SpII - Arquitetura computacional inteligente para manejo de irrigação

Abstract

Este trabalho propõe o uso de redes neurais artificiais (RNA), com destaque para o modelo LSTM (Long Short-Term Memory), para estimar a ETo

diária a partir de um conjunto reduzido de variáveis climáticas, utilizando da- dos da estação meteorológica do IFRS – Campus Ibirubá. Foram testadas di- ferentes configurações e combinações de entrada, avaliando-se os modelos por

métricas como RMSE, MAE e o índice c de desempenho. Os resultados mos- traram que, embora o modelo LSTM tenha apresentado desempenho promissor

com dados reduzidos, ainda há margem significativa para melhorias. A inclu- são de variáveis adicionais, como radiação solar, é sugerida como caminho

para aumentar a precisão das estimativas e viabilizar o uso prático em sistemas de irrigação. A abordagem adotada demonstrou ser uma alternativa viável em contextos de baixa disponibilidade de dados meteorológicos, contribuindo para um manejo mais eficiente e sustentável da irrigação.

Efficient water management in irrigated agriculture is essential for

hydrological sustainability, especially in regions with limited resources. Refe- rence evapotranspiration (ETo) is a key variable in irrigation planning and is

traditionally estimated using methods such as Penman-Monteith, which require

several meteorological variables that are not always available. This study pro- poses the use of artificial neural networks (ANNs), particularly the Long Short- Term Memory (LSTM) model, to estimate daily ETo based on a reduced set of

climatic variables, using data from the meteorological station at IFRS – Ibi- rubá Campus. Different configurations and input combinations were tested, and

the models were evaluated using metrics such as RMSE, MAE, and the perfor- mance index “c”. The results showed that although the LSTM model performed

well with reduced data, there is still significant room for improvement. The in- clusion of additional variables, such as solar radiation, is suggested as a way

to improve estimation accuracy and enable practical application in irrigation systems. The approach adopted proved to be a viable alternative in contexts with limited meteorological data availability, contributing to more efficient and sustainable irrigation management.