Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Rezende, Leiliane Pereira de | - |
Autor(es): dc.contributor | Miranda, Glauco Vieira | - |
Autor(es): dc.contributor | Rezende, Leiliane Pereira de | - |
Autor(es): dc.contributor | Miranda, Glauco Vieira | - |
Autor(es): dc.contributor | Naves, Thiago França | - |
Autor(es): dc.contributor | Sepulveda, Gloria Patricia Lopez | - |
Autor(es): dc.creator | Souza, Paulo Vitor Duarte de | - |
Data de aceite: dc.date.accessioned | 2022-02-21T21:48:30Z | - |
Data de disponibilização: dc.date.available | 2022-02-21T21:48:30Z | - |
Data de envio: dc.date.issued | 2021-11-17 | - |
Data de envio: dc.date.issued | 2021-11-17 | - |
Data de envio: dc.date.issued | 2021-08-23 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/26421 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/660990 | - |
Descrição: dc.description | The forecasting corn yield has many advantages in global food production and small farmers. The forecasting can manage better the crop and optimize the profit. The objective of the work is to build models of Multilayer Perceptrons for the forecasting of corn yield in the Vale do Paranapanema, São Paulo, with the crop growing fe atures, weather conditions and water balance. Two year (2018 and 2019) crop of different locations were considered. Missing data were imputed through the iterative imputation. The model hyper parametrization were obtained through of the Grid Search and k-fold cross-validation. The models were divided into datasets with and without data imputation. The interpretation of the model was made through SHAP method. The models obtained satisfactory results, with the better model had RMSE de 70,651 kg ·ha−1 for the imputed dataset. In the data without imputation obtained 190,851 kg ·ha−1. In all models, the weather conditions were that had importance in predictions of yield. Thus, the build models had satisfactory performance and they took the nonlinear interactions among the crop genotype and the environment. | - |
Descrição: dc.description | A predição da produtividade da cultura do milho tem muitos benefícios na produção global de alimentos e de pequenos agricultores, por ser possível gerenciar melhor o processo de plantio e otimizar os lucros. Este trabalho objetiva construir modelos de Perceptrons de Múltiplas Camadas para a predição da produtividade do milho no Vale do Paranapanema, São Paulo, considerando parâmetros de desenvolvimento, condições climáticas e balanço hídrico. Foram considerados dados de dois anos agrícolas de diferentes localidades. Dados faltantes foram imputados por meio do iterative imputation. A hiperparametrização dos modelos foram obtidas por meio do GridSearch e k-fold cross-validation. Os modelos foram divididos em bases de dados com e sem a imputação de dados faltantes. A interpretação do modelo foi realizada pelo método SHAP. Os modelos obtiveram um resultado aceitável sendo o melhor modelo com um RMSE de 70,651 kg · ha−1 considerando as bases de dados imputadas. O modelo sem imputação na base de dados obteve 190,851 kg·ha−1. Em todos os modelos as condições climáticas foram as que tiveram maior peso na predição da produtividade. Conclui-se que os modelos construídos obtiveram um desempenho aceitável e capturaram os efeitos não lineares entre o ambiente e o genótipo da planta de milho. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Santa Helena | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Ciência da Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Milho | - |
Palavras-chave: dc.subject | Produtividade agrícola | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Corn | - |
Palavras-chave: dc.subject | Agricultural productivity | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA:CIENCIA DA COMPUTACAO | - |
Título: dc.title | Rede neural artificial para predição da produtividade da cultura do milho | - |
Título: dc.title | Artificial neural network for forcasting corn yield | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: