Modelo de Machine Learning em Tempo Real para Agricultura de Precisão

  • Rogério P. dos Santos IFPR / University Lusófona
  • Marko Beko University Lusófona
  • Valderi R. Q. Leithardt University Lusófona / Polytechnic Institute of Portalegre

Resumo


A gestão da irrigação inteligente pode alcançar melhores formas de utilização para recursos hídricos no contexto da agricultura de precisão. A irrigação torna-se uma das etapas mais importantes em ambientes de plantios de safras orgânicas e também muito complexa. Para tanto, este trabalho apresenta um modelo de aplicação em Machine Learning (ML), para predição na gestão da água para plantio de lúpulo. Os modelos de aprendizado utilizados terão por base uma arquitetura proposta. Com isso, busca-se desenvolver um modelo híbrido preditivo, que seja capaz de analisar dados em tempo real e prever recomendações de irrigação voltadas à agricultura de precisão.

Referências

Jha, K., Doshi, A., Patel, P., and Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture, 2:1–12.

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., and Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8).

Mateos Matilla, D., Álvaro Lozano Murciego, Jiménez-Bravo, D. M., Sales Mendes, A., and Leithardt, V. R. (2021). Low-cost edge computing devices and novel user interfaces for monitoring pivot irrigation systems based on internet of things and lorawan technologies. Biosystems Engineering.

Zia, H., Rehman, A., Harris, N. R., Fatima, S., and Khurram, M. (2021). An experimental comparison of iot-based and traditional irrigation scheduling on a flood-irrigated subtropical lemon farm. Sensors, 21(12):4175.
Publicado
18/04/2022
Como Citar

Selecione um Formato
SANTOS, Rogério P. dos; BEKO, Marko; LEITHARDT, Valderi R. Q.. Modelo de Machine Learning em Tempo Real para Agricultura de Precisão. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 22. , 2022, Curitiba. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 69-70. ISSN 2595-4164. DOI: https://doi.org/10.5753/eradrs.2022.19166.