A vantagem do uso de uma plataforma de dispositvos IoT ´e existirem j´a algumas ferramentas de utilidade que podem correr sobre os dados nela inseridos/existentes. Uma dessas ferramentas ´e o envio de notifica¸c˜ao via e-mail sempre que um valor de uma vari´avel excede um limiar.
Neste caso, ´e definido como 70% de grau de risco o valor a partir do qual ´e gerado um alerta, sempre que o valor calculado e enviado para o mySense ultrapassar os 70% ´e produzido um e-mail de aviso. A escolha do valor de 70% est´a relacionado com os dados consideraveis na vinha e uma forte possibilidade de surgir a infe¸c˜ao secund´aria. Abordando o exemplo, mencionado no subcap´ıtulo 5.1.2, a partir do dia 11/04/2019 ´e necess´ario calcular o desenvolvimento di´ario do fungo, por outras palavras o grau de risco do m´ıldio da videira, de modo a analisar o seu desenvolvimento para o alerta ser acionado assim que seja necess´ario, como podemos ver nas Figuras 5.5, 5.6.
Uma an´alise `a circular publicado pela DRAPN, a 16/04/2019, conclui-se que estes informam sobre a possibilidade de ocorrer m´ıldio, mas ao anlisarmos os dados pre- sentes na Figura 5.7 podemos afirmar que na vinha em estudo, j´a iria haver danos consider´aveis na sua produ¸c˜ao, uma vez que, o desenvolvimento do fungo ultrapas- sava os 70 por cento.
5.6. ENVIO DE ALERTAS E CALCULO DO GRAU DE RISCO 75
Figura 5.5 – Gr´afico de desenvolvimento do grau de risco do m´ıldio da videira a partir do dia 11/04/2019.
Figura 5.6 – Alerta relativo ao grau de risco da vinha a informar que ultrapassou os 70%.
6
Conclus˜oes e
trabalho futuro
O conceito de IoT numa perspetiva de produ¸c˜ao de grandes volumes de dados po- tencia o aparecimento de solu¸c˜oes baseadas em anal´ıtica para determina¸c˜ao de cor- rela¸c˜oes entre esse volume de dados e fen´omenos que possam ser relacionados de al- guma forma. No caso de previs˜ao de doen¸cas no setor da agricultura, o conhecimento do hist´orico recente e das dinˆamicas de um conjunto de dados agrometeorol´ogicos, vulgo s´eries temporais, revela-se de extrema importˆancia. Ali´as, ´e com base neste conhecimento que muitas das solu¸c˜oes dispon´ıveis comercialmente funcionam, isto ´e, atrav´es da recolha e tratamento de dados agrometeorol´ogicos ´e poss´ıvel determinar uma probabilidade de ocorrˆencia de uma determinada doen¸ca.
6.1
Conclus˜oes
Neste trabalho apresentou-se uma ferramenta inform´atica que permite aconselhar um viticultor para a aplica¸c˜ao atempada de fitof´armacos no combate ao m´ıldio da videira. Esta ferramenta, desenvolvida em Python, uma linguagem que tem tido um n´umero cada vez maior de adeptos dada a sua simplicidade, portabilidade e rapidez de execu¸c˜ao interage com a plataforma de IoT mySense, desenvolvida
78 CAP´ITULO 6. CONCLUS ˜OES E TRABALHO FUTURO
na UTAD para apoio a atividades no setor agroflorestal. Para esta interac¸c˜ao, foi necess´ario entender todo o processo de interface atrav´es da sua API RESTful e, deste modo, construir um sistema que remotamente pode executar um qualquer algoritmo sobre quaquer tipo de dados. Esta facilidade permitiu vislumbrar desde logo v´arias aplica¸c˜oes poss´ıveis na dete¸c˜ao e previs˜ao de doen¸cas, j´a que esses mesmos dados est˜ao georreferenciados, e assim permitir escalar a previs˜ao para todos os locais onde existam os dados.
Al´em do conhecimento ganho sobre plataformas IoT, o conhecimento adquirido so- bre a dinˆamica de uma doen¸ca que causa um grande impacto na produ¸c˜ao de vinho na Regi˜ao Demarcada do Douro permitiu perceber que existem m´ultiplas formas de auxiliar um viticultor e implementar sistemas de apoio `a decis˜ao e assim au- mentar a quantidade e qualidade do produto. Este aux´ılio, ser´a ainda mais eficaz j´a que estrat´egias de combate atempadas tˆem normalmente um forte impacto nes- tas vari´aveis. A redu¸c˜ao de fitof´armacos resultante da aplica¸c˜ao no momento certo pode diminuir o desperd´ıcio, reduzir custos de opera¸c˜ao e preservar melhor o meio ambiente.
Pela an´alise das ferramentas existentes, n˜ao se descobriu alguma que utilizasse pre- vis˜oes meteorol´ogicas para ajudar no aconselhamento de qual produto a aplicar, isto ´e, aconselhar um produto de contacto, penetrante ou sist´emico. Por isso, foi necess´ario compreender o Modelo Goidanich, que baseado na acumula¸c˜ao da preci- pita¸c˜ao di´aria prevista, d´a capacidade ao sistema de sugerir qual o melhor produto a ser aplicado tendo em conta a sua intensidade, de modo a que n˜ao seja dissolvido pela precipita¸c˜ao e capaz de realizar um combate eficiente contra a doen¸ca.
Os dados usados durante este trabalho foram os produzidos por uma EMA instalada na Sogrape, em Vila Real, pertencente `a rede de EMAs da DRAPN. Com o uso des- tes dados, com autoriza¸c˜ao de uso para fins acad´emicos, poder-se-ia, em princ´ıpio, obter uma valida¸c˜ao da ocorrˆencia de infe¸c˜oes por parte da DRAPN atrav´es do seu Sistema de Avisos Agr´ıcolas, nomeadamente por publica¸c˜ao nas suas circulares (en- viadas por e-mail aos seus assinantes). Esta metodologia permitiu que a ferramenta desenvolvida fosse validada, dentro do per´ıodo temporal destinado a este trabalho,