Teses e Dissertações
URI permanente desta comunidadehttps://locus.ufv.br/handle/123456789/1
Teses e dissertações defendidas no contexto dos programas de pós graduação da Instituição.
Navegar
17 resultados
Resultados da Pesquisa
Item Modeling and assessing hydraulic properties of selected brazilian and australian soils(Universidade Federal de Viçosa, 2024-03-12) Silva, Lucas de Castro Moreira da; Amorim, Ricardo Santos Silva; http://lattes.cnpq.br/5433371625273087Water availability is the main constraint for plants growth and current agricultural systems face the challenge of achieving high yields by optimizing the water use. The water dynamics in soils is governed by soil hydraulic properties and assessing these properties is essential for the efficient water use in agriculture. In this sense, several soil management practices have been employed to improve the soil water availability in agricultural fields, especially in water- limited regions. Thus, this study aimed to assess and predict soil hydraulic patterns in two different scenarios: Brazilian (First part) and Australian soils (Second part). In the first paper, a literature review was performed to bring to light what was done in ten years (2012-2021) regarding the prediction of soil hydraulic properties. In the second paper, machine learning models were developed to create regional pedotransfer functions for an important tropical agricultural center, the Mato Grosso state in Brazil. In the third paper, empirical models were tested for fitting water retention in Western Australian sandy soils modified by soil managements. In the fourth paper, popular practices employed to overcome sandy soils constraints were evaluated based on their effectiveness in enhance water availability. Results indicate that machine learning models are more accurate in predicting hydraulic properties compared to conventional methods. Regional-specific models were developed for soil hydraulic properties of Mato Grosso and are well calibrated for 91% of the state’s territory using basic predictors. However, additional predictors reduce their applicability. Brooks and Corey model showed the best performance and a consistent negligible bias in estimating soil water retention of Western Australian sandy soils. Adding subsoil clay significantly increased total porosity and microporosity of sandy soils but did not improve water availability. Keywords: Pedotransfer functions; Machine Learning; Soil hydraulic properties; Soil water retention; Available waterItem Redes neurais regularizadas na predição de características agronômicas de soja(Universidade Federal de Viçosa, 2024-04-03) Costa, Noé Mitterhofer Eiterer Ponce de Leon da; Nascimento, Moysés; http://lattes.cnpq.br/9184271760739064Um dos métodos de aprendizado de máquina utilizado atualmente na Seleção Genômica (SG) são as Redes Neurais Artificiais (RNAs) e, dentre estas, a Rede Perceptron de Múltiplas Camadas (PMC). O PMC destaca-se na solução de problemas de classificação ou regressão pelo fato de não exigir um modelo funcional, nem de atender pressuposições e não requerer conhecimento a priori sobre o fenômeno em estudo. No entanto, um problema comum nas PMC é o overfitting, que se trata de um superajustamento da rede aos dados de treinamento. Nestes casos, o modelo não possui capacidade de generalização fazendo que ele seja menos eficaz nas predições em um novo conjunto de dados ou no conjunto de teste. Para contornar este problema, algumas alternativas são as regularizações L1 e L2, que se baseiam nas regressões em penalizações similares aos métodos Lasso e Ridge, respectivamente. O objetivo deste estudo foi avaliar a eficiência do uso da regularização em modelos de PMC aplicados na predição genômica. Além disso, os resultados obtidos foram comparados com outros utilizados em predição genômica, tais como o Perceptron de Múltiplas Camadas (PMC), Árvore de Decisão (AD), Random Forest (RF), Bagging (BAG), Boosting (BOO) e Genomic Best Linear Unbiased Prediction (GBLUP). Os dados são provenientes de 100 genótipos de soja, em um experimento conduzido de setembro a novembro de 2021, no delineamento em blocos ao acaso com três repetições, em que cada parcela foi constituída de