Predição de Necessidade de água em Sistemas de Irrigação
A gestão adequada do recurso hídrico no Brasil é uma demanda de interesse público. Dentre os principais consumidores do recurso hídrico potável destaca-se o processo de irrigação de cultivos agrícolas que é responsável pelo consumo de aproximadamente 50\% de toda água potável utilizada em um ano. É estimado que 60\% do recurso hídrico utilizado no processo de irrigação é desperdiçado. Logo, é fundamental que o processo de irrigação seja aprimorado. Para minimizar o desperdício de água no processo de irrigação o projeto Plataforma de Gerenciamento Inteligente de Água (SWAMP) propõe utilizar a tecnologia como aliada para gestão eficiente do processo. O gerenciamento do processo de irrigação tem como pré-requisito a estimativa da necessidade de água para o solo. Neste trabalho foi explorado técnicas de modelagem de série temporal multivariada para predição da umidade do solo. A umidade do solo é uma variável de interesse da plataforma SWAMP para o cálculo da necessidade de água que deve ser fornecida ao solo. Para isso, foi utilizado dados históricos de um período de dois anos com múltiplas componentes, como, umidade e temperatura do solo, por exemplo. Foram avaliados algoritmos de aprendizado de máquina, aprendizado profundo e uma técnica estatística tradicional foi utilizada como referência. Os algoritmos de aprendizado de máquina avaliados foram o \textit{Extreme Gradient Boosting} e \textit{Random Forest}. A arquitetura de rede neural \textit{Spectral Temporal Graph Neural Network} (StemGNN) foi o algoritmo de aprendizado profundo avaliado. E o \textit{Vector Autoregression}, foi utilizado como referência de desempenho esperado na predição da umidade do solo. Os experimentos preliminares mostram que o algoritmo \textit{Random Forest} foi o mais eficiente no processo de predição da umidade do solo e gerou o modelo com a melhor estabilidade nas predições do período avaliado. Além disso, foi observado que a StemGNN não foi capaz de superar o modelo referência na maioria dos cenários de modelagem.