Comparação de algoritmos preditivos para incêndios em canaviais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorParise, Maria Regina-
Autor(es): dc.contributorCarpanezi, Cristiane Yoko Takahashi-
Autor(es): dc.contributorParise, Maria Regina-
Autor(es): dc.contributorMatos, Everton Moraes-
Autor(es): dc.contributorPagani, Regina Negri-
Autor(es): dc.creatorFantinatti, Gabriela Fernanda-
Data de aceite: dc.date.accessioned2022-08-04T20:19:07Z-
Data de disponibilização: dc.date.available2022-08-04T20:19:07Z-
Data de envio: dc.date.issued2022-04-08-
Data de envio: dc.date.issued2022-04-08-
Data de envio: dc.date.issued2021-12-01-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/27915-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/706621-
Descrição: dc.descriptionThe occurrence of fire in sugarcane fields is a problem that has plagued several regions of the country for a long time. Due to the concern about this and its tragic consequences, it is necessary to take actions in order to avoid or alleviate this problem. With the development of Artificial Intelligence (AI) and the growing use of Machine Learning (ML), there is an opportunity to use technology in favor of anticipating an imminent fire. In this context, the objective of this work was to implement predictive algorithms using the Python language to compare and define what best applies to fire prediction in sugarcane fields. The data necessary for this purpose were provided by a sugarcane company located in the interior of São Paulo. Among the four analyzed algorithms, these being the Support Vector Machine (SVM), Naive Bayes, Random Forest and XGBoost, the SVM model showed a better performance against the performance metrics used.-
Descrição: dc.descriptionA ocorrência de incêndio em canaviais é um problema que há muito assola diversas regiões do país. Devido à preocupação em relação a isso e suas trágicas consequências, faz-se necessário a tomada de ações a fim de evitar ou atenuar esse problema. Com o desenvolvimento da Inteligência Artificial (IA) e a crescente utilização de Machine Learning (ML), encontra-se uma oportunidade de utilizar a tecnologia a favor da antecipação quanto a um iminente incêndio. Neste contexto, o objetivo deste trabalho foi implementar algoritmos preditivos utilizando a linguagem Python para comparar e definir o que melhor se aplica a predição de incêndio em canaviais. Os dados necessários para essa finalidade foram fornecidos por uma empresa sucroenergética localizada no interior de São Paulo. Dentre os quatro algoritmos analisados, sendo estes Supporte Vector Machine (SVM), Naive Bayes, Random Forest e XGBoost, o modelo SVM mostrou um melhor desempenho frente as métricas de desempenho utilizadas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPonta Grossa-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Engenharia Química-
Publicador: dc.publisherEngenharia Química-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/-
Palavras-chave: dc.subjectCana-de-açúcar-
Palavras-chave: dc.subjectIncêndios-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAlgorítmos-
Palavras-chave: dc.subjectPython (Linguagem de programação de computador)-
Palavras-chave: dc.subjectSugarcane-
Palavras-chave: dc.subjectFires-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAlgorithms-
Palavras-chave: dc.subjectPython (Computer program language)-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA QUIMICA-
Título: dc.titleComparação de algoritmos preditivos para incêndios em canaviais-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.