Aprendizado de máquina aplicado a dados agrometeorológicos
Resumo
Neste artigo é apresentado o desenvolvimento de uma ferramenta que processa dados de uma estação agrometeorológica. Pretende-se com esta ferramenta auxiliar o processo de tomada de decisões de pesquisadores e produtores agrícolas. A principal motivação para isso é processar os dados vindos da estação em um formato que ultrapassa a capacidade de entendimento do ser humano. A ferramenta provê uma forma adequada de visualização desses dados por meio de gráficos e relatórios. Além disso, é proposto a aplicação de Aprendizado de Máquina para prever medições.
Referências
AgrosMart (2019). Estação meteorológica: como funciona e sua importância na agricultura. https://agrosmart.com.br/blog/irrigacao/estacao-meteorologica-funciona-importancia-agricultura/. Último acesso em 01/03/2019.
Campos, R. B., Sakiyama, N. R. M., and Oliveira, C. C. (2016). Análise de dados climáticos das estações convencional e automática em teófilo otoni - mg - estratégicas bibliomáticas para a construção civil. Revista Cient´ıfica Multidisciplinar N´ucleo do Conhecimento, 09:914–937.
Developers, G. (2017). Flutter. https://flutter.dev. U´ ltimo acesso em 01/03/2019.
Developers, G. (2018). Machine learning for mobile developers. https://developers.google.com/ml-kit/. Último acesso em 01/03/2019.
do Desenvolvimento Agrário, M. (2018). Agricultura familiar na raiz – a sead. http://www.mda.gov.br/sitemda/noticias/agricultura-familiar-na-raiz-%E2%80%93-sead. Último acesso em 01/03/2019.
EHLERS, R. S. (2009). Análise de Séries Temporais. http://conteudo.icmc.usp.br/pessoas/ehlers/stemp/stemp.pdf. U´ ltimo acesso em 01/03/2019.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. (2015). Inteligência Artificial - UmaAbordagem de Aprendizado de Máquina. Grupo Editorial Nacional.
Ferranti, J. S., de Freitas, A. A. C., and Chaves, A. P. (2005). Previs˜ao da temperatura e da umidade relativa via seleção de variáveis e redes neurais artificiais visando prevenir a ocorrência da ferrugem asiática. IX Seminário de Iniciação Científica e Tecnológica.
INMET (2009). Agrometeorologia dos Cultivos. O fator meteorológico na produção agrícola. Instituto Nacional de Meteorologia - INMET.
Pivotal (2002). Spring framework. https://spring.io/projects/spring-framework. Último acesso em 01/03/2019.
Pivotal (2009). Spring bacth. https://spring.io/projects/spring-batch. Último acesso em 01/03/2019.
Pivotal (2014). Spring boot. https://spring.io/projects/spring-boot. Últimoacesso em 01/03/2019.
Secretaria de Estado do Planejamento, G. e. P. S. (2016). Estudo sobre a agricultura familiar em alagoas. http://dados.al.gov.br/dataset/nucleo-de-estudos-e-projetos-daseplag/resource/bc6e26ad-d1ad-410e-baf7-9da145bffa55. Último acesso em 01/03/2019.
Silva, V., Lima, A., and Oliveira, E. (2018). Ferramenta de apoio `a análise de dados agrometeorológicos para tomada de decis˜oes machine learning for mobile developers. In Anais da Escola Regional Bahia-Alagoas-Sergipe de Computação.
Souza, M. N. (2011). A importância da agrometeorologia na produção agropecuária. http://mauriciosnovaes.blogspot.com/2011/09/importancia-da-agrometeorologia-na.html. Último acesso em 01/03/2019.
Campos, R. B., Sakiyama, N. R. M., and Oliveira, C. C. (2016). Análise de dados climáticos das estações convencional e automática em teófilo otoni - mg - estratégicas bibliomáticas para a construção civil. Revista Cient´ıfica Multidisciplinar N´ucleo do Conhecimento, 09:914–937.
Developers, G. (2017). Flutter. https://flutter.dev. U´ ltimo acesso em 01/03/2019.
Developers, G. (2018). Machine learning for mobile developers. https://developers.google.com/ml-kit/. Último acesso em 01/03/2019.
do Desenvolvimento Agrário, M. (2018). Agricultura familiar na raiz – a sead. http://www.mda.gov.br/sitemda/noticias/agricultura-familiar-na-raiz-%E2%80%93-sead. Último acesso em 01/03/2019.
EHLERS, R. S. (2009). Análise de Séries Temporais. http://conteudo.icmc.usp.br/pessoas/ehlers/stemp/stemp.pdf. U´ ltimo acesso em 01/03/2019.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. (2015). Inteligência Artificial - UmaAbordagem de Aprendizado de Máquina. Grupo Editorial Nacional.
Ferranti, J. S., de Freitas, A. A. C., and Chaves, A. P. (2005). Previs˜ao da temperatura e da umidade relativa via seleção de variáveis e redes neurais artificiais visando prevenir a ocorrência da ferrugem asiática. IX Seminário de Iniciação Científica e Tecnológica.
INMET (2009). Agrometeorologia dos Cultivos. O fator meteorológico na produção agrícola. Instituto Nacional de Meteorologia - INMET.
Pivotal (2002). Spring framework. https://spring.io/projects/spring-framework. Último acesso em 01/03/2019.
Pivotal (2009). Spring bacth. https://spring.io/projects/spring-batch. Último acesso em 01/03/2019.
Pivotal (2014). Spring boot. https://spring.io/projects/spring-boot. Últimoacesso em 01/03/2019.
Secretaria de Estado do Planejamento, G. e. P. S. (2016). Estudo sobre a agricultura familiar em alagoas. http://dados.al.gov.br/dataset/nucleo-de-estudos-e-projetos-daseplag/resource/bc6e26ad-d1ad-410e-baf7-9da145bffa55. Último acesso em 01/03/2019.
Silva, V., Lima, A., and Oliveira, E. (2018). Ferramenta de apoio `a análise de dados agrometeorológicos para tomada de decis˜oes machine learning for mobile developers. In Anais da Escola Regional Bahia-Alagoas-Sergipe de Computação.
Souza, M. N. (2011). A importância da agrometeorologia na produção agropecuária. http://mauriciosnovaes.blogspot.com/2011/09/importancia-da-agrometeorologia-na.html. Último acesso em 01/03/2019.
Publicado
09/04/2019
Como Citar
OLIVEIRA, Filipe; OLIVEIRA, Elthon.
Aprendizado de máquina aplicado a dados agrometeorológicos. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE) , 2019, Ilhéus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 101-106.
