BeeBr: uma proposta de arquitetura computacional na apicultura, para a predição de problemas na colmeia

• Ano de defesa: 2022
• Autor(a) principal: Soares, Marcelo Barbosa
• Orientador(a): Kunst, Rafael
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Apicultura; Abelhas; Enxameação; Aprendizado de máquina; Modelo; Comunicação de dados móveis
• Palavras-chave em Inglês: IoT; Apiculture; Bee; Swarm; Machine learning; Model; Mobile data communication
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/12154

A apicultura brasileira é um segmento formado principalmente por pequenas famílias, na qual faz da atividade um complemento na renda. O setor dispõe de métodos de trabalho obsoletos, empregando-se em sua totalidade, exercícios de forma manual e sem nenhuma intervenção tecnológica; como consequência, conduz a um processo exaustivo ao apicultor, assim como efeitos negativos à saúde das abelhas. Diante deste cenário, este estudo propõe elaborar um modelo de arquitetura computacional, em que objetiva a contribuir para à apicultura, minimizando as intervenções junto às colmeias e garantindo assim o bem estar dos insetos. De maneira oposta a outras pesquisas, pretende-se expor do ponto de vista da contribuição científica a elaboração e treinamento de um novo modelo de aprendizado de máquina, em que mira na predição da enxameação, bem como expor soluções energeticamente sustentável e eficiente no que tange ao consumo energético dos equipamentos IoT. Por parte tecnológico, o BeeBr oferece uma solução completa de baixo custo para o segmento da apicultura. Como resultado, o BeeBr possibilitou as leituras de seis variáveis da colmeia por um período de 20 dias. Por meio dos dados colhidos, permitiu-se uma análise estatística e a concepção de três experimentos para a avaliação do moderno modelo de aprendizado de máquina; em números finais, conseguiu-se atingir valores acima de 93% de acertos na predição da enxameação e ganhos de 16.67% em relação à eficiência energética.