Técnicas de mineração de dados aplicadas a análise e previsão da produtividade da cana-de-açúcar

• Processo: 12/50049-3
• Modalidade de apoio: Auxílio à Pesquisa - Programa BIOEN - PITE
• Data de Início da vigência: 01 de abril de 2013
• Data de Término da vigência: 31 de março de 2015
• Área do conhecimento: Ciências Agrárias - Engenharia Agrícola
• Acordo de Cooperação: Odebrecht Agroindustrial
• Pesquisador responsável: Luiz Henrique Antunes Rodrigues
• Beneficiário: Luiz Henrique Antunes Rodrigues
• Instituição Sede: Faculdade de Engenharia Agrícola (FEAGRI). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: ETH Bioenergia
• Município: Campinas
• Assunto(s): Inteligência artificial Mineração de dados Produtividade Cana-de-açúcar
• Palavra(s)-Chave do Pesquisador: Arvore De Decisao Por Inducao | Svm Support Vector Machines

Resumo

No planejamento agrícola da safra de cana-de-açúcar, é necessário conhecer e entender a produtividade da cultura em função do ambiente de produção, manejo, clima, variedade e idade de corte. Atualmente, as estimativas de produtividade mais empregadas na usinas são subjetivas, onde especialistas, através de experiência e avaliações de campo, realizam este trabalho. Dentre modelos de previsão da produtividade, existem os ecofisiológicos, baseados no equacionamento de processos fisiológicos, e os empírico-estatísticos, que analisam de séries históricas climáticas, variáveis consagradas e produtividade, com uso de métodos estatísticos clássicos. Os modelos ecofisiológicos são pouco empregados em nível de usina, devido à grande complexidade de dados necessários e falta de conhecimentos específicos de fisiologia, enquanto os empírico-estatísticos, não tem se mostrado a melhor ferramenta de previsão para lidar com dados tão complexos. Dentre estes modelos, não existe consenso ou justificativa sobre as variáveis utilizadas, nem o grau de detalhe necessário para obter um melhor desempenho. Outra dificuldade do setor é compreender a magnitude da influência das interações dos fatores de produção na produtividade. Este conhecimento pode estar implícito nas extensas bases de dados das usinas, cabendo o emprego de ferramentas adequadas para sua extração. Técnicas de mineração de dados (MD) se popularizam pela capacidade de encontrar conhecimento inteligível em bases de dados e pelo potencial de previsão, inclusive com aplicações na agricultura. Nesse trabalho, é proposto o uso da MD na analise da variabilidade e na busca de modelos para previsão da produtividade de cana-de-açúcar. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

PELOIA, PAULO RODRIGUES; BOCCAE, FELIPE FERREIRA; ANTUNES RODRIGUES, LUIZ HENRIQUE. Identification of patterns for increasing production with decision trees in sugarcane mill data. Scientia Agricola, v. 76, n. 4, p. 281-289, JUL-AUG 2019. (12/50049-3)

BOCCA, FELIPE F.; ANTUNES RODRIGUES, LUIZ HENRIQUE. The effect of tuning, feature engineering, and feature selection in data mining applied to rainfed sugarcane yield modelling. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 128, p. 67-76, OCT 2016. (12/50049-3)

GRAVINA DE OLIVEIRA, MONIQUE PIRES; BOCCA, FELIPE FERREIRA; ANTUNES RODRIGUES, LUIZ HENRIQUE. From spreadsheets to sugar content modeling: A data mining approach. COMPUTERS AND ELECTRONICS IN AGRICULTURE, v. 132, p. 14-20, JAN 2017. (12/50049-3)

PELOIA, PAULO RODRIGUES; BOCCAE, FELIPE FERREIRA; ANTUNES RODRIGUES, LUIZ HENRIQUE. Identification of patterns for increasing production with decision trees in sugarcane mill data. CIENTIA AGRICOL, v. 76, n. 4, p. 9-pg., 2019-07-01. (12/50049-3)

BOCCA, FELIPE FERREIRA; ANTUNES RODRIGUES, LUIZ HENRIQUE; MODESTO ARRAES, NILSON ANTONIO. When do I want to know and why? Different demands on sugarcane yield predictions. AGRICULTURAL SYSTEMS, v. 135, p. 48-56, MAY 2015. (12/50049-3)

PELOIA, PAULO R.; RODRIGUES, LUIZ H. A.. IDENTIFICATION OF COMMERCIAL BLOCKS OF OUTSTANDING PERFORMANCE OF SUGARCANE USING DATA MINING. Engenharia Agrícola, v. 36, n. 5, p. 895-901, SEP-OCT 2016. (12/50049-3)