Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/32870
Tipo: | Dissertação |
Título: | Previsão de séries temporais de evapotranspiração de referência com redes neurais convolucionais |
Título(s) alternativo(s): | Forecasting reference evapotranspiration time series with convolutional neural networks |
Autor(es): | Patrícia de Oliveira e Lucas |
primer Tutor: | Frederico Gadelha Guimarães |
primer miembro del tribunal : | Eduardo Mazoni Andrade Maçal Mendes |
Segundo miembro del tribunal: | Petrônio Cândido de Lima e Silva |
Tercer miembro del tribunal: | Rodrigo César Pedrosa Silva |
Resumen: | O crescimento da população e as mudanças climáticas estão fazendo com que o setor agrícola busque abordagens mais precisas e eficientes para garantir um suprimento adequado e regular de alimentos para a sociedade com menor consumo de água. A agricultura 4.0 surge nessa conjuntura de escassez de recursos como uma gestão que busca através de tecnologias como Big Data, Internet das Coisas (IoT), Inteligência Artificial e Robótica fornecer às plantas e animais exatamente o que eles precisam e quando precisam, aumentando a produtividade e reduzindo os impactos ambientais. O manejo da irrigação, prática essencial para o desenvolvimento de uma agricultura sustentável, busca, através da previsão da evapotranspiração de referência, conhecer antecipadamente as necessidades de água das culturas para planejar e gerenciar os recursos hídricos. Esta dissertação se insere nesse contexto, com o objetivo de investigar o uso de modelos de aprendizagem profunda, em especial das redes neurais convolucionais, na previsão de séries temporais de evapotranspiração de referência (ETo). Para isso, foram implementadas três redes neurais convolucionais com diferentes estruturas para prever uma série temporal diária de ETo. Para otimizar os hiperparâmetros desses modelos foi utilizado um algoritmo genético que buscou equilibrar dois objetivos, precisão e parcimônia. A validação dos modelos CNN foi feita através da comparação com modelos conhecidos de previsão de séries temporais como o ARIMA, WFTS e LSTM. Para fins de comparação foram implementados também ensemble learning compostos pelos modelos CNN. Os resultados mostraram que os modelos CNN são viáveis para previsão de séries temporais de ETo e que os modelos ensemble melhoram as previsões em termos de variância, precisão e custo computacional em relação aos modelos individuais. |
Abstract: | Population growth and climate change are causing the agricultural sector to seek more accurate and efficient approaches to ensure an adequate and regular supply of food to society with less water consumption. Agriculture 4.0 comes at this context of resource scarcity as a management that seeks through technologies such as Big Data, Internet of Things (IoT), Artificial Intelligence and Robotics to provide plants and animals with exactly what they need and when they need it, increasing productivity and reducing environmental impacts. Irrigation management, an essential practice for the development of sustainable agriculture, seeks, through reference evapotranspiration forecasting, to know in advance the water needs of crops to plan and manage water resources. This dissertation is inserted in this context, aiming to investigate the use of deep learning models, especially convolutional neural networks, in the prediction of reference evapotranspiration time series (ETo). For this, three convolutional neural networks with different structures were implemented to predict a daily time series of ETo. To optimize the hyperparameters of these models a genetic algorithm was used, it sought to balance two objectives, precision and parsimony. The CNN models were validated by comparing them with known time series forecasting models such as ARIMA, WFTS and LSTM. For comparison purposes, ensemble learning with the CNN models was also implemented. The results showed that CNN models are feasible for ETo time series forecasting and that ensemble models improve predictions in terms of variance, accuracy, and computational cost over individual models. |
Asunto: | Engenharia elétrica Previsão Redes neurais convolucionais Séries temporais |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Institución: | UFMG |
Departamento: | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
Curso: | Programa de Pós-Graduação em Engenharia Elétrica |
Tipo de acceso: | Acesso Aberto |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
URI: | http://hdl.handle.net/1843/32870 |
Fecha del documento: | 18-dic-2019 |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Dissertacao_Patricia_Lucas.pdf | Dissertação de mestrado | 4.86 MB | Adobe PDF | Visualizar/Abrir |
Este elemento está licenciado bajo una Licencia Creative Commons