DCEEng
DEPARTAMENTO DE CIÊNCIAS EXATAS E ENGENHARIAS
CURSO DE GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO
UMA DEFINIÇÃO ONTOLÓGICA PARA AGRICULTURA DE
PRECISÃO NO CULTIVO DE SOJA DENTRO DO CONTEXTO DA
ARQUITETURA AGROMOBILE
ROGER VICTOR ALVES
Santa Rosa/Ijuí, RS - Brasil 2015
ROGER VICTOR ALVES
UMA DEFINIÇÃO ONTOLÓGICA PARA AGRICULTURA DE
PRECISÃO NO CULTIVO DE SOJA DENTRO DO CONTEXTO DA
ARQUITETURA AGROMOBILE
Trabalho apresentado na disciplina de Trabalho de Conclusão de Curso do curso de Ciência da Computação da Universidade do Noroeste do Estado do RS como requisito básico para apresentação do Trabalho de Conclusão de Curso.
Orientador: Gerson Battisti
Santa Rosa/Ijuí – RS 2015
AGRADECIMENTOS
Primeiramente, agradeço os meus pais Mirian e Victor por sempre acreditarem em mim e nunca me deixarem em segundo plano em suas vidas, me dando sempre as condições necessárias para um bom aproveitamento das atividades que escolhi.
Agradeço também a minha família inteira, principalmente meus tios Liliana e Dilamar por sempre me darem ajuda quando precisei e também ao meu primo Douglas por fazer um papel de irmão na minha vida, e me ajudar nos mais variados problemas que enfrentei.
Agradeço a minha namorada Bruna por sempre estar do meu lado por todo esse tempo que estamos juntos, sempre me apoiando nas decisões que escolhi.
Agradeço aos meus amigos, principalmente ao Gustavo e o Maicol que percorreram grande parte da minha vida e até hoje dividem momentos de alegria e realização comigo.
Agradeço aos professores da UNIJUÌ, principalmente aos professores Gerson Battisti por me orientar no TCC e estar sempre a ouvidos das necessidades dos alunos, e ao professor Vinícius Maran por me dar oportunidade de bolsa de estudos na área e também a toda amizade e camaradagem que tivemos.
A todos que me ajudaram direta ou indiretamente nesses quatro anos e meio de formação profissional, o meu muito obrigado.
RESUMO
A Agricultura de Precisão trouxe para agricultura melhorias inquestionáveis em relação a gestão das lavouras. Embora não seja uma tecnologia nova, só começou a ser realmente difundida com a popularização da internet, culminando na troca de informações e práticas agrícolas através da mesma. Com o mapeamento da lavoura advindo de sensores, o agricultor obteve um melhor controle sobre o uso de insumos, quantativamente e qualitativamente, pois deixou de tratar toda a área de cúltivo com apenas calculos envolvendo médias. Apesar dos avanços gerados, o mercado ainda sente falta de uma arquitetura que acompanhe a lavoura em tempo real e auxilie o agricultor em suas tarefas diárias. Através da robustez das ontologias, e um banco de dados que realiza inferências em tempo real, é possível criar uma arquitetura que analise os dados dos sensores distribuídos na lavoura, e recomende ações ao agricultor que podem impactar positivamente se tratadas em um curto período de tempo. Por exemplo, o aumento inesperado de temperatura após chuvas pode alterar a forma de irrigação de uma gleba. O trabalho desenvolveu-se em cinco etapas principais: primeiramente, fez-se o estudo sobre os conceitos de Agricultura de Precisão e Ontologias. A segunda parte refere-se às metodologias Methontology e Unified Process for Ontology, que foram usadas para a modelagem da ontologia apresentada nesse trabalho, e também a Arquitetura Agromobile. A terceira parte envolveu levantamento e seleção de dados referentes a Agricultura de Precisão através de reuniões com Domain Especialists e Perguntas de Competência. A quarta etapa fez-se a modelagem da ontologia na linguagem OWL, através da ferramenta Protégé 4.2, visando o domínio estipulado explicado posteriormente nesse trabalho. A quinta parte traz a análise dos resultados obtidos através de inferências realizadas no motor de inferência Pellet 1.6.
Palavras-chave: Agricultura de precisão, computação ubíqua, ontologia, semântica,
ABSTRACT
The Precision Farming brought unquestionable improvement agriculture in relation to management of crops. While not a new technology, only began to be really widespread with the popularization of the Internet, culminating in the exchange of information and farming practices through. With the mapping of crop arising sensors, the farmer got better control over the use of inputs, quantitatively and qualitatively, since ceased to treat the whole area of cultivation with only medium involving calculations. Despite the advances generated, the market still misses an architecture that accompany real-time farming and assist farmers in their daily tasks. Through the strength of ontologies, and a database that performs inference in real time, you can create an architecture that analyzes data from sensors distributed in the field, and through that analysis, recommend actions to the farmer that can impact positively if treated in a short period of time. Eg unexpected increase in temperature after rain can change the shape of a plot irrigation. The work developed in four main steps: first, there was the study of the concepts of Precision Agriculture and Ontologies. The second part refers to Methontology methodologies and Unified Process is Ontology, which were used for modeling the ontology presented in this work, and also the Agromobile architecture. The third part involved surveying and selection of data for Precision Agriculture through meetings with Domain Especialists and Competence Questions. The fourth step was made with the ontology modeling in OWL language through Protégé 4.2 tool, targeting the area stipulated explained later in this work. The fifth part presents the analysis of results obtained through inferences made in Pellet 1.6 inference engine.
Keywords: Precision Agriculture, ubiquitous computing, ontology, semantics, data mining.
SUMÁRIO
INTRODUÇÃO ... 11
1. AGRICULTURA DE PRECISÃO ... 13
1.1 Ascenção da tecnologia e o ciclo de produção ... 13
2. ONTOLOGIA ... 17 2.1 Variações do conceito ... 17 2.2 Ontologia de domínio... 19 2.2.1 Método de raciocínio ... 19 2.2.2 Objeto de representação ... 20 2.3 Formas de representação ... 25
2.4 Resource Description Framework ... 25
2.5 Web Ontology Language ... 27
3. MODELAGEM DA ONTOLOGIA ... 29
3.1 Metodologia ... 29
3.2 Arquitetura Agromobile ... 31
3.2.1 Módulos ... 31
3.3 Levantamento de dados e requisitos ... 33
3.3.1 Perguntas de Competência ... 37
3.3.2 Classificação e estruturação dos dados ... 38
4. FORMALIZAÇÃO DA ONTOLOGIA ... 41
4.1 Modelagem OWL no Protégé 4.2 ... 43
4.1.1 Regras ... 49
4.1.2 Consultas ... 51
4.2 Análises e Resultado ... 53
5. CONCLUSÃO ... 58
6. BIBLIOGRAFIA ... 59
Lista de Figuras
Figura 1 – Ciclo de uma safra na agricultura de precisão. ... 15
Figura 2 – Ontologia simplificada de um domínio cinematográfico. ... 18
Figura 3 – Hierarquia de um descritor de vinhos.. ... 22
Figura 4 – Relação de equivalência. ... 24
Figura 5 – Relacionamento entre recursos em RDF ... 26
Figura 6 – Methontology ... 30
Figura 7 – Etapa de requirementos do método UPON. ... 31
Figura 8 – Arquitetura Agromobile. ... 32
Figura 9 – Casos de uso. ... 34
Figura 10 – Tratamento de uma gleba ... 41
Figura 11 – Framework Protégé 4.2 ... 43
Figura 12 – Primeiro nível semântico da ontologia ... 44
Figura 13 – Subclasses de Gleba ... 45
Figura 14 – Subclasses de Grain ... 45
Figura 15 – Subclasses de Service ... 46
Figura 16 – Subclasses de Weather ... 46
Figura 17 – Subclasses de Composting ... 47
Figura 18 – Mapa de classes e relacionamento da ontologia completa ... 48
Figura 19 – Class Hierarchy ... 53
Figura 20 – Inferências à Gleba 1 ... 54
Figura 21 – Inferências à Gleba 2 ... 55
Figura 22 – Inferências à Gleba 3 ... 55
Figura 23 – Inferências à Gleba 4 ... 56
Figura 24 – Inferências à Gleba 5 ... 56
Figura 25 – CQ1 ... 61
Figura 26 – CQ3 ... 62
Figura 27 – CQ5 ... 63
Figura 28 – CQ7 : saturação por Al ... 63
Figura 29 – CQ7: pH em água ... 64
Figura 30 – CQ7: saturação por base ... 64
Lista de Tabelas
Tabela 1 – Dados coletados para a construção da ontologia ... 35
Tabela 2 – CQs para auxílio na modelagem ... 37
Tabela 3 – Business Actors ... 38
Tabela 4 – Business Objects ... 39
Tabela 5 – Business Process ... 40
Tabela 6 – Abstração de classes e uso de subclasses ... 42
Tabela 7 – CQ2 ... 61
Tabela 8 – CQ4 ... 62
Tabela 9 - CQ10 ... 66
Tabela 10 - CQ11 ... 66
Lista de Abreviaturas e Siglas
CQ – Competency Question DE – Domain Especialist
GPS - Global Positioning System OWL – Web Ontology Language
RDF – Resource Description Framework
SGML - Standard Generalized Markup Language UPON – Unified Process on oNtology
INTRODUÇÃO
A partir de 1998, o agricultor brasileiro teve acesso aos equipamentos de colheita mecânica com o sistema de mapeamento de produtividade da cultura do milho e soja, o que possibilitou, e vem possibilitando, uma análise mais criteriosa da variabilidade espacial da produtividade nos campos de produção. (Mantovani et al, 2002). Através dessa tecnologia, a agricultura teve um grande avanço produtivo, alcançado mediante redução de desperdício de insumos e fertilizantes e o uso eficaz dos mesmos através da análise georreferenciada.
