Predição de compatibilidade entre cultivares em processos de enxertia : um estudo comparativo de técnicas baseadas em sistemas de recomendação

• Ano de defesa: 2022
• Autor(a) principal: SILVA, Thiago Batista Rodrigues
• Orientador(a): PRUDÊNCIO, Ricardo Bastos Cavalcante
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Inteligência computacional; Aprendizagem de máquina
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/47653

A viticultura é a ciência que estuda o cultivo da uva para produção de sucos, vinhos e outros derivados. Tanto os produtos quanto a cadeia produtiva possuem elevada importância soci- oeconômica e cultural em grande parte do mundo. Recentemente, técnicas de enxertia vêm sendo aplicadas para aumentar a produtividade e a qualidade no setor, no entanto, o processo para encontrar cultivares de porta-enxerto que sejam compatíveis com enxertos de videiras é essencialmente experimental, lento e custoso. Embora a utilização de aprendizagem de má- quina no Agronegócio não seja novidade, a literatura carece de trabalhos que demonstrem a aplicabilidade dessa técnica para apoiar especificamente processos de enxertia. Este trabalho, por meio de uma perspectiva de Sistema de Recomendação, oferece uma comparação entre abordagens de predição e de classificação para o problema da seleção de cultivares de enxerto e porta-enxerto. Além disso, também avalia os desempenhos de algoritmos baseados em fil- tragem colaborativa com os de algoritmos baseados em métodos de Kernel, para as tarefas de predição de ratings e de classificação de interações. Ao todo, 17 modelos baseados em algoritmos de filtragem colaborativa e métodos de kernel foram avaliados em um conjunto de dados de 251 interações rotuladas, atingindo o valor máximo de 96% para a métrica f1-score. Os resultados indicaram uma vantagem significativa para a abordagem de classificação, espe- cialmente para os modelos baseados em kernel, bem como a viabilidade de uma ferramenta de apoio à decisão para orientar as escolhas de especialistas das melhores cultivares para enxertia.