Neste trabalho, foi proposta uma nova metodologia para desenvolver um modelo de previsão que permita saber, com uma semana de antecedência, a procura por água de rega de uma comunidade real de rega

Nesse contexto, a previsão real da procura por água de rega, bem como a previsão do comportamento de quem rega sobre a utilização dessa água torna-se uma ferramenta fundamental para a otimização das comunidades de rega. A previsão da procura por água de rega permite que os gestores de rega planeiem e distribuam os recursos hídricos de forma mais eficiente, garantindo que os agricultores recebam a quantidade necessária de água no momento certo, com uma otimização tanto da rede de distribuição de água quanto da estação de bombeamento. No entanto, a previsão real da procura por água de rega é um desafio complexo devido à variabilidade temporal e espacial de fatores que influenciam a utilização da água, como condições meteorológicas, tipo de cultura, práticas agrícolas e características do solo, sem esquecer o componente humano.

Na última década, foram desenvolvidos vários modelos para prever a procura por água de rega, utilizando técnicas estatísticas e de inteligência artificial. Os modelos tradicionais baseados em métodos estatísticos demonstraram ser úteis, mas têm limitações significativas na sua capacidade de captar a complexidade e a não linearidade dos sistemas de distribuição de água e das comunidades de rega. Por outro lado, os modelos baseados em inteligência artificial, como redes neurais artificiais (RNA) e os modelos baseados em árvores de decisão, têm demonstrado maior potencial para lidar com essas complexidades e fornecer previsões mais precisas.

Entre esses modelos, as redes neurais recorrentes (RNN) têm sido particularmente populares devido à sua capacidade de lidar com dados sequenciais e captar dependências temporais. No entanto, as RNN têm limitações inerentes, como dificuldade em treinar modelos densos devido a um problema de “perda de memória” (o erro de previsão aumenta à medida que nos afastamos no tempo).

Para superar essas limitações, em 2017, o laboratório da Google desenvolveu uma nova arquitetura de rede neural artificial, conhecida como Transformers (TNN) (Vaswani et al. 2017). Esta nova arquitetura demonstrou um excelente desempenho numa variedade de tarefas de processamento de linguagem natural (PNL) e previsão de séries temporais. As TNN utilizam mecanismos de atenção que permitem que o modelo se concentre em diferentes partes da sequência de entrada simultaneamente, melhorando a capacidade do modelo de captar relacionamentos de médio e longo prazo, melhorando assim a precisão das previsões.

A arquitetura de TNN segue uma estrutura Encoder-Decoder (codificador-descodificador), na qual o codificador transforma a sequência de entrada num vetor de contexto de comprimento fixo e o descodificador utiliza este vetor de contexto para gerar a sequência de saída. Com adaptação suficiente, esta arquitetura permite que as TNN lidem eficientemente com tarefas de previsão em várias etapas, como a previsão da procura por água de rega a médio prazo. Este é o modelo que tem sido desenvolvido pelo grupo de investigação hidráulica e rega da Universidade de Córdoba.

A área de estudo do modelo de previsão desenvolvido concentra-se na comunidade de rega do Canal del Zújar (CZID) (Figura 1), localizada na região da Extremadura, no sudoeste da Espanha. Os dados diários sobre a procura real por água de rega ao nível do hidrante que foram utilizados para o treino e o teste do modelo preditivo desenvolvido variam das campanhas de rega de 2015 a 2022.

Figura 1. Localização da comunidade de rega do Canal del Zújar.

A comunidade de rega do Canal do Zújar é composta por 10 setores independentes, abrangendo uma área total de 21.141 ha. A estação meteorológica mais próxima é “Don Benito-EFA” com coordenadas UTM: 252468, 431917 na zona 30. A temperatura média nesta área varia entre 7,1 °C em janeiro e 25 °C em julho, enquanto a temperatura máxima média varia entre 13,2 °C e 35,1 °C. A precipitação média anual é de 390 mm e a evapotranspiração máxima ocorre em julho, com uma média diária de 7 mm, somando uma evapotranspiração anual de 1.296 mm.

Para este trabalho foi selecionado o Setor II desta comunidade de rega, que abrange uma área de 2.691 hectares de rega e é composto por 191 hidrantes. As principais culturas desse setor são tomate, milho e arroz, que representam 90% da área total regada. O sistema de rega utilizado é a rega gota a gota para as culturas de tomate e milho, enquanto o arroz é regado por inundação. Cada hidrante é equipado com um debitómetro que regista automaticamente o volume de água aplicado a cada hora.

O conjunto de dados completo, que contém a procura diária real por água de rega, inclui um total de 1.849 medições correspondentes a todas as campanhas de rega estudadas. Este conjunto de dados foi dividido aleatoriamente em dois subconjuntos: um conjunto de treino que abrange 80% do total de medições e um conjunto de teste que abrange os 20% restantes.

Este trabalho tem como foco o desenvolvimento de um modelo de previsão da procura hídrica por rega a médio prazo (uma semana) e foi validado na comunidade de rega do Canal del Zújar, em Don Benito (Badajoz), utilizando uma combinação de TNN adaptadas a este problema, lógica difusa e algoritmos genéticos.