O ciclo da agricultura de precisão possui quatro etapas fundamentais: análise do solo, plantio, acompanhamento da lavoura e colheita. Todas elas possuem como maior determinante, análises de especialistas na área (Coelho, 2005), através de conclusões obtidas dos dados obtidos do sensoriamento. Esse tipo de análise é, majoritariamente, de cunho pessoal e suscetível ao erro humano, pois está atrelada ao conhecimento individual e históricos de sucesso no tratamento do problema em questão. Essa análise também necessita um tempo prévio para discussão de especialistas, com o objetivo de escolher a melhor solução ao caso apresentado.
Esse contexto exemplifica como que, apesar de avançada tecnologicamente, a agricultura ainda possui uma base manual de análise e aplicação, aumentando sua margem de erro. Este setor carece de uma base de conhecimento computacional que analise os dados advindos dos sensores e recomende ações em tempo real com base na coleta sensorial.
Com esse problema em pauta, a modelagem de uma ontologia que abrange todo o domínio da agricultura de precisão pode ser uma solução. Uma ontologia é criada por especialistas e define as regras que regulam a combinação entre termos e relações em um domínio do conhecimento. Os usuários formulam consultas usando conceitos definidos pela ontologia. Para Almeida et al. (2003), o que se busca, em última instância, são melhorias nos processos de recuperação da informação.
Através da popularização da agricultura de precisão no século XXI, as lavouras começaram a ser cada vez mais dependentes de sensoriamento e a
análise de dados com qualidade. Apesar de existir um considerável contigente de tecnologias a serem usadas, o mercado ainda carece de uma que acompanhe em tempo real a lavoura e faça raciocínios perantes os dados coletadas.
O objetivo deste trabalho é modelar uma base de conhecimento através de ontologias abrangendo o domínio da agricultura de precisão no cultivo de soja, com o enfoque em realizar recomendações em tempo real através de inferências para manutenção de lavouras
O trabalho a seguir está dividido da seguinte forma: o Capítulo 1 apresenta o estudo da Agricultura de Precisão e seu histórico. O Capítulo 2 possui o referencial teórico sobre Ontologias, a modelagem de um domínio, as formas de representação e a abordagem do RDF e OWL. O Capítulo 3 aborda a modelagem da ontologia proposta através da metodologia UPON. O Capítulo 4 traz a formalização da ontologia na linguagem OWL através do framework Protégé 4.2, a definição das regras e das consultas, e a análise de um cenário hipotético onde a ontologia foi posta a testes. O Capítulo 5 a conclusão, juntamente com os trabalhos futuros. O Anexo A visa responder as Perguntas de Competência abordadas no Capítulo 3.
1. AGRICULTURA DE PRECISÃO
O estudos a cerca da agricultura de precisão começaram nos Estados Unidos em 1929. No entanto, só com a disseminação do uso do GPS na década de 80, foi possivel coloca-la na prática. Desde então, a agricultura de precisão vem ganhando mais adeptos e cresce cada vez mais pelo mundo.
1.1 Ascenção da tecnologia e o ciclo de produção
Kellog (1957) menciona que, antigamente, muitos agricultores reconheciam a diferenciação na aplicação de esterco e/ou material calcário dependendo do tipo de solo.
Entretanto, é importante mencionar que, em tempos passados, em que predominava uma agricultura familiar, explorada em pequenas áreas, era possível aos agricultores observar a variabilidade espacial das propriedades dos solos e seus efeitos no desenvolvimento e produção das culturas e manejá-las com base nessas diferenças (COELHO ET AL, 2005, p7).
O realidade que acontecia anteriormente na agricultura era que, por ela ser predominantemente familiar, e ser explorada em áreas muito menores do que hoje em dia, os agricultores conseguiam observar a variabilidade espacial envolvendo o solo e seus efeitos no desenvolvimento das culturas, possibilitando as correções necessárias para criar um ambiente propício a maior produtividade (Inamasu et al, 2014).
Posteriormente, através do uso de maquinário na agricultura, aconteceu o manejamento econômico em relação as culturas em grandes áreas, com a aplicação uniforme de insumos (Coelho et al, 2005). Um agricultor que cultiva 1.000 hectares usando manejo uniforme, possui menos informações sobre agricultura da variabilidade espacial do que 10 agricultores que anteriormente cultivaram essa mesma área em lotes de 100 ha (Coelho et al, 2005). Pra finalizar Coelho et al. (2005) cita que com o desenvolvimento do GPS em conjunto a equipamentos focados na variabilidade e aplicação de insumos com taxas variáveis,
é possivel reverter a situação atual, permitindo um manejo mais específico em relação as culturas.
“Os principais componentes do sistema da agricultura de precisão devem associar as medidas e compreensão da variabilidade” (Coelho et al, 2005, p12). Para manejar a variabilidade, o sistema deve usar a informação, associando a aplicação de insumos (fertilizantes, sementes, defensivos agrícolas, etc.) através do conceito de manejo localizado e as máquinas e equipamentos para a correta aplicação dos diferentes insumos a serem manejados (Coelho et al, 2005). Por fim, mas mais importante, esse sistema deve recordar a eficiência das práticas, com a finalidade de avaliar o seu valor para o agricultor (Coelho et al, 2005).
Segundo Sonka et al. (1997), a agricultura de precisão se divide em três componentes, aquisição de dados, analise dos dados e implementação de uma política de gerenciamento, baseada nas informações e janelas de tempo adequadas. Fatores com clima são gerenciados em escalas maiores que fatores com fertilidade e distribuição de pragas, estes sim são abordados pelos componentes da agricultura de precisão
A Figura 1 retrata o ciclo de uma safra usando a agricultura da precisão como base, que é composto por quatro etapas: preparação do solo, plantio, colheita e acompanhamento da lavoura. Existem ainda, outros tipos de metodologias usadas para acompanhar o ciclo de uma safra, mas estes não serão usados neste trabalho.
