Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI

Detalhes bibliográficos
Autor(a) principal: Villas Bôas Júnior, Manoel
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFRRJ
Texto Completo: https://rima.ufrrj.br/jspui/handle/20.500.14407/22293
Resumo: Este trabalho apresenta um sistema de otimização inovador, baseado no algoritmo Otimização por Enxames de Partículas, do inglês Particle Swarm Optimization (PSO), projetado para aprimorar a eficiência da agricultura, com ênfase na minimização do consumo de recursos naturais e insumos, incluindo o uso eficiente da água. O principal objetivo é maximizar a receita líquida da produção agrícola, considerando recursos limitados. Uma característica deste sistema é a sua versatilidade, pois pode ser facilmente utilizado em smartphones, tornando-o acessível a um público mais amplo. Além disso, destaca-se pela sua rapidez na obtenção de resultados, tornando a tomada de decisões mais ágil e eficaz. O algoritmo PSO atua como a espinha dorsal deste sistema, permitindo encontrar o equilíbrio entre o consumo de insumos e o rendimento da colheita em culturas agrícolas. Os resultados obtidos foram comparados com dados da literatura, especialmente para culturas como alface americana e meloeiro, e demonstraram ser compatíveis ou, em alguns casos, superiores. Conclui-se que essa ferramenta não apenas oferece suporte confiável para a tomada de decisões econômicas na agricultura, mas também é acessível, rápida e facilmente adaptável a diferentes tipos de insumos e dispositivos móveis e a suporte a introdução rápida de novas funções de produções, independentemente do número de insumos a serem considerados.
id UFRRJ-1_bc18f72c500c68dcff6402a709160a18
oai_identifier_str oai:rima.ufrrj.br:20.500.14407/22293
network_acronym_str UFRRJ-1
network_name_str Repositório Institucional da UFRRJ
repository_id_str
spelling Villas Bôas Júnior, ManoelDelgado, Angel Ramon Sanchezhttp://lattes.cnpq.br/2933812315339699Rodriguez, Maria Claudiahttp://lattes.cnpq.br/1634111094859080Cavalcante Junior, Jose Airton Chaveshttp://lattes.cnpq.br/0124355911370957Sanchez Delgado, Angel Ramonhttp://lattes.cnpq.br/2933812315339699Strauss, Edilbertohttp://lattes.cnpq.br/1609339438630667Lima, Alan Miranda Monteiro dehttps://orcid.org/0000-0001-6263-7056http://lattes.cnpq.br/5238760032290355Pinto, Marinaldo Ferreirahttps://orcid.org/0000-0002-9368-6122http://lattes.cnpq.br/7686288360297015Vera-Tudela, Carlos Andrés Reynahttps://orcid.org/0000-0001-5855-8611http://lattes.cnpq.br/6509989261742578https://orcid.org/0000-0003-4610-2005http://lattes.cnpq.br/26949800725823902025-07-08T15:43:48Z2025-07-08T15:43:48Z2023-12-15VILLAS BÔAS JUNIOR, Manoel. Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI. 2023. 67 f. Tese (Doutorado em Ciência, Tecnologia e Inovação em Agropecuária) - Pró-Reitoria de Pesquisa e Pós-Graduação, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2023.https://rima.ufrrj.br/jspui/handle/20.500.14407/22293Este trabalho apresenta um sistema de otimização inovador, baseado no algoritmo Otimização por Enxames de Partículas, do inglês Particle Swarm Optimization (PSO), projetado para aprimorar a eficiência da agricultura, com ênfase na minimização do consumo de recursos naturais e insumos, incluindo o uso eficiente da água. O principal objetivo é maximizar a receita líquida da produção agrícola, considerando recursos limitados. Uma característica deste sistema é a sua versatilidade, pois pode ser facilmente utilizado em smartphones, tornando-o acessível a um público mais amplo. Além disso, destaca-se pela sua rapidez na obtenção de resultados, tornando a tomada de decisões mais ágil e eficaz. O algoritmo PSO atua como a espinha dorsal deste sistema, permitindo encontrar o equilíbrio entre o consumo de insumos e o rendimento da colheita em culturas agrícolas. Os resultados obtidos foram comparados com dados da literatura, especialmente para culturas como alface americana e meloeiro, e demonstraram ser compatíveis ou, em alguns casos, superiores. Conclui-se que essa ferramenta não apenas oferece suporte confiável para a tomada de decisões econômicas na agricultura, mas também é acessível, rápida e facilmente adaptável a diferentes tipos de insumos e dispositivos móveis e a suporte a introdução rápida de novas funções de produções, independentemente do número de insumos a serem considerados.