PROTOTIPO DE UN SISTEMA DE RECOMENDACIÓN DE DATOS AGRÍCOLAS BASADO EN UNA PLATAFORMA DE DATOS ESCALABLE
DOI:
https://doi.org/10.56238/bocav25n74-020Palabras clave:
Producción Agrícola, Tecnología, Análisis de DatosResumen
Este proyecto busca desarrollar una plataforma de datos robusta para análisis exploratorios en el campo técnico de la agronomía. Se utilizaron conceptos de arquitectura de aplicación y computación en la nube enfocados en el procesamiento de big data. Se centralizaron diferentes tipos de datos en una plataforma escalable y segura utilizando servicios de AWS, reconocidos por su confiabilidad y alta disponibilidad. La solución incorporó herramientas de código abierto como Apache Spark y Apache Airflow, responsables del procesamiento distribuido y la orquestación de los flujos de datos. Las principales fuentes de datos incluyeron información meteorológica del Instituto Nacional de Meteorología (INMET) y datos agrícolas del Ministerio de Agricultura y Ganadería (MAPA). La estructura propuesta permitió un procesamiento detallado de esta información, lo que permitió la generación de información relevante. Se realizaron análisis para investigar la influencia de la suma térmica y la precipitación en la productividad de diferentes híbridos de maíz, segmentados por ubicación y período. Como producto final, se desarrolló un tablero interactivo e intuitivo que permite a los agrónomos visualizar datos históricos y realizar proyecciones futuras basadas en la información procesada. Se concluye que la plataforma ofrece una base resiliente, escalable y eficiente para el procesamiento de grandes volúmenes de datos, con gran potencial para respaldar decisiones técnicas más precisas e informadas en el sector agrícola.
Referencias
AIRFLOW. Airflow Documentation. 2023. Disponível em: <https://airflow.apache.org/docs/>.
AKHTER, R.; SOFI, S. A. Precision agriculture using iot data analytics and machine learning. Journal of King Saud University-Computer and Information Sciences, Elsevier, v. 34, n. 8, p. 5602–5618, 2022. DOI: https://doi.org/10.1016/j.jksuci.2021.05.013
AMAZON. AWS Documentation. 2023. Disponível em: <https://docs.aws.amazon.com/>.
BHATTARAI, B. P. et al. Big data analytics in smart grids: State-of-theart, challenges, opportunities, and future directions. IET Smart Grid, Institution of Engineering and Technology, v. 2, p. 141–154, 6 2019. ISSN 25152947. DOI: https://doi.org/10.1049/iet-stg.2018.0261
BRONSON, K.; KNEZEVIC, I. Big data in food and agriculture. Big Data & Society, Sage Publications Sage UK: London, England, v. 3, n. 1, p. 2053951716648174, 2016. DOI: https://doi.org/10.1177/2053951716648174
DELGADO, J. A. et al. Big data analysis for sustainable agriculture on a geospatial cloud framework. Frontiers in Sustainable Food Systems, Frontiers Media SA, v. 3, p. 54, 2019. DOI: https://doi.org/10.3389/fsufs.2019.00054
DOCKER. Docker Documentation. 2023. Disponível em: <https://docs.docker.com/>.
EDWARDS,C. A. Sustainable agricultural systems. [S.l.]: CRC Press, 2020. DOI: https://doi.org/10.1201/9781003070474
EMBRAPA. Milho, Relações com o clima. 2021. <https://www.embrapa.br/agencia-de-informacao-tecnologica/cultivos/milho/pre-producao/caracteristicas-da-especie-e-relacoes- com-o-ambiente/relacoes-com-o-clima>. Acessado em 14 de novembro de 2023.
HARENSLAK,B. P.; RUITER, J. de. Data Pipelines with Apache Airflow. [S.l.]: Simon and Schuster, 2021.
KAMBLE, S. S.; GUNASEKARAN, A.; GAWANKAR, S. A. Achieving sustainable performance in a data-driven agriculture supply chain: A review for research and applications. International Journal of Production Economics, Elsevier, v. 219, p. 179–194, 1 2020. ISSN0925-5273. DOI: https://doi.org/10.1016/j.ijpe.2019.05.022
KAMILARIS, A.; KARTAKOULLIS, A.; PRENAFETA-BOLDú, F. X. A review on the practice of big data analysis in agriculture. Computers and Electronics in Agriculture, v. 143, p. 23–37, 2017. ISSN 0168-1699. Disponível em: <https://www.sciencedirect.com/science/article/pii/ S0168169917301230>. DOI: https://doi.org/10.1016/j.compag.2017.09.037
KLEPPMANN, M. Designing Data-Intensive Applications. Beijing: O’Reilly, 2017. ISBN 978-1-4493-7332-0. Disponível em: <https://www.safaribooksonline.com/library/view/ designing-data-intensive-applications/9781491903063/>.105
MICROSOFT. Microsoft Documentation. 2023. Disponível em: <https://learn.microsoft.com/pt-br/docs/>. PYTHON. Python Documentation. 2023. Disponível em: <https://docs.python.org/3/>.
PYTHON. Python Documentation. 2023. Disponível em: https://docs.python.org/3/
SALLOUM,S. et al. Big data analytics on apache spark. International Journal of Data Science and Analytics, Springer, v. 1, p. 145–164, 2016. DOI: https://doi.org/10.1007/s41060-016-0027-9
WAGA,D.; RABAH, K. Environmental conditions’ big data management and cloud computing analytics for sustainable agriculture. World Journal of Computer Application and Technology, Horizon Research Publishing Co., Ltd., v. 2, p. 73–81, 3 2014. ISSN 2331-4982. DOI: https://doi.org/10.13189/wjcat.2014.020303
WAGNER, M. V. et al. Estimativa da produtividade do milho em função da disponibilidade hídrica em guarapuava, pr, brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, Departamento de Engenharia Agrícola- UFCG, v. 17, n. 2, p. 170–179, Feb 2013. ISSN 1415-4366. Disponível em: <https://doi.org/10.1590/S1415-43662013000200008>. DOI: https://doi.org/10.1590/S1415-43662013000200008
ZAHARIA, M. et al. Apache spark: a unified engine for big data processing. Communications of the ACM, ACMNewYork, NY, USA, v. 59, n. 11, p. 56–65, 2016. DOI: https://doi.org/10.1145/2934664
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Rafael Ignaulin, Sandro Silva de Oliveira, Cristiano Reschke Lajús, Ariel Gustavo Zuquello, Éttore Guilherme Poletto Diel, Fábio José Busnello, Magdalena Reschke Lajús Travi, Mauricio Bedin
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Copyright (c). Boletim de Coyuntura (BOCA)
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.
