Aplicações de Big Data e algoritmos de Machine Learning à gestão inteligente da rega

• Author(s): Azevedo, Pedro Dinis Batista
• Date: 2018
• Persistent ID: http://hdl.handle.net/10400.5/17896
• Origin: Repositório da UTL
• Subject(s): rega; big data; machine learning; dendrometria; estado hídrico da planta
• Document Type: Master thesis
• Language: Portuguese
• Advisor(s): Ferreira, Maria Isabel Ribeiro
• Contributor(s): Repositório da Universidade de Lisboa

Description

Engenharia Agronómica - Hortofruticultura e Viticultura - Instituto Superior de Agronomia

O crescimento demográfico e as alterações climáticas são os dois grandes desafios à produção agrícola do século XXI. A pressão de produzir mais com menos recursos implica mudanças nos métodos de produção e na gestão eficiente de cada um. A utilização de água para rega é um dos principais motores do crescimento vegetal e a sua disponibilidade deve ser assegurada para o futuro. Para tal é necessário reduzir o desperdício e garantir que a rega aplicada é adequada à necessidade das plantas ao longo do ciclo cultural. A evolução das tecnologias de comunicação e recolha de dados no campo (sensores de humidade do solo, dendrómetros, etc) permitem criar uma nova dinâmica entre o agricultor e a informação disponível para a tomada de decisão. Neste trabalho tirou-se partido do grande volume de dados disponível numa parcela de olival superintensivo, monitorizada por uma rede sensorial onde se incluía um dendrómetro e uma sonda de humidade do solo. A partir dos dados meteorológicos e sensoriais, recolhidos ao longo de dois anos, procurou-se encontrar uma relação entre os índices derivados da dendrometria e o estado hídrico da planta, utilizando posteriormente esta relação para construir dois algoritmos, uma rede neuronal (ANN) e uma floresta de decisão aleatória (FDA) que consigam prever com base em variáveis de simples obtenção o valor do índice e inferir por essa via o estado hídrico da planta. A rede neuronal foi depois utilizada como parte de um sistema de aprendizagem reforçada, onde um algoritmo aprendeu a regar autonomamente com base em 0, a evolução do armazenamento de água no solo e os resultados do algoritmo preditivo obtido pela análise da dendrometria. Os resultados obtidos mostram que as técnicas de “Big Data” e ML são adequadas à análise de dados recolhidos no campo, e à criação de ferramentas de apoio à decisão