Irrigação Inteligente Sensível à Espécie baseada em Deep Learning e Dados Ecológicos Globais
Este trabalho apresenta uma abordagem de irrigação inteligente sensível à espécie, baseada na integração entre atributos ecológicos de plantas e modelos de aprendizado de máquina, visando o uso mais eficiente da água em sistemas agrícolas. Foi desenvolvido um sistema em Python com interface web para estimar a demanda hídrica diária a partir de variáveis ambientais, fase fenológica e características ecológicas das espécies. A base experimental foi composta por 2800 amostras sintéticas geradas a partir de perfis botânicos e climáticos. Foram avaliados algoritmos como regressão Ridge, KNN e redes neurais, utilizando métricas 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 combinação entre dados ecológicos e aprendizado de máquina é promissora para representar diferenças hídricas entre espécies e apoiar sistemas de irrigação mais adaptativos. Apesar do uso de dados sintéticos, a abordagem demonstrou consistência e potencial de aplicação com dados reais.
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
- Marcella Scoczynski Ribeiro Martins
- Rodrigo Adamshuk Silva
