Desenvolvimento de um modelo de predição de temperatura e umidade de uma estufa baseado em aprendizado de máquina

• Autor(a) principal: Luísa Castello Branco de Sá
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/51290
• topic: Estufa; Máquina de vetores de regressão; Perceptron multocamadas; LSTM; Engenharia mecânica; Estufa (Plantas); Redes Neurais (Computação)

A produção de alimentos dentro de estufas depende do controle do seu clima interno, de modo que as condições ambientais sejam propícias para o crescimento de vegetais. Nesse contexto, têm sido desenvolvidos modelos preditivos de temperatura e umidade para apoiar o desenvolvimento de estratégias mais robustas de controle climático, baseadas em controladores antecipatórios. Portanto, o objetivo deste trabalho foi o desenvolvimento de um modelo de predição climática para uma estufa localizada em Belo Horizonte que produz alfaces hidropônicas. Foi feita a aquisição de dados históricos de temperatura, umidade e luminosidade com três estações meteorológicas dentro da estufa e uma estação localizada no seu ambiente externo. Em seguida, foram avaliadas três técnicas de aprendizado de máquina para o desenvolvimento do modelo, uma delas baseada em uma máquina de vetores de regressão (SVR) e duas baseadas em redes neurais artificiais (MLP e LSTM). Foram realizadas buscas randômicas para determinar as melhores configurações de cada modelo, e o desempenho médio de cada um deles foi determinado com a realização de um backtesting. A rede neural MLP foi escolhida para o modelo final, apresentando maior estabilidade na fase de treinamento e erros RMSE (raiz do erro quadrático médio) e MAPE (erro absoluto médio percentual) inferiores aos obtidos com as outras técnicas. O modelo final passou novamente pelas etapas de busca randômica e backtesting, porém desta vez utilizando dados da estação meteorológica externa, que são adequados para o controle antecipatório. A rede MLP foi capaz de prever os padrões de temperatura e umidade internos da estufa satisfatoriamente, capturando com antecedência perturbações climáticas externas que posteriormente afetariam o seu estado interno. A continuação do registro climático da estufa com a estação meteorológica externa tende a aumentar o desempenho do modelo, contribuindo para o desenvolvimento da estratégia de controle antecipatório almejada.