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESThis work presents an innovative optimization system, based on the Particle Swarm Optimization (PSO) algorithm, designed to improve agricultural efficiency, with an emphasis on minimizing the consumption of natural resources and inputs, including the use water efficiency. The main objective is to maximize net income from agricultural production, considering limited resources. A feature of this system is its versatility, as it can be easily used on smartphones, making it accessible to a wider audience. Furthermore, it stands out for its speed in obtaining results, making decision-making more agile and effective. The PSO algorithm acts as the backbone of this system, allowing it to find a balance between input consumption and harvest yield in agricultural crops. The results obtained were compared with data from the literature, especially for crops such as iceberg lettuce and melon, and were shown to be compatible or, in some cases, superior. It is concluded that this tool not only offers reliable support for economic decision-making in agriculture, but is also accessible, quickly and easily adaptable to different types of inputs and mobile devices and supports the rapid introduction of new production functions, regardless of the number of inputs to be considered.porUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Ciência, Tecnologia e Inovação em AgropecuáriaUFRRJBrasilPró-Reitoria de Pesquisa e Pós-GraduaçãoEngenharia AgrícolaAgricultura 4.0Transformação digitalTecnologia agrícolaAgriculture 4.0Digital transformationAgricultural technologyInteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRIArtificial intelligence applied in water optimization for agricultural crops - OTIMAGRIinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisBAKER, C. Artificial Intelligence: Learning automation skills with Python (2 books in 1: Artificial Intelligence a modern approach & Artificial Intelligence business applications). Independently Published. 290p. ISBN: 1692995707, 2019. BERNARDO, S. Produção agrícola e uso da água. In: GOMES, M. A. F.; PESSOA, M. C. P. Y. Planejamento ambiental do espaço rural com ênfase para microbacias hidrográficas – Manejo de recursos hídricos, ferramentas computacionais e educação ambiental. Brasília, DF: Editora Embrapa Informação Tecnológica, pp. 13-33. 2010. BERNARDO, S.; SOARES, A. A.; MANTOVANI, E. C.; Manual de Irrigação, 8a edição, ed. UFV, Viçosa, 625p. 2006. BLUM, C.; ROLI, A. Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison. ACM Computing Surveys (CSUR), 35, 268- 308. https://doi.org/10.1145/937503.937505 2003. BOSTROM, N. Super intelligence: Paths, Dangers, Strategies. Great Clarendon Street, OX2 6DP, United Kingdom. ISBN 0199678111. 2014. BROWNSTON, L.; FARREL, R.; KANT, E.; MARTIN, N. Programming Expert Systems in OPS5. Addison-Wesley Publishing Company, Inc., 475 p. 1986. CAMPOS, M. M., SAITO, K. Sistemas Inteligentes em Controle e Automação de Processos, Rio de Janeiro: Editora Ciência Moderna, 235 p. 2004. CARVALHO, D. F.; DELGADO, A. R. S.; OLIVEIRA, R. F.; SILVA, W. A.; FORTE, V. L. Maximização da produção e da receita agrícola com limitações de água e nitrogênio utilizando pontos interiores. Eng. Agric. Jaboticabal, v. 29, n. 2, p. 321-327, abr/jun 2009. CAVALCANTE JUNIOR, J. A. C. Ferramenta computacional inteligente aplicada à otimização do uso de recursos hídricos e aumento da receita líquida na agricultura – INTELIAGRI. Tese (Doutorado) – UFRRJ. Seropédica-RJ. 128 p. 2013. CAVALCANTE JUNIOR, J. A. C. Sistema especialista em OPS5 para o processamento inteligente de alarmes em usinas nucleares. Dissertação (Mestrado COPPE) – UFRJ. Rio de Janeiro-RJ. 126 p. 1997. DARTMOUTH CONFERENCE Artificial Intelligence – John McCarthy proposes the term “artificial intelligence” and Newell, Simon and Shaw demonstrate the first working AI program, the Logic Theorist. Annals... Hanover, 1956. DE JONG, K. A. Evolutionary Computation: A Unified Approach. New York: MIT Press. 2006. DELGADO, A. R. S.; DUARTE, W. S.; LIMA, V. N.; CARVALHO, D. F. Otimização da Produção e Renda de Melão e Melancia com Restrições de Água e Nitrogênio, Irriga, Botucatu, v. 15, n. 1, p. 1-9, 2010. DELGADO A. R. S.; RODRIGUES, P. C. P.; CARVALHO, D. F.; LEAL V. F.; O Problema Inverso de Otimização na Produção Agrícola com Restrições Hídricas. Rev. Univ. Rural: Série Ciência Exatas e da Terra, Seropédica, RJ: EDUR, v. 26, n. 1-2, p.01-11, 2007. 