1
Roger Victor Alves
Programa Institucional de Bolsas de Iniciação Científica PIBIC/CNPq - 2013-2014
Uma ontologia para a representação do domínio de agricultura familiar na arquitetura Agromobile
Relatório final de atividades apresentado ao Comitê Científico da Universidade Regional do Noroeste do Estado do RS.
Orientador: Vinícius Maran DCEEng
Santa Rosa Junho, 2014.
2 Sumário 1. Introdução ... 3 2. Objetivos e Justificativa ... 4 2.1. Objetivo Geral ... 4 2.2. Objetivos Específicos ... 4 2.3 .Justificativa ... 4 3. Material e Metódos ... 5 3.1. Agricultura de Precisão ... 5 3.2. Arquitetura AgroMobile ... 5 3.3. Protégé 3.5 ... 6 3.4. Protégé 4.2. ... 7
3.5. Mapa atual da ontologia... 7
3.6. Mudanças na ontologia previamente modelada ... 8
3.6.1. Entidades ... 8 3.6.2. Propriedades ... 9 3.6.3. Regras ... 10 3.7. Servidor de Controle ... 10 3.7.1. Jena ... 11 3.7.2. Stardog ... 11 4. Resultado Parcial ... 11 5. Cronograma de eventos ... 12 6. Referências ... 12
3 1. Introdução
A crescente necessidade nos próximos anos em diminuir os custos e aumentar a produtividade nas propriedades rurais, levando-se em conta os elevados preços dos combustíveis, a diminuição de terras produtíveis e a preservação do meio ambiente tem aumentado o interesse em pesquisas científicas e o desenvolvimento de equipamentos na área agricultura de precisão. (GUSTAVO K. MONTANHA et. al).
A consolidação de tais tecnologias como ferramentas a disposição do produtor permitem visualização da variabilidade espacial e temporal dos fatores edafoclimáticos de cada área agrícola, considerando as peculiaridades de cada parte da área no momento do manejo, ao invés de manejá-la como se a mesma fosse uniforme. Os problemas iniciais encontrados no início do desenvolvimento do conceito e das práticas associadas à Agricultura de Precisão, como dificuldade na interpretação de um volume considerável de dados, elevado custo dos equipamentos, adaptação das tecnologias as diferentes regiões do globo e de popularização das técnicas envolvidas no processo, evoluíram para soluções viáveis, tornando-a uma ferramenta real ao alcance dos produtores. (JOSÉ LUÍS DA SILVA NUNES).
Dessa forma, é fundamental que os sistemas de informação para tomada de decisão em AP estejam preparados para incorporar os dados obtidos por meio de redes de sensores, implantada no solo, visando assim a coleta de dados de uma forma ágil, eficiente e precisa. Provendo uma maior velocidade no feedback para o produtor.
Através da análise ontológica dos dados na agricultura, será possível um acréscimo na produtividade total graças as correções relacionadas a adubagem, calagem e umidade que a mesma pode oferecer. Para isso, no entanto, é necessário modelar a ontologia da forma que a mesma expresse exatamente o que acontece na vida real, não esquecendo de nenhum ponto revelante.
4 2. Objetivos e Justificativa
2.1 Objetivo Geral
Desenvolver uma solução ontológica para análise e organização de dados a fim de auxiliar o produtor agrícola na tomada de decisões para beneficio na área da agricultura de precisão.
2.2 Objetivos Específicos.
Estudar sobre ontologias em geral, para conhecimento e aprofundamento na área.
Criar exemplos e inferir regras no Web-Protégé 4.2.
Reestruturar a ontologia previamente modelada para melhor organização de dados.
Criar novas entidades a fim de tornar mais completa a ontologia..
População dos Individuals através dos dados obtidos pelos sensores, para análise dos mesmos.
Comparação da inferência realizada pelo computador com a realidade, para concretizar e validar todo o processo.
