2023
Tecnologias de Processamento de Dados na Agricultura de Precisão
Nome: Tecnologias de Processamento de Dados na Agricultura de Precisão
Cód.: ERU12710M
3 ECTS
Duração: 15 semanas/84 horas
Área Científica:
Ciências de Engenharia
Língua(s) de lecionação: Português
Língua(s) de apoio tutorial: Português
Objetivos de Desenvolvimento Sustentável
Objetivos de Aprendizagem
No final desta unidade curricular o estudante terá adquirido conhecimentos, aptidões e competências que
lhe permitam:
- Compreender a leitura de um relatório técnico onde exista informação apresentada e/ou trabalhada por
análise e modelação estatística;
- Ser capaz de sintetizar informação, qualitativa e quantitativa, de uma tabela de dados, nomeadamente
facilitando a interpretação e a retirada de conclusões;
- Entender a relação bi-ou multivariada de uma tabela de dados, analisar redundâncias e lacunas de
informação;
- Distinguir várias sub-populações de uma amostra, e utilizar ferramentas adequadas para a geração de
sub-conjuntos de dados;
- Gerar imagens de valores estimados de uma propriedade amostrada pontualmente numa área de estudo.
- Saber aplicar ferramentas de análise de dados na plataforma R, nomeadamente importar dados e extraír
relatórios.
lhe permitam:
- Compreender a leitura de um relatório técnico onde exista informação apresentada e/ou trabalhada por
análise e modelação estatística;
- Ser capaz de sintetizar informação, qualitativa e quantitativa, de uma tabela de dados, nomeadamente
facilitando a interpretação e a retirada de conclusões;
- Entender a relação bi-ou multivariada de uma tabela de dados, analisar redundâncias e lacunas de
informação;
- Distinguir várias sub-populações de uma amostra, e utilizar ferramentas adequadas para a geração de
sub-conjuntos de dados;
- Gerar imagens de valores estimados de uma propriedade amostrada pontualmente numa área de estudo.
- Saber aplicar ferramentas de análise de dados na plataforma R, nomeadamente importar dados e extraír
relatórios.
Conteúdos Programáticos
Revisões de probabilidades, e análise estatística univariada e bivariada. Recolha de informação, suporte,
resolução espacial. Visualização de dados. Conceito de incerteza.
Análise multivariada. Análise em componentes principais. Classificação ascendente hierárquica e
classificação não hierárquica (K-means). Análise de variância (ANOVA).
Regressão. Modelos lineares generalizados. Abordagem espacio-temporal. Curvas de tendência.
Geoestatística. Variáveis aleatórias. Teoria das variáveis regionalizadas. Análise de continuidade
espacial: covariância espacial e variograma. Variogramas direccionais e isotropia / anisotropia. Ajuste
de funções teóricas. Estimação por krigagem. Variância de krigagem. Visualização de resultados. Teste
de validação cruzada.
Prática: Exercícios com os softwares R (análise de dados e geoestatística).
resolução espacial. Visualização de dados. Conceito de incerteza.
Análise multivariada. Análise em componentes principais. Classificação ascendente hierárquica e
classificação não hierárquica (K-means). Análise de variância (ANOVA).
Regressão. Modelos lineares generalizados. Abordagem espacio-temporal. Curvas de tendência.
Geoestatística. Variáveis aleatórias. Teoria das variáveis regionalizadas. Análise de continuidade
espacial: covariância espacial e variograma. Variogramas direccionais e isotropia / anisotropia. Ajuste
de funções teóricas. Estimação por krigagem. Variância de krigagem. Visualização de resultados. Teste
de validação cruzada.
Prática: Exercícios com os softwares R (análise de dados e geoestatística).
Métodos de Ensino
A metodologia de ensino utiliza sessões teóricas e práticas de 1 e 2 horas cada:
i) aulas teóricas com
powerpoint
ii) aulas práticas em sala de computadores. As explicações teóricas são suportado com
exemplos práticos relacionados com o curso de mestrado. As aulas são baseadas na resolução de
problemas, tendo como ponto de partida conjuntos de dados realistas que reproduzam algumas das
situações que os futuros profissionais irão trabalhar.
A avaliação é de preferência do tipo contínuo, mas, alternativamente, pode ser feita pelo exame clássico.
O modelo de avaliação contínuo é consituido por dois testes escritos para os algoritmos e métodos (que
representam 25% + 25% da nota final) e um relatório feito por grupos de dois alunos com a resolução
dos problemas práticos resolvidos nas aulas práticas (50% restantes). Alternativamente, e apenas para a
componente teórica, os alunos podem optar pelo exame final, onde também podem fazer melhoria da
nota dos testes.
i) aulas teóricas com
powerpoint
ii) aulas práticas em sala de computadores. As explicações teóricas são suportado com
exemplos práticos relacionados com o curso de mestrado. As aulas são baseadas na resolução de
problemas, tendo como ponto de partida conjuntos de dados realistas que reproduzam algumas das
situações que os futuros profissionais irão trabalhar.
A avaliação é de preferência do tipo contínuo, mas, alternativamente, pode ser feita pelo exame clássico.
O modelo de avaliação contínuo é consituido por dois testes escritos para os algoritmos e métodos (que
representam 25% + 25% da nota final) e um relatório feito por grupos de dois alunos com a resolução
dos problemas práticos resolvidos nas aulas práticas (50% restantes). Alternativamente, e apenas para a
componente teórica, os alunos podem optar pelo exame final, onde também podem fazer melhoria da
nota dos testes.
Bibliografia
Lawal, Bayo (2014) Applied Statistical Methods in Agriculture, Health and Life Sciences, Springer.
Reis, Elizabeth (1997) Estatistica multivariada aplicada, Editora Sílabo.
Isaaks, E. H. & R. Mohan Srivastava (1989) An Introduction to Applied Geostatistics, Oxford University
Press, New York, 561 p.
Rodriguez J. (1999) Ecología, Edições Pirámide.
Caers, J (2011) Modeling Uncertainty in the Earth Sciences, Wiley-Blackwell.
Haining R. (2003) Spatial Data Analysis: Theory and Practice. Cambrige University Press
Reis, Elizabeth (1997) Estatistica multivariada aplicada, Editora Sílabo.
Isaaks, E. H. & R. Mohan Srivastava (1989) An Introduction to Applied Geostatistics, Oxford University
Press, New York, 561 p.
Rodriguez J. (1999) Ecología, Edições Pirámide.
Caers, J (2011) Modeling Uncertainty in the Earth Sciences, Wiley-Blackwell.
Haining R. (2003) Spatial Data Analysis: Theory and Practice. Cambrige University Press
