br/handle/123456789/9533porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UPFinstname:Universidade de Passo Fundo (UPF)instacron:UPF2025-12-30T20:31:44Zoai:repositorio.upf.br:123456789/9533Repositório InstitucionalPRIhttp://repositorio.upf.br/oai/requestjucelei@upf.br||biblio@upf.bropendoar:16102025-12-30T20:31:44Repositório Institucional da UPF - Universidade de Passo Fundo (UPF) |
| spellingShingle | Clusterização de dados georreferenciados utilizando métodos de machine learning Bergamin, Mateus Zanatta Clusterização de dados Aprendizado do computador Resíduos sólidos Ciências Exatas e da Terra::Ciência da Computação |
| status_str | publishedVersion |
| title | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| title_full | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| title_fullStr | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| title_full_unstemmed | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| title_short | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| title_sort | Clusterização de dados georreferenciados utilizando métodos de machine learning |
| topic | Clusterização de dados Aprendizado do computador Resíduos sólidos Ciências Exatas e da Terra::Ciência da Computação |
| url | https://repositorio.upf.br/handle/123456789/9533 |