52 DELGADO, A. R. S.; VENTURA, S. D.; CARVALHO, D. F.; SANTOS, R. D. Determinação de intervalos ótimos de irrigação utilizando a barreira logarítmica. Revista Brasileira de Agricultura Irrigada, v. 4, p. 128-138, 2010. ENGLISH, M. J. Deficit irrigation. I: Analytical Framework. Journal of the Irrigation and Drainage Engineering of ASCE, New York, v. 116, n. 3, p. 399-412, 1990. ENGLISH, M. J.; RAJA, S. N. Perspectives on deficit irrigation. Agricultural Water Management, v. 32, p. 1-14. 1996. ENGLISH, M. J.; SOLOMON, K. H.; HOFFMAN, G. J. A paradigm shift in irrigation management, Journal of Irrigation and Drainage Engineering, New York, v. 128, n. 5, p. 267-277, 2002. FERREIRA, A. B. H. Novo Dicionário Aurélio da Língua Portuguesa. Novo Dicionário Eletrônico Aurélio versão 5.0. Curitiba, Paraná: Editora Positivo, Positivo Informática, n. p. 2004. FERREIRA, R. S. Matemática Aplicada às Ciências Agrarias: Analise de Dados e Modelos, 3a ed., Viçosa, MG: Editora UFV, 333p. 2005. FIGUEIREDO, G. M.; FRIZZONE, J. A.; PITELLI, M. M.; REZENDE, R. Lâmina ótima de irrigação do feijoeiro, com restrição de água, em função do nível de aversão ao risco do produtor. Acta Sci. Agron., Maringá, v. 30, n. 1, p. 81-87, 2008. FLEMMING, D. M.; GONÇALVES, M. B. Cálculo A – Funções, limite, derivação e integração, 6a ed., São Paulo, SP: Editora Pearson Prentice Hall, 449 p. 2006. FRIZZONE, J. A. Planejamento da irrigação com uso de técnicas de otimização. Revista Brasileira de Agricultura Irrigada v. 1, n. 1, p. 24-49, Fortaleza, CE, INOVAGRI, 2007. FRIZZONE, J. A. Programação Matemática Aplicada a Projetos Hidroagrícolas. Viçosa, MG: Sociedade Brasileira de Engenharia Agrícola-SBEA. 29 p. 1995. FRIZZONE, J. A.; ANDRADE JÚNIOR, A. S. Planejamento de irrigação: análise de decisão de investimento. Brasília: Embrapa Informação Tecnológica, 626 p. 2005. FRIZZONE, J. A.; TEODORO, R. E. F.; PEREIRA, A. S.; BOTREL, T. A. Lâminas de água e doses de nitrogênio na produção de aveia (Avena sativa L.) para forragem. Scientia Agrícola, Piracicaba, v. 52 n. 3, p. 578-586, 1995. GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning. USA: Addison Wesley Publishing Company, 1989. GOLDBERG, D. E. The Design of Innovation: Lessons from and for competent genetic algorithms, USA: Kluwer Academic Publishers, Norwell, MA. 2002. GOMES, M. M. R. C. Aplicação das Methaeurísticas PSO e AG na estimação de parâmetros de um modelo de secagem em leite fluidizado, Dissertação de Mestrado, pp. 34-50. 2007. GOTTFREDSON, L. The General Intelligence Factor. Scientific American Presents. University of Delaware Newark, DE 19716. 1996. 53 HOFFMAN, G. J.; HOWELL, T. A.; SOLOMON, K. H. Management of farm irrigation systems. St. Joseph: American Society of Agricultural Engineers, p. 93-122. 1992. HOWELL, T. A.; CUENCA, R. H.; SOLOMON, K. H., Crop yeld response. In: HOFFMAN, G. J.; HOWELL, T. A.; SOLOMON, K. H. Management of farm irrigation systems. St. Joseph: American Society of Agricultural Engineers, p. 93-122. 1992. IBM. Official Site. https://www.ibm.com/blogs/watson/2017/06/why-itmatters-that-ai-is- better-than-humans-at-their-own-games/ 2017. KENNEDY J.; EBERHART R. C. Particle Swarm Optimization. Proc IEEE International Conference on Neural Net Works, Annals... pp. IV: 1942-1948, Perth, Australia. 1995. KENNEDY J.; EBERHART R. C.; SHI, Y. Swarm Intelligence. Morgan Kaufmann, San Francisco, CA. Publishers Inc. 2001. KONAR, A. Artificial Intelligence and Soft Computing - Behavioral and Cognitive Modeling of the Human Brain. Department of Electronics and Telecommunication Engineering Jadavpur University, Calcutta, India. CRC Press LLC, N. W. Corporate Blvd. 2000. KOZA, J. R.; KEANE, M. A.; STREETER, M. J.; MYDLOWEC, W. Genetic Programming IV: Routine Human-Competitive Machine Intelligence. New York: Springer Science Business Media. 2003. MADUREIRA, D. Aplicativo nativo, web App ou aplicativo híbrido?. Disponível em: <https://usemobile.com.br/aplicativo-nativo-web-hibrido/>. Acesso em: 10 out, 2017. MCCORDUCK, P. Machines Who Think. 2nd ed., p. 13. Natick, MA: A. K. Peters, Ltd., OCLC 52197627 - ISBN 1-56881-205-1. 2004. MENEZES, A. A. M.; MACHADO, M. D.; SCHIRRU, R. Particle Swarm Optimization applied to the nuclear reload problem of a Pressurized Water Reactor. Progress in Nuclear Energy, In Press, Corrected Proof. 