2.3 Justificativa
Apesar do crescimento em torno da agricultura de precisão, o mercado ainda cadece de um software que realiza acompanhamento da lavoura em tempo real e realiza recomendações plausíveis ao produtor, acarretando em tomadas de decisões mais pontuais. Através disso, decidiu-se pelo uso das ontologias, a fim de suprir essa demanda.
As ontologias, como definidas anteriormente pela filosofia, são especificações formais explicitas de uma conceitualização compartilhada [Fensel, 2001]. No caso do projeto atualmente proposto, essa conceitualização se refere a agricultura e o ciclo existente envolvendo dentro dela.
Como um conceito novo na nossa era tecnológica, muitas vezes trabalhar com ontologias pode ser um processo demorado, visto que não existe muita documentação ou trabalhos relacionados para servir de base de conhecimento. O grande atrativo para usa-las é a possibilidade de criar uma organização de dados que seja inteligível pelo computador, e com isso, deixarem-no ciente dos dados como ou quase igualmente a nós humanos. Esse processo permite ao computador tomar decisões baseadas nas informações a ele apresentadas, criando uma espécie de “cérebro”.
Através desse “cérebro” criado, é possível alertar o agricultor de possíveis problemas relacionado ao solo, através de comparações de informações, e consequentemente aumentar o rendimento do plantio, com reparos na plantação.
5 3. MATERIAL E MÉTODOS
3.1 Agricultura de Precisão
Agricultura de Precisão pode ser descrita como um conjunto de técnicas para aplicação dos fatores de produção, englobando sementes, fertilizantes, reguladores de crescimento e entre outros, juntamente com as realizações de procedimentos culturais. Estes conjuntos de técnicas atuam de acordo com a variabilidade do meio e estão diretamente associadas às soluções integradas com hardware e software, usados no monitoramento e avaliação das áreas cultivadas (Kirschner, Maran, 2012) (Cardoso et al, 2006).
Dentre os principais benefícios proporcionados pela Agricultura de Precisão, pode-se citar a otimização no manejo das mais variadas culturas, onde implica diretamente a utilização de insumos agropecuários, produtos indispensáveis utilizados na agricultura, que permitem o uso consciente de corretivos, fertilizantes e agrotóxicos trazendo bons resultados de produtividade (Cardoso et al, 2006).
Por meio de um acompanhamento em tempo real, é possível prever uma série de problemas que podem prejudicar a produção, ajudando dessa forma, o produtor a providenciar as possíveis soluções através dos dados coletados por sensoriamento (Piani, 2001).
3.2 Arquitetura AgroMobile
A Arquitetura Agromobile possui quatro módulos, sendo três deles em atual desenvolvimento:
Figura 1. Arquitetura
A. Parte do servidor, onde se encontra a parte mais acessada do projeto, visto que realiza comunicação com todas as outras partes.
B. Aplicação móvel destinada a fornecer informações e recomendações ao produtor C. Coletor, responsável por recebe as informações coletadas da cadeia de sensores e repassar para o servidor de controle.
6
E. Sensor/cadeia de sensores, realiza a coleta dos dados através da análise do solo Dentre os módulos que fazem parte do servidor, tem-se os modelos de dados utilizados, contidos no pacote AM.Model, que modelam objetos relacionados à ontologia que define o domínio da arquitetura (AM.OWL), definida com a linguagem OWL (Web Ontology Language) que possui o foco em instanciar e definir a ontologia modelada. Através destas definições, a arquitetura realiza inferências (controladas pelo módulo AM.Inference) através de regras definidas na linguagem SWRL (Semantic Web Rule Language). Há módulos que possuem como função controlar a comunicação entre aplicativos e dispositivos externos, estes módulos foram definidos como Listeners, que recebem e enviam as informações de acordo com os eventos que ocorrem no ambiente, provenientes de operações geradas por usuários, pelo sistema, pela leitura de informações provenientes de sensores, ou pela integração com aplicações móveis (Kirschner; Maran, 2012). 3.3 Protégé 3.5
É a ferramenta mais usada atualmente para modelagem de ontologias. Através do Web-Protégé é possível tornar todo o conhecimento que temos sobre como os objetos são e sobre como agem uns com os outros, entendível pela máquina, e consequentemente, torna-la capaz de criar decisões importantes para lidar com os problemas que possuem possibilidade de aparecer.
