PROTÓTIPO DE UM SISTEMA DE RECOMENDAÇÃO DE DADOS AGRÍCOLAS BASEADO EM UMA PLATAFORMA DE DADOS ESCALÁVEL
DOI:
https://doi.org/10.56238/bocav25n74-020Palavras-chave:
Produção Agrícola, Tecnologia, Análise de DadosResumo
Este projeto visa desenvolver uma plataforma de dados robusta para análises exploratórias na área técnica da agronomia. Foram utilizados conceitos de arquitetura de aplicações e computação em nuvem voltados ao processamento de big data. Diferentes tipos de dados foram centralizados em uma plataforma escalável e segura, utilizando serviços da AWS, reconhecidos por sua confiabilidade e alta disponibilidade. A solução incorporou ferramentas open-source como Apache Spark e Apache Airflow, responsáveis pelo processamento e orquestração distribuída dos pipelines de dados. As principais fontes de dados incluíram informações meteorológicas do Instituto Nacional de Meteorologia (INMET) e dados agrícolas do Ministério da Agricultura e Pecuária (MAPA). A estrutura proposta permitiu o processamento detalhado dessas informações, possibilitando a geração de insights relevantes. Foram realizadas análises que investigaram a influência da soma térmica e da pluviometria na produtividade de diferentes híbridos de milho, segmentadas por localização e período. Como produto final, foi desenvolvido um dashboard interativo e intuitivo, permitindo que agrônomos visualizem dados históricos e realizem projeções futuras com base nas informações processadas. Conclui-se que a plataforma oferece uma base resiliente, escalável e eficiente para o tratamento de grandes volumes de dados, com grande potencial para apoiar decisões técnicas mais precisas e fundamentadas no setor agrícola.
Referências
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
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 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
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Direitos autorais (c) .
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.
