Desenvolvimento de um Módulo de Inteligência Artificial Preditiva para Irrigação Automatizada: Uma Abordagem MlopS

• Ivan da Silva B. Junior IFBA
• Hilquias Rodrigues de Oliveira IFBA
• Daniel dos Anjos Costa IFBA

DOI: https://doi.org/10.5753/erbase.2026.30352

Resumo

A Inteligência Artificial (IA) tem se consolidado como um dos pilares da Agricultura 4.0, proporcionando soluções autônomas para a gestão de recursos hídricos. Este artigo foca no desenvolvimento e implementação de um módulo de IA preditiva capaz de calcular o tempo exato de irrigação agrícola, integrando uma arquitetura de microsserviços baseada em variáveis ambientais e meteorológicas em tempo real. O sistema implementa um ciclo contínuo de Machine Learning Operations (MLOps) para retreinamento dinâmico em produção, substituindo irrigações baseadas em temporizadores estáticos por um modelo de predição autônomo, promovendo adaptação imediata às variações microclimáticas e mitigando severamente o desperdício hídrico.

Referências

AUTHO. JSON Web Token Introduction. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

CATBOOST. CatBoost Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

EMBRAPA. Catálogo de Hortaliças. Brasília, DF, 2020. Disponível em: [link]. Acesso em: 30 ago. 2025.

FASTAPI. FastAPI Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

GLOBO ECOLOGIA. Agricultura é responsável por 70% do desperdício de água tratada no país. Rede Globo, 2013. Disponível em: [link]. Acesso em: 30 ago. 2025.

GRAFANA LABS. Grafana documentation. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

INSA. Semiárido brasileiro. Instituto Nacional do Semiárido, 2025. Disponível em: [link]. Acesso em: 30 ago. 2025.

JOBLIB. Joblib Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

LECUN, Yann; BENGIO, Yoshua; HINTON, Geoffrey. Deep learning. Nature, v. 521, n. 7553, p. 436-444, 2015. Disponível em: [link]. Acesso em: 14 abr. 2026.

LIGHTGBM. LightGBM Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

MASSRUHA, S. M. F. S.; LEITE, M. A. A.; LUCHIARI, A.; EVANGELISTA, S. R. M. A transformação digital no campo rumo à agricultura sustentável e inteligente. In: MASSRUHA, S. M. F. S. et al. (org.). Agricultura digital: pesquisa, desenvolvimento e inovação nas cadeias produtivas. 1. ed. Brasília, DF: Embrapa, 2020. v. 1, p. 20-45. Disponível em: [link]. Acesso em: 29 mar. 2026.

NODE.JS. Node.js API Reference. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

PANDAS. Pandas Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

PATRÍCIO, D. I.; RIEDER, R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and Electronics in Agriculture, v. 153, p. 69-81. 2018. Disponível em: [link]. Acesso em: 14 abr. 2026.

POSTGRESQL GLOBAL DEVELOPMENT GROUP. PostgreSQL Documentation. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

PROJECT JUPYTER. Jupyter Documentation. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

REDIS. Redis Documentation. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

SCIKIT-LEARN. Scikit-learn Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.

TELEGRAM. Telegram API. [S. l.], [s.d.]. Disponível em: [link]. Acesso em: 15 abr. 2026.

XGBOOST. XGBoost Documentation. Disponível em: [link]. Acesso em: 2 ago. 2025.