(Inglês) Multi-input deep learning architectures for precision irrigation optimization

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.

--

Deep learning,Irrigação de precisão,Arquitetura multi-input,Otimização da irrigação

• Ciências da Computação e da Informação - Ciências Naturais