Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: https://tede.unioeste.br/handle/tede/3063
Full metadata record
DC FieldValueLanguage
dc.creatorGavioli, Alan-
dc.creator.Latteshttp://lattes.cnpq.br/3689948487608659por
dc.contributor.advisor1Souza, Eduardo Godoy de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8600401135679947por
dc.contributor.advisor-co1Bazzi, Claudio Leones-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2170981286370303por
dc.contributor.referee1Guedes, Luciana Pagliosa Carvalho-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3195220544719864por
dc.contributor.referee2Pinheiro Neto, Raimundo-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/8093716531978973por
dc.contributor.referee3Gonçalves, Antonio Carlos Andrade-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/3985375596784614por
dc.contributor.referee4Maggi, Marcio Furlan-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/8677221771738301por
dc.date.accessioned2017-09-18T14:32:46Z-
dc.date.issued2017-02-17-
dc.identifier.citationGAVIOLI, Alan. Módulos computacionais para seleção de variáveis e Análise de agrupamento para definição de zonas de manejo. 2017. 128 f. Tese (Doutorado - Programa de Pós-Graduação em Engenharia Agrícola) - Universidade Estadual do Oeste do Paraná, Cascavel, 2017 .por
dc.identifier.urihttp://tede.unioeste.br/handle/tede/3063-
dc.description.resumoA seleção de variáveis e a análise de agrupamento de dados são atividades fundamentais para a definição de zonas de manejo (ZMs) de qualidade. Para executar essas duas atividades, existem diversos métodos propostos, que devido à sua complexidade precisam ser executados por meio da utilização de sistemas computacionais. Neste trabalho, avaliaramse 5 métodos de seleção de variáveis baseados em análise de correlação espacial, análise de componentes principais (ACP) e análise espacial multivariada baseada no índice de Moran e em ACP (MULTISPATI-PCA). Propôs-se um novo algoritmo de seleção de variáveis, denominado MPCA-SC, desenvolvido a partir da aplicação conjunta da análise de correlação espacial e de MULTISPATI-PCA. Avaliou-se a viabilidade de aplicação de 20 algoritmos de agrupamento de dados para a geração de ZMs: average linkage, bagged clustering, centroid linkage, clustering large applications, complete linkage, divisive analysis, fuzzy analysis clustering (fanny), fuzzy c-means, fuzzy c-shells, hard competitive learning, hybrid hierarchical clustering, k-means, median linkage, método de McQuitty (mcquitty), método de Ward, neural gas, partitioning around medoids, single linkage, spherical k-means e unsupervised fuzzy competitive learning. Apresentaram-se ainda dois módulos computacionais desenvolvidos para disponibilizar os métodos de seleção de variáveis e de agrupamento de dados para a definição de ZMs. As avaliações foram realizadas com dados obtidos entre os anos de 2010 e 2015 de três áreas agrícolas comerciais, localizadas no estado do Paraná, nas quais cultivaram-se milho e soja. Os experimentos efetuados para avaliar os 5 algoritmos de seleção de variáveis mostraram que o novo método MPCA-SC pode melhorar a qualidade de ZMs em diversos aspectos, mesmo obtendo-se resultados satisfatórios com os outros 4 algoritmos. Os experimentos de avaliação dos 20 métodos de agrupamento citados mostraram que 17 deles foram adequados para o delineamento de ZMs, com destaque para fanny e mcquitty. Por fim, concluiu-se que os dois módulos computacionais desenvolvidos possibilitaram a obtenção de ZMs de qualidade. Além disso, esses módulos constituem uma ferramenta computacional mais abrangente que outros softwares de uso gratuito, como FuzME, MZA e SDUM, em relação à diversidade de algoritmos disponibilizados para selecionar variáveis e agrupar dados.por
dc.description.abstractTwo basic activities for the definition of quality management zones (MZs) are the variable selection task and the cluster analysis task. There are several methods proposed to execute them, but due to their complexity, they need to be made available by computer systems. In this study, 5 methods based on spatial correlation analysis, principal component analysis (PCA) and multivariate spatial analysis based on Moran’s index and PCA (MULTISPATI-PCA) were evaluated. A new variable selection algorithm, named MPCA-SC, based on the combined use of spatial correlation analysis and MULTISPATI-PCA, was proposed. The potential use of 20 clustering algorithms for the generation of MZs was evaluated: average linkage, bagged clustering, centroid linkage, clustering large applications, complete linkage, divisive analysis, fuzzy analysis clustering (fanny), fuzzy c-means, fuzzy c-shells, hard competitive learning, hybrid hierarchical clustering, k-means, McQuitty’s method (mcquitty), median linkage, neural gas, partitioning around medoids, single linkage, spherical k-means, unsupervised fuzzy competitive learning, and Ward’s method. Two computational modules developed to provide the variable selection and data clustering methods for definition of MZs were also presented. The evaluations were conducted with data obtained between 2010 and 2015 in three commercial agricultural areas, cultivated with soybean and corn, in the state of Paraná, Brazil. The experiments performed to evaluate the 5 variable selection algorithms showed that the new method MPCA-SC can improve the quality of MZs in several aspects, even obtaining satisfactory results with the other 4 algorithms. The evaluation experiments of the 20 clustering methods showed that 17 of them were suitable for the delineation of MZs, especially fanny and mcquitty. Finally, it was concluded that the two computational modules developed made it possible to obtain quality MZs. Furthermore, these modules constitute a more complete computer system than other free-to-use software such as FuzME, MZA, and SDUM, in terms of the diversity of variable selection and data clustering algorithms.eng
dc.description.provenanceSubmitted by Neusa Fagundes (neusa.fagundes@unioeste.br) on 2017-09-18T14:32:46Z No. of bitstreams: 1 Alan_Gavioli2017.pdf: 4935513 bytes, checksum: 58816f2871fee27474b2fd5e511826af (MD5)eng
dc.description.provenanceMade available in DSpace on 2017-09-18T14:32:46Z (GMT). No. of bitstreams: 1 Alan_Gavioli2017.pdf: 4935513 bytes, checksum: 58816f2871fee27474b2fd5e511826af (MD5) Previous issue date: 2017-02-17eng
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Estadual do Oeste do Paranápor
dc.publisher.departmentCentro de Ciências Exatas e Tecnológicaspor
dc.publisher.countryBrasilpor
dc.publisher.initialsUNIOESTEpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Agrícolapor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subjectAgricultura de precisãopor
dc.subjectAgrupamento de dadospor
dc.subjectAnálise de componentes principaispor
dc.subjectMultispati-PCApor
dc.subjectSoftware para agriculturapor
dc.subjectData clusteringeng
dc.subjectMultispati-PCAeng
dc.subjectPrecision agricultureeng
dc.subjectPrincipal component analysispor
dc.subjectSoftware for agricultureeng
dc.subject.cnpqCIENCIAS AGRARIAS::ENGENHARIA AGRICOLApor
dc.titleMódulos computacionais para seleção de variáveis e Análise de agrupamento para definição de zonas de manejopor
dc.title.alternativeComputational modules for variable selection and cluster analysis for definition of management zoneseng
dc.typeTesepor
dc.publisher.campusCascavelpor
Appears in Collections:Doutorado em Engenharia Agrícola (CVL)

Files in This Item:
File Description SizeFormat 
Alan_Gavioli2017.pdf4.82 MBAdobe PDFView/Open Preview


Items in TEDE are protected by copyright, with all rights reserved, unless otherwise indicated.