uma planta cultivada em um vaso dentro de uma casa de vegetação. Foram avaliadas as características diâmetro de hipocótilo (DH, em milímetros), altura de planta (AP, em centímetros), comprimento total de raiz (CR, em centímetros) e área superficial projetada de raiz (AR, em centímetros quadrados). Na avaliação do PMC regularizado (PMCR), foram utilizados as medidas de capacidade preditiva (CP) e raiz do erro quadrático médio (RMSE) para comparação dos métodos. Em geral, o PMC com regularização L2 melhorou o desempenho em comparação com métodos avaliados em termos de CP e RMSE. Os valores de CP obtidos pelas redes regularizadas L2 foram melhores que todos os métodos avaliados. Especificamente, quando comparado com o segundo o melhor método, os ganhos em termos de CP foram de 6,05%, 25,86%, 32,90% e 0,16% para as características, respectivamente, AP, DH, CR e AR. Já em termos de RMSE, o PMCR apresentou resultados inferiores e desejáveis em 10,81%, 15,00%, 13,62% e 20,41% para as características AP, DH, CR e AR, respectivamente, quando comparado com as redes sem regularização. Quando a comparação é entre todas as metodologias comparativas, o GBLUP obteve o menor valor de RMSE para todas características avaliadas. Palavras-chave: Capacidade Preditiva. Machine Learning. Predição Genômica.Item Aplicações avançadas de aprendizado de máquina e ferramentas de análise de imagem para classificação e fenotipagem de sementes(Universidade Federal de Viçosa, 2023-10-17) Medeiros, André Dantas de; Silva, Laércio Junio da; http://lattes.cnpq.br/1407806252283644As tecnologias ópticas modernas, complementadas por algoritmos de inteligência artificial, estão revolucionando a análise de amostras biológicas na agricultura, particularmente na avaliação da qualidade de sementes. Por meio da integração de técnicas sofisticadas de análise de imagens, incluindo imagens RGB, raios X e imageamento multiespectral, esta pesquisa introduziu novas abordagens e ferramentas inovadoras. Dentre as ferramentas estão o Ilastik, que proporciona a utilização do aprendizado de máquina interativo para classificação de sementes e plântulas de soja, e a IJCropSeed, macro projetada para permitir a análise de imagens de raios X de sementes de uma variedade de culturas agrícolas. Além disso, foram desenvolvidos e testados modelos de aprendizado de máquina, abrangendo tanto métodos interativos quanto tradicionais. Estes modelos demonstraram uma eficácia notável, alcançando níveis de precisão superiores a 90%, o que representa um marco significativo no campo. No que se refere ao uso do imageamento multiespectral, com ênfase em comprimentos de onda específicos, foi observada alta consistência nos modelos desenvolvidos para avaliar o potencial fisiológico dos lotes de semente, considerando diferentes genótipos, lotes e safras. Além disso, a pesquisa destacou correlações entre os aspectos físicos das sementes, seus componentes espectrais e o desempenho fisiológico subsequente. Estes avanços tecnológicos apresentam uma nova oportunidade de ganho eficiência e qualidade operacional na classificação do potencial fisiológico das sementes e a predição do vigor das plântulas. O uso dessas abordagens otimiza a análise, tornando-a rápida, objetiva e altamente eficaz, e destaca a correlação entre aspectos físicos, componentes espectrais e o desempenho fisiológico das sementes. Palavras-chave: Imagens RGB. Imagens multiespectrais. Imagens de raios X. ImageJ. Aprendizado de máquina.Item Machine learning algorithms to improve phosphorus management(Universidade Federal de Viçosa, 2023-02-06) Ologunde, Olanrewaju Hameed; Valadares, Samuel VasconcelosOptimizing phosphorus (P) management in agriculture is critical for food security and sustainable development. Models can effectively combine multiple inputs and site conditions to improve understanding and predictions of nutrient dynamics. Machine learning (ML) models are becoming relevant in various agricultural sectors, with widely available, capable and cost efficient. In this study ML models were trained and tested to predict maize yield in response to phosphorus management. The effects of P on crop yield were predicted for Sub-Saharan Africa (SSA) using a total of 438 