Figura 2. Ambiente do Protégé 3.5
7 3.4 Protégé 4.2
Sendo a versão mais recente, é utilizada para criar inferências a cerca de propriedades e entidades antes modeladas. A versão 4.2 permite obter o resultados da análise semântica dos dados e gerar o resultado obtido da mesma. A necessidade do uso de duas versões no processo, deve-se ao fato que enquanto a versão 3.5 é melhor para modelar a ontologia em si, a 4.2 permite uma melhor legibilidade da inferência realizada.
Figura 3. Ambiente do Protégé 4.2
3.5 Mapa atual da ontologia
A ontologia em atual desenvolvimento possui a seguinte estrutura organizada em um mapa relacional de entidades:
8
Figura 2. Ontologia atual A ontologia possui quatro enfoques atualmentes:
1. Administrative – parte que abriga o produtor e o técnico, basicamente os dois cargos que receberão as informações do aplicativo móvel.
2. Agriculture – entidades que mapeam a parte agrícola, envolvendo solo, grão, colheita, planejamento, plantação e o principal: gleba, onde ocorrerá as recomendações de serviços.
3. Service – responsável por realizar uma ação através da coleta de dados do sensores. Abriga as ativididades: irrigação, compostagem, amostragem, subamostragem, controle de pragas, monitoramento, escarificação, pulverização, calagem e gradagem.
4. Weather – setor modelado que representa os fenômenos climáticos, contemplado precipitação, temperatura e umidade,
3.6 Mudanças na ontologia previamente modelada
Com o auxílio do manual da EMBRAPA e a agrônoma Mariângela Johann a ontologia anteriormente modelada necessitava aprimorar certos itens para encaixar-se no padrão do mundo real, tornando a validação final possível.
3.6.1 Entidades
Para organizar melhor as entidades no projeto, fez se necessário a generalização e criação de algumas entidades, numa separação que permite melhor esclarecimento do sentido que cada entidade tem. Através desse processo, a atual ontologia possui quatro entidades principais que abrigam as outras. Na imagem 3 é possível ver ao lado esquerdo a versão antiga e no lado direito, a versão atual.
9
Figura 5. Remodelagem das entidades
A entidade Agriculture abriga as entidades Gleba, Grain, Plague, Harvest, Planning,
A entidade Administrative abriga as entidades Producer, Technician.
A entidade Services abriga as entidades Composting, Irrigation, Liming, Monitoring, Plague Control.
A entidade Products abriga as entidades Fertilizer, Micronutrients, Phosphorus, Potassium e Sulfur.
As entidades Area, Coordinate, CriterionOfRecommendationComposting, CriterionOfRecommendationLiming foram retiradas da ontologia.
3.6.2. Propriedades
Na parte de propriedades, o padrão das palavras foi mudado para o modelo utilizado na linguagem Java, a propriedade com nome “area_has_coordinate” por exemplo, tornou-se “areaHasCoordinate”. As propriedades relacionadas as outras entidades excluídas foram eliminadas junto com elas. Após a mudança na nomenclatura, foram criadas as primeiras propriedades Inverse, Transitive e Symmetric, proporcionando uma relação precisa entre as propriedades e entidades.
