AGRICULTURA DE PRECISÃO 30 Figura 1. Localização da comunidade de rega do Canal del Zújar. INTRODUÇÃO Nesse contexto, a previsão real da procura por água de rega, bem como a previsão do comportamento de quem rega sobre a utilização dessa água tornam-se ferramentas fundamentais para a otimização das comunidades de rega. A previsão da procura por água de rega permite que os gestores de rega planeiem e distribuam os recursos hídricos de forma mais eficiente, garantindo que os agricultores recebam a quantidade necessária de água no momento certo, com uma otimização tanto da rede de distribuição de água quanto da estação de bombeamento. No entanto, a previsão real da procura por água de rega é um desafio complexo devido à variabilidade temporal e espacial de fatores que influenciam a utilização da água, como condições meteorológicas, tipo de cultura, práticas agrícolas e características do solo, sem esquecer o componente humana. Na última década, foram desenvolvidos vários modelos para prever a procura por água de rega, utilizando técnicas estatísticas e de inteligência artificial. Os modelos tradicionais baseados em métodos estatísticos demonstraram ser úteis, mas têm limitações significativas na sua capacidade de captar a complexidade e a não linearidade dos sistemas de distribuição de água e das comunidades de rega. Por outro lado, os modelos baseados em inteligência artificial, como redes neurais artificiais (RNA) e os modelos baseados em árvores de decisão, têm demonstrado maior potencial para lidar com essas complexidades e fornecer previsões mais precisas. Entre esses modelos, as redes neurais recorrentes (RNN) têm sido particularmente populares devido à sua capacidade de lidar com dados sequenciais e captar dependências temporais. No entanto, as RNN têm limitações inerentes, como dificuldade em treinar modelos densos devido a um problema de “perda de memória” (o erro de previsão aumenta à medida que nos afastamos no tempo). Para superar essas limitações, em 2017, o laboratório da Google desenvolveu uma nova arquitetura de rede neural artificial, conhecida como Transformers (TNN) (Vaswani et al. 2017). Esta nova arquitetura demonstrou um excelente desempenho numa variedade de tarefas de processamento de linguagem natural (PNL) e previsão de séries temporais. As TNN utilizam mecanismos de atenção que permitem que o modelo se concentre em diferentes partes da sequência de entrada simultaneamente, melhorando a capacidade do modelo de captar relacionamentos de médio e longo prazo, melhorando assim a precisão das previsões. A arquitetura de TNN segue uma estrutura Encoder-Decoder (codificador-descodificador), na qual o codificador transforma a sequência de entrada num vetor de contexto de comprimento fixo e o descodificador utiliza este vetor de contexto para gerar a sequência de saída. Com adaptação suficiente, esta arquitetura permite que as TNN lidem eficientemente com tarefas de previsão em várias etapas, como a previsão da procura por água de rega a médio prazo. Este é o modelo que tem sido desenvolvido pelo grupo de investigação hidráulica e rega da Universidade de Córdoba. ÁREA DE ESTUDO A área de estudo do modelo de previsão desenvolvido concentra-se na comunidade de rega do Canal del Zújar (CZID) (Figura 1), localizada na região da Extremadura, no sudoeste da Espanha. Os dados diários sobre a procura real por água de rega ao nível do hidrante que foram utilizados para o treino e o teste do modelo preditivo desenvolvido variam das campanhas de rega de 2015 a 2022. A comunidade de rega do Canal do Zújar é composta por 10 setores independentes, abrangendo uma área total de 21.141 ha. A estação meteorológica
RkJQdWJsaXNoZXIy Njg1MjYx