Commodities Agrícolas Inteligentes

Existe uma vasta quantidade de datasets e dados disponíveis de forma gratuita pela internet. Porém, a coleta e limpeza de dados ocupou a maior parte do tempo do projeto, o que mostra sua importância.

Existem diversos modelos de machine learning que podem ser utilizados para uma mesma aplicação. Automatizar os testes iniciais para cobrir todos os modelos disponíveis foi uma excelente iniciativa que nos permitiu chegar mais facilmente ao melhor modelo.

Os GCMs (Global Climate Models) são cálculos feitos por clusters de computadores que consideram inúmeros fatores químicos e físicos da atmosfera e dos oceanos, e fatores comportamentais da sociedade. Com estes cálculos pode-se prever possíveis futuros. A princípio consideramos utilizar os dados climáticos já com as projeções disponíveis no world bank para as próximas décadas. Contudo, analisando os dados, descobrimos que existem diferentes tipos de GCMs que por sua vez tem diferentes tipos de cenários, como por exemplo A2 e B1, que consideram diversos comportamentos da sociedade capazes de impactar diretamente nas mudanças climáticas. Portanto, por não haver um padrão único para os GCMS optamos por usar apenas os dados históricos.

Aprendemos sobre as técnicas de interpolação para preencher valores desconhecidos. Utilizamos a função interpolate() com o pandas na análise dos dados de crescimento da população, pobreza e desigualdade.

Conhecemos o framework Streamlit utilizado para a criação de apps. https://streamlit.io/ e o utilizamos para fazer o deploy de nosso projeto.