Indoorplant: um modelo computacional de serviços inteligentes baseados em históricos de contextos voltados à agricultura indoor

• Ano de defesa: 2020
• Autor(a) principal: Martini, Bruno Guilherme
• Orientador(a): Barbosa, Jorge Luis Victória
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Computação na agricultura; Agricultura indoor; Prodição na agricultura; Sensibilidade ao contexto na agricultura
• Palavras-chave em Inglês: Computing in agriculture; Indoor agriculture; Prediction in agriculture; Context awareness in agriculture
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/9215

A aplicação de computação ubíqua tem aumentado nos últimos anos, especialmente devido ao desenvolvimento de tecnologias como computação móvel, sensores mais precisos e protocolos específicos para a IoT. Uma das tendências nesta área de pesquisa é o uso da sensibilidade de contexto. Na agricultura, o contexto pode estar relacionado ao ambiente, por exemplo, as condições encontradas dentro de uma estufa. Recentemente, uma série de estudos propôs o uso de sensores para monitorar a produção e/ou o uso de câmeras para obter informações sobre o cultivo, fornecendo dados, lembretes e alertas aos agricultores. Esta dissertação propõe um modelo computacional para Agricultura Indoor denominado IndoorPlant, que utiliza a análise dos históricos de contextos para fornecer serviços inteligentes, como prever a produtividade, indicar os problemas que o cultivo pode sofrer, dar sugestões de melhorias nos parâmetros da estufa, entre outros. O IndoorPlant foi testado em 3 cenários do cotidiano de agricultores com dados de produção hidropônica que foram obtidos durante 7 meses de cultivo de radite, alface e rúcula. Esses 3 cenários mostraram a capacidade do modelo proposto juntamente de um bot desenvolvido no Telegram Messenger para que o agricultor consiga se comunicar e receber as informações do modelo. Por fim, são apresentados os resultados obtidos através dos serviços inteligentes que utilizam os históricos de contextos. Os cenários utilizaram serviços de recomendações de melhorias no cultivo, perfis e por fim, ocorreu a predição do tempo de cultivo do radite, alface e rúcula através da utilização da técnica de PLS. Os resultados das predições foram relevantes, visto que o radite obteve os valores (R2 ) de 0.964, (RMSE) de 1.06 e (RMSECV) de 1.94. O alface obteve os valores (R2 ) de 0.947, (RMSE) de 1.37 e (RMSECV) de 3.31 e a rúcula obteve os valores (R2 ) de 0.932, (RMSE) de 1.10 e (RMSECV) de 1.89. Por fim, foi aplicado um formulário TAM para analisar a utilidade e a facilidade percebida pelos agricultores, obtendo aprovação de 92% quanto a utilidade do modelo e 98% quanto a facilidade de uso do modelo proposto.