Figura 1 – Ciclo de uma safra na agricultura de precisão.
Autor: Arvus (2014).
O conceito da agricultura precisão engloba inúmeras tecnologias, entretanto, nenhuma delas consegue ser mais importante do que programas e computadores Computadores com hardware avançado, munidos de softwares robustos e completos para manejo de dados e elaboração de gráficos e mapas, estão entre as tecnologias que possibilitam a aplicação dos conceitos de agricultura de precisão (Coelho et al, 2005). Atividades tais como mapeamento de colheita, levantamento de dados de culturas e amostragem sistematizada de solos fornecem dados sobre a variabilidade das culturas e solos em uma determinada área (Coelho et al, 2005). Esses dados devem ser processados para fornecer informações que podem ser dispostas em mapas e utilizadas para a tomada de decisões (Coelho et al, 2005).
Varias tecnologias proporcionaram o desenvolvimento da agricultura de precisão; entretanto, é o conhecimento e o entendimento da variabilidade espacial e temporal dos atributos dos solos e plantas e suas relações, bem como a possibilidade de manejar essa variabilidade, que viabilizaram a aplicação dos conceitos da agricultura de precisão. Diferentes etapas compõem a agricultura de precisão: (i) identificação da variabilidade;
(ii)caracterização da variabilidade; (iii) identifica o(s) principal(is) fator (es) limitante(s); (iv) desenvolve plano de ação; (v) manejo da variabilidade; (vi) avaliação econômica e ambiental (COELHO ET AL, 2005, p20)
Segundo Campos (2004), a vinda da agricultura de precisão para o Brasil tem como resultado, uma modificação tanto tecnológica, como nos equipamentos e metodologias disponibilizadas aos agricultores, o que tem demandado uma ação rápida e integrada para a adaptação e a correta recomendação de uso da tecnologia. Ele ainda cita que a disponiblização de informações confiáveis se tornará um fator decisivo no sucesso da agricultura de precisão.
2. ONTOLOGIA
A palavra Ontologia possui a sua origem no grego “ontos”, ser, e “logos”, palavra. Ela é advinda da palavra que Aristóteles criou: “categoria”, que pode ser usada para classificar diversas coisas (Almeida et al, 2003).
Aristóteles apresenta categorias que servem de base para classificar qualquer entidade e introduz ainda o termo “differentia” para propriedades que distinguem diferentes espécies do mesmo gênero (ALMEIDA ET AL, 2003, p13).
A tão conhecida herança, por exemplo, usada em linguagens orientadas a objeto, é o processo de mesclar differentias definindo categorias por gênero (Almeida; Bax, 2003).
2.1 Variações do conceito
“Ontologia é um “catálogo de tipos de coisas” em que se supõe existir um domínio, na perspectiva de uma pessoa que usa uma determinada linguagem” (Sowa, 1999).
Segundo Borst (1997), uma ontologia é uma especificação formal explícita de uma conceitualização compartilhada. Ela é formal pois é legível e interpretável pelo computador, é explícita pois diz respeito a conceitos, propriedades, funções e relações, é compartilhada pois baseia-se em informações consensuais, e é uma conceitualização pois diz respeito a um modelo abstrato referente ao mundo real. Ambas citações, embora de autores atuantes em ramos diferentes (filosofia e ciência da computação), compartilham o mesmo significado, com o cuidado de que na ciência da computação a ontologia possui um sentido voltado a para organização de informação.
Atualmente na área de estudo, o melhor conceito de ontologia, obtido através de discussões realizadas e documentadas em Guarino & Giaretta (1995) e publicado futuramente em Guarino (1998) é: “[...] ontologia se refere a um artefato constituído por um vocabulário usado para descrever uma certa realidade, mais um conjunto de fatos explícitos e aceitos que dizem respeito ao sentido pretendido para as palavras
do vocabulário. Este conjunto de fatos tem a forma da teoria da lógica de primeira ordem, onde as palavras do vocabulário aparecem como predicados unários ou binários.”
Predicados lógicos formam um vocabulário, este então resulta em uma rede de conceitos que denota o caráter intencional das ontologias. (Almeida et al, 2003). A ontologia define as regras que regulam a combinação entre os termos e as relações. Almeida et al. (2003) menciona a dualidade entre as atividades, da qual os especialistas criam as relações entre os termos, e os usuários, através de conceitos especificados, formulam consultas. Com essas informações, conclui-se que a ontologia define um tipo de “linguagem” cujo objetivo principal seja formular consultas (Almeida et al, 2003).
Os componentes básicos de uma ontologia são classes (organizadas em uma taxonomia), relações (representam o tipo de interação entre os conceitos de um domínio), axiomas (usados para modelar sentenças sempre verdadeiras) e instâncias (utilizadas para representar elementos específicos, ou seja, os próprios dados) (GRUBER,1996; NOY & GUINESS, 2001 apud ALMEIDA ET AL, 2003).
A Figura 3 mostra uma ontologia genérica e superficial representando o dominio de produção de um filme, onde cada caixa representa uma classe e cada seta representa uma relação ou subtipo.
Figura 2 – Ontologia simplificada de um domínio cinematográfico.
Fonte: Sperotto (2012).
Mesmo sem um consenso, observa-se que os tipos apresentados guardam semelhanças entre suas funções. Conhecidos os principais tipos e características, pode se buscar ontologias existentes adequadas à utilização desejada (Almeida; Bax, 2003).
2.2 Ontologia de domínio
Para Campos (2004), na perspectiva da ciência da informação, da ciência da computação e da terminologia, interessam-nos aqueles níveis em que uma estrutura de conhecimento possa ser sistematizada e representada a partir de contextos específicos.
“Os níveis epistemológico e ontológico são aqueles que permitem a representação de conhecimento estruturado e formalizado” (NEWEL, 1982 apud CAMPOS, 2014)
O modelador de uma ontologia de domínio precisa usar de quatros princípios considerados fundamentais para auxilia-lo na formação de estruturas conceituais. Eles são: o método de raciocínio, o objeto de representação, as relações entre os objetos e as formas de representação (Campos, 2004).
2.2.1 Método de raciocínio
Modelos são elaborados, tradicionalmente, tendo como princípio um dos dois métodos de raciocínio: o método dedutivo, também denominado top-down, ou o método indutivo, também denominado bottom-up, ambos na ciência da computação (Campos, 2004).
O método indutivo possibilita a elaboração de modelos, partindo, desde o início, da representação dos elementos/objetos e relações de um contexto (Campos, 2004). Já o método dedutivo propõe que se elaborem mecanismo de abstração para pensar primeiramente o domínio/contexto, independentemente de pensar os elementos e suas relações; esta seria uma etapa posterior (Campos, 2004).
Na ciência da informação, a teoria da classificação facetada é representante de um modelo que utiliza o método dedutivo para classificar o conhecimento dentro de um domínio. Desta forma, possui mecanismos de representação para trabalhar com metaníveis conceituais – as categorias. É a partir delas que os conceitos são ordenados para formar classes de conceitos (RANGANATHAN, 1967 apud CAMPOS, 2004).
Campos (2004) deixa explícito que no domínio da ciência da computação, a ontologia formal utiliza o método indutivo.
Mesmo possuindo princípios para descrição de metaníveis de objetos em um domínio, não utiliza esta classificação como um mecanismo inicial para a organização dos objetos em um contexto (Campos, 2004). O processo é iniciado com a descrição bastante específica dos objetos de um contexto, desde sua identidade até a sua dependência com outros objetos (Campos, 2004). Esta dependência, entretanto, não é estabelecida do contexto para o objeto, mas entre os objetos.
