Carga Horária
Teórica por semana |
Prática por semana |
Créditos |
Duração |
Total |
2 |
2 |
8 |
15 semanas |
120 horas |
Docentes responsáveis
Andre Freitas Colaco
Objetivo
Apresentar e discutir conceitos e aplicações sobre o processo de construção do conhecimento voltado à
tomada de decisão em biossistemas na era digital. Esta disciplina aborda as diferentes arquiteturas de
decisão empregadas na produção agrícola, pecuária e florestal, incluindo aquelas fundamentadas em
observações empíricas e também no conhecimento agronômico mecanístico. Ela também trata de
abordagens atuais que mesclam experimentação de campo, tecnologias digitais e técnicas de ciência de
dados para promover a otimização de sistemas produtivos altamente complexos, seja por meio do
aprendizado humano ou de máquina (artificial) sobre as normas biofísicas locais que definem o
desempenho de um sistema produtivo.
Conteúdo
• Arquiteturas de decisão em biossistemas voltados a produção de alimentos, fibras e energia.
• Métricas de desempenho para otimização de sistemas produtivos do ponto de vista técnico, econômico e ambiental.
• Modelos de simulação
• Sistemas de suporte à decisão
• Ferramentas digitais e abordagens de decisão data-driven
• Experimentação on-farm
• Validação de campo e gestão
• Exemplos de sistemas inteligentes de decisão na produção agrícola, pecuária e em sistemas mistos.
Bibliografia
Conhecimento agronômico, modelos de simulação e sistemas de suporte à decisão
• LEMAIRE, G., TANG, L., BÉLANGER, G., ZHU, Y., JEUFFROY, M. H. (2021). Forward new paradigms for crop mineral nutrition and fertilization towards sustainable agriculture. European Journal of Agronomy, 125.
• HOCHMAN, Z., REES, HVAN, CARBERRY, P.S., HUNT, J.R., MCCOWN, R.L., GARTMANN, A., HOLZWORTH, D., REES, SVAN, DALGLIESH, N.P., LONG, W., PEAKE, A.S., POULTON, P.L., MCCLELLAND, T. (2009). Re-inventing model-based decision support with Australian dryland farmers. Crop Pasture Science. 60, 1057–1070. https://doi.org/10.1071/CP09020
• HOLZWORTH, D.P., HUTH, N.I., DEVOIL, P.G., ZURCHER, E.J., HERRMANN, N.I., MCLEAN, G., et al. (2014). APSIM– Evolution towards a new generation of agricultural systems simulation. Environ. Model. Softw. 62, 327–350. https://doi.org/10.1016/j.envsoft.2014.07.009.
• ZHAI, Z., MARTÍNEZ, J.F., BELTRAN, V. AND MARTÍNEZ, N.L. (2020). Decision support systems for agriculture 4.0: Survey and challenges. Computers and Electronics in Agriculture, 170, p.105256.
Métricas de desempenho
• COLAÇO, A. F., PAGLIUCA, L. G., ROMANELLI, T. L., MOLIN, J. P. (2020). Economic viability, energy and nutrient balances of site-specific fertilisation for citrus. Biosystems Engineering, 200, 138–156.
• HOCHMAN, Z., & HORAN, H. (2018). Causes of wheat yield gaps and opportunities to advance the water-limited yield frontier in Australia. Field Crops Research, 228, 20–30. https://doi.org/10.1016/j.fcr.2018.08.023.
Ferramentas digitais e abordagens de decisão data-driven
• COLAÇO, A. F., RICHETTI, J., BRAMLEY, R. G. V., LAWES, R. A. (2021). How will the next-generation of sensor-based decision systems look in the context of intelligent agriculture? A case-study. Field Crops Research, 270, 108205.
• COLAÇO, A. F., WHELAN, B., BRAMLEY, R. G. V., RICHETTI, J., FAJARDO, M., MCCARTHY, A., PERRY, E. M., BANDER, A., LEO, S, FITZGERALD, G. J., LAWES, R. (2024). Digital strategies for nitrogen management in grain production systems: lessons from multi-method assessment using on-farm experimentation. Precision Agriculture, online. https://doi.org/10.1007/s11119-023-10102-z
• LAWES, R. A., OLIVER, Y. M., HUTH, N. I. (2019). Optimal nitrogen rate can be predicted using average yield and estimates of soil water and leaf nitrogen with infield experimentation. Agronomy Journal, 111(3), 1155–1164.
• NILOOFAR P, FRANCIS, D. P, LAZAROVA-MOLNAR, S., VULPE, A., VOCHIN, M. C., SUCIU, G., BALANESCU, M., ANESTIS, V., BARTZANAS, T. (2021). Data-driven decision support in livestock farming for improved animal health, welfare and greenhouse gas emissions: Overview and challenges. Computers and Electronics in Agriculture, 190, 106406, https://doi.org/10.1016/j.compag.2021.106406
Experimentação on-farm
• BISHOP, T. F. A., LARK, R. M. (2006). The geostatistical analysis of experiments at the landscape-scale. Geoderma, 133(1–2), 87–106. https://doi.org/10.1016/j.geoderma.2006.03.039
• BRAMLEY, R. G. V., LAWES, R. A., COOK, S. E. (2013). Spatially distributed experimentation. In M. A. Oliver, T. Bishop, & B. Marchant (Eds.), Precision Agriculture for Sustainability and Environmental Protection (205–218). Routledge.
• BRAMLEY, R. G. V., SONG, X., COLAÇO, A. F., EVANS, K. J., COOK, S. E. (2022). Did someone say "farmer-centric"? Digital tools for spatially distributed on-farm experimentation. Agronomy for Sustainable Development, 42:105. https://doi.org/10.1007/s13593-022-00836-x
• LACOSTE, M., COOK, S., MCNEE, M., GALE, D., INGRAM, J., BELLON-MAUREL, V., et al. (2022). On-Farm Experimentation to transform global agriculture. Nature Food, 3(1), 11–18. https://doi.org/10.1038/s43016-021-00424-4.