Modelos de aprendizado de máquina e redes neurais para estimativa do fluxo de seiva em um olival

Abstract

A água é um recurso vital na produção agrícola e a gestão eficiente da irrigação é importante para garantir a sustentabilidade e a produtividade das culturas. A estimativa do fluxo de seiva é relevante para a transpiração das plantas e para o transporte de água e nutrientes, sendo essencial para a tomada de decisões no manejo da irrigação. Aliado a isso, soluções envolvendo Inteligência Artificial (IA) se mostram como alternativas mais precisas e automatizadas para tal objetivo, tendo um papel promissor na modernização da irrigação ao promover uma agricultura mais sustentável e produtiva. Assim, primeiramente é apresentada uma revisão sistemática da literatura com o intuito de analisar a contribuição da IA na irrigação de diferentes culturas e, mais especificamente para estimar o fluxo de seiva, identificando as principais metodologias e tecnologias empregadas, a fim de contribuir para a gestão da rega e otimizar o uso da água. Entre as técnicas de IA, existem os modelos de aprendizado de máquina, os quais incluem as redes neurais. Esses modelos são sistemas computacionais que aprendem padrões e relações a partir de dados, treinando e ajustando automaticamente seus parâmetros internos para melhorar a precisão das previsões ou classificações. Nesse contexto, o presente trabalho visou comparar diferentes modelos de aprendizado de máquina e redes neurais (Regressões Linear e Quadrática, Random Forest, MLP, CNN, RNN e LSTM) que integram as variáveis ambientais pesagem do solo, fluxo de calor no solo e déficit de pressão de vapor, a fim de estimar o fluxo de seiva em um olival e analisar os efeitos dessas variáveis sobre esse fenômeno. Foram utilizados dados coletados por sensores de baixo custo instalados no olival e analisados usando a linguagem de programação Python para implementação dos modelos matemáticos. O desempenho dos modelos foi avaliado por meio de algumas métricas que indicaram o modelo Random Forest com os índices mais satisfatórios, sendo o coeficiente de Pearson, índice d-Willmott, coeficiente de confiança e R² ajustado muito próximos de 1, e os erros MAE e RMSE com valores mínimos próximos de zero. A análise dos mapas de contorno possibilitou a identificação das interações entre as variáveis do estudo e seu impacto no comportamento do fluxo de seiva, fornecendo informações importantes para a gestão eficiente dos recursos hídricos.

Water is a vital resource in agricultural production, and efficient irrigation management is important to ensure crop sustainability and productivity. The estimation of sap flow is relevant to plant transpiration and the transportation of water and nutrients, and is essential for decision-making in irrigation management. In addition, solutions involving Artificial Intelligence (AI) are proving to be more accurate and automated alternatives for this purpose, playing a promising role in the modernizing of irrigation by promoting more sustainable and productive agriculture. Therefore, a systematic literature review is first presented with the aim of analyzing the contribution of AI to the irrigation of different crops and, more specifically, to estimating sap flow, identifying the main methodologies and technologies employed in order to contribute to irrigation management and optimize water use. Among the AI techniques, there are machine learning models, which include neural networks. These models are computational systems that learn patterns and relationships from data, automatically training and adjusting their internal parameters to improve prediction or classification accuracy. In this context, this work aimed to compare different machine learning models and neural networks (Linear and Quadratic Regression, Random Forest, MLP, CNN, RNN e LSTM) that integrate environmental variables soil weighting, soil heat flux and vapor pressure deficit, in order to estimate the sap flow in an olive grove and analyze the effects of these variables on this phenomenon. Low-cost sensors installed in the olive grove were used to collect data, which was analyzed using Python programming language to implement the mathematical models. The performance of the models was evaluated using some metrics that indicated the Random Forest model with the most satisfactory indexes, with the Pearson coefficient, d-Willmott index, confidence coefficient and adjusted R² very close to 1, and the MAE and RMSE errors with minimum values close to zero. The analysis of the contour maps made it possible to identify the interactions between the study variables and their impact on the sap flow behavior, providing important information for the efficient management of water resources.