O objetivo que suporta esta teoria é a elaboração de instrumentos que possibilitem descrever, conceitualmente, os elementos de um contexto. Desta forma, ela está mais preocupada com os significados dos conceitos do que com sua estrutura. Entretanto, acreditamos que em toda definição está implícita uma classificação (CAMPOS, 2004, p25).
Realizar essa definição não deve se limitar a apenas deixar claros os elementos constitutivos do objeto e sua aplicabilidade em determinado contexto, mas principalmente o objeto em si. Com essa denominação, a estrutura classificatória é facilmente visível como implícita. (Campos, 2004)
2.2.2 Objeto de representação
O objeto de representação tem como sua definição, através das teorias estudadas e analisadas, a menor unidade de representação de um dado contexto. (Campos, 2004).
Na análise das diversas teorias e metodologias, identificamos, em cada uma delas, o que é considerado um objeto de representação, sua importância como a menor unidade de representação dentro de um dado contexto e as implicações que resultam desta definição (CAMPOS, 2004, p26).
No âmbito da ciência da computação, no contexto da orientação a objetos, Campos (2004) afirma que os objetos que constituem o mundo real são a sua própria representação: “um objeto é um conceito”.
Para Guarino (1998), que trabalha no âmbito da inteligência artificial, os objetos devem ser classificados como concretos e abstratos, com o cuidado que objetos concretos podem ser ocorrentes e contínuos.
Já no âmbito ontológico, Sowa (2000) define os objetos ocorrentes como processos.
Com essas três bases para a denominação de um objeto de representação, é possível notar o quão conflitante é esse termo na literatura (Campos, 2004).
Em geral, o que se verifica é que as teorias ligadas à ciência da computação ainda não diferenciam, de forma explícita, o mundo real (objetos) da representação deste mundo. Acreditamos que isso se explique por trabalhar com a representação de fatos, e não de unidades de conhecimento, pois o objetivo é a descrição de fatos, e não exatamente o entendimento dos conteúdos conceituais do objeto representado. Entretanto, os sistemas baseados em conhecimento, ao contrário do convencional processamento de dados, têm elementos que são mais do que dados isolados, conceitos que descrevem objetos e suas propriedades (CAMPOS, 2004, p27).
Relações entre objetos
O relacionamento entre objetos, em um determinado contexto, forma a estrutura conceitual deste contexto e são de natureza diversa. Para analisar esses relacionamentos, Campos (2004) menciona os chamados “movimentos do ato de modelar”, que para ele, refletem grupos de relações entre conceitos.
Relações categoriais
A verificação é o primeiro movimento da existência de relações categoriais (Campos, 2004). A relação categorial reúne os objetos por natureza, tanto entidades como processos. O objetivo dessa relação é minimizar erros lógicos nas ligações entre conceitos. (Campos, 2004).
Relações hierárquicas
Verificado se os objetos estão reunidos ou não por sua natureza, um segundo movimento, não em ordem de precedência, mas de necessidade, é o de verificar como os objetos de mesma natureza se relacionam. Nesta forma de relacionamento, determinam-se as relações hierárquicas (CAMPOS, 2004, p28).
Essa relação é comumente representada em linguagens orientadas a objetos como relação de generalização e/ou especialização, embora a ontologia aborde ela
de uma forma um pouco diferente, levando em consideração também a parte-todo (RANGANATHAN, 1967 apud CAMPOS, 2004).
Hierarquia é uma das relações mais importantes em qualquer necessidade de classificação de contexto, pois ela é um tipo de “espinha dorsal” de uma estrutura (Campos, 2004).
Para as teorias que tratam dos processos definitórios de um conceito, como a teoria da terminologia e a ontologia formal, ela é imprescindível, sendo a partir dela que se estabelece o primeiro elemento de uma definição (CAMPOS, 2004, p29).
A Figura 4 mostra a hierarquia da classe WineDescriptor (descritor de vinho), dentro da uma ontologia do domínio das viniculturas.
Figura 3 – Hierarquia de um descritor de vinhos.
Fonte: Autor
Relações partitivas
Como o próprio nome sugere, as relações partitivas visam abordar como o objeto se constitui. Um exemplo é o objeto “Carro” constituído dos objetos volante, rodas e motor.
Com exceção da ontologia formal e da terminologia, as outras teorias e métodos tratam esta relação de forma muito simples, como a parte de um todo Entretanto, não especificam o que é o todo ou o que é a parte. (CAMPOS, 2004, p29).
Na verdade, é somente a ontologia formal que apresenta critérios que esclarecem esta questão, pois a terminologia apresenta a tipologia das relações partitivas a partir das possibilidades de coordenação e interseção entre os objetos
(Campos, 2004). Esses critérios auxiliam o modelizador a distinguir a natureza daquilo que irá ser considerado como parte e como todo; funcionam também como “metacategorias informacionais” para identificar as relações partitivas de um dado domínio (Campos, 2004). Para esse tipo de relação Campos (2004) cita seis itens fundamentais:
Objeto integral/componente – o que caracteriza este tipo de partição é a possibilidade de a estrutura do componente ser separável e possuir uma funcionalidade específica, no caso da roda do carro;
Membro/coleção – o componente não possui nenhum papel funcional em relação ao todo, isto é, são partes do todo, mas podem ser individualizados, no caso da árvore como parte da floresta;
Massa/porção – o todo é considerado como um agregado homogêneo, e sua parte/porção é similar e separável, no caso do pedaço de uma torta;
Objeto/matéria – expressa a parte/ matéria na qual a coisa é feita e que não é separável do objeto, pois não tem nenhuma função separada do objeto, no caso da bicicleta e do material de que ela é feita – o aço;
Caráter/atividade – designa uma parte de uma atividade, no caso da indexação que faz parte da fase de tratamento documentário;
Área/lugar – é um tipo partitivo de relação espacial entre uma região ocupada por diferentes objetos, no caso o oásis e o deserto.
Relações entre categorias
Um outro movimento é verificar como objetos de natureza diferente se relacionam e representar esse relacionamento de forma mais consistente, ou seja, a partir da determinação de alguns critérios prescritivos que possibilitam ligações mais criteriosas (Campos, 2004)
Relações entre categorias são as relações mais encontradas em orientação a objetos, pois definem as relações entre objetos, como por exemplo professor ministra disciplina. Esse tipo de relação é fundamental para dar sentido a um
domínio a ser modelado pois integra categorias que separadamente tem um aspecto funcional nulo, como por exemplo, a categoria Aluno não ter sentido dentro de um domínio escolar se o mesmo não estiver cursando alguma matéria.
Relações de equivalência
Essa relação é pouco usada em ontologias formais e inexistente em orientação a objetos. Ela designa categorias que são equivalentes e está ligada ao campo verbal/de comunicação. A Figura 5 mostra uma relação de equivalência sobre categorias.
Figura 4 – Relação de equivalência.
Fonte: Autor.
É importante ressaltar que equivalência não se diz apenas a questões culturais ou linguagens, mas também de categorias que no total possuem equivalência, como por exemplo, a matéria Formação e Desenvolvimento Brasileiro ser equivalente a Formação e Desenvolvimento da Sociedade Brasileira, levando em consideração a sua ementa.
2.3 Formas de representação
Um modelo conceitual deve ser visto, também, como um espaço comunicacional em que transpomos o mundo fenomenal para um espaço de representação (Campos, 2004). Desta maneira, consideramos importante investigar formas gráficas de representação, porque, em alguns casos, estas formas “inibem” as possibilidades representacionais (Campos, 2004).
