PREDIÇÃO DE IRRIGAÇÃO POR ESPÉCIE UTILIZANDO DEEP LEARNING E DADOS AMBIENTAIS

A estimativa da demanda hídrica é um dos principais desafios no manejo da irrigação, especialmente quando se consideram a variabilidade climática e as diferenças entre espécies vegetais. Neste trabalho, foi desenvolvido um modelo para estimativa da demanda hídrica sensível à espécie, baseado na integração de atributos ecológicos, variáveis ambientais e técnicas de aprendizado de máquina. O conjunto de dados foi composto por variáveis climáticas, umidade do solo, fase fenológica e características ecológicas das espécies, sendo avaliados modelos de regressão e redes neurais artificiais. Os resultados mostraram que as redes neurais apresentaram melhor desempenho, com RMSE de 0,246, MAE de 0,195 e R² de 0,922 no conjunto de teste, superando modelos como regressão Ridge (RMSE de 0,343) e KNN (RMSE de 0,650). A inclusão de atributos ecológicos permitiu diferenciar o comportamento hídrico entre as espécies e melhorar a estimativa da demanda hídrica. Os resultados indicam que a abordagem proposta pode ser utilizada como ferramenta de apoio à decisão para manejo da irrigação, contribuindo para o uso mais eficiente da água na agricultura.