Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/32870
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Frederico Gadelha Guimarãespt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2472681535872194pt_BR
dc.contributor.referee1Eduardo Mazoni Andrade Maçal Mendespt_BR
dc.contributor.referee2Petrônio Cândido de Lima e Silvapt_BR
dc.contributor.referee3Rodrigo César Pedrosa Silvapt_BR
dc.creatorPatrícia de Oliveira e Lucaspt_BR
dc.creator.Latteshttp://lattes.cnpq.br/7327913265439900pt_BR
dc.date.accessioned2020-03-12T17:38:46Z-
dc.date.available2020-03-12T17:38:46Z-
dc.date.issued2019-12-18-
dc.identifier.urihttp://hdl.handle.net/1843/32870-
dc.description.abstractPopulation 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.pt_BR
dc.description.resumoO 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Minas Geraispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICApt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFMGpt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/*
dc.subjectEevapotranspiração de referênciapt_BR
dc.subjectPrevisãopt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectEnsemble learningpt_BR
dc.subject.otherEngenharia elétricapt_BR
dc.subject.otherPrevisãopt_BR
dc.subject.otherRedes neurais convolucionaispt_BR
dc.subject.otherSéries temporaispt_BR
dc.titlePrevisão de séries temporais de evapotranspiração de referência com redes neurais convolucionaispt_BR
dc.title.alternativeForecasting reference evapotranspiration time series with convolutional neural networkspt_BR
dc.typeDissertaçãopt_BR
dc.identifier.orcid0000-0002-7334-8863pt_BR
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
Dissertacao_Patricia_Lucas.pdfDissertação de mestrado4.86 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons