Um modelo de machine-learning para predição do tempo de colheita de árvores macieiras com base em dados fenológicos e parâmetros climáticos

Autor: Boechel, Tiago
Přispěvatelé: Ramos, Gabriel de Oliveira, Righi, Rodrigo da Rosa
Jazyk: portugalština
Rok vydání: 2022
Předmět:
Zdroj: Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
Universidade do Vale do Rio dos Sinos (UNISINOS)
instacron:UNISINOS
Popis: Submitted by Jeferson Carlos da Veiga Rodrigues (jveigar@unisinos.br) on 2022-07-01T13:51:31Z No. of bitstreams: 1 Tiago Boechel_.pdf: 2794554 bytes, checksum: d0f11fb38b7844a4b9327ea2976e18bb (MD5) Made available in DSpace on 2022-07-01T13:51:31Z (GMT). No. of bitstreams: 1 Tiago Boechel_.pdf: 2794554 bytes, checksum: d0f11fb38b7844a4b9327ea2976e18bb (MD5) Previous issue date: 2022-04-22 Nenhuma Abordagens de aprendizado de máquina têm sido usadas em várias áreas. No campo da pesquisa agropecuária, o aprendizado de máquina tem sido utilizado para aumentar a produtividade agrícola e minimizar seu impacto ambiental, mostrando-se uma importante ferramenta de apoio à tomada de decisões. Diferentes estratégias são encontradas na literatura para prever estágios fenológicos de diferentes culturas. Do estado da arte atual, observamos poucos trabalhos que abordam a previsão da data de colheita. Não encontramos trabalhos com abordagem semelhante ao proposto. Prever a época da colheita é um desafio para desenvolver a produção de frutas de forma sustentável e reduzir o desperdício de alimentos. As frutas são perecíveis, de alto valor e sazonais, e os preços de venda geralmente são sensíveis ao tempo, o que torna as previsões de colheita extremamente valiosas para os produtores. Este estudo propõe o modelo PredHarv, um modelo de aprendizado de máquina que utiliza redes neurais recorrentes, para prever a data de início da colheita da maçã, dadas as condições climáticas relacionadas à temperatura, esperadas para o período. As previsões são feitas a partir do estádio fenológico da plena floração, com base nas séries históricas da fenologia e dados meteorológicos. O modelo computacional contribui com a capacidade de antecipar informações sobre a data de colheita, possibilitando ao produtor planejar melhor as atividades, evitando custos e melhorando a produtividade. A utilização de métodos de ML visa tornar mais eficaz a capacidade preditiva de modelos baseados em soma térmica voltados para a fruticultura, permitindo simular as mudanças climáticas no período. O modelo PredHarv é baseado em modelos de soma térmica, mas usa uma abordagem multivariada. Usamos a soma térmica relacionando-a com a duração do período e outras variáveis relacionadas a temperatura do período. Usamos um método de aprendizado de máquina, explorando o potencial das redes LSTM para tratar problemas que envolvem séries temporais. A saída do modelo retorna à duração do período em dias de calendário, dadas as condições climáticas relacionadas a temperatura esperadas para o período. Adicionalmente uma metodologia de utilização do modelo é proposta com o objetivo de ampliar a capacidade preditiva, como forma de reduzir a incerteza implícita nas informações fornecidas pelo usuário, necessárias para o cálculo da previsão. Desenvolvemos um protótipo do modelo PredHarv e realizamos experimentos com dados reais de instituições agrícolas. A combinação das variáveis utilizadas no modelo demonstrou uma estratégia de predição eficaz. Avaliamos as métricas e os resultados obtidos nos cenários de avaliação demonstram que o modelo é eficiente, com boa generalização e capaz de obter resultados com melhor acurácia comparado ao modelo linear baseado em acúmulo térmico. Machine learning approaches have been used in several areas. In the field of agricultural research, machine learning has been used to increase agricultural productivity and minimize its environmental impact, proving to be an important tool to support decision making.Different strategies are found in the literature to predict phenological stages of different cultures. From the current state of the art, we observed few works that address the prediction of the harvest date. We did not find works with an approach similar to the one proposed. Forecasting the time of harvest is a challenge to develop fruit production sustainably and reduce food waste. Fruits are perishable, of high value and seasonal, and sales prices are generally time sensitive, which makes harvest forecasts extremely valuable to growers. This study proposes the Pred- Harv model, a machine learning model that uses recurrent neural networks to predict the start date of the apple harvest, given the temperature-related weather conditions expected for the period. Predictions are made from the phenological stage of full bloom, based on historical series of phenology and meteorological data. The computational model contributes with the ability to anticipate information about the harvest date, enabling the producer to better plan activities, avoiding costs and improving productivity. The use of ML methods aims to make the predictive capacity of models based on thermal summation aimed at fruit growing more effective, allowing for the simulation of climate changes in the period. The PredHarv model is based on thermal sum models, but uses a multivariate approach. We use the thermal sum relating it to period length and other variables related to period temperature. We use a machine learning method, exploring the potential of LSTM networks to deal with problems involving time series. The model output returns the period length in calendar days, given the expected temperaturerelated weather conditions for the period. Additionally, a methodology for using the model is proposed in order to expand the predictive capacity, as a way to reduce the uncertainty implicit in the information provided by the user, necessary for calculating the forecast. We developed a prototype of the PredHarv model and performed experiments with real data from agricultural institutions. The combination of variables used in the model demonstrated an effective prediction strategy. We evaluated the metrics and the results obtained in the evaluation scenarios demonstrate that the model is efficient, with good generalization and capable of obtaining results with better accuracy compared to the linear model based on thermal accumulation.
Databáze: OpenAIRE
Externí odkaz: