Jardim, Sandra Maria Gonçalves Vilas BoasHtwe, Maung Maung2026-02-052026-02-052025-12-232026-02-05http://hdl.handle.net/10400.26/61491O 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 eficientepormaster thesis204180813