Ano: 2024

Antes do lançamento do site oficial, o Núcleo de Pesquisa em Pecuária de Precisão (NP3) já havia contribuído com diversas apresentações e publicações em eventos acadêmicos. A seguir, estão alguns dos principais trabalhos apresentados por nossos pesquisadores:

O pesquisador Davi Lemos apresentou no 15º SIEPE (2023) o trabalho “Aprimorando Modelos de Aprendizagem Profunda para Pecuária de Precisão com KerasTuner”, desenvolvido em coautoria com Bianca Durgante e Heduardo Rocha, que avaliou a aplicação de uma ferramenta de autoajuste de hiperparâmetros em um modelo de Redes Neurais Recorrentes (RNN), com o objetivo de melhorar a acurácia das predições no contexto da pecuária de precisão.

Os pesquisadores Davi Lemos e Bianca Durgante apresentaram na Escola Regional de Alto Desempenho da Região Sul (ERAD/RS, 2024) o trabalho “Impactos da Ferramenta KerasTuner em Modelo de Predição Baseado em LSTM para Pecuária Sustentável”, que analisou o efeito da aplicação do KerasTuner em um modelo de predição baseado em Redes Neurais Recorrentes (RNN) com arquitetura LSTM, destacando os impactos no tempo de execução e na acurácia das predições no contexto da pecuária sustentável.

O pesquisador Davi Lemos apresentou no 16º SIEPE (2024) o trabalho “Ajuste Fino de Hiperparâmetros em Modelo de Predição para Agricultura Digital com Árvores de Decisão“, desenvolvido em coautoria com Bianca Durgante. O estudo propôs a utilização de Árvores de Decisão como uma ferramenta para ajuste fino de hiperparâmetros em modelos de Redes Neurais Recorrentes (RNN). O objetivo central foi investigar como essa abordagem poderia aprimorar a acurácia das predições e reduzir o tempo de execução, contribuindo para práticas de computação sustentável.

A pesquisadora Bianca Durgante apresentou no 16º SIEPE (2024) o trabalho “Análise Instrumental de Modelos RNN para Agricultura Digital Visando Computação Verde”, desenvolvido em coautoria com Davi Lemos, que investigou a demanda de recursos computacionais de um modelo de Redes Neurais Recorrentes (RNN). O estudo analisou o desempenho das arquiteturas Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU) em modelos de predição voltados à pecuária sustentável, destacando práticas de computação verde como meio de reduzir o impacto ambiental sem comprometer a eficiência. Tendo o trabalho recebido o Prêmio Cardeal Amarelo de melhor trabalho de pesquisa.

O pesquisador Davi Lemos apresentou no 8º ENCIF (2024) o trabalho “Árvores De Decisão Como Solução Para Ajuste De Modelo De Predição Para Agricultura Digital“, desenvolvido em coautoria com Bianca Durgante. Nesse estudo, avaliou-se o desempenho das Árvores de Decisão para ajuste fino de hiperparâmetros em RNNs, comparando os resultados obtidos com aqueles provenientes do uso da ferramenta KerasTuner. A análise buscou validar a eficácia da solução proposta em termos de melhoria da acurácia preditiva e eficiência computacional.

Essas apresentações refletem o compromisso do NP3 com a inovação e a sustentabilidade na pecuária de precisão. A criação deste site permitirá que todas as futuras contribuições científicas sejam divulgadas de maneira mais acessível, continuando a promover a troca de conhecimento e o avanço da pesquisa.

No dia 5 de dezembro, o Núcleo de Pesquisa em Pecuária de Precisão (NP3) marcou presença no 10º MCSul, realizado em Rio Grande/RS, com a apresentação de dois trabalhos que destacam o uso de tecnologias avançadas na pecuária digital.

 

O pesquisador Matheus Caneda compartilhou os resultados da pesquisa realizada em coautoria com Bianca Durgante e Davi Lemos “Análise do Efeito de Índices Climáticos e Pluviométricos em Modelos de RNN LSTM para Pecuária de Precisão”, abordando a influência do efeito climático, El Niño Oscilação Sul e variáveis pluviométricas no desempenho de modelos de redes neurais na predição de disponibilidade de forragem na pecuária de precisão”

A pesquisadora Bianca Durgante apresentou o estudo desenvolvido em coautoria com Davi Lemos e Matheus Caneda “Análise do Desempenho e Propagação do Erro em Modelos de Predição para Agricultura Digital Sustentável”, que explora o impacto da escolha de técnicas de RNN para modelos preditivos e analisa o acúmulo de erro de predição em modelos RNN no contexto da agricultura sustentável .

Essas contribuições reforçam o compromisso do NP3 em aliar inovação tecnológica à sustentabilidade, destacando a relevância da pesquisa aplicada em um setor tão estratégico.

Agradecemos à equipe organizadora do MCSul e parabenizamos os pesquisadores pelo excelente trabalho!

No último dia 18 de novembro, o Núcleo de Pesquisa em Pecuária de Precisão (NP3) esteve presente no II Workshop Gaúcho de Mudanças Climáticas, realizado na Universidade Federal de Pelotas (UFPEL), Campus Capão do Leão.

O evento proporcionou uma valiosa oportunidade para a troca de conhecimentos, debates enriquecedores e a ampliação das perspectivas sobre os desafios e as soluções no campo das mudanças climáticas. Participar de atividades como essa contribui para o avanço da pesquisa em computação sustentável, promovendo o desenvolvimento de soluções tecnológicas voltadas para a mitigação dos impactos das mudanças climáticas.

Com essa experiência, o NP3 retorna ainda mais engajado em contribuir para o avanço científico e tecnológico no manejo sustentável de recursos naturais.

 

O Núcleo de Pesquisa em Pecuária de Precisão (NP3), grupo de pesquisa certificado pela instituição, presente no Diretório de Grupos do CNPq, objetiva tornar público o trabalho conjunto entre pesquisadores da UNIPAMPA e da EMBRAPA Pecuária Sul na área de Pecuária de Precisão.

O grupo recentemente foi agraciado com o Prêmio Cardeal Amarelo no SIEPE 2024, com o melhor trabalho na categoria Pesquisa, intitulado “Análise Instrumental de Modelos RNN para Agricultura Digital Visando Computação Verde“, tendo como autores Bianca Durgante, Davi Lemos, Naylor Bastiani Perez e Leonardo Bidese de Pinho.

O grupo recebe suporte da CAPES, CNPq, FAPERGS, UNIPAMPA e EMBRAPA, por meio de editais de fomento às atividades de PD&I, incluindo pesquisadores e alunos do Programa de Pós-Graduação em Computação Aplicada (PPGCAP) em conjunto com graduandos da Engenharia de Computação (EC).