Nas teorias e metodologias que nos propomos a analisar, verificamos que a área da ciência da informação, apesar de ter teorias bem fundamentadas sobre o conceito e relações conceituais, é fraca em modelos que auxiliem a elaboração de representações gráficas. Tanto na teoria da classificação facetada quanto na teoria do conceito, não é apresentado nenhum modelo para expressar graficamente as relações conceituais (CAMPOS, 2004, p31).
Através da análise das formas de representação, é possível notar uma maior enfoque na documentação através de listas endentadas de termos e não em uma representação gráfica. A ontologia, mesmo trazendo grandes avanços em relação aos aspectos teórico da orientação a objetos, utiliza a mesma forma de representação do mesmo.
2.4 Resource Description Framework
O RDF, desenvolvido pela W3C, é uma infra-estrutura que permite a codificação, a troca e a reutilização de metadados1 estruturados. Esta infra-estrutura permite a interoperabilidade de metadados através do desenho de mecanismos que suportam convenções comuns de semântica, sintaxe e estrutura. Ele não estipula a semântica para cada descrição da comunidade de recursos, mas sim fornece a capacidade para estas comunidades definirem elementos de metadados conforme necessário. RDF usa XML como uma sintaxe comum para o intercâmbio e tratamento de metadados. A sintaxe XML é um subconjunto do padrão internacional de processamento de texto SGML destinado especificamente para uso na Web. Ao explorar as características de XML, RDF impõe uma estrutura que proporciona a
1
expressão inequívoca da semântica e, como tal, permite a codificação consistente, de intercâmbio e de processamento de máquina de metadados padronizados (Miller, 1998).
Além disso, o RDF suporta o uso de convenções que facilitam a interoperabilidade entre os metadados separados. Essas convenções incluem mecanismos padrões para a representação semântica que se baseiam em um modelo simples, mas ao mesmo tempo poderoso. resolver aplicativos ou domínio requisitos descritivos específicos (Miller, 1998).
Figura 5 – Relacionamento entre recursos em RDF
Fonte: Autor.
A Figura 6 mostra o relacionamento, caracterizado como de autoria entre João da Silva e o Documento 1. Esse relacionamento gera duas declarações:
“O autor do Documento 1 é João da Silva”
“João da Silva é o autor do Documento 1”
Para os seres humanos, estas declarações transmitem o mesmo significado. Para uma máquina, no entanto, são frases completamente diferente.
Considerando que os seres humanos são extremamente hábeis em extrair significado de diferentes construções sintáticas, as máquinas permanecem grosseiramente ineptas (Miller, 1998, p17).
Através do uso de triplas (objeto-sujeito-predicado), o RDF tem o objetivo de fornecer um método mais preciso de expressar semântica em uma codificação legível.
2.5 Web Ontology Language
O OWL é uma linguagem de marcação semântica para publicação e compartilhamento de ontologias na World Wide Web. OWL é desenvolvido como uma extensão de vocabulário RDF e é derivado do DAML + OIL (W3C, 2004 apud Horrocks et al., 2011).
OWL podem expressar quais individuals pertencem a qual classes, e que os valores de propriedade são de indivíduos específicos. Declarações de equivalência podem ser feitas em classes e em propriedades, disjunção pode ser feita em classes, e igualdade e desigualdade pode ser afirmado entre indivíduos (Horrocks et al., 2011).
O grande avanço de OWL sobre o RDF é a capacidade de fornecer restrições sobre propriedades que são locais para uma classe (Horrocks et al., 2011). OWL pode definir as classes em que uma propriedade particular é limitada de modo a que todos os valores para o propriedade em instâncias da classe deve pertencer a uma determinada classe (ou tipo de dados). (Horrocks et al., 2011).
Com o RDF, por exemplo, podemos modelar o seguinte cenário com as seguintes características:
Declarar as classes País, Pessoa, Professor e Brasileiro;
Declarar que Professor é uma subclasse de Pessoa;
Declarar que Brasil e Argentina são duas instâncias da classe País;
Declarar que Nacionalidade é uma propriedade que faz o relacionamento entre as classes Pessoas (como domínio) e País (como alcance).
Declarar que idade é uma propriedade de classe, no caso, a classe Pessoa (domínio) com o alcance sendo integer.
Declarar que Mateus é uma instância da classe Brasileiro e a sua idade tem valor 32.
Com OWL, é possível enriquecer esse cenário com mais detalhes e singularidades, permitindo que a interpretação de informação pela parte da máquina seja mais coerente e eficaz:
Declarar que País e Pessoa são classes distintas, que não possuem uma correlação semântica.
Declarar que Brasil e Argentina são individuals distintos sem correlação semântica.
Declarar que possuiCidadão é um relacionamento inverso de Nacionalidade;
Declarar que a classe Desnacionalizado é definido precisamente para os membros da classe pessoa que não possuem valores para a propriedade Nacionalidade;
Declarar que a classe Multinacionalidade é definida precisamente para os membros da classe Pessoa que possuem pelo menos 2 valores na propriedade Nacionalidade.
Declarar que a classe Brasileiro é definida precisamente para aqueles membros da classe Pessoa que possuem Brasil como valor na propriedade Nacionalidade.
Declarar que idade é uma propriedade funcional.
A conclusão a cerca dessa análise, é que o OWL aumenta o detalhamento dos fatos, e por consequência, a semântica. É possível dizer que uma ontologia desenvolvida em OWL apresenta mais clareza que uma em RDF.
3. MODELAGEM DA ONTOLOGIA
A modelagem da ontologia desenvolvida nesse trabalho, surgiu da necessidade da criação da mesma para obter um raciocínio periódico sobre os dados coletados nas lavouras onde a tecnologia é implementada. É importante ressaltar que este trabalho aborda o domínio da agricultura de precisão, e como a própria tecnologia permite, pode ser reusada para outros fins com pouca ou nenhuma mudança.
3.1. Metodologia
A metodologia é uma técnica que, por meio do estudos dos métodos, busca criar um padrão para alcançar um fim de desejado, no caso desse trabalho, uma ontologia de domínio. Profissionais relacionados a ontologia tem grande dificuldade nessa etapa por não existir um padrão estabelecido na criação das ontologias, resultando no não uso de metodologias e na ocorrência de problemas (Guimarães, 2002) que tornam o processor mais lento e mais suscetível a falhas.
Para realizar a modelagem, foi realizada uma pesquisa em torno de quais metodologias poderiam trazer mais benefícios claros para a criação de uma ontologia. Atualmente, não existe uma metodologia principal em uso pelos desenvolvedores ou uma padronização. Primeiramente, optamos por usar a Methontology (Figura 7), uma metodologia de fácil entendimento, a qual apresenta: uma identificação do processo de desenvolvimento de ontologias, um ciclo de vida baseado em evolução de protótipos e, técnicas particulares para alcançar cada uma de suas atividades (Fernandéz-López, 2000).
Figura 6 – Methontology
Fonte: Fernandéz-López et al. (1997)
Apesar da Methontology ser uma metodologia confiável, muitas vezes foram apenas repetidos ciclos na criação que não traziam informações a mais para o desenvolvimento. Com esse porém estabelecido, resolvemos optar definitivamente pelo método UPON (de Nicola et al, 2005), que além de realizar ciclos na modelagem da ontologia, baseia-se no UP e em UML, linguagem que já se provou eficiente na estruturação de ontologias (Guizzardi et al., 2002 apud de Nicola, 2005).
O método UPON usa de casos de usos na modelagem, e os ciclos, além de iterativos, são incrementais, sempre almejando adicionar novas informações. A metodologia necessita dois tipos de profissionais: o Domain Expert e o Knowledge Engineer, em todo o desenvolvimento, sendo respectivamente, o primeiro responsável por trazer com clareza e profundidade de detalhes as necessidades a serem supridas, e o segundo traduzir isso para diagramas de casos de uso e futuramente para a linguagem da ontologia, no caso desse trabalho, o OWL.