observations sourced from published articles. Specifically, we considered articles that determined the influence of P management on maize grain yield. Easily accessible soil and weather variables that affect the dynamics of phosphorus in soil-plant systems were included for possible improvement in the ML models. These variables include clay content, soil P, soil carbon content and weather variables, with variation in ranks across the region and sub-regions. Four machine models were used; multiple linear regression (MLR), random forest (RF), support vector regression (SVR) and k-nearest neighbors (KNN). Overall, the artificial intelligence models trained and tested in this work were able to predict plant responses to P addition and management in different cropping environments in SSA. The result showed that RF had better prediction performance for whole SSA (R2 = 0.57), East (R2 = 0.69) and South (R2 = 0.73) regions, while KNN had higher performance in the West region (R2 = 0.76). This study provides a basis for implementing a new framework for optimizing phosphorus management in agricultural systems. Keywords: Soil fertility. Phosphorus. Maize production. Sub Sahara Africa.Item Associação entre imagens digitais com a morfometria e condição corporal de cabras leiteiras(Universidade Federal de Viçosa, 2023-07-25) Gonçalves, Mateus Alves; Schultz, Erica BeatrizEsta dissertação foi segmentada em dois capítulos. Capítulo I - O objetivo foi verificar se as imagens digitais são capazes de determinar a morfometria e identificar quais medidas apresentam maior precisão em fêmeas caprinas leiteiras. Foram utilizadas 154 fêmeas caprinas nas fases de cria, recria e lactação e oito medidas corporais foram mensuradas com fita métrica e por imagens digitais (câmera Intel ® RealSense ™ D435 e ImageJ) para a extração da altura da cernelha, altura da garupa, comprimento corporal, profundidade, altura da pata, largura do peito, largura da garupa e comprimento da garupa. As correlações foram significativas (p<0,05) entre medidas manuais e imagens em todas as categorias. A altura da cernelha, altura da garupa e comprimento corporal apresentaram maiores correlações (r>0,60) e precisão (R2>0,50) entre as técnicas de medição. As imagens digitais são capazes de determinar a morfometria de fêmeas caprinas leiteiras, sendo as medidas mais precisas altura da cernelha, altura da garupa e comprimento corporal. Capítulo II - O objetivo foi avaliar se é possível a utilização das imagens digitais para predizer o peso corporal e classificar o ECC de fêmeas caprinas leiteiras. Foram utilizadas 154 fêmeas caprinas nas fases de cria, recria e lactação e foram pesadas em balança manual e o ECC foi realizado apenas nos animais da recria e lactação (n=124) por três avaliadores treinados. As gravações e o processamento das imagens digitais foram realizados para a extração das mesmas medidas aferidas no capítulo I. As medidas das imagens apresentaram correlações altas (r>0,70) e significativas (p<0,05) com o peso corporal, com destaque (r>0,90) para o comprimento corporal, largura do peito e profundidade. O ECC não apresentou correlação significativa (p>0,05) com as variáveis das imagens. Foi possível predizer o peso corporal através das medidas pelas imagens com R 2 de 0,87, sendo a profundidade (22,14%), largura do peito (18,93%) e comprimento corporal (15,47%) as variáveis mais importantes. Para o ECC, a acurácia foi de 0,4054 e a classe 2 a 3 foi a mais assertiva com 10 animais classificados e a largura do peito (20,38%) foi a variável mais importante. As imagens digitais demonstram capacidade de predizer com precisão o peso corporal, porém, não classificam o ECC de fêmeas caprinas leiteiras. Palavras-chave: Aprendizado de máquina. Inteligência artificial. Zootecnia de precisão.Item Uma estratégia computacional baseada em aprendizagem supervisionada para predição moléculas para uso agrícola(Universidade Federal de Viçosa, 2023-06-30) Oliveira, Jéssica Costa de; Silveira, Sabrina de Azevedo; http://lattes.cnpq.br/7445136472360569 ID Lattes: 7445136472360569O aumento da utilização de recursos computacionais em pesquisas científicas tem contribuído para uma maior aplicação dessas tecnologias