Exportar registro bibliográfico

Aplicação de machine learning para predição da evapotranspiração de referência (ETo) (2022)

  • Authors:
  • USP affiliated author: ROSA, DAVID RAFAEL QUINTAO - ICMC
  • School: ICMC
  • Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; EVAPOTRANSPIRAÇÃO
  • Language: Português
  • Abstract: A Evapotranspiração de Referência (ETo) pode ser considerada um elemento climático da demanda hídrica das culturas agrícolas, sendo amplamente utilizada em diversas partes do mundo para planejamento e manejo da irrigação. Todavia, devido as suas características, ela apresenta variados níveis de precisão. Na tentativa de diminuir essa variabilidade, destaca-se nos últimos anos a utilização de técnicas de Machine Learning. Estas técnicas aliadas a uma base de dados robusta podem minimizar os erros da predição e consequentemente tornar-se uma ferramenta importante para o manejo da água em áreas de cultivos agrícolas. Neste contexto, objetivou-se com este trabalho utilizar, devido aos bons resultados obtidos em diversas áreas do conhecimento, o algoritmo de Machine Learning, Extreme Gradient Boosting (XGBoost), para predição da ETo em 3 (três) localidades da Região das Matas de Minas, em Minas Gerais. Essa região é notadamente reconhecida com uma das maiores produtoras de café no Brasil, portanto, apresentado relevância para a Agricultura Brasileira que é altamente dependente das questões climáticas. Para alcançar tais objetivos, foram realizadas coletas , análises e tratamento em uma base de dados meteorológicos disponibilizada pelo Instituto Nacional de Meteorologia. Utilizando essa base após tratamento, foi o empregado o algoritmo XGBoost para criar 2 (dois) modelos de predição em 2 (dois) cenários hipotéticos, sendo: Cenário 1) utilizando todas as variáveis meteorológicas disponíveis além de um incremento com variáveis elaboradas por meio de técnicas de Engenharia de Features e, 2) utilizando somente dados de temperatura. Estes cenários foram escolhidos devido ao grande desafio dos agricultores irrigantes no Brasil é a escassez de base de dados completa e o alto custo de aquisição de informações meteorológicas em pequenas áreas de produção. Os resultados obtidos demonstraram o grande potencial do XGBopara predição da ETo, todavia, vale ressaltar que neste trabalho de forma geral tanto no Cenário 1 quanto no Cenário 2 ocorreram superestimativas dos valores de ETo.
  • Imprenta:

  • Download do texto completo

    Tipo Nome Link
    Versão Publicada David Rafael Quintão Ros... Direct link
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      ROSA, David Rafael Quintão. Aplicação de machine learning para predição da evapotranspiração de referência (ETo). 2022. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2022. Disponível em: https://bdta.abcd.usp.br/directbitstream/16c3b248-a7d3-4355-bd39-ef3cd92bbb57/David%20Rafael%20Quint%C3%A3o%20Rosa_TCC_David%20Quint%C3%A3o_IA_BIG_Data_vers%C3%A3o%20final_206750.pdf. Acesso em: 23 abr. 2024.
    • APA

      Rosa, D. R. Q. (2022). Aplicação de machine learning para predição da evapotranspiração de referência (ETo) (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/16c3b248-a7d3-4355-bd39-ef3cd92bbb57/David%20Rafael%20Quint%C3%A3o%20Rosa_TCC_David%20Quint%C3%A3o_IA_BIG_Data_vers%C3%A3o%20final_206750.pdf
    • NLM

      Rosa DRQ. Aplicação de machine learning para predição da evapotranspiração de referência (ETo) [Internet]. 2022 ;[citado 2024 abr. 23 ] Available from: https://bdta.abcd.usp.br/directbitstream/16c3b248-a7d3-4355-bd39-ef3cd92bbb57/David%20Rafael%20Quint%C3%A3o%20Rosa_TCC_David%20Quint%C3%A3o_IA_BIG_Data_vers%C3%A3o%20final_206750.pdf
    • Vancouver

      Rosa DRQ. Aplicação de machine learning para predição da evapotranspiração de referência (ETo) [Internet]. 2022 ;[citado 2024 abr. 23 ] Available from: https://bdta.abcd.usp.br/directbitstream/16c3b248-a7d3-4355-bd39-ef3cd92bbb57/David%20Rafael%20Quint%C3%A3o%20Rosa_TCC_David%20Quint%C3%A3o_IA_BIG_Data_vers%C3%A3o%20final_206750.pdf

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Academic Works of Universidade de São Paulo     2012 - 2024