Figura 7 – Etapa de requirementos do método UPON.
Fonte: de Nicola et al. (2005)
3.2 Arquitetura Agromobile
A Arquitetura Agromobile, apresentada em Morgenstern et al (2015), tem como objetivo oferecer suporte aos produtores rurais através do monitoramento em tempo real da área de plantio. Para isso, definiu-se a necessidade da criação de uma ontologia no domínio da agricultura de precisão que recomende atividades de acordo com as informações de contexto, extraídas do sensores. Ou seja, a arquitetura visa aplicar tecnologias provenientes da Computação Ubíqua no domínio de Agricultura de Precisão.
3.2.1 Módulos
Para desempenhar a tarefa proposta, a arquitetura realiza a gerência das informações coletadas por uma rede de sensores sem fio (RSSF). Estas
informações foram agrupadas e inseridas na ontologia modelada neste trabalho. Assim, a arquitetura consegue realizar recomendações de atividades e emitir alertas para os produtores rurais através de dispositivos móveis (Morgenstern et al, 2015). A arquitetura (Figura 2) possui cinco módulos, compostos por serviços, nomeados:
Figura 8 – Arquitetura Agromobile.
Fonte: Morgenstern et al. (2015).
(A) Servidor de Controle: Realiza a gerencia dos dados e serviços utilizados na
arquitetura através de uma série de serviços de gerenciamento. O controle de execução, envolvendo outros serviços do servidor, fica a cargo do Serviço de Gerenciamento (Morgenstern et al, 2015).
Para gerenciar os recursos necessários para a recomendação de ações, o Serviço de Gerenciamento de Recursos controla o estado dos recursos cadastrados na arquitetura. Estes recursos são separados em três categorias: (i) atuadores, (ii) sensores, e (iii) dispositivos móveis (MORGENSTERN ET AL, 2015, p3).
A parte de apresentação, gerida pelo Serviço de Apresentação, oferece uma interface gráfica web para o gerenciamento do servidor ou modificação de
configurações. O Serviço de Comunicação implementa webservices REST1que servem como interface de comunicação com os outros módulos da arquitetura (Morgenstern et al, 2015). Para realizar a recomendação de ações e o envio de alertas baseados em contexto, o Serviço de Persistência realiza o gerenciamento de informações modeladas na ontologia. Para gerenciar a ontologia em memória, foi utilizada a OWL API 2. As recomendações são realizadas através de inferências feitas na ontologia, gerenciadas pelo Serviço de Raciocínio, que utiliza o motor de inferência Pellet3 (Morgenstern et al, 2015);
(B) Aplicação Móvel: A aplicação móvel terá o encargo de passar as informações
da lavoura ao produtor, tal qual os alertas e recomendações existentes. Essa aplicação móvel foi desenvolvida para o sistema operacional Android e foi previamente apresentada em Kirschner (2013);
(C) Coletores: Software desenvolvido na linguagem Java. É responsável por
armazenar temporariamente as informações coletadas pela rede de sensores e transmiti-las ao servidor (Morgenstern et al, 2015);
(D) Rede de Sensores Sem Fio (RSSF): Tem a função de coletar os dados
concebidos pela análise do solo e do ambiente. A rede é formada por: folhas, roteadores e controladores, especificados em Morgenstern et al (2015).
(E) Atuadores: Usados para realizar tarefas externas sob o controle da arquitetura.
São controlados por softwares através de web services. (Morgenstern et al, 2015).
3.3 Levantamento de dados e requisitos
Para a concepção da ontologias, foi-se usado o estudo realizado por Rossi (2014) onde foram criados alguns casos de uso, diagramas de classes e diagramas de atividades, referentes a agricultura de precisão, junto a DE, Mariângela Johann.
1
Representational State Transfer, estilo arquitetural que consiste de um conjunto coordenado de restrições arquiteturais aplicadas a componentes, conectores e elementos de dados dentro de um sistema de hipermídia distribuído
2
API destinada a implementação Java para criar, manipular e serializar ontologias OWL
3 Motor de inferência responsável por analisar os dados da ontologia e criar raciocinio a cerca dos mesmos.
O estudo de Rossi (2014) menciona os quatro atores principais que integram o processo Agromobile, e suas principais funções dentro da organização do sistema:
• Produtor – responsável pela tomada de decisão mediante a recomendação, ele que irá interagir com a arquitetura e a ontologia.
• Ontologia – realiza as recomendações ao Produtor mediante inferências relizadas advindas dos dados recebidos.
• Sensor (ou Sensores) – realiza a coleta dos dados em tempo real e envia as informações ao servidor.
• Servidor – armazena a ontologia e gerencia as informações advindas do Sensor.
Figura 9 – Casos de uso.
Fonte: Rossi (2014).
Através dos diagramas criados por Rossi (2014), foram reunidos os dados referentes a agricultura de precisão representados pela Tabela 1. Esses dados estão em forma bruta, sem levar em consideração se eles são entidades, atributos ou
relacionamentos. Dessa forma, foi possível começar o primeiro ciclo da metodologia de uma maneira mais abrangente e que consiga permear grande parte do domínio a ser atendido. Todos os dados foram traduzidos para o inglês visando a padronização para futuro reuso.
Tabela 1 – Dados coletados para construção da ontologia.
Classe Descrição
Air Moisture Umidade do ar (quantidade de vapor de água presente na atmosfera).
Base Saturation
Quantidade de íons com carga positiva, com exceção dos íons de hidrogênio e alumínio, que são absorvidos na superfície das partículas do solo.
Composting
Processo biológico em que os microrganismos transformam a matéria orgânica em um material semelhante ao solo, a que se chama composto, e que pode ser utilizado como adubo.
Correction Processo realizado para corrigir o solo a fim de tornar o mesmo mais fértil
DataCollection Dados coletados através do sensores para popular a ontologia
Disking Etapa de preparação do solo para cultivo agrícola posterior à aração.
Fertilizer
Qualquer tipo de substância aplicada ao solo ou tecidos vegetais para prover um ou mais nutrientes essenciais ao crescimento das plantas.
Gleba Porção de terra próprio destinado ao cultivo, aonde o sensor irá coletar os dados
Grain Grão usado no plantio, dentro de um ciclo da agricultura de precisão.
Harvest
Coleta ou recolhimento daqueles produtos que já atingiram o seu último grau de desenvolvimento ou maturação.
Irrigation
Técnica utilizada na agricultura que tem por objetivo o fornecimento controlado de água para as plantas em quantidade suficiente e no momento certo, assegurando a produtividade e a sobrevivência da plantação
Liming
Etapa do preparo do solo para cultivo agrícola na qual se aplica calcário com os objetivos de elevar os teores de cálcio e magnésio, neutralização do alumínio trivalente e corrigir o pH do solo
Macronutrients São os elementos básicos necessários em maior volume às plantas.
pequenas quantidades, de miligramas (um milésimo do grama) a microgramas (um milionésimo do grama)
Plague Control
Processo realizado para controlar a quantidade de pragas existentes na lavoura, primariamente, com o uso de agrotóxicos.
Plagues Pragas que afetam a produtividade agrícola e devastam as lavouras.
Planning Planejamento estipulado pelo produtor.
Plantation
Ação de semear, lançar na terra a semente para que a planta germine, cresça e dê fruto
Precipitation
Qualquer tipo de fenomeno relacionado a queda de água do céu, sem importar seu estado.
Producer
Produtor, dono da lavoura e pessoa que tomará as medidas sugeridas pela ontologia.
Sampling Amostragem do solo para análise futura.