nos trabalhos científicos na área da Bioinformática. Uma técnica computacional que tem sido bastante utilizada é a virtual screening ou triagem virtual de ligantes. Como resultado dessas contribuições, pode-se citar as descobertas de novos fármacos, as mutações em resíduos de pro- teínas, o alinhamento de sequências, entre outros. Além dos benefícios mencionados acima, existe a perspectiva de descobertas de medicamentos e vacinas com meno- res custos e com menor tempo de desenvolvimento desses fármacos. Nesse sentido, pode-se citar a descoberta, em caráter emergencial, da vacina contra a Covid‐19, do- ença causada pelo Sars‐Cov‐2, nome oficial do novo coronavírus. O reposicionamento de fármacos é outra técnica utilizada. Por meio dessa, busca-se avaliar a eficácia de medicamentos já existentes para determinadas enfermidades em outros tipos de do- enças. Esse recurso assemelha-se ao teste utilizado para desenvolver a vacina Sars‐ Cov‐2. Neste trabalho, propôs-se a utilização de uma estratégia computacional em aprendizado supervisionado para caracterizar e prever ligantes que podem interagir com moléculas importante no contexto da agricultura. O cenário de aplicação é a soja e seu inseto praga, a lagarta Anticarsia gemmatalis Hubner. Assim, busca-se prever potenciais moléculas que possam inibir proteínas no intestino da lagarta e, consequen- temente, o controle de pragas. Palavras‐chave: Triagem Virtual. Aprendizado de Máquina. Proteína-Ligante. Protease.Item Estratégias e seleção de cultivares de soja em estádios iniciais para tolerância ao déficit hídrico(Universidade Federal de Viçosa, 2023-02-17) Duarte, Anunciene Barbosa; Silva, Felipe Lopes da; http://lattes.cnpq.br/7204824336191422A soja é uma importante oleaginosa em todo o mundo e apresenta sensibilidade ao deficit hídrico, especialmente na fase inicial de desenvolvimento. Por isso, avaliar diferentes estratégias buscando selecionar cultivares de soja no início do desenvolvimento é extremamente necessário. Nesse sentido, são objetivos deste estudo: i) selecionar cultivares de soja tolerantes ao deficit hídrico utilizando os índices de seleção FAI-BLUP (Factor analysis and ideotype- design - Best Linear Unbiased Prediction) e o MGIDI (multi-trait genotype–ideotype distance index), além de indicar cultivares tolerantes ao deficit hídrico na fase inicial de desenvolvimento; ii) predizer o conteúdo de água nas folhas de soja e classificá-las quanto a condição hídrica, por meio de dados de espectroscopia NIR (near infrared) e diferentes modelos de machine learning. Dois experimentos foram avaliados envolvendo duas formas de imposição de estresse por deficit hídrico (em solo e em areia) em dois estádios diferentes (germinação e V1) e repetidos por duas épocas. Os experimentos envolveram 100 cultivares de soja, as quais foram submetidas a duas condições de disponibilidade hídrica (condição controle e condição estresse). Em ambos os experimentos, o estresse permaneceu por 20 dias. Os índices de seleção FAI-BLUP e MGIDI possibilitaram a seleção de 15 cultivares de soja. Foram selecionadas 12 cultivares comuns aos dois índices. As cultivares M 9144 RR, BMX TITAN RR foram as que mais se aproximaram do ideótipo. Em relação aos modelos de machine learning, todos os quatro modelos utilizados apresentaram boas performances ao realizar as tarefas de classificação e regressão. Os modelos PLS (Partial Least Squares) e SVM (Support Vector Machine) apresentaram os melhores resultados para classificar folhas de soja quanto à condição hídrica. Já para a tarefa de regressão, os modelos PLS e PCR (principal component regression) apresentaram os melhores desempenhos. Palavras-chave: Índices de seleção. Machine learning. Espectroscopia NIR. Seca.Item Direcionadores dos incêndios florestais no Pantanal: análise temporal e associação com biomas adjacentes(Universidade Federal de Viçosa, 2023-07-31) Sousa, Bruna Rodrigues de; Amaral, Cibele Hummel do; http://lattes.cnpq.br/3704093371221396Nos últimos anos, tem-se observado aumentos de desastres naturais ligados às mudanças climáticas globais, causando perdas sociais, econômicas e ambientais. Como exemplo, pode- se mencionar os incêndios ocorrentes no Brasil, primordialmente no