PPGCCM PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO FUNDAÇÃO UNIVERSIDADE FEDERAL DO ABC Telefone/Ramal: Não informado http://propg.ufabc.edu.br/ppgccm

Banca de QUALIFICAÇÃO: GILLIARD CUSTÓDIO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : GILLIARD CUSTÓDIO
DATA : 02/12/2021
HORA: 10:00
LOCAL: meet.google.com/uyy-qugy-udu
TÍTULO:

Predição de Necessidade de água em Sistemas de Irrigação


PÁGINAS: 60
RESUMO:

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.


MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1673092 - RONALDO CRISTIANO PRATI
Membro Titular - Examinador(a) Interno ao Programa - 2196309 - CARLOS ALBERTO KAMIENSKI
Membro Titular - Examinador(a) Externo à Instituição - RAMIDE AUGUSTO SALES DANTAS
Membro Suplente - Examinador(a) Externo ao Programa - 1603840 - JOAO HENRIQUE KLEINSCHMIDT
Notícia cadastrada em: 04/11/2021 17:29
SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2022 - UFRN - sigaa-2.ufabc.int.br.sigaa-2-prod