AGRICULTURA DE PRECISÃO 31 Para este trabalho foi selecionado o Setor II da comunidade de rega do Canal del Zújar, que abrange uma área de 2.691 hectares de rega e é composto por 191 hidrantes. As principais culturas desse setor são tomate, milho e arroz, que representam 90% da área total regada mais próxima é “Don Benito-EFA” com coordenadas UTM: 252468, 431917 na zona 30. A temperatura média nesta área varia entre 7,1 °C em janeiro e 25 °C em julho, enquanto a temperatura máxima média varia entre 13,2 °C e 35,1 °C. A precipitação média anual é de 390 mm e a evapotranspiração máxima ocorre em julho, com uma média diária de 7 mm, somando uma evapotranspiração anual de 1.296 mm. Para este trabalho foi selecionado o Setor II desta comunidade de rega, que abrange uma área de 2.691 hectares de rega e é composto por 191 hidrantes. As principais culturas desse setor são tomate, milho e arroz, que representam 90% da área total regada. O sistema de rega utilizado é a rega gota a gota para as culturas de tomate e milho, enquanto o arroz é regado por inundação. Cada hidrante é equipado com um debitómetro que regista automaticamente o volume de água aplicado a cada hora. O conjunto de dados completo, que contém a procura diária real por água de rega, inclui um total de 1.849 medições correspondentes a todas as campanhas de rega estudadas. Este conjunto de dados foi dividido aleatoriamente em dois subconjuntos: um conjunto de treino que abrange 80% do total de medições e um conjunto de teste que abrange os 20% restantes. MODELO DESENVOLVIDO Este trabalho tem como foco o desenvolvimento de um modelo de previsão da procura hídrica por rega a médio prazo (uma semana) e foi validado na comunidade de rega do Canal del Zújar, em Don Benito (Badajoz), utilizando uma combinação de TNN adaptadas a este problema, lógica difusa e algoritmos genéticos. O modelo desenvolvido foi formulado como um problema de previsão de séries temporais em várias etapas, com recurso a uma arquitetura comum de codificador-descodificador em tarefas de processamento de linguagem natural (PNL) e em problemas de previsão de séries temporais. Nesta estrutura, o codificador transforma a série temporal de entrada num vetor de contexto de comprimento fixo que contém todas as informações relevantes. O descodificador utiliza este vetor de contexto para gerar a série temporal de saída, melhorando o processo de treino por também ter a sua própria série temporal de entrada. A arquitetura TNN utilizada segue uma estrutura codificador-descodificador recursiva com mecanismos de atenção múltipla (multi-head attention), que decide, a partir dos dados de entrada, que informações são mais relevantes a qualquer momento para realizar a inferência. O modelo desenvolvido contém várias camadas de codificador e descodificador empilhadas, onde o número de camadas de codificador (Nenc) e descodificador (Ndec) é otimizado por algoritmos genéticos (GA). Cada camada de codificador e descodificador é idêntica entre si e inclui subcamadas de autoatenção e alimentação direta, seguidas por uma subcamada de adição e normalização (Add&Norm). A otimização dos hiperparâmetros do modelo de previsão desenvolvido, como o número de camadas de codificador e descodificador, foi realizada utilizando algoritmos genéticos. O treino do modelo foi realizado utilizando uma técnica conhecida como 'teacher forcing', que melhora a precisão da inferência, inserindo entradas reais em vez de previsões do modelo em cada etapa temporal durante o treino. Este modelo de previsão da procura real por água de rega em comunidades de rega foi desenvolvido em Python e validado na área de estudo descrita acima. A avaliação do modelo baseou-se na sua capacidade de prever a procura real por água de rega com precisão para cada um dos sete dias de previsão. O erro padrão médio (SEP) da previsão e a representatividade do modelo (R2) foram medidos. RESULTADOS DO MODELO DESENVOLVIDO O modelo foi otimizado ao utilizar uma abordagem baseada num algoritmo genético, onde cada indivíduo representava um modelo de previsão potencial. A otimização procurou maximizar o coeficiente de determinação (R2) e minimizar o erro padrão da previsão (SEP), equilibrando a precisão e a representatividade. O processo de otimização envolveu várias gerações de modelos, selecionando e cruzando os melhores indivíduos para melhorar continuamente os resultados. O modelo ótimo selecionado teve 1,75 milhões de parâmetros, um pouco mais denso que o modelo anterior (mais 16,7%) (Gonzalez Perea et al., 2023), mas com uma representatividade e precisão significativamente melhoradas. Este modelo foi capaz
RkJQdWJsaXNoZXIy Njg1MjYx