bioma Pantanal, o qual foi extremamente afetado com uma queima histórica no ano de 2020. Estudos indicam que os incêndios florestais recentes na bacia associam-se a redução de chuvas nos verões de 2019- 2020, em consequência da redução do transporte de ar quente e úmido de verão da Amazônia para o Pantanal. Os maiores rios que abastecem o Pantanal tem origem no planalto brasileiro, dessa maneira, a disponibilidade de água superficial no bioma está fortemente associada à dinâmica hidrológica e de uso e cobertura da terra dos biomas adjacentes. A precipitação também é influenciada pela dinâmica pluvial de outros biomas, principalmente da Amazônia. Contudo, parece faltar na literatura um estudo compreensivo que demonstre a associação dos incêndios no bioma Pantanal com as características hidrológicas dos biomas adjacentes. Dessa forma, este estudo visou analisar a série histórica de área queimada no Pantanal e identificar os impulsionadores de incêndios florestais acima da normal, explorando variáveis ambientais locais associadas à ocorrência de fogo e dos biomas adjacentes que exercem efeito sobre a dinâmica fluvial e pluvial na bacia pantaneira. Para a execução deste estudo, utilizaram-se conjuntos de dados presentes na plataforma Google Earth Engine (GEE). Área queimada, desmatamento e área de cobertura, do projeto MapBiomas, e Precipitação, Déficit Pressão de Vapor, Evapotranspiração, Temperatura do ar, Índice Seca de Palmer, Umidade do Solo, oriundos de múltiplas fontes, e proxies de estrutura (evi) e umidade (ndmi) da vegetação, obtidos a partir da série Landsat. Os dados foram coletados e computados sazonalmente de 1989-2020. A fim de observar as variáveis de importância para a ocorrência de tais desastres naturais, foram utilizadas técnicas de aprendizado de máquina como os algoritmos Random Forest e Support Vector Machine. A importância de tais variáveis foi analisada tanto no ano de ocorrência dos incêndios, quanto nos dois anos precedentes. Assim, foi possível verificar que dos 32 anos analisados 13 deles apresentaram área total queimada acima da normal e que apenas no ano de 1999 a queima foi superior ao ano de 2020. As variáveis: umidade do solo na Amazônia (t-2), o índice de seca na Mata Atlântica (t-1) e a umidade da vegetação no Pantanal (t-1) apresentaram maior importância em se tratando dos direcionadores de incêndios no Pantanal. As análises estatísticas também indicaram a seca no Cerrado e reduzida evapotranspiração no Cerrado e no Pantanal. Os resultados deste estudo demonstram a associação da dinâmica hídrica dos biomas adjacentes com o aumento de área queimada no bioma Pantanal. Além disso, a análise de tendência demonstra que a seca está aumentando em todos os biomas analisados. Espera-se, com os achados aqui, auxiliar o entendimento da dinâmica do fogo no Pantanal, bem como a correta alocação de recursos para o combate de incêndios quando eventos extremos de seca (ainda em anos anteriores) são observados não apenas in loco, mas também nos outros biomas brasileiros. Palavras-chave: Área queimada. Computação em nuvem. Aprendizado de máquina. Mudanças climáticas. Seca.Item Modelagem da evapotranspiração da cana-de-açúcar utilizando abordagens de sensoriamento remoto e machine learning(Universidade Federal de Viçosa, 2023-07-28) Santos, Robson Argolo dos; Mantovani, Everardo Chartuni; http://lattes.cnpq.br/7695425082281047O uso de sensoriamento remoto combinando informações de estações meteorológicas tem sido estudado como uma alternativa a estimativa da demanda hídrica, porém algumas limitações ainda persistem, requerendo novas metodologias que possa superá-las. Desta forma, essa tese teve como objetivo geral estimar a ETa (evapotranspiração atual) da cana-de-açúcar utilizando machine learning com base em dados obtidos por sensoriamento remoto ativo e passivo, bem como múltiplas fontes de informação. Os objetivos específicos foram divididos em três capítulos: 1) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo; 2) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo sem a necessidade de estação meteorológica em campo; e 3) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto ativo na presença de nuvens. Para tal, foram adquiridos