AGRICULTURA DE PRECISÃO 33 BIBLIOGRAFÍA • Daccache, A., Ciurana, J.S., Rodriguez Diaz, J.A., Knox, J.W., 2014a. Water and energy footprint of irrigated agriculture in the Mediterranean region. Environmental Research Letters 9. https://doi. org/10.1088/1748-9326/9/12/124014 • Daccache, A., Knox, J.W., Weatherhead, E.K., Daneshkhah, A., Hess, T.M., 2014b. Implementing precision irrigation in a humid climate - Recent experiences and on-going challenges. Agric Water Manag 147, 135–143. • González Perea, R., Fernández García, I., Camacho Poyato, E., Rodríguez Díaz, J.A., 2023. New memory-based hybrid model for middle-term water demand forecasting in irrigated areas. Agric Water Manag 284, 108367. https://doi.org/10.1016/j.agwat.2023.108367 • Vaswani, A., Brain, G., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., Polosukhin, I., 2017. Attention Is All You Need. 31st Conference on Neural Information Processing Systems. rega. Esta abordagem demonstrou-se crucial para melhorar a exatidão das previsões, destacando a importância de uma boa escolha de variáveis na previsão destas procuras diárias reais por água de rega. CONCLUSÕES O desenvolvimento de novas ferramentas que, sem restringir a liberdade do agricultor em termos de programação da rega, permitam conhecer antecipadamente o comportamento da procura por água de rega (ID) para a sua posterior otimização é essencial, principalmente em cenários de escassez de água e dependência energética. A inteligência artificial e, mais especificamente, a aprendizagem profunda, com a sua capacidade de desenvolver modelos de previsão que aprendem com informações reais de cada comunidade de rega, podem ser uma ferramenta poderosa para antecipar o comportamento dessas comunidades de rega. Neste trabalho, foi proposta uma nova metodologia para desenvolver um modelo de previsão que permita saber, com uma semana de antecedência, a procura por água de rega de uma comunidade real de rega. O modelo de previsão desenvolvido foi validado na comunidade de rega do Canal del Zújar. Este novo modelo de previsão da procura real por água de rega, baseado em Transformers e otimizado por algoritmos genéticos, melhora a representatividade e a precisão do melhor modelo previamente desenvolvido em 6,1% e 89,8%, respetivamente. A otimização adequada dos hiperparâmetros do modelo de previsão da procura por água de rega (realizada pelo algoritmo genético) foi fundamental para alcançar a generalização adequada do modelo de previsão. Além disso, a análise da população inicial do processo de otimização e da frente de Pareto mostrou que quando as variáveis de entrada (procura prévia por água de rega, temperatura média, radiação e evapotranspiração) e saída (procura por água de rega) estão temporalmente correlacionadas, a precisão do modelo de previsão dependia ainda mais da escolha correta da arquitetura do modelo. Assim, com 1,75 milhões de parâmetros (apenas 16,7% mais densos que os trabalhos prévios) o modelo de previsão desenvolvido foi capaz de prever 99,9% dos cenários com uma precisão média de 2,10%. Portanto, esse modelo pode ser muito útil para os gestores, pois oferece uma previsão precisa da procura diária por água de rega com sete dias de antecedência, o que desempenha um papel essencial na gestão da água e na contratação de energia em comunidades de rega, tendo em consideração os cenários atuais e previstos de escassez de água e altos preços da energia. n
RkJQdWJsaXNoZXIy Njg1MjYx