2008. MONTEIRO, R. O. C.; COSTA, R. N. T.; LEÃO, M. C. S.; AGUIAR, J. V. Eficiência do uso da água e nitrogênio na produção de melão. Irriga, Botucatu, v. 13, n. 3, p. 367-377, 2008. OSMAN, I. H.; LAPORTE, G. Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM Computing Surveys, v. 35, n. 3, p. 268-308. 1996. OSWALDO JUNIOR, L.; MONTGOMERY, E. Redes Neurais: fundamentos e aplicações com programas em c. Rio de Janeiro: Ed. Ciência Moderna Ltda. 2007. PAPADIMITRIOU, C. H.; STEIGLITZ, K. Combinatorial Optimization: algorithms and complexity. Upper Saddle River, NY: Prentice-Hall Inc. 1982. PELIKAN, M.; SASTRY, K.; CANTÚ-PAZ, E. (eds.) Scalable Optimization via Probabilistic Modeling. Studies in Computational Intelligence, Vol. 33, Springer. 2006. 54 PIACENTI, C. A. Indicadores de modernização tecnológica. In: PIACENTI, C. A.; LIMA, J. F. Análise Regional: metodologias e indicadores. Curitiba: Camões, p. 35-40. 2012. QUARESMA, A. Weak artificial intelligence and computational brute strength, n 1, vol 10. https://doi.org/10.37467/gka-revtechno.v10.2815. 2021. REICHARDT, K.; TIMM, L. C. Solo, Planta e Atmosfera. Barueri, SP: Ed. Manole, 478 p. 2008. SILVA, P. A. M. Análise técnica e econômica da aplicação de água e nitrogênio na cultura da alface americana. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Lavras (UFLA). Lavras-MG. 93 p. 2005. SHI, Y.; EBERHART, R. C. Empirical Study of Particle Swarm Optimization. Congress of Evolutionary Computation. Annals... Vol. 3, 1945-1950. 1998. SOUZA, M. J. F. Inteligência Computacional para Otimização. Notas de aula, FOP, Ouro Preto, MG. 2005. SULTAN, S. Artificial Intelligence: Volume I (AI Course Book 1). Expert of Course Publishing. Edição do Kindle. 2017. TAURION, C. Big Data. Brasport. Edição do Kindle. 2013. VAN DER HEIJDEN, K.; OTTO, B.; MADDOCKS, A. Beyond conflict, water stress contributed to Europe’s migration crisis. 2015. Disponível em: https://www.wri.org/insights/beyond-conflict-water-stress-contributed-europes-migration- crisis. Acesso em: 28 mar. 2022. VILLAS BÔAS JUNIOR, M.; DELGADO A. R. S.; CAVALCANTE JUNIOR, J. A. C.; COSTA, M. S. Algoritmo evolutivo de aprendizado incremental baseado em população (PBIL) para otimização hídrica na produção agrícola. Revista Projectus, v. 7, n. 3. UNISUAM. https://doi.org/10.15202/25254146.2022v7n3p32. 2023. VINGE, V. The Coming Technological Singularity: How to survive in the post-human era. department of mathematical sciences San Diego State University. Symposium sponsored by NASA Lewis Research Center and the Ohio Aerospace Institute. Annals... 1993. VON ZUBEN, F. J.; CASTRO, L. N. Recent developments in biologically inspired computing. Chapter 4, v. 1. US: IGI Global. 2004. WAINTRAUB, M. M. D.; SCHIRRU, R. Algoritmos paralelos de otimização por enxame de partículas em problemas nucleares. In Press, Corrected Proof. 2009.reponame:Repositório Institucional da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJinfo:eu-repo/semantics/openAccessORIGINAL2023 - Manoel Villas Bôas Júnior.pdf2023 - Manoel Villas Bôas Júnior.pdfapplication/pdf3761937https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/1/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdfa31f974c0321376e0c66a90a68e83270MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXT2023 - Manoel Villas Bôas Júnior.pdf.txt2023 - Manoel Villas Bôas Júnior.pdf.txtExtracted texttext/plain186677https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/3/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdf.txt55e6bcdd07f439f4274955c6e29e127dMD53THUMBNAIL2023 - Manoel Villas Bôas Júnior.pdf.jpg2023 - Manoel Villas Bôas Júnior.pdf.jpgGenerated Thumbnailimage/jpeg1422https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/4/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdf.jpgb896b8317d9ee85f546b5f479c2c6b28MD5420.500.14407/222932025-07-09 02:06:38.41oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.bropendoar:2025-07-09T05:06:38Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false
dc.title.pt_BR.fl_str_mv Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
dc.title.alternative.en.fl_str_mv Artificial intelligence applied in water optimization for agricultural crops - OTIMAGRI
title Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
spellingShingle Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
Villas Bôas Júnior, Manoel
Engenharia Agrícola
Agricultura 4.0
Transformação digital
Tecnologia agrícola
Agriculture 4.0
Digital transformation
Agricultural technology
