Teses e Dissertações
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/2
Navegar
4 resultados
Resultados da Pesquisa
Item Estimativa de produtividade de café por meio de métodos de machine learning(Universidade Federal de Viçosa, 2019-07-31) Nascimento, Amélia Laisy do; Queiroz, Daniel Marçal de; Valente, Domingos Sárvio MagalhãesA produtividade agrícola representa o resultado de ações tomadas antes da colheita e indica se as práticas agrícolas adotadas causaram aumento ou redução no rendimento e podem ajudar na tomada de decisões futuras. Dessa maneira, a previsão de produtividade é uma ferramenta útil para os agricultores. Existem modelos que estimam a produtividade, porém, a quantidade de variáveis necessárias e a dificuldade em mensurá-las são um problema. Vários pesquisadores têm usado imagens orbitais para realizar estimativas de biomassa e produtividade de culturas. Além disso, alguns pesquisadores vêm combinando métodos de aprendizado de máquina (machine learning), mineração de dados (data mining) ou inteligência artificial (artificial intelligence) na tentativa de prever a produtividade de culturas agrícolas. Para estimar a produtividade agrícola, é interessante que o banco de dados possua imagens de todo o ciclo produtivo da cultura. Porém, o período de revisita dos satélites e a presença de nuvens sobre a área de estudo podem tornar o banco de dados incompleto. Uma possibilidade é adquirir imagens capturadas por sensores a bordo de distintos satélites. No entanto, cada sensor captura faixas de comprimento de onda diferentes e alguns sensores não capturam todos os comprimentos de onda necessários aos estudos. Uma forma de resolver esse problema é realizar uma predição das imagens faltantes de um satélite utilizando como base imagens oriundas de outro satélite. Dessa forma, consegue-se preencher lacunas na série de dados e garantir um banco de dados com uma série temporal mais representativa. Por fim, é possível utilizar a série temporal de informações derivadas das imagens orbitais para estimar a produtividade de culturas agrícolas. Portanto, o objetivo desta tese foi estimar a produtividade do café por meio de informações espectrais e machine learning. Para isso, o banco de dados foi composto por imagens Sentinel-2 originais, além de imagens Sentinel-2 preditas com base em imagens oriundas do Cbers-4, Landsat-8 e Resourcesat-2. A predição de imagens Sentinel-2 ocorreu por meio de sete métodos de machine learning. Os dados foram separados em conjunto de treinamento, teste e avaliação dos modelos. O desempenho dos modelos foi mensurado pela raiz do erro quadrático médio (rootIV mean square error - RMSE) entre o valor real e o valor predito pelo modelo para o conjunto que ficou de fora do treinamento. O teste t a 5% de significância foi usado para verificar a existência de igualdade ou diferença estatística entre os erros apresentados pelos modelos de predição da reflectância. Os métodos de machine learning mostraram-se eficazes para estimar os valores de reflectância de imagens Sentinel-2 com base em imagens oriundas do Cbers-4, do Landsat-8 e do Resourcesat-2. Os modelos que apresentaram menores RMSE’s na predição da reflectância de imagens orbitais de uma data distinta a data cujos dados foram usados para treinar os modelos foram usados para estimar as imagens Sentinel-2 ausentes do banco de dados usado para estimar a produtividade do café. A partir das imagens orbitais, seis índices de vegetação e reflectância em seis bandas espectrais foram obtidos. A estimativa da produtividade ocorreu por meio de seis métodos de machine learning. Os modelos de estimativa foram implantados em linguagem R no programa computacional R Versão 3.5.1 (R Team, 2018). A raiz do erro quadrático médio (root mean square error - RMSE) e o erro médio absoluto (mean absolute error - MAE) foram usados para avaliar a acurácia dos modelos de estimativa da produtividade. O RMSE e o MAE serviram de entrada para o teste de Scott-Knott que agrupou os modelos semelhantes. Os métodos de machine learning apresentaram erros RMSE e MAE da estimativa da produtividade semelhantes uns aos outros pelo teste de Scott-Knott, com exceção da regressão linear utilizando 14 variáveis preditoras. Foi possível estimar a produtividade por meio de cinco variáveis com erros semelhantes aos erros apresentados pelos modelos com 10 e com 14 variáveis referentes a informações espectrais, topográficas e agronômicas. O erro RMSE mínimo apresentado pelos modelos correspondeu a uma diferença de 11% entre o valor estimado e o valor real da produtividade do café do talhão Pasto Novo 1 no ano de 2017. O erro MAE mínimo correspondeu a uma diferença de 1,7% entre o valor estimado e o valor observado da produtividade do talhão Açude 3 no ano de 2018. A estimativa da produtividade pode ser realizada com até três meses de antecedência.Item Inteligência artificial aplicada a modelagem de processos da indústria de alimentos(Universidade Federal de Viçosa, 2021-08-05) Cotrim, Weskley da Silva; Minim, Luis Antônio; Minim, Valéria P. Rodrigues; Campos, Renata Cássia; Felix, Leonardo BonatoA torra e o forneamento são responsáveis pelas transformações observadas em alguns alimentos, tais como café e pães. Dentre essas modificações, a cor é aquela de maior destaque pois consiste num indicador da evolução do processo e tem sido utilizada no desenvolvimento de ferramentas de controle. Dessa forma, a modelagem do escurecimento não enzimático decorrente dos processos de torra e forneamento possibilita o desenvolvimento de sistemas de visão computacional para acompanhamento e classificação desses processos. A modelagem fenomenológica, baseada na abordagem da cinética de reações, permitiu uma maior compreensão dessas mudanças