Irrigação Inteligente Sensível à Espécie baseada em Deep Learning e Dados Ecológicos Globais - Atena EditoraAtena Editora

Artigo

Baixe agora

Livros

Irrigação Inteligente Sensível à Espécie baseada em Deep Learning e Dados Ecológicos Globais

Baixar PDF
Este trabalho apresenta uma abordagem de irrigac¸a˜o inteligente sens´ıvel a` espe´cie, baseada na integrac¸a˜o entre atributos ecolo´gicos de plan- tas e modelos de aprendizado de ma´quina, visando o uso mais eficiente da a´gua em sistemas agr´ıcolas. Foi desenvolvido um sistema em Python com interface web para estimar a demanda h´ıdrica dia´ria a partir de varia´veis ambientais, fase fenolo´gica e caracter´ısticas ecolo´gicas das espe´cies. A base experimental foi composta por 2800 amostras sinte´ticas geradas a partir de perfis botaˆnicos e clima´ticos. Foram avaliados algoritmos como regressa˜o Ridge, KNN e redes neurais, utilizando me´tricas como MAE, RMSE e R2. Os resultados indicaram melhor desempenho dos modelos neurais, com destaque para a shallow MLP, que obteve RMSE de 0,2338 e R2 de 0,9295 no conjunto de teste. Os achados sugerem que a combinac¸a˜o entre dados ecolo´gicos e aprendizado de ma´quina e´ promissora para representar diferenc¸as h´ıdricas entre espe´cies e apoiar siste- mas de irrigac¸a˜o mais adaptativos. Apesar do uso de dados sinte´ticos, a abor- dagem demonstrou consisteˆncia e potencial de aplicac¸a˜o com dados reais.
Ler mais

Irrigação Inteligente Sensível à Espécie baseada em Deep Learning e Dados Ecológicos Globais

  • DOI: https://doi.org/10.22533/at.ed.441122601041

  • Palavras-chave: ..

  • Keywords: ..

  • Abstract: This work presents a species-sensitive smart irrigation approach ba- sed on the integration of plant ecological attributes and machine learning mo- dels, aiming at more efficient water use in agricultural systems. A system was developed in Python with a web interface to estimate daily water demand from environmental variables, phenological stage, and species ecological characte- ristics. The experimental dataset consisted of 2,800 synthetic samples generated from botanical and climatic profiles. Algorithms such as Ridge regression, KNN, and neural networks were evaluated using metrics including MAE, RMSE, and R2. The results showed that neural models achieved better performance, with the shallow MLP obtaining an RMSE of 0.2338 and an R2 of 0.9295 on the test set. The findings suggest that combining ecological data with machine lear- ning is promising for representing species-specific water requirements and sup- porting more adaptive irrigation systems. Although synthetic data were used, the approach demonstrated consistency and potential for application with real- world data.

  • Gabrielly de Queiroz Pereira
  • Marcos Monteiro Junior
  • Rodrigo Adamshuk Silva
Fale conosco Whatsapp