ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD

Transcrição

1 ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos Paulo Gonçalves Centro Universitário Luterano de Palmas {thereza, fagundes, previero, prg}@ulbra-to.br Este artigo tem como objetivo apresentar uma análise da conservação pós-colheita da alface (Lactuca Sativa, L) utilizando o sistema de apoio à tomada de decisão Bayesian Knowledge Discoverer (BKD). Para isso, foram realizados vários experimentos para verificar a conservação da planta sob diversos aspectos. Os resultados foram analisados juntamente com um especialista do domínio. Palavras-chave: alface, sistema de apoio à tomada de decisão BKD e redes Bayesianas. ANALYSIS OF THE LETTUCE (SATIVA LACTUCA, L) CONSERVATION USING THE BKD DECISION MAKING SYSTEM ABSTRACT This paper has as objective to present an analysis of the lettuce (sativa Lactuca, L) conservation using the decision making system Bayesian Knowledge Discoverer (BKD). For this, some experiments had been carried through to verify the conservation of the plant under some aspects. The results had been analyzed together with a domain expert. Key Words: lettuce, decision making system BKD and Bayesian networks. 1. INTRODUÇÃO Nos últimos cinco anos tem aumentado substancialmente o número de sistemas computacionais para auxiliar os usuários no processo de tomada de decisão. Um dos grandes objetivos destes sistemas é propiciar níveis elevados de automação do processo de informação. Dentre os sistemas existentes,

2 destaca-se o Bayesian Knowledge Discoverer (BKD) que a partir de uma base de dados modela as dependências entre as variáveis de um determinado domínio. O presente artigo tem como finalidade apresentar uma análise do sistema BKD, utilizando uma base de dados sobre a conservação da pós-colheita da alface do município de Palmas - TO. Este artigo está organizado da seguinte forma: na seção 2 será apresentada uma breve descrição de sistemas de apoio à tomada de decisão; na seção 3 será descrita uma visão geral do sistema BKD; na seção 4 será apresentada a avaliação experimental realizada com o sistema BKD usando a base de dados da alface, e na seção 5 serão mostradas as conclusões. 2. SISTEMAS DE APOIO À TOMADA DE DECISÃO Os sistemas de apoio à tomada de decisão possuem métodos computacionais para a automação de aquisição do conhecimento de dados. De maneira geral, estes métodos constituem-se de conceitos de algumas áreas, tais como: Inteligência Artificial, Estatística e Banco de Dados. Uma forma de representar o conhecimento obtido por esses sistemas é por intermédio de redes Bayesianas (RB). A partir de uma rede Bayesiana, é possível visualizar as dependências existentes entre as variáveis de um determinado domínio. Além disso, verificar probabilidades de cada variável (nó) da rede e também realizar inferências nos mesmos, utilizando o Teorema de Bayes [1, 2]. Portanto, as RBs podem ser utilizadas nas seguintes situações: no processo de tomada de decisão usando as probabilidades da rede; na identificação de variáveis relevantes para obter informações úteis; na realização da análise de sensibilidade para verificar quais os aspectos possuem maior impacto nas variáveis associadas as perguntas do usuário [3]. 3. SISTEMA COMPUTACIONAL BKD O BKD é um sistema computacional desenvolvido para extrair conhecimento a partir de grandes bases de dados. O propósito do BKD é propiciar aos usuários uma ferramenta para modelar as dependências entre as variáveis existentes na base de dados, usando métodos estatísticos, mais especificamente probabilidade condicional e incondicional. Para isto, o BKD utiliza-se de redes Bayesianas para representar o conhecimento extraído da base. Com isso, o usuário pode analisar a distribuição da probabilidade condicional e incondicional dos nós da rede Bayesiana e realizar várias inferências a partir da rede criada para resolver problemas e dar suporte as decisões. 4. AVALIAÇÃO EXPERIMENTAL 4.1. Descrição do Domínio Analisado A base de dados contém informações da alface crespa, produzida em cultivo hidropônico, proveniente da empresa Hidrohorta do município de Palmas - TO [4]. A descrição de cada atributo

3 (característica) pertencente à base de dados, bem como os seus valores possíveis, pode ser visualizada na Tabela 1. TABELA 1: Atributos, Descrição e Valores Possíveis Atributos Descrição do Atributo Valores Possíveis Condição de armazenamento da alface Com raiz Sem raiz Com raiz e embalagem Sem raiz e embalagem Condições de Armazenamento Ambiente Ambiente de armazenamento da alface Natural, Geladeira e Isopor Peso Peso inicial em gramas da alface Contínuo Perda1 Porcentagem de perda de água no 1º dia (tarde) Contínuo Perda2 Porcentagem de perda de água no 2º dia (manhã) Contínuo Perda3 Porcentagem de perda de água no 2º dia (tarde) Contínuo Perda4 Porcentagem de perda de água no 3º dia (manhã) Contínuo Perda5 Porcentagem de perda de água no 3º dia (tarde) Contínuo Perda6 Porcentagem de perda de água no 4º dia (manhã) Contínuo Perda7 Porcentagem de perda de água no 5º dia (manhã) Contínuo Perda8 Porcentagem de perda de água no 5º dia (tarde) Contínuo 4.2. EXPERIMENTOS REALIZADOS De modo geral, nos experimentos foram geradas redes Bayesianas complexas pelo fato de existir vários relacionamentos entre as variáveis do domínio. Um exemplo da rede gerada pelo sistema BKD pode ser visualizada na Figura 1.

4 FIGURA 1: Um exemplo de rede gerada pelo BKD. Dentre os experimentos foram realizados, foi possível verificar, por exemplo, que considerando a alface com raiz e embalagem, no ambiente natural e com o peso variando entre 264 e 309 gramas, há a probabilidade de 79% de que a perda de água no 3º dia pela manhã seja entre 31,98% a 52,42%. Outras considerações semelhantes podem ser realizadas através de modificações no experimento alterando variáveis de acordo com situações sugeridas pelo especialista do domínio, obtendo novas conclusões que auxiliam no processo de tomada de decisão. Desta forma, pode-se prever situações que venham a influenciar a forma de conservação a ser administrada a determinadas culturas. 5. CONCLUSÕES O objetivo desse artigo foi apresentar uma análise do sistema BKD utilizando uma base de dados de conservação da pós-colheita da alface crespa, proveniente da empresa Hidrohorta do município de Palmas - TO.

5 Apesar do sistema BKD ter gerado muitos relacionamentos entre as variáveis do domínio, pôdese verificar que o mesmo auxilia os usuários na tomada de decisão, no que diz respeito à previsão de situações que possam ocorrer com relação a porcentagem de perda de água. Vale ressaltar a presença do especialista do domínio no processo de extração do conhecimento a partir de bases de dados é fundamental. REFERÊNCIAS BIBLIOGRÁFICAS RUSSELL, S.; NORVIG, P.. Artificial Intelligence: A Modern Approach, 2º ed. New Jersey: Prentice- Hall Inc., RICH, E.; KNIGHT, K. Inteligência Artificial, 3ºed., São Paulo: McGraw-Hill Inc., LADEIRA, M.. Representação de Conhecimento Incerto. In XV Jornada de Atualização em Informática, Universidade Federal de Pernambuco, Recife PE, Anais..., pp , SOUZA, L. P.; PREVIERO, C. A. Conservação Pós-Colheita da Alface (Lactuca sativa L) em Palmas Tocantins. In II Congresso Científico do CEULP-ULBRA, Universidade Luterana do Brasil, Palmas TO, Anais..., pp , 2001.