Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34639| Título: | Desenvolvimento do módulo de uma aplicação de business intelligence para análise de produtividade em fazendas verticais |
| Título(s) alternativo(s): | Development of a business intelligence application module for productivity analysis in vertical farms |
| Autor(es): | Luz, Thiago Dal Santo da |
| Orientador(es): | Lamb, Juliano Rodrigo |
| Palavras-chave: | Agricultura de precisão Produtividade agrícola Inteligência Artificial Precision farming Agricultural productivity Artificial intelligence |
| Data do documento: | 30-Nov-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | LUZ, Thiago Dal Santo da. Desenvolvimento do módulo de uma aplicação de business intelligence para análise de produtividade em fazendas verticais. 2024. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2023. |
| Resumo: | A agricultura desempenha um papel crucial na garantia da segurança alimentar e no atendimento às crescentes necessidades da população global. Contudo, os desafios inerentes à agricultura convencional, como a sua dependência de fatores climáticos e a pressão exercida sobre recursos naturais finitos, instigam a busca por soluções mais eficientes e sustentáveis. Assim, as fazendas verticais emergem como uma alternativa promissora para a expansão da produção de alimentos de maneira controlada e otimizada. Adicionalmente, a análise de volumes significativos de dados provenientes de sensores em hortas automatizadas indoor, juntamente com a aplicação de técnicas de inteligência de negócios, têm o potencial de elevar o desempenho das fazendas verticais em relação à agricultura convencional, devido a sua capacidade de processar grandes volumes de dados, e transforma-los em insights que podem ajudar no compreendimento de variáveis importantes para a performance do cultivo de plantas. Este estudo aborda o desenvolvimento de um sistema e sua aplicação para gerar previsões com base em um conjunto de dados, empregando modelos de regressão, tais como Random Forest, Ridge, Lasso e Regressão Linear. Os resultados indicam um desempenho superior dos modelos Ridge e Regressão Linear, com um Erro Quadrático Médio (MSE) de 3,09 e um Coeficiente de Determinação (R²) de 0,74, para o conjunto de dados do Farm Weather Data, enquanto para o conjunto de dados simulados, comprova a robustez do módulo desenvolvido, com a variância de MSE encontrado, porém se mantendo acima de 60% do R 2. Isso contribui significativamente para uma compreensão mais profunda e fundamentada das perspectivas e eficácia dessas inovações na agricultura contemporânea. Desta forma, o estudo possibilitou por meio de um sistema personalizado, a realização de análises descritivas e regressões, podendo auxiliar na previsão e compreendimento de variáveis que podem influenciar na produtividade de plantas. |
| Abstract: | Agriculture plays a crucial role in ensuring food security and meeting the growing needs of the global population. However, the challenges inherent to conventional agriculture, such as its dependence on climatic factors and the pressure exerted on finite natural resources, instigate the search for more efficient and sustainable solutions. Thus, vertical farms emerge as a promising alternative for expanding food production in a controlled and optimized manner. Additionally, the analysis of significant volumes of data coming from sensors in automated indoor gardens, together with the application of business intelligence techniques, has the potential to increase the performance of vertical farms in relation to conventional agriculture, due to their ability to process large volumes of data, and transform them into insights that can help understand important variables for the performance of plant cultivation. This study addresses the development of a system and its application to generate predictions based on a set of data, using regression models such as Random Forest, Ridge, Lasso and Linear Regression. The results indicate a superior performance of the Ridge and Linear Regression models, with a Mean Square Error (MSE) of 3.09 and a Determination Coefficient (R²) of 0.74, for the set of data from Farm Weather Data, while for the simulated data set, it proves the robustness of the developed module, with the variance of MSE found, however remaining above 60% of R 2 . This contributes significantly to a deeper and more informed understanding of the prospects and effectiveness of these innovations in contemporary agriculture. In this way, the study made it possible, through a personalized system, to carry out descriptive analyzes and regressions, which could assist in the prediction and understanding of variables that can influence plant productivity. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34639 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| desenvolvimentoaplicacaoanaliseprodutividade.pdf | 6,39 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
