Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFABC |
Texto Completo: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281 |
Resumo: | Orientador: Prof. Dr. Ronaldo Cristiano Prati |
id |
UFBC_2819dbad1958fc38dfc120c48502ba74 |
---|---|
oai_identifier_str |
oai:BDTD:124281 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquinaSÉRIE TEMPORALUMIDADE DO SOLOAPRENDIZADO COMPUTACIONALAPRENDIZADO PROFUNDO E MÉTODOS ESTATÍSTICOSTIME SERIESSOIL MOISTUREMACHINE LEARNINGDEEP LEARNING AND STATISTICAL METHOD.PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABCOrientador: Prof. Dr. Ronaldo Cristiano PratiDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Ciência da Computação, Santo André, 2022.O gerenciamento adequado dos recursos hídricos no mundo, e em particular no Brasil, é uma demanda de interesse público. Dentre os principais consumidores dos recursos hídricos potáveis destaca-se o processo de irrigação de cultivos agrícolas, responsável no Brasil pelo consumo de cerca de 50% de toda água potável utilizada em um ano. A Organização das Nações Unidas para a Alimentação e a Agricultura publicou que cerca de 60% dos recursos hídricos utilizados no processo de irrigação é desperdiçado. Para minimizar o desperdício de água no processo de irrigação, aplicações baseadas em Internet das Coisas propõem utilizar a tecnologia como aliada para gerenciamento eficiente do processo. O gerenciamento do processo de irrigação tem como pré-requisito a estimativa da necessidade de água para o solo. Para a realização da estimativa da necessidade de água é necessário conhecer o valor da umidade do solo. Neste trabalho foram exploradas técnicas de modelagem de série temporal multivariada para predição da umidade do solo. Para avaliação dos algoritmos multivariados foram utilizados dados históricos de uma fazenda de um período de dois anos. Foram avaliados algoritmos de aprendizado de máquina e aprendizado profundo. Além disso, foi utilizada como referência uma técnica estatística tradicional. Os algoritmos de aprendizado de máquina avaliados foram o Extreme Gradient Boosting e Random Forest. A arquitetura de rede neural Spectral Temporal Graph Neural Network (StemGNN) foi o algoritmo de aprendizado profundo avaliado. Finalmente, o Vector Autoregression, foi utilizado como referência de desempenho no estudo. Os resultados dos experimentos mostraram que o Random Forest foi o algoritmo multivariado mais eficiente na predição da umidade do solo, e gerou o modelo com a melhor estabilidade nas predições do período avaliado. Além disso, a rede neural StemGNN não conseguiu superar o modelo referência na maioria dos cenários de modelagem. O Random Forest foi selecionado como melhor preditor multivariado e o seu desempenho foi confrontado contra algoritmos univariados. Foram utilizados os métodos estatísticos Naive, suavização exponencial e o auto-regressivo integrado de médias móveis (ARIMA, do inglês AutoRegressive Integrated Moving Average). Além disso, foi utilizada a arquitetura de rede neural Neural basis expansion analysis for interpretable time series (N-BEATS). Os algoritmos foram confrontados em dez bases de dados diferentes, sendo que, os algoritmos univariados foram superiores em nove delas. O método ARIMA alcançou o melhor desempenho em oito das dez bases de dados. Os resultados mostraram que métodos modernos de modelagem não conseguiram superar métodos tracionais nas bases de dados utilizadas no estudo.Efficient management of water resources in the world, and especially in Brazil, is a public interest demand. Among the highest consumers of the potable water resource, the irrigation process of crops is noticeable, which in Brazil is responsible for the consumption of approximately 50% of all the water consumed in a year. Irrigation systems waste around 60% of the water resource and for that reason there is room for improvement. The applications of the Internet of Things (IoT) in irrigation aim to use technology to minimize water waste. Soil moisture is an important variable that is used to calculate the water needed for irrigation. In this work, multivariate time series modeling techniques are used to predict future soil moisture values. Historical data was used from two years from a farm in the USA with multiple components such as soil moisture, soil temperature, weather components, and others to predict the soil moisture value. During the modeling step, machine learning algorithms, a deep learning algorithm, and a traditional statistical technique were evaluated. The algorithms Extreme Gradient Boosting and Random Forests, were selected among the machine learning algorithms. The Spectral Temporal Graph Neural Network (StemGNN) neural network architecture was evaluated as the deep learning algorithm. Finally, vector autoregression was defined as a reference for expected performance in predicting soil moisture. The experiments showed that the Random Forest algorithm was the most efficient in the soil moisture prediction process and the most stable model. Furthermore, StemGNN was found to be unable to outperform the reference model in most of the models evaluated. The Random Forest was the best multivariate algorithm, so its performance was compared to univariate algorithms. The statistical methods Naive, Exponential Smoothing, and AutoRegressive Integrated Moving Average (ARIMA) were selected. Furthermore, it was used to perform neural network neural basis extension analysis for interpretable time series (N-BEATS). The algorithms were compared using ten different datasets. Univariate algorithms achieved better performance in nine out of ten datasets. The ARIMA method achieved the best performance in eight of the ten datasets. The results showed that modern modeling methods were unable to overcome old methods in the databases used in the study.Prati, Ronaldo CristianoKamienski, Carlos AlbertoDantas, Ramide Augusto SalesCustódio, Gilliard2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf216 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281&midiaext=80804Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124281porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2023-05-31T16:51:06Zoai:BDTD:124281Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2023-05-31T16:51:06Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
title |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
spellingShingle |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina Custódio, Gilliard SÉRIE TEMPORAL UMIDADE DO SOLO APRENDIZADO COMPUTACIONAL APRENDIZADO PROFUNDO E MÉTODOS ESTATÍSTICOS TIME SERIES SOIL MOISTURE MACHINE LEARNING DEEP LEARNING AND STATISTICAL METHOD. PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC |
title_short |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
title_full |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
title_fullStr |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
title_full_unstemmed |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
title_sort |
Predição de umidade de solo como séries temporais : um comparativo entre técnicas estatísticas e aprendizado de máquina |
author |
Custódio, Gilliard |
author_facet |
Custódio, Gilliard |
author_role |
author |
dc.contributor.none.fl_str_mv |
Prati, Ronaldo Cristiano Kamienski, Carlos Alberto Dantas, Ramide Augusto Sales |
dc.contributor.author.fl_str_mv |
Custódio, Gilliard |
dc.subject.por.fl_str_mv |
SÉRIE TEMPORAL UMIDADE DO SOLO APRENDIZADO COMPUTACIONAL APRENDIZADO PROFUNDO E MÉTODOS ESTATÍSTICOS TIME SERIES SOIL MOISTURE MACHINE LEARNING DEEP LEARNING AND STATISTICAL METHOD. PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC |
topic |
SÉRIE TEMPORAL UMIDADE DO SOLO APRENDIZADO COMPUTACIONAL APRENDIZADO PROFUNDO E MÉTODOS ESTATÍSTICOS TIME SERIES SOIL MOISTURE MACHINE LEARNING DEEP LEARNING AND STATISTICAL METHOD. PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO - UFABC |
description |
Orientador: Prof. Dr. Ronaldo Cristiano Prati |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 |
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://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124281&midiaext=80804 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124281 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 216 f. : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502110356865024 |