title_short Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
title_full Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
title_fullStr Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
title_full_unstemmed Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
title_sort Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI
author Villas Bôas Júnior, Manoel
author_facet Villas Bôas Júnior, Manoel
author_role author
dc.contributor.author.fl_str_mv Villas Bôas Júnior, Manoel
dc.contributor.advisor1.fl_str_mv Delgado, Angel Ramon Sanchez
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/2933812315339699
dc.contributor.advisor-co1.fl_str_mv Rodriguez, Maria Claudia
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/1634111094859080
dc.contributor.advisor-co2.fl_str_mv Cavalcante Junior, Jose Airton Chaves
dc.contributor.advisor-co2Lattes.fl_str_mv http://lattes.cnpq.br/0124355911370957
dc.contributor.referee1.fl_str_mv Sanchez Delgado, Angel Ramon
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/2933812315339699
dc.contributor.referee2.fl_str_mv Strauss, Edilberto
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/1609339438630667
dc.contributor.referee3.fl_str_mv Lima, Alan Miranda Monteiro de
dc.contributor.referee3ID.fl_str_mv https://orcid.org/0000-0001-6263-7056
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/5238760032290355
dc.contributor.referee4.fl_str_mv Pinto, Marinaldo Ferreira
dc.contributor.referee4ID.fl_str_mv https://orcid.org/0000-0002-9368-6122
dc.contributor.referee4Lattes.fl_str_mv http://lattes.cnpq.br/7686288360297015
dc.contributor.referee5.fl_str_mv Vera-Tudela, Carlos Andrés Reyna
dc.contributor.referee5ID.fl_str_mv https://orcid.org/0000-0001-5855-8611
dc.contributor.referee5Lattes.fl_str_mv http://lattes.cnpq.br/6509989261742578
dc.contributor.authorID.fl_str_mv https://orcid.org/0000-0003-4610-2005
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/2694980072582390
contributor_str_mv Delgado, Angel Ramon Sanchez
Rodriguez, Maria Claudia
Cavalcante Junior, Jose Airton Chaves
Sanchez Delgado, Angel Ramon
Strauss, Edilberto
Lima, Alan Miranda Monteiro de
Pinto, Marinaldo Ferreira
Vera-Tudela, Carlos Andrés Reyna
dc.subject.cnpq.fl_str_mv Engenharia Agrícola
topic Engenharia Agrícola
Agricultura 4.0
Transformação digital
Tecnologia agrícola
Agriculture 4.0
Digital transformation
Agricultural technology
dc.subject.por.fl_str_mv Agricultura 4.0
Transformação digital
Tecnologia agrícola
Agriculture 4.0
Digital transformation
Agricultural technology
description Este trabalho apresenta um sistema de otimização inovador, baseado no algoritmo Otimização por Enxames de Partículas, do inglês Particle Swarm Optimization (PSO), projetado para aprimorar a eficiência da agricultura, com ênfase na minimização do consumo de recursos naturais e insumos, incluindo o uso eficiente da água. O principal objetivo é maximizar a receita líquida da produção agrícola, considerando recursos limitados. Uma característica deste sistema é a sua versatilidade, pois pode ser facilmente utilizado em smartphones, tornando-o acessível a um público mais amplo. Além disso, destaca-se pela sua rapidez na obtenção de resultados, tornando a tomada de decisões mais ágil e eficaz. O algoritmo PSO atua como a espinha dorsal deste sistema, permitindo encontrar o equilíbrio entre o consumo de insumos e o rendimento da colheita em culturas agrícolas. Os resultados obtidos foram comparados com dados da literatura, especialmente para culturas como alface americana e meloeiro, e demonstraram ser compatíveis ou, em alguns casos, superiores. Conclui-se que essa ferramenta não apenas oferece suporte confiável para a tomada de decisões econômicas na agricultura, mas também é acessível, rápida e facilmente adaptável a diferentes tipos de insumos e dispositivos móveis e a suporte a introdução rápida de novas funções de produções, independentemente do número de insumos a serem considerados.
publishDate 2023
dc.date.issued.fl_str_mv 2023-12-15
dc.date.accessioned.fl_str_mv 2025-07-08T15:43:48Z
dc.date.available.fl_str_mv 2025-07-08T15:43:48Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv VILLAS BÔAS JUNIOR, Manoel. Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI. 2023. 67 f. Tese (Doutorado em Ciência, Tecnologia e Inovação em Agropecuária) - Pró-Reitoria de Pesquisa e Pós-Graduação, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2023.
