???jsp.display-item.identifier??? https://repositorio.unipampa.edu.br/jspui/handle/riu/8445
???org.dspace.app.webui.jsptag.ItemTag.full???
???org.dspace.app.webui.jsptag.ItemTag.dcfield??????org.dspace.app.webui.jsptag.ItemTag.value??????org.dspace.app.webui.jsptag.ItemTag.lang???
dc.contributor.advisor1Ferreira, Ana Paula Lüdtke-
dc.creatorHalal, Guilherme Afonso-
dc.date.accessioned2023-06-22T17:59:10Z-
dc.date.available2023-06-21-
dc.date.available2023-06-22T17:59:10Z-
dc.date.issued2023-02-01-
dc.identifier.citationHALAL, Guilherme Afonso. AG R OBA Y E S - Pacote R para agricultura de precisão com redes Bayesianas. 2023. 168f. Trabalho de Conclusão de Curso (Bacharel em Engenharia da Computação) – Universidade Federal do Pampa, Curso de Ciência da Computação, Bagé, 2023pt_BR
dc.identifier.urihttps://repositorio.unipampa.edu.br/jspui/handle/riu/8445-
dc.description.abstractMany historians consider agriculture as the technology that shaped human development, allowing population concentration and the emergence of modern societies. Food security depends heavily on agriculture meeting the challenges posed by population growth and climate change. Information technology is an important ally for overcoming these difficulties in a sustainable way, increasing productivity with better use of available resources. Proper resource management depends on the availability of necessary data for producers and public agents. In this context, techniques for forecasting and estimating agricultural productivity are relevant tools for decision-making. However, in addition to generating productivity preview values, a model must be able to describe the main factors that affect this productivity and verify the space-time distribution of these factors. Probabilistic inference models are techniques that can provide the best results, as they are explainable models and can incorporate new data as they arise. This work presents a study of the main techniques applied to estimating and predicting agricultural production results and develops an R package for production data inference with spatially distributed static Bayesian networks and dynamic Bayesian networks, capable of predicting agricultural production results. In tests performed with data generated in a controlled manner, the models created by inference algorithms did not always reflect the expected structure. The networks created from sets of pre-defined arcs presented a superior performance in relation to the networks inferred by data, even so with less than desirable performance for a model intended for use in actual cases. The developed work introduces a new method to deal with a problem that is both important and difficult, which shows that there is still a need for improvements in the models used.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Pampapt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectAgricultura digitalpt_BR
dc.subjectInferência probabilísticapt_BR
dc.subjectCiência de dadospt_BR
dc.subjectDigital Agriculturept_BR
dc.subjectProbabilistic Inferencept_BR
dc.subjectData Sciencept_BR
dc.titleAGROBA Y E S - Pacote R para agricultura de precisão com redes Bayesianaspt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.referee1Ferreira, Ana Paula Ludtke-
dc.contributor.referee2Pinho, Leonardo Bidese de-
dc.contributor.referee3Camargo, Sandro da Silva-
dc.publisher.initialsUNIPAMPApt_BR
dc.publisher.countryBrasilpt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.description.resumoMuitos historiadores consideram a agricultura como a tecnologia que moldou o desenvolvimento humano, permitindo a concentração populacional e o surgimento das sociedades modernas. A segurança alimentar depende fortemente da agricultura enfrentar os desafios colocados pelo crescimento populacional e pelas mudanças climáticas. A tecnologia da informação é uma importante aliada para superar essas dificuldades de forma sustentável, aumentando a produtividade com melhor aproveitamento dos recursos disponíveis. A gestão adequada dos recursos depende da disponibilização dos dados necessários para produtores e agentes públicos. Nesse contexto, as técnicas de previsão e estimativa da produtividade agrícola são ferramentas relevantes para a tomada de decisão. Porém, além de gerar valores de visualização de produtividade, um modelo deve ser capaz de descrever os principais fatores que afetam essa produtividade e verificar a distribuição espaço-temporal desses fatores. Os modelos de inferência probabilística são técnicas que podem ser adequados à esta tarefa, pois são modelos explicáveis e podem incorporar novos dados à medida que surgem. Este trabalho apresenta um estudo das principais técnicas aplicadas à estimativa e previsão dos resultados da produção agrícola e desenvolve um pacote R para inferência de dados de produção com redes Bayesianas estáticas distribuídas espacialmente e redes Bayesianas dinâmicas, capazes de prever resultado de produção agrícola. Nos testes executados com dados gerados de forma controlada, os modelos criados por algoritmos de inferência nem sempre refletiram a estrutura esperada. As redes criadas a partir de conjuntos de arcos pré definidos apresentaram desempenho superior em relação às redes inferidas por dados, ainda assim com desempenho aquém do desejável para um modelo destinado para uso em casos reais. O trabalho desenvolvido introduz um novo método para tratar de um problema que é simultaneamente importante e difícil, mas que mostra que ainda existe necessidade de melhorias nos modelos usados.pt_BR
dc.publisher.departmentCampus Bagépt_BR
???org.dspace.app.webui.jsptag.ItemTag.appears???Engenharia de Computação

???org.dspace.app.webui.jsptag.ItemTag.files???
???org.dspace.app.webui.jsptag.ItemTag.file??? ???org.dspace.app.webui.jsptag.ItemTag.description??? ???org.dspace.app.webui.jsptag.ItemTag.filesize??????org.dspace.app.webui.jsptag.ItemTag.fileformat??? 
Trabalho_de_Conclusao_de_Curso___Guilherme_Halal.pdf6.21 MBAdobe PDF???org.dspace.app.webui.jsptag.ItemTag.view???


???jsp.display-item.copyright???