Scarification
Operação utilizada no sistema de cultivo mínimo, que consiste em romper a camada superficial do solo, de 15 cm a 30 cm, com o uso de implementos de haste, denominados escarificadores, possibilitando a movimentação do solo sem a inversão da leiva e mantendo grande parte dos resíduos vegetais na superfície que protege o solo da erosão.
Soil Solo pertencente a uma gleba.
Soil PH
O pH do solo serve para avaliar as condições de um solo: ácido, neutro ou alcalino.
SubSoiling
Operação que visa movimentar camadas profundas do solo, para quebrar camadas compactadas.
Temperature Temperatura do ambiente.
Water PH PH da água, indica a acidez, neutralidade ou alcalinidade de uma solução aquosa
Weather Fenômenos climáticos que podem interferir no processo da agricultura.
WindSpeed Velocidade do vento em determinada gleba.
3.3.1 Perguntas de Competência
O método UPON incorpora também as chamadas Perguntas de Competência. Essas perguntas necessitam ser respondidas com a ontologia em fase de concepção, e são feitas através de entrevistas com o DE ou brainstorming com o cliente final (de Nicola et al., 2008). Elas são responsáveis para avaliar a profundidade e a cobertura que a ontologia apresenta, focando em (i) descoberta ou recuperação de recursos, ou (ii) reconciliação1. A Tabela 2 apresenta as CQs realizadas nesse trabalho.
Tabela 2 – CQs para auxílio na modelagem.
CQ1
Como funciona o processo de início de um ciclo da agricultura de precisão?
CQ2
Quais são os tipos de solo existentes que permitem o plantio de soja?
CQ3 Quais são as condições ideais para o plantio?
CQ4 Quais são os serviços realizados na lavoura?
CQ5
Qual é a condição da gleba para necessidade de irrigação?
CQ6
Qual é a condição da gleba para necessidade de correção?
CQ7 Qual é a condição da gleba para necessidade de calagem? CQ8 Qual é a condição da gleba para a realização da colheita?
CQ9
Qual é a condição da gleba para a necessidade do uso de defensivos agrícolas?
CQ10 Quais as pragas que afetam a soja?
CQ11
Quais são os principais micronutrientes para uso no ciclo de agricultura da soja?
CQ11
Quais são os principais macronutrientes para uso no ciclo de agricultura da soja?
Fonte: Autor
1
No contexto de ontologias, casos de uso correspondem aos caminhos do conhecimento, mediante a ontologia, a ser seguido para alcançar operações de negócios e, quando necessário, responder a CQs (de Nicola, 2005). Os casos de uso especificam os processos importantes dentro da agricultura de precisão, modelados posteriormente na ontologia, respondendo as Perguntas de Competência (ANEXO A). Certas CQs não podem ser respondidas com casos de usos, necessitando o uso de outros diagramas, ou, em raras ocasiões, respostas simples.
3.3.2 Classificação e estruturação dos dados
O segundo processo da metolodogia UPON é classificar e estruturar os dados coletados anteriormente. Esses dados serão separados em três tipos: business actors, business objects e business process. Essa etapa de classificação tem como objetivo criar conceitos indutivos para separar as informações baseado em suas caracteristicas em comum.
Os business actors reunem elementos ativos de um domínio, capaz de ativar, executar, monitorar ou um processo de negócio (de Nicola, 2008). Os business objects se referem a entidades que serão manipuladas através de um processo dentro do negócio proposto (de Nicola, 2008). Finalmente, o business process é uma atividade profissional ou operação destinada para a satisfação de uma meta de negócios, operando em um conjunto de processos (por exemplo, emissão de ordem de compra, solicitando cotação). Ele pode ser bastante simples, com uma duração limitada no tempo, ou complexo, com ramificações paralelas e fases que podem durar por um longo período de tempo (de Nicola, 2008).
Através da Tabela 3 foram criadas as Tabelas 4, 5 e 6 para subdividir cada classe dentro da classificação mencionada anteriormente
Tabela 3 – Business Actors
Classe
Producer Weather
Fonte: Autor
Os business actors, abstraídos do cenário da agricultura de precisão estudado, são apenas os dois mencionados na Tabela 3. O producer terá a responsabilidade de realizar os serviços, gerados pelas inferência, na lavoura. Essa classe, tem como fim representar a parte humana que agirá na lavoura, não obrigatoriamente sendo apenas o produtor, mas uma equipe que envolve tanto o produtor como técnicos agrícolas para executar as funções propostas. A classe weather define os fenomenos meteorológicos que agem em toda plantação, mesmo que estes não podem ser controlados.
Tabela 4 – Business Objects
Classe Air Moisture Fertilizers Gleba Grain Macronutrients Micronutrients Plagues Soil Soil PH Temperature Water PH WindSpeed Fonte: Autor
Os business objects evidenciados pela Tabela 4 representam tanto os objetos onde os atores realizam os processos, quanto os usados pelos atores. As classes gleba, grain e plagues são objetos que serão tratados pelo producer. Ele usará dos
outros objetos como por exemplo: fertilizers para realizar esses tratamentos, através de um business process.
Tabela 5 – Business Process
Classe Composting Correction DataCollection Disking Harvest Irrigation Liming Plague Control Planning Plantation Precipitation Sampling Scarification SubSoiling Fonte: Autor
Por fim, os business process apresentados na Tabela 5 definem os serviços utilizados na lavoura. Grande parte das classes mostradas servem majoritariamente para criar uma boa condição agrícola e corrigir falhas ao longo do ciclo de produção. Esses processos podem assumir duas formas: obrigatórios e situacionais. As classes Harvest e Plantation definem, por exemplo, dois processos obrigatórios no ciclo de produção, o de colheita e o de plantio. As classes Irrigation, Liming e Disking, por exemplo, denotam processos que necessitam de algum problema na lavoura para serem usados.
4. FORMALIZAÇÃO DA ONTOLOGIA
Com o levantamento e classificação dos dados completos, foi proposto uma solução para o cenário de agricultura de precisão, representado em sua forma mais simples pela Figura 10.
Figura 10 – Tratamento de uma gleba
Fonte: Autor
Essa solução tem o foco no tratamento das glebas nas lavouras, para isso, define-se que nenhuma gleba vai ser representada apenas pela classe Gleba, mas sim por duas subclasses chamadas Normal_Gleba e Gleba_with_Problems, representando, respectivamente, a gleba que não precisa de nenhuma correção, e que pode participar da etapa da colheita sem menores preocupações, e a gleba que necessita de correção e deverá usar dos services, modelados anteriormente como business processes, para tal feito. A classe Service também nunca será usada diretamente, mas apenas suas subclasses.
Com isso, o foco da ontologia será transformar todas as glebas que possuem algum tipo de pendência, em uma gleba normal. Para chegar a esse objetivo é fundamental trazer ao produtor, recorrentemente, quais as glebas que ele precisa ter enfoque, e também, buscar a informação com certa frequência para informar o mais rapído possível quais as glebas problemáticas.
Através desse estudo de cenário, visualizou-se a necessidade da abstração de algumas classes que não são usadas diretamente, mas que mantém a semântica do domínio. A Tabela 6 encarrega-se de listar quais classes se tornaram abstratas na ontologia e quais subclasses serão usadas no contexto.
Tabela 6 – Abstração de classes e uso de subclasses
Classe Subclasses usáveis
Gleba Normal_Gleba Gleba_with_Problems Services Composting Correction DataCollection Disking Irrigation Liming PlagueControl Planning Plantation Sampling Scarification Subsoiling Weather Temperature Moisture Precipitation Fonte: Autor
Com a solução para o domínio da agricultura de precisão proposta, fez-se então a formalização da ontologia na linguagem proposta.
