Melhorar a sustentabilidade da irrigação usando machine learning

Detalhes bibliográficos
Autor(a) principal: Raimundo, Francisco José dos Santos Negrier
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10071/23850
Resumo: Hoje em dia é de grande importância pouparmos os poucos recursos que ainda existem no planeta Terra, sendo que a água tem um papel fundamental na nossa sobrevivência. Com o desenvolvimento de novas tecnologias, podemos usar a mesmas a nosso favor de forma a contrariar o consumo e o desperdício da água. Recorrendo à internet of things, inteligência artificial e machine learning podemos desenvolver sistemas inovadores e completos que visam efetuar, por um lado, uma poupança do consumo de água e, por outro a adequar a irrigação certa em tempo real e de forma adaptada às necessidades, no sector da agricultura. Esta dissertação apresenta uma proposta de solução para o desenvolvimento de um sistema recorrendo a mecanismos de machine learning, capaz de fazer a previsão de dados meteorológicos futuros e, através da análise dos mesmos de indicar se há necessidade de rega, indicando a hora e a duração da rega. Ao longo do sistema foram testados vários algoritmos de machine learning, sendo que o que apresentou melhores resultados foi o algoritmo floresta aleatória. Com o recurso a este algoritmo foi possível gerar uma redução do tempo de rega na ordem dos 72%. Através deste trabalho foi possível mostrar que a utilização de um sistema que é suportado em machine learning permite reduzir a quantidade de água desperdiçada, quando comparado com sistemas sem a utilização de inteligencia artificial.
id RCAP_84551f930f4a751e45719534ed308daf
oai_identifier_str oai:repositorio.iscte-iul.pt:10071/23850
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Melhorar a sustentabilidade da irrigação usando machine learningMachine learningAgricultura sustentável -- Sustainable agriculturePrevisãoAnálise de dados -- Data analysisForecastHoje em dia é de grande importância pouparmos os poucos recursos que ainda existem no planeta Terra, sendo que a água tem um papel fundamental na nossa sobrevivência. Com o desenvolvimento de novas tecnologias, podemos usar a mesmas a nosso favor de forma a contrariar o consumo e o desperdício da água. Recorrendo à internet of things, inteligência artificial e machine learning podemos desenvolver sistemas inovadores e completos que visam efetuar, por um lado, uma poupança do consumo de água e, por outro a adequar a irrigação certa em tempo real e de forma adaptada às necessidades, no sector da agricultura. Esta dissertação apresenta uma proposta de solução para o desenvolvimento de um sistema recorrendo a mecanismos de machine learning, capaz de fazer a previsão de dados meteorológicos futuros e, através da análise dos mesmos de indicar se há necessidade de rega, indicando a hora e a duração da rega. Ao longo do sistema foram testados vários algoritmos de machine learning, sendo que o que apresentou melhores resultados foi o algoritmo floresta aleatória. Com o recurso a este algoritmo foi possível gerar uma redução do tempo de rega na ordem dos 72%. Através deste trabalho foi possível mostrar que a utilização de um sistema que é suportado em machine learning permite reduzir a quantidade de água desperdiçada, quando comparado com sistemas sem a utilização de inteligencia artificial.Nowadays, it is very important that we save the few resources that still exist on planet Earth, and water has a fundamental role in our survival. With the development of new technologies, we can use them to our advantage to counteract the consumption and waste of water. Using the internet of things, artificial intelligence and machine learning we can develop innovative and complete systems that aim to carry out, on the one hand, a saving of water consumption and, on the other hand, to adapt the right irrigation in real time and in a way adapted to the needs, in the agriculture sector. This dissertation presents a proposal for a solution and development for a system using machine learning mechanisms, capable of forecasting future meteorological data and, through their analysis, indicate whether there is a need for irrigation, indicating the time and duration of the irrigation. Throughout the system, several machine learning algorithms were tested, and the one with the best results was the random forest algorithm. With the use of this algorithm it was possible to generate a reduction of the watering time in the order of 72%. Through this work it was possible to show that the use of a system that is supported in machine learning we can reduce the amount of wasted water compared to a conventional method without the use of any intelligence mechanism.2021-12-30T11:27:27Z2021-12-15T00:00:00Z2021-12-152021-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10071/23850TID:202816338porRaimundo, Francisco José dos Santos Negrierinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-09T17:57:16Zoai:repositorio.iscte-iul.pt:10071/23850Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T22:29:31.442788Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Melhorar a sustentabilidade da irrigação usando machine learning
title Melhorar a sustentabilidade da irrigação usando machine learning
spellingShingle Melhorar a sustentabilidade da irrigação usando machine learning
Raimundo, Francisco José dos Santos Negrier
Machine learning
Agricultura sustentável -- Sustainable agriculture
Previsão
Análise de dados -- Data analysis
Forecast
title_short Melhorar a sustentabilidade da irrigação usando machine learning
title_full Melhorar a sustentabilidade da irrigação usando machine learning
title_fullStr Melhorar a sustentabilidade da irrigação usando machine learning
title_full_unstemmed Melhorar a sustentabilidade da irrigação usando machine learning
title_sort Melhorar a sustentabilidade da irrigação usando machine learning
author Raimundo, Francisco José dos Santos Negrier
author_facet Raimundo, Francisco José dos Santos Negrier
author_role author
dc.contributor.author.fl_str_mv Raimundo, Francisco José dos Santos Negrier
dc.subject.por.fl_str_mv Machine learning
Agricultura sustentável -- Sustainable agriculture
Previsão
Análise de dados -- Data analysis
Forecast
topic Machine learning
Agricultura sustentável -- Sustainable agriculture
Previsão
Análise de dados -- Data analysis
Forecast
description Hoje em dia é de grande importância pouparmos os poucos recursos que ainda existem no planeta Terra, sendo que a água tem um papel fundamental na nossa sobrevivência. Com o desenvolvimento de novas tecnologias, podemos usar a mesmas a nosso favor de forma a contrariar o consumo e o desperdício da água. Recorrendo à internet of things, inteligência artificial e machine learning podemos desenvolver sistemas inovadores e completos que visam efetuar, por um lado, uma poupança do consumo de água e, por outro a adequar a irrigação certa em tempo real e de forma adaptada às necessidades, no sector da agricultura. Esta dissertação apresenta uma proposta de solução para o desenvolvimento de um sistema recorrendo a mecanismos de machine learning, capaz de fazer a previsão de dados meteorológicos futuros e, através da análise dos mesmos de indicar se há necessidade de rega, indicando a hora e a duração da rega. Ao longo do sistema foram testados vários algoritmos de machine learning, sendo que o que apresentou melhores resultados foi o algoritmo floresta aleatória. Com o recurso a este algoritmo foi possível gerar uma redução do tempo de rega na ordem dos 72%. Através deste trabalho foi possível mostrar que a utilização de um sistema que é suportado em machine learning permite reduzir a quantidade de água desperdiçada, quando comparado com sistemas sem a utilização de inteligencia artificial.
publishDate 2021
dc.date.none.fl_str_mv 2021-12-30T11:27:27Z
2021-12-15T00:00:00Z
2021-12-15
2021-10
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10071/23850
TID:202816338
url http://hdl.handle.net/10071/23850
identifier_str_mv TID:202816338
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134857571336192

Registros relacionados