10
Figura 6. Remodelagem das propriedades 3.6.3. Regras
As regras, dentro do domínio ontológico, conferem o conjunto de normas estabelecidas pelo desenvolvedor, que auxiliam na inferência dos dados. A criação das regras é uma etapa fundamental na hora da modelagem da ontologia, pois elas permitem uma análise mais aprofundada dos dados. A ontologia atual consta, temporariamente e para a realização de testes, com o seguinte conjunto de regras relacionada ao serviço de pulverização, a partir dessas premissas, a ontologia infere ações ao produtor:
Se umidade relativa do ar < 60%, interromper pulverização (em geral);
Se vento > 20km/h, interromper pulverização (em geral);
Se Temperatura Atmosférica <10ºC ou >35ºC, interromper pulverização;
Se a previsão do tempo for chuva, não pulverizar (a chuva irá lavar o produto aplicado); 3.7. Servidor de Controle
Com o objetivo de acomodar essa estrutura e realizar testes práticos com a ontologia, foi desenvolvido uma parte do Servidor de Controle referente a parte de persistência e raciocínio. Através da utilização da linguagem Java e a IDE NetBeans, foi criado um software-protótipo para inserção de dados e obtenção do log do servidor (Figura 3).
11
Figura 3. Software-protótipo 3.7.1. Jena
Com o objetivo de realizar a integração da ontologia modelada com o software-protótipo, utilizou-se o framework Jena, que permite a manipulação dos dados modelados em OWL. O Jena captura toda a ontologia modelada e a carrega em um Model (modelo de dados) onde o mesmo pode ser alterado, consultado e salvo posteriormente. Foram realizados ainda, testes com o banco de dados de apoio que o framework possui, o Triple Table Database (TDB), que atua na persistência dos dados.
3.7.2. Stardog
Com o intuito de usar ferramentas novas no mercado, e visando futuramente uma melhor escalabilidade, a presente pesquisa e implementação aderiram ao Stardog, um banco de dados feito puramente em Java que permite melhoras significativas de desempenho e pesquisa. Para executar as funcionalidades trazidas pelo Stardog, o projeto foi transposto ao Ubuntu 13.04.
4. Resultado Parcial
Após correções realizadas na estrutura antiga e pesquisas periódicas, a ontologia tornou-se mais rica e mais funcional. Populada com individuals adicionados manualmente através do software criado, a fim de testar a funcionalidade do Jena, comprovou-se, primeiramente, como a arquitetura funcionará no setor de raciocínio/persistência quando estiver completada a automatização desse setor, isto é, inferências em tempo real automáticas.
O próximo passo da pesquisa é implementar, através do uso do framework Vaadin, a aplicação web que abrigará o servidor. Ademais, é necessário finalizar a modelagem da ontologia através do mapeamento completo do domínio da agricultura de precisão. Por fim, adicionar mais funcionalidades ao sistema e implementar o log do servidor, que atualizará o usuário sobre individuals adicionados automaticamente no banco de dados.
12 5. Cronograma de eventos
23/08/13 - Início das atividades de pesquisa
23/08/13 até 07/09/13 - Estudo relacionado a ontologias em geral.
09/09/13 - Começo do uso do Web-Protege para estudo e compreensão de suas funcionalidades.
23/09/13 - Auxílio no término do módulo Receptor da arquitetura, através do uso da linguagem JAVA em cooperação com o bolsista Marcos Morgenstern.
24/10/13 - Apresentação do trabalho parcial no I Seminário de Formação Científica e Tecnológica do Grupo de Pesquisa em Computação Aplicada (GCA) no Campus Ijuí
14/11/13 - Reformulação da estrutura ontológica previamente modelada
18/11/13 - Testes com regras relacionadas as entidades para inferências.
02/12/13 - Criação de Functionals, InverseFunctionals, Symmetric e Transitive nas Properties da Ontologia
16/01/14 - Participação no seminário com Dra. Inmaculada Hernández Salmerón CALA: A Web Page Classification Technique, no Campus Ijuí.