dados dos sensores OLI (Operational Land Imager) e TIRS (Thermal Infrared Sensor) embarcados nos satélites Landsat 8 e 9, a fim de determinar a ET rF (fração evapotranspirativa) e posterior ETa utilizando o modelo METRIC (Mapping Evapotranspiration at High Resolution with Internalized Calibration). Essas variáveis foram utilizadas como resposta, enquanto as variáveis explicativas foram obtidas dos sensores MSI (Multispectral Instrument), embarcado no Sentinel-2, e SAR (Synthetic Aperture Radar), no Sentinel-1. Os dados meteorológicos, climatológicos, de solos, elevação do terreno e astronômicas, foram utilizados para garantir um treinamento e desempenho adequados dos algoritmos de machine learning. No primeiro capítulo, foi possível observar a capacidade dos modelos de machine learning em estimar a ETrF utilizando dados do sensor MSI, que não possui banda termal. O modelo que obteve melhor desempenho nessa abordagem foi o XgbLinear, com R² = 0.91 e RMSE = 0.10, apresentando resultados satisfatórios. Os valores estimados de ETrF, neste capítulo, quando multiplicados pela ET r (Evapotranspiração de referência alfafa), forneceram a ETa, que é utilizada para determinar a reposição adequada da irrigação. Os resultados do segundo capítulo mostraram que os modelos de machine learning, utilizando dados de sensoriamento remoto passivo sem banda termal em conjunto com outras variáveis explicativas, permitiu quantificar diretamente a ET a, sem a necessidade do valor de ETr determinado via estação meteorológica. Dos 13 modelos utilizados neste capítulo, o brnn (Bayesian Regularized Neural Networks) se destacou, com R² de 0.73 e RMSE de 1.10, respectivamente. Por fim, os resultados do terceiro capítulo foram promissores, pois foi possível modelar e quantificar a ETa na cana-de-açúcar mesmo na presença de nuvens. O brnn novamente se destacou, apresentando R² de 0.45 e RMSE de 1.5. Apesar das métricas inferiores, devido às limitações espectrais do sensor SAR, esse resultado representa um grande avanço, uma vez que o sensor SAR pode ser utilizado quando não é possível o uso de sensores remotos passivos. Com base em todos esses resultados, é possível inferir que os algoritmos de machine learning XgbLinear e brnn, devidamente treinados com dados obtidos por sensoriamento remoto passivo e ativo, juntamente com outras fontes de informação, podem ser eficazes na estimativa da evapotranspiração atual da cana-de-açúcar. Palavras-chave: Satélite. Machine learning. Agricultura irrigada.Item Design exploration of machine learning data-flows onto heterogeneous reconfigurable hardware(Universidade Federal de Viçosa, 2023-06-21) Oliveira, Westerley Carvalho; Ferreira, Ricardo dos Santos; http://lattes.cnpq.br/2524340882219015This work explores the placement and routing of Machine Learning applications data- flow graphs on different heterogeneous Coarse-Grained Reconfigurable Architectures (CGRA). We analyze three different types of processing element (PE) heterogeneity, the first concerning the interconnection pattern, the second being on the kind of ope- rations a single PE can execute, and the last concerning the PE buffer resources. This analysis aims to propose a fair reduction to the overall cost in comparison to the ho- mogeneous CGRA architecture. We compare our results with the homogeneous case and one of the state-of-the-art tools for placement and routing (P&R). Our algorithm executed, on average, 52% faster than VPR 8.1 (Versatile Place and Route), which is an open-source academic tool designed for the FPGA placement and routing pha- ses, reaching better mapping in 66% of cases and achieving the same results in 26% of cases. Furthermore, a heterogeneous architecture reduces the cost without losing performance in 76% of the cases considering multiplier heterogeneity. We propose a novel heterogeneous buffer architecture that minimizes the buffer resources by 56.3% for K-means dataflow patterns. We also show that a heterogeneous border chess archi- tecture outperforms a homogeneous one. In addition, our mapping reaches optimal instances of single tree dataflows compared to classical Lee/Choi and H-Trees. Keywords: Reconfigurable architecture. CGRAs. Placement. Routing.