Desenvolvimento de uma rede sem fio de micro estações meteorológicas para o manejo de irrigação

• Main Author: Cruz, Thiago Alberto Cabral da
• Other Authors: Marques, Patricia Angélica Alves
• Format: Others
• Language: pt
• Published: Biblioteca Digitais de Teses e Dissertações da USP 2018
• Subjects: Artificial neural networks; Eficiência no uso da água; Evapotranspiração; Evapotranspiration; Rede de sensores sem fio; Redes neurais artificiais; Water-use efficiency; Wireless sensor networks
• Online Access: http://www.teses.usp.br/teses/disponiveis/11/11152/tde-14032019-150124/

A irrigação é considerada uma das mais importantes tecnologias empregadas para aumentar a produtividade e permitir maior eficiência e estabilidade na produção agrícola. A sua adoção deve ser baseada na viabilidade técnica e econômica do projeto, obtida por meio da análise detalhada e cuidadosa dos fatores climáticos, agronômicos e econômicos envolvidos. O manejo eficiente pode ser definido como o uso criterioso dos recursos disponíveis para se atingir um determinado objetivo. No caso da irrigação, o manejo eficiente objetiva maximizar a produção vegetal com o menor custo possível, tanto em quesitos ambientais quanto econômicos. Para tanto, necessita-se do desenvolvimento de um sistema tecnologicamente eficiente, de reduzido custo e de facilidade de instalação e manutenção. Assim, uma rede inteligente de estações meteorológicas, capaz de monitorar o ambiente em tempo real, de adaptar-se aos diversos estágios fenológicos da planta, aos diversos solos e culturas e de comunicar-se entre si e com um servidor torna-se necessário. Este projeto teve como objetivo o desenvolvimento e emprego de uma rede de estações meteorológicas sem fio, de baixo custo e de fácil manutenção e implantação, para a determinação da evapotranspiração de referência, e do conteúdo de água no solo para o eficiente manejo de irrigação. Para que tal rede de sensores seja implantada, há a necessidade de que os módulos eletrônicos possuam microcontroladores de baixo consumo energético, uma vez que eles serão alimentados por baterias e painéis solares, e com capacidade para executar os algoritmos de inferência das variáveis de medida, de calibração e correção de tais medidas, de comunicação com os demais elementos da rede e de executar o controlador de irrigação, baseado em Redes Neurais Artificiais. A abordagem da inteligência artificial utilizada possui a capacidade de aprender e estimar parâmetros a partir de sua base de treinamento e das condições que a cercam. Além das capacidades do microcontrolador, o módulo dos sensores deverá possuir elementos para aferir a temperatura e a umidade do ambiente, a radiação solar, a temperatura e o conteúdo de água no solo, além de um módulo de comunicação sem fio. O sistema desenvolvido foi testado nas estufas do INCT-EI/ESALQ/USP manejando a irrigação da cultura do pimentão vermelho Capsicum annuum L. cv. All Big, durante o período de 25/01/2018 a 31/07/2018. Após o treinamento da rede neural artificial, o sistema desenvolvido determinou a evapotranspiração de referência com um coeficiente de determinação de 0,968, com um erro médio absoluto de 0,055 mm e com um valor-P de 1,02 10-45 para um intervalo de confiança de 95%. Sendo assim, verificou-se que a rede de estações meteorológicas desenvolvida é capaz de estimar a evapotranspiração de referência a partir de dados provenientes de sensores de reduzido custo financeiro e com dados meteorológicos faltantes. === Irrigation is considered one of the most important technologies used to increase productivity and to allow greater efficiency and stability in agricultural production. Its adoption must be based on technical and economic feasibility of the project, obtained by means of a detailed and careful analysis of the climatic, agronomic and economic factors involved. Efficient management can be defined as the judicious use of available resources to achieve a given goal. In the case of irrigation, efficient management aims to maximize plant production at the lowest possible cost, both in environmental and economic aspects. This requires the development of a technologically efficient system, which is low cost and ease of installation and maintenance. Thus, an intelligent network of weather stations capable of monitoring the environment in real time, adapting to the plant\'s various phenological stages, diverse soils and cultures and communicating with each other and with a server becomes necessary. This project aimed at the development and use of the wireless station network which is low cost, easy maintenance, and deployment for the determination of reference evapotranspiration and soil water content for efficient irrigation management. In order for such a sensor network to be implemented, there is a need for such modules to have low energy microcontrollers, since they will be powered by batteries and solar panels, and capable of performing the inference algorithms of the measurement, calibration, and correction of such measures, of communication with the other elements of the network and of executing the irrigation controller, based on Artificial Neural Networks. The artificial intelligence approach used has the capacity to learn and estimate parameters based on its training base and the conditions surrounding it. In addition to the capabilities of the microcontroller, the sensor module must have elements to measure ambient temperature and humidity, brightness, temperature and soil water content, as well as a wireless communication module. The developed system was tested in the greenhouses of INCT-EI/ESALQ/USP managing the irrigation of the red bell pepper crop Capsicum annuum L. cv. All Big, during the days of 01/25/2018 to 31/07/2010. After the artificial neural network training, the developed system determined reference evapotranspiration with a determination coefficient of 0.968, with an absolute mean error of 0.055 mm and a P-value of 1.02 10-45 for a confidence interval of 95%. Thus, it was verified that the developed weather-station network is able to estimate the reference evapotranspiration with low-cost sensors and with missing meteorological data.