4.1 Modelagem OWL no Protégé 4.2
A última etapa da metodologia UPON fez-se com a formalização da ontologia em OWL-DL1. Para isso, usou-se o framework Protégé 4.2 (Figura 11) embutida com o motor de inferência Pellet 1.6.
Figura 11 – Framework Protégé 4.2
Fonte: Autor
O Protégé trabalha em primeira instância com quatro tipos de dados: entities/classes, object properties, data properties e individuals.
As entities/classes são auto explicativas, referem-se as classes usadas na ontologia.
Os object properties representam os relacionamentos entre classes, atributos ou até os próprios relacionamentos. É importante mencionar que uma ontologia não usa dos relacionamentos com o mesmo padrão de um relacionamento em banco de dados relacional, por exemplo. Os relacionamentos não precisa necessariamente, abordar cardinalidade ou criar nova tabela/mesclar tabela por causa de tal ato.
1
Os data properties representam os atributos de determinada classe, se e somente se, for necessário o mesmo existir. Como abordado no Cap. 2, uma relação fundamental dentro do âmbito ontológico, é a relação partitiva, que relaciona uma classe a outras classes que a formam. Com isso, a ontologia retrata muito pouco a questão de atributos, pois estes geralmente são modelados como classes.
Por fim, os individuals são as instâncias das classes modeladas. A partir deles é possível realizar testes e verificar a coesão que a ontologia alcançou.
A primeira parte consistiu em criar o primeiro nível semântico, isto é, as classes mais genéricas dentre as usadas na modelagem realizada anteoriormente. O framework trata todas as classes criadas como uma subclasse de Thing (coisa). O primeiro nível é visivel na Figura 12.
Figura 12 – Primeiro nível semântico da ontologia
Fonte: Autor
A classe Producer não possui relacionamento algum pois está na ontologia apenas pelo sentido semântico. Todas as recomendações serão enviadas a ele, não havendo dualidade de destinos.
A Gleba aparece no centro da figura, e possui relacionamentos com Soil, Service e Weather. As relações com Service e Weather não são diretas, isto é, as subclasses da classe Gleba se relacionam com as subclasses das duas classes citadas anteriormente.
A relação Gleba e Soil é uma relação partitiva, onde o Soil compõem a Gleba. Essa relação ocorre da mesma maneira entre Soil e Grain.
O segundo nível semântico aborda classes menos genéricas e que possuem usabilidade e as características necessárias para a ontologia raciocinar sobre. As classes apresentadas nas figuras abaixo, mostram as subclasses das classes Gleba, Grain, Service e Weather.
Figura 13 – Subclasses de Gleba
Fonte: Autor
Como exemplificado anteriormente, as duas variações da classe abstrata Gleba, representadas pela Figura 13, são fundamentais dentro da arquitetura proposta para conseguir classificar quais as glebas que precisam de correção e quais não precisam.
Figura 14 – Subclasses de Grain
Fonte: Autor
A classe Grain possui como única subclasse, a classe Soybean, que corresponde a grão de soja, cuja arquitetura e a ontologia estão voltadas.
Figura 15 – Subclasses de Service
Fonte: Autor
A classe Service (Figura 15), dentro da ontologia proposta, é a classe mais importante, pois suas subclasses são responsáveis por todas as medidas necessárias dentro do âmbito da agricultura.
Figura 16 – Subclasses de Weather
Fonte: Autor
A classe Weather, possui apenas uma subclasse: Precipitation. As outras classes mencionadas anteriormente, Moisture e Temperature tornarão-se data properties de uma Gleba.
A última parte da modelagem conta com as classes de terceiro ou maior nível, e possuem, ou almejam possuir, nível mínimo de generalização. A Figura 17, traz as subclasses de Composting, da qual Micronutrients e Macronutrients possuem também suas subclasses.
Figura 17 – Subclasses de Composting
Fonte: Autor
A classe Composting divide-se em Fertilizers, Macronutrients e Micronutrients. Os Macronutrients e Micronutrients trazem em suas subclasses, os aminoácidos e proteínas que o solo necessita.
Por fim, a Figura 18 expressa o mapa completo da ontologia modelada, com todas as classes presentes e seus relacionamentos.
Figura 18 – Mapa de classes e relacionamento da ontologia completa
Com os conceitos relacionados, e a ontologia em sua forma representacional completa, foi necessário, por fim, a criação das regras que resultarão na recomendação ao produtor.
4.1.1 Regras
As regras em SWRL1, são criadas através de comparação entre premissas. O resultado é apresentado através de verificação lógica, usando do cálculo proposicional condicional2.
A partir da definição da ontologia e das regras de inferência referentes a recomendação de atividades, é possível executar serviços na arquitetura, que são disparados a cada momento em que uma regra que define uma recomendação é validada como verdadeira de acordo com as informações coletadas do ambiente (MORGENSTERN ET AL, 2015, p5).
Abaixo, são mostradas as regras criadas visando atender a arquitetura de recomendação em tempo real.
Regra que recomenda o serviço Plantation, envolve não possuir um ciclo de agricultura ainda, temperatura e umidade do solo:
Normal_Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasMoisture(?s, ?mo), hasTemperature(?g, ?t), hasCycle(?g, ?c), greaterThan(?mo, 20), lessThan(?mo, 30), lessThan(?t, 40), booleanNot(?c, false) -> hasService(?g, Plantation)
Regra para verificar estado da Gleba, envolve a umidade do solo e o pH do solo:
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasMoisture(?s, ?mo),
hasPh(?s, ?ph), greaterThan (?mo, 50), lessThanOrEqual(?mo, 85)
greaterThanOrEqual(?ph, 4), lessThanOrEqual(?ph, 10) ->
Normal_Gleba(?g)
Regras que recomendam o serviço Liming, envolve o pH na água e no solo, e também a saturação por Al:
1
Semantic Web Rule Language, linguagem que combina OWL DL e OWL Lite com o unitário/binário Datalog RuleML, para a criação de Horn-like Rules.
2
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasPh(?s, ?ph), lessThanOrEqual(?ph, 80) -> Gleba_with_Problems(?g), hasService(?g, Liming)
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasPhWater(?s, ?ph),
lessThan(?ph, 5.5) -> Gleba_with_Problems(?g), hasService(?g, Liming)
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasAl(?s, ?al),
lessThanOrEqual(?al, 20) -> Gleba_with_Problems(?g), hasService(?g, Liming)
Regra que recomenda o serviço Irrigation, envolve a umidade do solo:
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasMoisture(?s, ?m),
lessThan(?m, 50) -> Gleba_with_Problems(?g), hasService(?g, Irrigation)
Regra que recomenda o uso de defensivos agrícolas, envolve temperatura, umidade do ar e velocidade do vento:
Gleba(?g), hasTemperature(?g, ?t), hasAirMoisture(?g, ?m),
hasWindSpeed(?g, ?ws), greaterThanOrEqual(?m, 60),
greaterThanOrEqual(?t, 10), lessThan(?m, 90), lessThan(?ws, 10), lessThanOrEqual(?t, 35) -> Gleba_with_Problems(?g), hasService(?g, PlagueControl)
Regra que permite o serviço Harvest, envolve temperatura, ciclo ativo da agricultura de precisão, e umidade do ar e do solo.
Gleba(?g), Soil(?s), hasSoil(?g, ?s), hasTemperature(?g, ?t), hasAirMoisture(?g, ?am), hasCycle(?g, ?c), hasMoisture(?s, ?m),
booleanNot(?c, true), greaterThanOrEqual(?am, 60),
greaterThanOrEqual(?m, 30), greaterThanOrEqual(?t, 20),
lessThanOrEqual(?am, 95), lessThanOrEqual(?m, 35),
lessThanOrEqual(?t, 30) -> hasService(?g, Harvest)
As regras criadas e mostradas nesse capítulo são baseadas nos estudos de Rossi (2014).
