DLDalila Natalia Costa da Luz

Dalila Natalia Costa da Luz

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Dalila Natalia Costa da Luz has a total of 11 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Análise comparativa de métodos e boosting aplicados à recomendação de cultivos agrícolas

    by José Airton Azevedo dos Santos, Dalila Natalia Costa da Luz

    The use of predictive technologies, such as machine learning algorithms, emerges as a viable and efficient alternative to guide crop choices and recommendations. These algorithms improve the accuracy of agronomic decisions and mitigate environmental and economic risks. In this context, this work aimed to compare the performance of the XGBoost (eXtreme Gradient Boosting) and CATBoost (Categorical Boosting) and ADABoost (Adaptive Boosting) models in crop recommendation. A database with 6 different crops, 2 physical parameters, and 9 nutrients was used for this comparison. The XGBoost, CATBoost, and ADABoost models had their hyperparameters optimized using the Optuna library and were evaluated using the Accuracy, Kappa, and f1-score metrics. The results indicate that all three models performed very well in the task of crop recommendation, with high accuracy, Kappa, and f1-score values. RESUMO O emprego de tecnologias preditivas, como algoritmos de machine learning, surge como uma alternativa viável e eficiente para orientar escolhas e recomendações de cultivo. Estes algoritmos aprimoram a precisão das decisões agronômicas e mitigam riscos ambientais e econômicos. Neste contexto, este trabalho teve como objetivo comparar o desempenho, na recomendação de culturas agrícolas, dos modelos XGBoost (eXtreme Gradient Boosting) e CATBoost (Categorical Boosting) e ADABoost (Adaptive Boosting). Utiliza-se, para realizar esta comparação, uma base de dados com 6 diferentes culturas, 2 parâmetros físicos e 9 nutrientes. Os modelos XGBoost CATBoost e ADABoost tiveram seus hiperparâmetros otimizados com o auxilio da biblioteca Optuna e foram avaliados por meio das métricas Accuracy, Kappa e f1-score. Os resultados obtidos indicam que os três modelos apresentaram, na tarefa de recomendação de culturas agrícolas, muito bom desempenho, com valores elevados de acurácia, Kappa e f1-score.

  • Open Access

    Comparação do desempenho dos algoritmos XGBoost e LightGBM na previsão de potência de sistemas fotovoltaicos

    by José Airton Azevedo dos Santos, Dalila Natalia Costa da Luz

    Resumo: Este trabalho tem como objetivo comparar o desempenho, na previsão da potência gerada por dois sistemas fotovoltaicos, dos algoritmos, baseados em boosting, XGBoost (eXtreme Gradient Boosting) e LightGBM (Light Gradient Boosting Machine). A base de dados foi obtida de uma Estação de Pesquisa em Energia Solar (EPESOL). A EPESOL possui dois sistemas distintos de energia solar fotovoltaica: um utiliza silício monocristalino (m-Si) e o outro silício policristalino (p-Si). A base de dados compreende 25235 observações, para cada tecnologia, e inclui as seguintes variáveis: Potência elétrica DC, Temperatura dos módulos, Irradiação solar e Hora do dia. Os hiperparâmetros dos modelos foram otimizados por meio da biblioteca Optuna. Para avaliar o desempenho, dos modelos LightGBM e XGBoost, foram utilizadas as métricas R2, MAE e RMSE. Os resultados obtidos indicaram, para ambos os sistemas fotovoltaicos, uma forte correlação entre valores reais e previstos (R² > 0,96). Este desempenho evidencia a eficácia, dos modelos XGBoost e LightGBM, na previsão da geração de potência em sistemas fotovoltaicos.

  • Previsão de preço de frango e de suíno vivo: uma comparação entre os modelos Prophet e NeuralProphet

    by Aldino Norbelio Brun Polo, José Airton Azevedo dos Santos, Laércio Mantovani Frare, Dalila Natália Costa da Luz

  • Open Access

    Influência da Região de Plantio no Rendimento Médio do Milho: Uma Abordagem Estatística

    by Dalila Natalia Costa da Luz, Dayerling del Carmen Pérez Suárez, André Sandmann, José Airton Azevedo dos Santos, Claudio Leones Bazzi, Kelyn Schenatto, Fabiana Costa de Araújo Shutz, Ricardo Sobjak, Mateus Eduardo Staudt, Rosangela Huller Marcilio

    O objetivo deste trabalho é identificar a disposição regional e os resultados do rendimento médio do milho no Brasil no período 2013/23. A produção de milho é a segunda cultura agrícola mais importante no Brasil, seguida da produção de soja, sendo que ambas são as que mais contribuem para a atividade econômica agrícola do país. Nas últimas duas décadas, a produção de milho tem apresentado um crescimento médio de cerca de 4,2% ao ano. As regiões Sudeste e Sul são responsáveis por mais da metade desse crescimento (EMBRAPA, 2019). Já as regiões Norte e Nordeste têm apresentado estabilidade ao longo do tempo. Para o desenvolvimento deste artigo, foram coletados dados históricos do IBGE para o período indicado e processados em diferentes programas estatísticos como o Sisvar e o Past 4. Do ponto de vista da abordagem deste estudo, os dados e resultados são de natureza quantitativa e qualitativa. Um achado relevante da pesquisa reside no desempenho da região Norte, que demonstrou um rendimento médio notavelmente próximo ao do Centro-Oeste. Esse resultado sugere um potencial produtivo significativo na região Norte.