Predição da temperatura

Na Tabela 8 são apresentados resultados de performance (MAE) relativos à predição da temperatura interna do ar da casa de vegetação, obtidos quando considerados os intervalos de tempo estudados. Os resultados são separados para cada um dos cenários e técnicas implementadas.

Tabela 8. Erro absoluto médio (°C) dos modelos obtidos com as técnicas empregadas para predição da temperatura interna do ar, nos intervalos de tempo estudados, considerando dados dos 4 cenários de análise.

Cenário Técnica

MAE

Intervalo de tempo (min)

10 20 30 40 50 60 --- °C --- 1 LSTM 0,47 0,69 0,77 1,04 1,29 1,27 BRT 0,41 0,54 0,67 0,73 0,77 0,89 SVR 0,47 0,55 0,62 0,74 0,85 1,08 5 LSTM 0,64 0,60 1,09 0,97 1,06 1,06 BRT 0,56 0,78 1,08 1,12 1,17 1,29 SVR 0,69 0,69 0,74 0,80 0,93 1,13 7 LSTM 0,29 0,37 0,70 0,50 0,95 0,63 BRT 0,21 0,30 0,41 0,55 0,64 0,76 SVR 0,25 0,31 0,37 0,42 0,47 0,58 9 LSTM 0,53 0,90 0,90 0,97 1,08 1,16 BRT 0,54 0,64 0,74 0,88 0,99 1,08 SVR 0,46 0,59 0,69 0,85 1,01 1,08

A partir dos dados da Tabela 8 é possível notar que os melhores resultados de performance foram encontrados para os cenários 1 e 7, com menores valores de MAE para todos os intervalos de tempo. Para o cenário 7, SVR apresenta melhores resultados em 4 dos 6 intervalos de tempo. Nota-se que para este cenário a técnica BRT conseguiu melhores resultados que as demais quando o distanciamento temporal entre os atributos preditores e o atributo meta era igual ou menor que 20 minutos.

Já para o cenário 1 os resultados são consistentemente melhores com o uso de BRT. Apenas quando o intervalo de tempo considerado era de 30 minutos, SVR conseguiu melhor resultado que as demais técnicas.

Nos cenários 5 e 9, os valores de erro são os maiores dentre os cenários modelados. Para o cenário 9, SVR tem capacidade preditiva notoriamente melhor que as demais técnicas, apresentando valores de erro menores em 5 dos 6 intervalos de tempo analisados. Já para o cenário 5, as três técnicas implementadas se alternam entre os melhores resultados, ao longo dos intervalos de tempo.

De maneira geral, os valores de MAE para temperatura interna do ar indicam boa capacidade preditiva dos modelos. No pior dos casos, ao considerarmos a técnica com menor valor de erro para o intervalo de 60 minutos, mais desfavorável à capacidade preditiva dos modelos, podemos observar que o valor de MAE, associado ao cenário 5, é igual a 1,13 °C. Ou seja, mesmo no cenário em que a capacidade preditiva foi a menor encontrada, o uso correto de técnicas de aprendizado de máquina possibilita a obtenção de valores de erro relativamente pequenos em intervalos de tempo que tornam possível alguma ação preventiva.

Como forma de validar a manutenção da capacidade preditiva dos modelos, na Figura 21 são apresentados os valores de MAE (°C) em função dos intervalos de tempo considerados nas análises, relativos a cada cenário e técnica utilizados durante o processo de modelagem.

Figura 21. MAE (°C) em função do intervalo de tempo entre os dados reais e o momento predito para os modelos obtidos com o emprego das três técnicas utilizadas.

Observa-se, a partir do comportamento representado na Figura 21, a ocorrência de queda de performance em todos os cenários, com o uso de qualquer uma das técnicas, à medida em que o intervalo de tempo entre os dados utilizados para construção do modelo e o momento predito aumenta. Comportamento semelhante ao observado por Yu et al. (2016), que também relatam variação de performance negativa à medida que aumenta-se o intervalo de tempo entre os dados reais e o momento a ser predito.

Conforme evidenciado anteriormente, para o cenário 1, na maioria dos intervalos de tempo, os resultados são melhores com o uso de BRT. Além disso, a variação total de

performance, calculada a partir da diferença entre as performances obtidas nos intervalos de tempo de 10 e 60 minutos, também é menor quando da implementação desta técnica (118%).

Já para o cenário 5, a técnica SVR é a que apresenta menor variação no erro (63%) quando comparadas as performances obtidas com dados de 60 e 10 minutos antes do momento a ser predito.

Nos resultados do cenário 9, apesar de a utilização de SVR propiciar a obtenção de menores valores de erro para boa parte dos intervalos de tempo, a menor variação de performance (99%) está associada ao uso da técnica BRT.

4.2.2 Predição da UR

Na Tabela 9, são apresentados os resultados de performance (MAE) relativos à predição da UR do ar interno à casa de vegetação, obtidos quando considerados os intervalos de tempo estudados. Assim como para temperatura, os resultados são separados para cada um dos cenários e técnicas implementadas.

