Integração de modelos de deep learning em agricultura inteligente

• Processo: 25/25634-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de janeiro de 2026
• Data de Término da vigência: 31 de dezembro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ronaldo Cristiano Prati
• Beneficiário: Farangis Johari
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil
• Vinculado ao auxílio: 24/15527-9 - SMART: Gerenciamento Sustentável da Agricultura com o Contínuo Computacional Inteligente, AP.PFPMCG.TEM
• Assunto(s): Aprendizagem profunda Redes neurais Sustentabilidade Inteligência artificial
• Palavra(s)-Chave do Pesquisador: agricultura inteligente | Aprendizado profundo | Evapotranspiração e umidade do solo | Irrigação preditiva | Redes neurais | Sustentabilidade Ambiental | Inteligência Artificial

Resumo

O bolsista desenvolverá modelos de aprendizado profundo voltados para sistemas preditivos de irrigação em agricultura inteligente e sustentável. O objetivo é utilizar redes neurais para prever, com elevada precisão, a umidade do solo, a evapotranspiração e as necessidades hídricas das culturas, considerando fatores ambientais. Os modelos preditivos resultantes serão integrados a sistemas inteligentes de irrigação, a fim de otimizar o uso da água, aumentar a produtividade agrícola e contribuir para a segurança alimentar e a sustentabilidade ambiental. O pesquisador atuará em uma equipe multidisciplinar e terá acesso a dados reais provenientes dos sítios piloto do projeto localizados no Brasil e na China. Esse acesso proporcionará uma excelente oportunidade para validar as soluções propostas em cenários agrícolas práticos. A proposta contempla a investigação de métodos de ponta, como redes neurais recorrentes (RNNs), redes neurais convolucionais (CNNs) e redes de memória de longo e curto prazo (LSTMs), para prever de forma precisa a umidade do solo, a evapotranspiração e as demandas hídricas das culturas com base em fatores ambientais, incluindo padrões climáticos, imagens de satélite e drones, além de dados históricos de colheitas. Além das previsões pontuais, o bolsista investigará técnicas de quantificação de incertezas, visando estimar intervalos de confiança que subsidiem a tomada de decisão no sistema proposto. Espera-se que os resultados contribuam para o avanço da agricultura de precisão, promovendo o uso eficiente dos recursos hídricos e o fortalecimento da sustentabilidade ambiental no contexto da agricultura inteligente.