Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Schulte, Leonardo Gauer |
| Orientador(a): |
Perez, Naylor Bastiani |
| Banca de defesa: |
Perez, Naylor Bastiani,
Trentin , Gustavo,
Genro, Teresa Cristina Moraes |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Pampa
|
| Programa de Pós-Graduação: |
Mestrado Acadêmico em Computação Aplicada
|
| Departamento: |
Campus Bagé
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4741
|
Resumo: |
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. |
