Export Publication

The publication can be exported in the following formats: APA (American Psychological Association) reference format, IEEE (Institute of Electrical and Electronics Engineers) reference format, BibTeX and RIS.

Export Reference (APA) 
Santos, R., Beko, M., Matos-Carvalho, J. P. & Leithardt, V. (2024). Arquiteturas de deep learning multi-input para a otimização da irrigação de precisão. In Álvaro Rocha, Francisco Peñalvo, Ramiro Gonçalves, Alicia Garcia Holgado, Fernando Moreira (Ed.), 19th Iberian Conference on Information Systems and Technologies (CISTI) - Iberian Proceedings of CISTI 2024 . (pp. 1206-1212). Salamanca: ITMA.
Export Reference (IEEE) 
D. S. Pereira et al.,  "Arquiteturas de deep learning multi-input para a otimização da irrigação de precisão", in 19th Iberian Conf. on Information Systems and Technologies (CISTI) - Iberian Proc. of CISTI 2024 , Álvaro Rocha, Francisco Peñalvo, Ramiro Gonçalves, Alicia Garcia Holgado, Fernando Moreira, Ed., Salamanca, ITMA, 2024, pp. 1206-1212
Export BibTeX 
@inproceedings{pereira2024_1764928311400,
	author = "Santos, R. and Beko, M. and Matos-Carvalho, J. P. and Leithardt, V.",
	title = "Arquiteturas de deep learning multi-input para a otimização da irrigação de precisão",
	booktitle = "19th Iberian Conference on Information Systems and Technologies (CISTI) - Iberian Proceedings of CISTI 2024 ",
	year = "2024",
	editor = "Álvaro Rocha, Francisco Peñalvo, Ramiro Gonçalves, Alicia Garcia Holgado, Fernando Moreira",
	volume = "",
	number = "",
	series = "",
	pages = "1206-1212",
	publisher = "ITMA",
	address = "Salamanca",
	organization = "CISTI",
	url = "https://cisti.eu/index.php/en/proceeding"
}
Export RIS 
TY  - CPAPER
TI  - Arquiteturas de deep learning multi-input para a otimização da irrigação de precisão
T2  - 19th Iberian Conference on Information Systems and Technologies (CISTI) - Iberian Proceedings of CISTI 2024 
AU  - Santos, R.
AU  - Beko, M.
AU  - Matos-Carvalho, J. P.
AU  - Leithardt, V.
PY  - 2024
SP  - 1206-1212
CY  - Salamanca
UR  - https://cisti.eu/index.php/en/proceeding
AB  - As tecnologias de irrigação de precisão evoluíram significativamente. No entanto, a integração eficaz de dados heterogêneos em decisões informadas ainda representa um desafio. A aplicação de arquiteturas de Deep Learning, que manipulam múltiplas fontes de dados, emerge como uma solução promissora para superar essas barreiras, melhorando assim a gestão da irrigação. Este trabalho tem como objetivo desenvolver uma arquitetura de Deep Learning multi-input que integre efetivamente dados variados de imagens de satélite, séries temporais, dados meteorológicos, umidade do solo e informações sobre culturas, com o propósito de otimizar a gestão da irrigação. O modelo da arquitetura de Deep Learning passa por camadas de fusão dedicada à integração de diferentes conjuntos de dados. Esta estrutura é complementada por camadas decisórias, responsáveis por determinar as necessidades específicas de irrigação. A eficácia do modelo foi comprovada por meio da avaliação com um conjunto de dados abrangente, recolhido de fontes diversas ao setor agrícola e ambiental. A integração de múltiplos tipos de dados, realizada por meio do Deep Learning Multi-Input, não apenas aprimora a precisão das estimativas das necessidades hídricas, mas também evidencia o potencial para otimização sustentável do consumo de água na agricultura. Futuras investigações são encorajadas a explorar a aplicabilidade prática desta metodologia e a aprimorar as técnicas de fusão de dados, visando refinar continuamente as previsões de irrigação.
ER  -