Publicação
Aplicações de Big Data e algoritmos de Machine Learning à gestão inteligente da rega
| Resumo: | 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 |
|---|---|
| Autores principais: | Azevedo, Pedro Dinis Batista |
| Assunto: | rega big data machine learning dendrometria estado hídrico da planta |
| Ano: | 2018 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | 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 |
|---|