A carregar...
Publicação
Iot driven machine learning predictive models applied to irrigation optimization in tomato cultivation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.06 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
O presente estudo centrou-se no desenvolvimento de um framework de análise preditiva
impulsionado por Internet das Coisas (IoT) para a otimização dinâmica de irrigação no cultivo de
tomate, abordando os desafios críticos de segurança alimentar global e escassez de água. Utilizando
um conjunto de dados experimental abrangente, controlado e multi-sensor, coletado em Parma,
Itália, de 29 de junho a 13 de setembro de 2023, o framework integra dados ambientais
(temperatura do ar, humidade, CO₂, pressão) e parâmetros de solo chave (humidade, temperatura,
condutividade elétrica). Através de uma pipeline de pré-processamento rigorosa e engenharia de
features adaptada, foram extraídos padrões temporais, relações inter-variáveis e indicadores
agronómicos como os Growing Degree Days (GDD) e Soil Moisture Deficit (SMD).
Desenvolveu-se um modelo de regressão eXtreme Gradient Boosting (XGBoost) de duas
partes (classificação + regressão) para prever precisamente o volume diário de água necessário por
hectare, alcançando um RMSE de 6.37 m³/ha/dia e volumétrico de R² de 0.95 no conjunto de teste.
A inovação reside na capacidade de aproveitar dados históricos IoT complexos para
construir uma camada de inteligência para agendamento de irrigação. A precisão do modelo em
identificar níveis ótimos de água sob condições variáveis é demonstrada numa simulação de
otimização dinâmica usando o algoritmo Sequential Least Squares Programming (SLSQP),
alcançando poupanças significativas de água de 50.84% vs. predições raw e 43.97% vs. baseline
constante. Esta pesquisa fornece insights data-driven fundamentais para estratégias de irrigação de
precisão altamente eficazes, empoderando agricultores a reduzir desperdício de água e prevenir
sobre-irrigação prejudicial, levando a uma agricultura inteligente mais sustentável e eficiente