Modelo Baseado em Rede de Sensores Sem Fio Para Predição de Disfunções em Cultivos Agrícolas
Resumo
Um dos desafios para o futuro é garantir alimento à todos. Porém, o aumento da produção de alimentos preocupa, uma vez que sistemas agrícolas utilizam recursos que causam impactos ambientais. Neste contexto, pesquisas com Internet das Coisas mostram alternativas, porém ainda existem poucas opções viáveis de aplicação no ambiente rural que auxiliem o produtor agrícola na tomada de decisões. Este artigo apresenta o AgriPrediction, uma proposta de modelo que pode ser aplicado por agricultores utilizando arquitetura de rede LoRa e predição de disfunções utilizando o modelo ARIMA. Os resultados obtidos são positivos, pois em sua aplicação em cultivo de rúcula obteve-se ganho de 17.94% em relação ao desenvolvimento das folhas e 14.29% no peso.
Referências
Alliance, L. (2015). LorawanTM specification. LoRa Alliance.
de Micheaux, P. L., Drouilhet, R., and Liquet, B. (2013). The R Software. Springer.
DESA, U. (2017). World population prospects: The 2017 revision, key findings and advance tables. Working PaperNo.
Edwards-Murphy, F., Magno, M., Whelan, P. M., O’Halloran, J., and Popovici, E. M. (2016). b+ wsn: Smart beehive with preliminary decision tree analysis for agriculture and honey bee health monitoring. Computers and Electronics in Agriculture, 124:211–219.
GUJARATI, D. (2006). N. econometria básica. 3a edição.
LINHARES, P. C. F. (2007). Produção de rúcula em função de diferentes quantidades e tempos de decomposição de jitirana. PhD thesis, Dissertação (Mestrado em Fitotecnia)-Universidade Federal Rural do Semi-Árido. Mossoró, RN.
Liu, Q., Jin, D., Shen, J., Fu, Z., and Linge, N. (2016). A wsn-based prediction model of microclimate in a greenhouse using extreme learning approaches. In Advanced Communication Technology (ICACT), 2016 18th International Conference on, pages 730–735. IEEE.
Mohapatra, A. G. and Lenka, S. K. (2016). Neural network pattern classification and weather dependent fuzzy logic model for irrigation control in wsn based precision agriculture. Procedia Computer Science, 78:499–506.
Sáfadi, T. (2004). Use of time series analysis for the water outflow at furnas dam. Ciência e Agrotecnologia, 28(1):142–148.
Sawant, S. A., Adinarayana, J., and Durbha, S. S. (2014). Krishisense: A semantically aware web enabled wireless sensor network system for precision agriculture applications. In Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International, pages 4090–4093. IEEE.
Tripathy, A., Adinarayana, J., Sudharsan, D., Merchant, S., Desai, U., Vijayalakshmi, K., Reddy, D. R., Sreenivas, G., Ninomiya, S., Hirafuji, M., et al. (2011). Data mining and wireless sensor network for agriculture pest/disease predictions. In Information and Communication Technologies (WICT), 2011 World Congress on, pages 1229–1234. IEEE.
Yuhan, J., Yiqiong, J., Ting, L., Man, Z., Sha, S., and Minzan, L. (2016). An improved method for prediction of tomato photosynthetic rate based on wsn in greenhouse. International Journal of Agricultural and Biological Engineering, 9(1):146.
de Micheaux, P. L., Drouilhet, R., and Liquet, B. (2013). The R Software. Springer.
DESA, U. (2017). World population prospects: The 2017 revision, key findings and advance tables. Working PaperNo.
Edwards-Murphy, F., Magno, M., Whelan, P. M., O’Halloran, J., and Popovici, E. M. (2016). b+ wsn: Smart beehive with preliminary decision tree analysis for agriculture and honey bee health monitoring. Computers and Electronics in Agriculture, 124:211–219.
GUJARATI, D. (2006). N. econometria básica. 3a edição.
LINHARES, P. C. F. (2007). Produção de rúcula em função de diferentes quantidades e tempos de decomposição de jitirana. PhD thesis, Dissertação (Mestrado em Fitotecnia)-Universidade Federal Rural do Semi-Árido. Mossoró, RN.
Liu, Q., Jin, D., Shen, J., Fu, Z., and Linge, N. (2016). A wsn-based prediction model of microclimate in a greenhouse using extreme learning approaches. In Advanced Communication Technology (ICACT), 2016 18th International Conference on, pages 730–735. IEEE.
Mohapatra, A. G. and Lenka, S. K. (2016). Neural network pattern classification and weather dependent fuzzy logic model for irrigation control in wsn based precision agriculture. Procedia Computer Science, 78:499–506.
Sáfadi, T. (2004). Use of time series analysis for the water outflow at furnas dam. Ciência e Agrotecnologia, 28(1):142–148.
Sawant, S. A., Adinarayana, J., and Durbha, S. S. (2014). Krishisense: A semantically aware web enabled wireless sensor network system for precision agriculture applications. In Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International, pages 4090–4093. IEEE.
Tripathy, A., Adinarayana, J., Sudharsan, D., Merchant, S., Desai, U., Vijayalakshmi, K., Reddy, D. R., Sreenivas, G., Ninomiya, S., Hirafuji, M., et al. (2011). Data mining and wireless sensor network for agriculture pest/disease predictions. In Information and Communication Technologies (WICT), 2011 World Congress on, pages 1229–1234. IEEE.
Yuhan, J., Yiqiong, J., Ting, L., Man, Z., Sha, S., and Minzan, L. (2016). An improved method for prediction of tomato photosynthetic rate based on wsn in greenhouse. International Journal of Agricultural and Biological Engineering, 9(1):146.
Publicado
22/07/2018
Como Citar
SANTOS, Uélison Jean L.; RIGHI, Rodrigo da Rosa; DA COSTA, Cristiano André.
Modelo Baseado em Rede de Sensores Sem Fio Para Predição de Disfunções em Cultivos Agrícolas. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO UBÍQUA E PERVASIVA (SBCUP), 10. , 2018, Natal.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 51-60.
ISSN 2595-6183.
DOI: https://doi.org/10.5753/sbcup.2018.3287.