de cor. Porém, os modelos resultantes apresentam grandes limitações de ordem prática para sua aplicação nos processos industriais, em especial no contexto da indústria de quarta geração (Indústria 4.0), a qual preconiza o uso de sistemas e equipamentos inteligentes. Nesse sentido, a adoção de técnicas de inteligência artificial (AI), em especial as redes neurais convolucionais (CNN), parece ser o caminho a ser seguido. Assim, neste trabalho foram introduzidas técnicas de modelagem por AI do escurecimento não enzimático decorrente dos processos de torra e forneamento de café e pães, respectivamente. A adoção de CNN com reduzido número de camadas convolucionais resultou numa redução no consumo de memória de mais de 90%. Além disso, o sistema híbrido formado por uma CNN e uma máquina de vetores de suporte (SVM) resultou na redução de 93% no tempo de convergência. Foram identificados mais 20% dos núcleos convolucionais seletivos a cores, o que evidencia a capacidade das CNN de extrair características de cores e utilizá-las para classificação das amostras. Ao classificar amostras de pães e café, as CNN apresentaram exatidão superior a 98,0% e 95%, respectivamente, superando arquiteturas tradicionais. A CNN também foi capaz de estimar o tempo necessário para o final do processo de torra de café com Root Mean Square Error (RMSE) de 0,4 min. As CNN se mostraram uma poderosa ferramenta não invasiva e não destrutiva para modelagem do escurecimento não enzimático decorrente dos processos de torra e forneamento. Palavras-chave: Torra. Forneamento. Redes Neurais Convolucionais. Escurecimento Não Enzimático. Aprendizado Profundo.Item Classificação de café arábica por meio de redes neurais artificiais: softwares ClassCafe 1.0 e ClassTorr 1.0(Universidade Federal de Lavras, 2019-02-22) Oliveira, Graziela Silva; Pimenta, Carlos JoséO café é um produto de grande importância para a economia do país, e o estado de Minas Gerais é responsável por mais de 50% da produção nacional. Porém, o método tradicional de avaliação da qualidade da bebida é realizado de forma subjetiva, na qual provadores treinados através de análise sensorial, utilizam de suas percepções de aroma e sabor para classificar a bebida em padrões conhecidos como estritamente mole, mole, apenas mole, dura, riada, rio e rio zona. Muitos estudos tentam relacionar a composição química dos grãos crus e torrados com a qualidade da bebida, a fim de desenvolver metodologias analíticas objetivas para complementar a avaliação feita por provadores. Diante do exposto, o objetivo deste trabalho foi avaliar amostras diferentes de café oriundas do estado de Minas Gerais. Essas amostras, foram previamente classificadas por provadores treinados e, posteriormente, com o auxílio dos softwares de classificação de grãos cru (ClassCafe 1.0) e de classificação de grãos torrado, (ClassTor 1.0), classificadas novamente de maneira objetiva. Os dados químicos inseridos na camada de entrada do software para o café cru foram: a lixiviação de potássio, condutividade elétrica, acidez, pH, sólidos solúveis, atividade enzimática da polifenoloxidase e açúcares totais. Já para o café torrado, avaliou-se o teor de açúcares totais, açúcares redutores e açúcares não redutores, pH, sólidos solúveis, acidez e extrato etéreo. Ao final, comparou-se a classificação dada pelas duas metodologias. O software para café cru (ClassCafe 1.0) apresentou melhor eficiência na classificação das amostras quando comparado com o software para café torrado (ClassTorr 1.0). Com isso, conclui-se que os softwares desenvolvidos apresentaram grande capacidade em auxiliar a classificação do café, sugere-se que os dados químicos encontrados nesta pesquisa sejam utilizados para ampliar a alimentação desses sistemas computadorizados, a fim de aumentar a sensibilidade na distinção dos diferentes padrões.Item Geoestatística e sistemas ‘fuzzy’ na proteção de plantas(Universidade Federal de Lavras, 2006-11-16) Alves, Marcelo de Carvalho; Pozza, Edson AmpélioA Ferrugem Asiática (Phakopsora pachyrhizi H. Sydow & P. Sydow), relatada em diversas regiões do globo terrestre de climas tropicais e subtropicais, causa redução significativa na produtividade da soja (Glycine max L. Merr.). Fatores bióticos, como interação patógeno/hospedeiro, e abióticos influenciam o progresso da doença. Assim, objetivou-se neste trabalho estudar os efeitos do binômio temperatura e duração de molhamento foliar no processo monocíclico da ferrugem asiática nas cultivares Conquista, Savana e Suprema com base em um Sistema de Lógica ‘Fuzzy’ (SLF) e modelos de regressão não-linear desenvolvidos com base resultados experimentais. Para o desenvolvimento e validação do sistema, foi conduzido um experimento no Departamento de Fitopatologia da Universidade Federal de Lavras, em câmaras de crescimento vegetal nas temperaturas de 15 °C, 20 °C, 25 °C e 30 °C e períodos de molhamento foliar de 0, 6, 12, 18 e 24 horas. A inoculação foi realizada pulverizando-se as plantas com suspensão de 10 4 uredósporos de P. pachyrhizi.mL -1 de água. De posse dos dados, calculou-se a área abaixo da curva de progresso da doença (AACPD), utilizada como variável dependente para desenvolver e validar os modelos de regressão não-linear e SLF. Assim, pôde-se verificar melhor ou igual performance do SLF quando comparado aos modelos de regressão não-linear, para estimar a intensidade da ferrugem, à exceção da variável severidade para a cultivar Suprema. O sistema foi implementado com o uso de Sistema de Informações Geográficas e Geoestatística, sendo possível observar áreas favoráveis à doença, bem como a relação da intensidade da ferrugem com a evapotranspiração potencial e com o índice de umidade de Thornthwaite calculados em Minas Gerais.