Search results

Este trabalho consiste no desenvolvimento e validação de modelos de Machine Learning para a otimização de um sistema de rega de precisão utilizando algoritmos de classificação. A finalidade é atribuir a cada solo, localizado a sul do concelho do Fundão, Portugal, uma classe de aptidão para o regadio, classes essas que identificam as zonas regáveis, não regáveis bem como as que precisam de intervenção para serem regadas. Os dados dos casos de estudo foram anteriormente recolhidos por uma aluna de Mestrado da Escola Superior Agrária do IPCB (Portugal), onde incluíam vários condicionalismos (características dos solos que podem condicionar a aptidão para o regadio). A análise exploratória dos dados permitiu utilizar apenas os valores dos resultados relativamente às características dos solos que podem condicionar a aptidão para o regadio rejeitando assim todo o cálculo efetuado para a obtenção dos mesmos. Desta forma os dados do caso de estudo foram enriquecidos com esta informação para a aplicação nos algoritmos de Machine Learning. Em geral, o facto de retirar estas características que não revelavam impacto no estudo ajudaram a melhorar os modelos de classificação bem como a sua precisão. Diferentes algoritmos de Machine Learning foram desenvolvidos, testados e validados, tais como, Support Vetor Machine, kNN, Árvore de Decisão, Naive Bayes e Regressão Logística, para otimizar um sistema de rega de precisão de modo a atribuir uma a classe de aptidão de rega a novos solos introduzidos. A comparação dos modelos demonstrou que o método Naive Bayes é o que apresenta uma melhor precisão na altura de gerar uma classe de previsão.