Partindo do fato de que a água é um recurso natural escasso que deve ser preservado, surge a Irrigação de Precisão (IP), que é a aplicação da quantidade certa de água no solo para fornecer produtividade agrícola relacionada à água. De modo geral, a IP pode manter altos rendimentos das culturas usando o mínimo de água, reduzindo a pegada ambiental e os custos de produção.
O sensoriamento do solo e as tecnologias de comunicação de campo costumavam ser pouco confiáveis e caras. A ascensão da Internet das Coisas (IoT) possibilitou a coleta de dados com maior precisão por meio de sensores locais. Essa abundância de dados permite a previsão de umidade do solo baseada em aprendizado de máquina como uma alternativa às abordagens mecânicas tradicionais de estimativa de água para irrigação.
Com o objetivo de melhorar a previsão da umidade do solo baseada em aprendizado de máquina para aplicações de irrigação inteligente, o pesquisador da FGV EAESP, Rodrigo Togneri, em conjunto com Diego Felipe dos Santos, Glauber Camponogara, Hitoshi Nagano, Gilliard Custódio, Ronaldo Prati, Stênio Fernandes e Carlos Kamienski publicaram essa pesquisa na Expert Systems with Applications. Ela desenvolve uma diretriz para modelagem de previsão de umidade do solo baseada em aprendizado de máquina, testada em uma análise de caso real abrangendo oito tipos de culturas em doze campos de quatro fazendas distribuídas por diversos cenários climáticos no Brasil entre 2016 a 2020.
Foi utilizada uma combinação de previsões por meio de um conjunto de algoritmos que fornece um ganho adicional de precisão. O conjunto de dados foi dividido em treinamento, validação e teste, e diferentes algoritmos de aprendizado de máquina foram comparados para identificar os mais adequados ao caso estudado, buscando insights sobre desempenho em diversos cenários de modelagem.
Como resultados, a pesquisa sugere uma abordagem baseada totalmente em dados para estimar a necessidade de água para irrigação, com atenção à qualidade dos dados, visto que tanto a quantidade quanto a qualidade dos dados contextuais são cruciais para a precisão da previsão. Além disso, o estudo destaca que a previsão da umidade do solo baseada em aprendizado de máquina não depende mais de recursos tradicionais baseados em conhecimento de domínio, como evapotranspiração, fenologia da cultura e modelos de comportamento hidráulico do solo, especialmente à medida que a Internet das Coisas (IoT) se torna mais prevalente na agricultura.
Portanto, a pesquisa propõe boas práticas de aprendizado de máquina para previsão de umidade de solo baseada em dados e organiza as etapas de planejamento de modelagem em um guia de referência para projetistas de soluções. O desenvolvimento de diferentes abordagens sistemáticas visa democratizar a irrigação inteligente para o maior número de agricultores e suas condições específicas, para reduzir custos operacionais (tarifa de energia elétrica), mitigar riscos de perda de produtividade das culturas e economizar água, pois é um recurso natural escasso.