04/02/14 – Criação do relatório parcial da bolsa de pesquisa PIBIC/CNPq
11/03/14 – Inicio da criação do software-protótipo
11/03/14 – Implementação do módulo que adiciona individuals manualmente dentro da ontologia, no software-protótipo.
14/03/14 – Criação da tela referente ao log do servidor.
15/03/14 – Codificação para testes com o banco de dados TDB
27/03/14 – Mudança de plataforma de trabalho, aderindo ao Ubuntu 13.04
03/04/14 – Mudança de banco de dados, aderindo ao Stardog.
04/04/14 – Pesquisa na documentação do Stardog database, a fim de maximizar conhecimento
17/04/14 – Atualização da ontologia com dados recebidos do formando Daniel Luan Rossi em auxílio com a agrônoma Mariângela Johann.
28/04/14 – Conversa com o orientador, a fim de definir framework para construção do aplicativo web, resultando na optando no uso do futuro do Vaadin
19/05/14 - Apresentação do trabalho parcial no II Seminário de Formação Científica e Tecnológica do Grupo de Pesquisa em Computação Aplicada (GCA) no Campus Santa Rosa
03/06/14 – Inicio da pesquisa na documentação do Vaadin.
13/06/14 – Implementação parcial do banco de dados Stardog com a ontologia modelada.
4. Referências Bibliográficas
Adrian, A.M., Norwood, S.H., Mask, P.L. (2005). Producers’ perceptions and attitudes toward precision agriculture technologies. In Computers and Electronics in Agriculture, pages 256–271, v. 48.
[34] SARAIVA, A.M. Tecnologia da Informação na agricultura de precisão e biodiversidade: estudos e proposta de utilização de Web services para desenvolvimento e integração de sistemas. 2003. 185p. Tese (Livre-Docência) – Escola Politécnica, Universidade de São Paulo. São Paulo, 2003.
MONTANHA, GUSTAVO K. Agricultura de precisão reduz perdas na lavoura de cana. UNESP. Botucatu, SP. Agosto 2008.
NUNES, JOSÉ DA SILVA. Agricultura de Precisão como ferramenta para o produtor rural. UFRGS. Porto Alegre, RS. Março 2006.
13
AMADO, T. J. C.; CONCEIÇÃO, P.C.; BAYER, C.; ELTZ, F. L. F. Qualidade do solo avaliada pelo "Soil Quality Kit Test" em dois experimentos de longa duração no Rio Grande do Sul. Revista Brasileira de Ciência do Solo, v.31-1, 2007. doi: 10.1590/S0100-06832007000100012.
MENEGATTI, L.A.A.; MOLIN, J.P. Remoção de erros em mapas de produtividade via filtragem de dados brutos. Revista Brasileira de Engenharia Agrícola e Ambiental, v.8, n.1, p.126-134, 2004. MOLIN, J. P.; MILAN, M.; NESRALLAH, M. G. T.; CASTRO, C. N.; GIMENEZ, L. M. Utilização de dados georreferenciados na determinação de parâmetros de desempenho em colheita mecanizada. Engenharia Agrícola, Jaboticabal, v.26-3, p.759-767, set./dez. 2006.
CARDOSO, G.; SANTOS, C.; SILVA, D., Oniaquis – uma ontologia para a interpretação de análise química do solo. Disciplinarum Scientia, 2006.
COELHO, A. M. Agricultura de Precisão: manejo da variabilidade espacial e temporal dos solos e culturas. EMBRAPA. Sete Lagoas, MG. Dezembro 2005.
KIRSCHNER, S. F. ; MARAN, V. . Um Sistema de Auxílio à Coleta de Dados na Área de Agricultura de Precisão Baseada em Aplicações Móveis. In: XX Seminário de Iniciação Científica - Salão do Conhecimento 2012 - Unijuí, 2012, Ijuí.
FENSEL, DIETER. Ontologies: Dynamic networks of formally represented meaning. Vrije University: Amsterdam (2001).
