Uma Solução Integrada de Machine Learning e Deep Learning para Melhorar a Eficiência da Irrigação de Precisão

• Rogério P. dos Santos Lusófona University
• Marko Beko IPL
• Valderi R. Q. Leithardt Lusófona University / IPL / UNINOVA / LASI

DOI: https://doi.org/10.5753/eradrs.2024.238661

Resumo

O estudo se insere no contexto da irrigação de precisão, utilizando dados provenientes de uma estação meteorológica local e sensores de solo. O objetivo da pesquisa é explorar técnicas avançadas de Machine Learning e Deep Learning para aprimorar a compreensão do comportamento do solo, da cultura e das condições climáticas. A metodologia adotada abrange a aplicação de técnicas como regressão linear simples e múltipla, assim como o uso de redes neurais. A análise compreende em avaliações comparativas, precisão, desempenho e paralelismo nas implementações, buscando identificar padrões relevantes nesses ambientes específicos. Os resultados visam quantificar a precisão preditiva e analisar o impacto do paralelismo na eficiência e escalabilidade, enfatizando melhorias de implementação e operacionalização.

Referências

Abioye, E. A., Hensel, O., Esau, T. J., Elijah, O., Abidin, M. S. Z., Ayobami, A. S., Yerima, O., and Nasirahmadi, A. (2022). Precision irrigation management using machine learning and digital farming solutions. AgriEngineering, 4(1):70–103.

Rps-ifpr (2024). Repositório do github stationdatain-streamlit, disponível em: [link]. Acesso em: 13 mar. 2024.

Tschand, A. (2023). Semi-supervised machine learning analysis of crop color for autonomous irrigation. Smart Agricultural Technology, 3:100116.

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.