Tabela 9. Erro absoluto médio (%) dos modelos obtidos com as técnicas empregadas para predição da umidade relativa interna do ar, nos intervalos de tempo estudados, considerando dados dos 4 cenários de análise.

Cenário Técnica

MAE

Intervalo de tempo (min)

10 20 30 40 50 60 --- % --- 1 LSTM 1,94 2,86 2,66 3,27 3,83 3,94 BRT 1,40 1,82 2,24 2,29 2,57 2,78 SVR 1,28 1,52 1,72 1,90 2,14 2,50 5 LSTM 2,66 4,87 5,68 6,67 4,61 3,82 BRT 3,51 4,66 5,68 6,58 7,43 7,97 SVR 2,01 2,40 2,78 3,20 3,58 4,02 7 LSTM 0,87 1,47 2,70 2,95 2,09 1,60 BRT 0,66 0,77 0,99 1,17 1,42 2,17 SVR 0,72 0,82 0,90 0,98 1,10 1,25 9 LSTM 1,63 2,07 3,53 3,68 3,81 4,24 BRT 1,61 2,20 2,97 3,41 3,92 4,36 SVR 1,55 2,19 2,64 3,26 3,84 4,22

A partir dos dados da Tabela 9 é possível notar que os melhores resultados de performance, assim como para temperatura interna do ar, foram encontrados para os cenários 1 e 7, com menores valores de MAE para todos os intervalos de tempo.

Para os dados do cenário 7, SVR apresenta melhores resultados em 4 dos 6 intervalos de tempo considerados. Assim como o ocorrido para a temperatura, BRT apresenta

melhores resultados para este cenário quando o intervalo de tempo considerado é menor ou igual a 20 minutos.

Já para o cenário 1 os resultados são melhores para todos os intervalos de tempo com o uso de SVR.

No cenário 9, SVR tem capacidade preditiva melhor em 4 dos 6 intervalos de tempo analisados. Aqui cabe destacar a boa performance obtida com o uso de LSTM, superando SVR nos intervalos de tempo de 20 e 50 minutos.

No cenário 5, diferentemente do ocorrido na predição da temperatura interna do ar, SVR foi em boa parte unânime, e apresentou menores valores de erro para 5 dos 6 intervalos. Apenas no maior intervalo de tempo considerado (60 minutos) a técnica teve pior performance que o modelo implementado com uso de LSTM.

Os valores de MAE para UR interna do ar indicam boa capacidade preditiva dos modelos. No caso mais difícil de prever, no qual os dados reais e preditos estão distanciados em 60 minutos, ao considerarmos as melhores técnicas para cada um dos cenários, nenhum valor de MAE excedeu 4,5 %.

Na Figura 22, são apresentadas as curvas contemplando os valores de MAE (%) para cada um dos intervalos de tempo considerados, possibilitando a avaliação da perda da capacidade preditiva no processo de modelagem da UR interna do ar. Assim como para a análise da temperatura interna do ar, as curvas são separadas para cada cenário e técnica utilizados na modelagem.

De maneira geral, é possível observar na Figura 22 que há queda de performance em todos os cenários, com o uso de qualquer uma das técnicas. Nos cenários 1 e 7, os erros apresentam variação notoriamente menor que nos demais cenários à medida em que se aumenta o intervalo de tempo entre os dados reais e o momento predito.

Figura 22. MAE (%) em função do intervalo de tempo entre os dados reais e o momento predito para os modelos obtidos com o emprego das três técnicas utilizadas.

Aspecto interessante de notar é que para os cenários 1, 5 e 7 as variações de performance encontradas entre os intervalos de tempo de 10 e 60 minutos, é menor quando do uso de LSTM. A técnica apresenta variação nos valores de MAE de, respectivamente, 103%, 44% e 84%. Para esta técnica, entretanto, as curvas de MAE ao longo do tempo não seguem um comportamento regular de aumento e apresentam picos nos intervalos de tempo intermediários.

5 CONCLUSÃO

Os resultados do presente trabalho indicam que a variabilidade interna no microclima das casas de vegetação pode ser modelada em função das características estruturais desses ambientes de cultivo e das condições ambientais externas e internas. Mesmo nas piores condições, a maioria dos modelos foi capaz de capturar a variabilidade interna dos parâmetros ambientais, apresentando valores reais e preditos próximos.

Quando o objetivo é predizer os valores de variáveis ambientais, em geral os modelos tendem a perder capacidade preditiva à medida em são mais distanciados temporalmente os dados reais dos preditos. Observa-se, entretanto, que mesmo há 60 minutos do momento a ser predito, os modelos implementados no presente trabalho conseguem capturar a variabilidade espacial da casa de vegetação e prever com boa precisão os microclimas estudados. Entende-se que com esse horizonte preditivo, torna-se possível atuar em conjunto com um sistema de controle do ambiente protegido, ajustando-o de maneira a estabelecer uma atmosfera satisfatória para o desenvolvimento do cultivar desejado.