dc.identifier.uri.fl_str_mv https://rima.ufrrj.br/jspui/handle/20.500.14407/22293
identifier_str_mv VILLAS BÔAS JUNIOR, Manoel. Inteligência artificial aplicada na otimização hídrica para culturas agrícolas - OTIMAGRI. 2023. 67 f. Tese (Doutorado em Ciência, Tecnologia e Inovação em Agropecuária) - Pró-Reitoria de Pesquisa e Pós-Graduação, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2023.
url https://rima.ufrrj.br/jspui/handle/20.500.14407/22293
dc.language.iso.fl_str_mv por
language por
dc.relation.references.pt_BR.fl_str_mv BAKER, C. Artificial Intelligence: Learning automation skills with Python (2 books in 1: Artificial Intelligence a modern approach & Artificial Intelligence business applications). Independently Published. 290p. ISBN: 1692995707, 2019. BERNARDO, S. Produção agrícola e uso da água. In: GOMES, M. A. F.; PESSOA, M. C. P. Y. Planejamento ambiental do espaço rural com ênfase para microbacias hidrográficas – Manejo de recursos hídricos, ferramentas computacionais e educação ambiental. Brasília, DF: Editora Embrapa Informação Tecnológica, pp. 13-33. 2010. BERNARDO, S.; SOARES, A. A.; MANTOVANI, E. C.; Manual de Irrigação, 8a edição, ed. UFV, Viçosa, 625p. 2006. BLUM, C.; ROLI, A. Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison. ACM Computing Surveys (CSUR), 35, 268- 308. https://doi.org/10.1145/937503.937505 2003. BOSTROM, N. Super intelligence: Paths, Dangers, Strategies. Great Clarendon Street, OX2 6DP, United Kingdom. ISBN 0199678111. 2014. BROWNSTON, L.; FARREL, R.; KANT, E.; MARTIN, N. Programming Expert Systems in OPS5. Addison-Wesley Publishing Company, Inc., 475 p. 1986. CAMPOS, M. M., SAITO, K. Sistemas Inteligentes em Controle e Automação de Processos, Rio de Janeiro: Editora Ciência Moderna, 235 p. 2004. CARVALHO, D. F.; DELGADO, A. R. S.; OLIVEIRA, R. F.; SILVA, W. A.; FORTE, V. L. Maximização da produção e da receita agrícola com limitações de água e nitrogênio utilizando pontos interiores. Eng. Agric. Jaboticabal, v. 29, n. 2, p. 321-327, abr/jun 2009. CAVALCANTE JUNIOR, J. A. C. Ferramenta computacional inteligente aplicada à otimização do uso de recursos hídricos e aumento da receita líquida na agricultura – INTELIAGRI. Tese (Doutorado) – UFRRJ. Seropédica-RJ. 128 p. 2013. CAVALCANTE JUNIOR, J. A. C. Sistema especialista em OPS5 para o processamento inteligente de alarmes em usinas nucleares. Dissertação (Mestrado COPPE) – UFRJ. Rio de Janeiro-RJ. 126 p. 1997. DARTMOUTH CONFERENCE Artificial Intelligence – John McCarthy proposes the term “artificial intelligence” and Newell, Simon and Shaw demonstrate the first working AI program, the Logic Theorist. Annals... Hanover, 1956. DE JONG, K. A. Evolutionary Computation: A Unified Approach. New York: MIT Press. 2006. DELGADO, A. R. S.; DUARTE, W. S.; LIMA, V. N.; CARVALHO, D. F. Otimização da Produção e Renda de Melão e Melancia com Restrições de Água e Nitrogênio, Irriga, Botucatu, v. 15, n. 1, p. 1-9, 2010. DELGADO A. R. S.; RODRIGUES, P. C. P.; CARVALHO, D. F.; LEAL V. F.; O Problema Inverso de Otimização na Produção Agrícola com Restrições Hídricas. Rev. Univ. Rural: Série Ciência Exatas e da Terra, Seropédica, RJ: EDUR, v. 26, n. 1-2, p.01-11, 2007. 52 DELGADO, A. R. S.; VENTURA, S. D.; CARVALHO, D. F.; SANTOS, R. D. Determinação de intervalos ótimos de irrigação utilizando a barreira logarítmica. Revista Brasileira de Agricultura Irrigada, v. 4, p. 128-138, 2010. ENGLISH, M. J. Deficit irrigation. I: Analytical Framework. Journal of the Irrigation and Drainage Engineering of ASCE, New York, v. 116, n. 3, p. 399-412, 1990. ENGLISH, M. J.; RAJA, S. N. Perspectives on deficit irrigation. Agricultural Water Management, v. 32, p. 1-14. 1996. ENGLISH, M. J.; SOLOMON, K. H.; HOFFMAN, G. J. A paradigm shift in irrigation management, Journal of Irrigation and Drainage Engineering, New York, v. 128, n. 5, p. 267-277, 2002. FERREIRA, A. B. H. Novo Dicionário Aurélio da Língua Portuguesa. Novo Dicionário Eletrônico Aurélio versão 5.0. Curitiba, Paraná: Editora Positivo, Positivo Informática, n. p. 2004. FERREIRA, R. S. Matemática Aplicada às Ciências Agrarias: Analise de Dados e Modelos, 3a ed., Viçosa, MG: Editora UFV, 333p. 2005. FIGUEIREDO, G. M.; FRIZZONE, J. A.; PITELLI, M. M.; REZENDE, R. Lâmina ótima de irrigação do feijoeiro, com restrição de água, em função do nível de aversão ao risco do produtor. Acta Sci. Agron., Maringá, v. 30, n. 1, p. 81-87, 2008. FLEMMING, D. M.; GONÇALVES, M. B. Cálculo A – Funções, limite, derivação e integração, 6a ed., São Paulo, SP: Editora Pearson Prentice Hall, 449 p. 2006. FRIZZONE, J. A. Planejamento da irrigação com uso de técnicas de otimização. Revista Brasileira de Agricultura Irrigada v. 1, n. 1, p. 24-49, Fortaleza, CE, INOVAGRI, 2007. FRIZZONE, J. A. Programação Matemática Aplicada a Projetos Hidroagrícolas. Viçosa, MG: Sociedade Brasileira de Engenharia Agrícola-SBEA. 29 p. 1995. FRIZZONE, J. A.; ANDRADE JÚNIOR, A. S. Planejamento de irrigação: análise de decisão de investimento. Brasília: Embrapa Informação Tecnológica, 626 p. 2005. FRIZZONE, J. A.; TEODORO, R. E. F.; PEREIRA, A. S.; BOTREL, T. A. Lâminas de água e doses de nitrogênio na produção de aveia (Avena sativa L.) para forragem. Scientia Agrícola, Piracicaba, v. 52 n. 3, p. 578-586, 1995. GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning. USA: Addison Wesley Publishing Company, 1989. GOLDBERG, D. E. The Design of Innovation: Lessons from and for competent genetic algorithms, USA: Kluwer Academic Publishers, Norwell, MA. 2002. GOMES, M. M. R. C. Aplicação das Methaeurísticas PSO e AG na estimação de parâmetros de um modelo de secagem em leite fluidizado, Dissertação de Mestrado, pp. 34-50. 2007. GOTTFREDSON, L. The General Intelligence Factor. Scientific American Presents. University of Delaware Newark, DE 19716. 1996. 53 HOFFMAN, G. J.; HOWELL, T. A.; SOLOMON, K. H. Management of farm irrigation systems. St. Joseph: American Society of Agricultural Engineers, p. 93-122. 1992. HOWELL, T. A.; CUENCA, R. H.; SOLOMON, K. H., Crop yeld response. In: HOFFMAN, G. J.; HOWELL, T. A.; SOLOMON, K. H. Management of farm irrigation systems. St. Joseph: American Society of Agricultural Engineers, p. 93-122. 1992. IBM. Official Site. https://www.ibm.com/blogs/watson/2017/06/why-itmatters-that-ai-is- better-than-humans-at-their-own-games/ 2017. KENNEDY J.; EBERHART R. C. Particle Swarm Optimization. Proc IEEE International Conference on Neural Net Works, Annals... pp. IV: 1942-1948, Perth, Australia. 1995. KENNEDY J.; EBERHART R. C.; SHI, Y. Swarm Intelligence. Morgan Kaufmann, San Francisco, CA. Publishers Inc. 2001. KONAR, A. Artificial Intelligence and Soft Computing - Behavioral and Cognitive Modeling of the Human Brain. Department of Electronics and Telecommunication Engineering Jadavpur University, Calcutta, India. CRC Press LLC, N. W. Corporate Blvd. 2000. KOZA, J. R.; KEANE, M. A.; STREETER, M. J.; MYDLOWEC, W. Genetic Programming IV: Routine Human-Competitive Machine Intelligence. New York: Springer Science Business Media. 2003. MADUREIRA, D. Aplicativo nativo, web App ou aplicativo híbrido?. Disponível em: <https://usemobile.com.br/aplicativo-nativo-web-hibrido/>. Acesso em: 10 out, 2017. MCCORDUCK, P. Machines Who Think. 2nd ed., p. 13. Natick, MA: A. K. Peters, Ltd., OCLC 52197627 - ISBN 1-56881-205-1. 2004. MENEZES, A. A. M.; MACHADO, M. D.; SCHIRRU, R. Particle Swarm Optimization applied to the nuclear reload problem of a Pressurized Water Reactor. Progress in Nuclear Energy, In Press, Corrected Proof. 2008. MONTEIRO, R. O. C.; COSTA, R. N. T.; LEÃO, M. C. S.; AGUIAR, J. V. Eficiência do uso da água e nitrogênio na produção de melão. Irriga, Botucatu, v. 13, n. 3, p. 367-377, 2008. OSMAN, I. H.; LAPORTE, G. Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM Computing Surveys, v. 35, n. 3, p. 268-308. 1996. OSWALDO JUNIOR, L.; MONTGOMERY, E. Redes Neurais: fundamentos e aplicações com programas em c. Rio de Janeiro: Ed. Ciência Moderna Ltda. 2007. PAPADIMITRIOU, C. H.; STEIGLITZ, K. Combinatorial Optimization: algorithms and complexity. Upper Saddle River, NY: Prentice-Hall Inc. 1982. PELIKAN, M.; SASTRY, K.; CANTÚ-PAZ, E. (eds.) Scalable Optimization via Probabilistic Modeling. Studies in Computational Intelligence, Vol. 33, Springer. 2006. 54 PIACENTI, C. A. Indicadores de modernização tecnológica. In: PIACENTI, C. A.; LIMA, J. F. Análise Regional: metodologias e indicadores. Curitiba: Camões, p. 35-40. 2012. QUARESMA, A. Weak artificial intelligence and computational brute strength, n 1, vol 10. https://doi.org/10.37467/gka-revtechno.v10.2815. 2021. REICHARDT, K.; TIMM, L. C. Solo, Planta e Atmosfera. Barueri, SP: Ed. Manole, 478 p. 2008. SILVA, P. A. M. Análise técnica e econômica da aplicação de água e nitrogênio na cultura da alface americana. Tese (Doutorado em Engenharia Agrícola) – Universidade Federal de Lavras (UFLA). Lavras-MG. 93 p. 2005. SHI, Y.; EBERHART, R. C. Empirical Study of Particle Swarm Optimization. Congress of Evolutionary Computation. Annals... Vol. 3, 1945-1950. 1998. SOUZA, M. J. F. Inteligência Computacional para Otimização. Notas de aula, FOP, Ouro Preto, MG. 2005. SULTAN, S. Artificial Intelligence: Volume I (AI Course Book 1). Expert of Course Publishing. Edição do Kindle. 2017. TAURION, C. Big Data. Brasport. Edição do Kindle. 2013. VAN DER HEIJDEN, K.; OTTO, B.; MADDOCKS, A. Beyond conflict, water stress contributed to Europe’s migration crisis. 2015. Disponível em: https://www.wri.org/insights/beyond-conflict-water-stress-contributed-europes-migration- crisis. Acesso em: 28 mar. 2022. VILLAS BÔAS JUNIOR, M.; DELGADO A. R. S.; CAVALCANTE JUNIOR, J. A. C.; COSTA, M. S. Algoritmo evolutivo de aprendizado incremental baseado em população (PBIL) para otimização hídrica na produção agrícola. Revista Projectus, v. 7, n. 3. UNISUAM. https://doi.org/10.15202/25254146.2022v7n3p32. 2023. VINGE, V. The Coming Technological Singularity: How to survive in the post-human era. department of mathematical sciences San Diego State University. Symposium sponsored by NASA Lewis Research Center and the Ohio Aerospace Institute. Annals... 1993. VON ZUBEN, F. J.; CASTRO, L. N. Recent developments in biologically inspired computing. Chapter 4, v. 1. US: IGI Global. 2004. WAINTRAUB, M. M. D.; SCHIRRU, R. Algoritmos paralelos de otimização por enxame de partículas em problemas nucleares. In Press, Corrected Proof. 2009.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Ciência, Tecnologia e Inovação em Agropecuária
dc.publisher.initials.fl_str_mv UFRRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Pró-Reitoria de Pesquisa e Pós-Graduação
publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRRJ
instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
instname_str Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron_str UFRRJ
institution UFRRJ
reponame_str Repositório Institucional da UFRRJ
collection Repositório Institucional da UFRRJ
bitstream.url.fl_str_mv https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/1/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdf
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/2/license.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/3/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdf.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/22293/4/2023%20-%20Manoel%20Villas%20B%c3%b4as%20J%c3%banior.pdf.jpg
bitstream.checksum.fl_str_mv a31f974c0321376e0c66a90a68e83270
8a4605be74aa9ea9d79846c1fba20a33
55e6bcdd07f439f4274955c6e29e127d
b896b8317d9ee85f546b5f479c2c6b28
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)
repository.mail.fl_str_mv bibliot@ufrrj.br
_version_ 1849138580502347776

Registros relacionados