O modelo desenvolvido foi formulado como um problema de previsão de séries temporais em várias etapas, com recurso a uma arquitetura comum de codificador-descodificador em tarefas de processamento de linguagem natural (PNL) e em problemas de previsão de séries temporais. Nesta estrutura, o codificador transforma a série temporal de entrada num vetor de contexto de comprimento fixo que contém todas as informações relevantes. O descodificador utiliza este vetor de contexto para gerar a série temporal de saída, melhorando o processo de treino por também ter a sua própria série temporal de entrada.

A arquitetura TNN utilizada segue uma estrutura codificador-descodificador recursiva com mecanismos de atenção múltipla (multi-head attention), que decide, a partir dos dados de entrada, que informações são mais relevantes a qualquer momento para realizar a inferência. O modelo desenvolvido contém várias camadas de codificador e descodificador empilhadas, onde o número de camadas de codificador (Nenc) e descodificador (Ndec) é otimizado por algoritmos genéticos (GA). Cada camada de codificador e descodificador é idêntica entre si e inclui subcamadas de autoatenção e alimentação direta, seguidas por uma subcamada de adição e normalização (Add&Norm).

A otimização dos hiperparâmetros do modelo de previsão desenvolvido, como o número de camadas de codificador e descodificador, foi realizada utilizando algoritmos genéticos. O treino do modelo foi realizado utilizando uma técnica conhecida como 'teacher forcing', que melhora a precisão da inferência, inserindo entradas reais em vez de previsões do modelo em cada etapa temporal durante o treino. Este modelo de previsão da procura real por água de rega em comunidades de rega foi desenvolvido em Python e validado na área de estudo descrita acima.

A avaliação do modelo baseou-se na sua capacidade de prever a procura real por água de rega com precisão para cada um dos sete dias de previsão. O erro padrão médio (SEP) da previsão e a representatividade do modelo (R²) foram medidos.

O modelo foi otimizado ao utilizar uma abordagem baseada num algoritmo genético, onde cada indivíduo representava um modelo de previsão potencial. A otimização procurou maximizar o coeficiente de determinação (R²) e minimizar o erro padrão da previsão (SEP), equilibrando a precisão e a representatividade. O processo de otimização envolveu várias gerações de modelos, selecionando e cruzando os melhores indivíduos para melhorar continuamente os resultados.

O modelo ótimo selecionado teve 1,75 milhões de parâmetros, um pouco mais denso que o modelo anterior (mais 16,7%) (Gonzalez Perea et al., 2023), mas com uma representatividade e precisão significativamente melhoradas. Este modelo foi capaz de prever as séries temporais da procura real diária por água de rega com alta adaptabilidade e generalização (Figura 2) (valores de R² próximos de 1 e erros à volta de 2%) (Figura 3), apesar da complexidade inerente às decisões diárias dos agricultores e da sua agregação a nível distrital.

Figura 2. Previsão da procura por água de rega pelo modelo desenvolvido em quatro períodos selecionados da série temporal completa: 2016-03-19; 2020-07-07; 2021-09-15 e 2022-05-28.

Este modelo de previsão híbrido demonstrou uma melhoria acentuada na precisão da sua inferência em comparação com os modelos anteriores. Esta melhoria foi alcançada através de uma configuração ideal dos hiperparâmetros, tais como o número de camadas do codificador e descodificador, e o comprimento do vetor de codificação. Além disso, a seleção automática e precisa das variáveis de entrada, que incluiu os principais fatores climáticos, permitiu que o modelo captasse efeitos complexos, como a sensação térmica de quem rega. Esta abordagem demonstrou-se crucial para melhorar a exatidão das previsões, destacando a importância de uma boa escolha de variáveis na previsão destas procuras diárias reais por água de rega.

Figura 3. Diagrama de dispersão entre a procura por água de rega observada (real) e prevista, distribuição de densidade e valores SEP (erro padrão de previsão) para a estimativa a 7 dias (t+1, ..., t+7) pelo modelo preditivo.

O desenvolvimento de novas ferramentas que, sem restringir a liberdade do agricultor em termos de programação da rega, permitam conhecer antecipadamente o comportamento da procura por água de rega (ID) para a sua posterior otimização é essencial, principalmente em cenários de escassez de água e dependência energética. A inteligência artificial e, mais especificamente, a aprendizagem profunda, com a sua capacidade de desenvolver modelos de previsão que aprendem com informações reais de cada comunidade de rega, podem ser uma ferramenta poderosa para antecipar o comportamento dessas comunidades de rega.

Neste trabalho, foi proposta uma nova metodologia para desenvolver um modelo de previsão que permita saber, com uma semana de antecedência, a procura por água de rega de uma comunidade real de rega. O modelo de previsão desenvolvido foi validado na comunidade de rega do Canal del Zújar. Este novo modelo de previsão da procura real por água de rega, baseado em Transformers e otimizado por algoritmos genéticos, melhora a representatividade e a precisão do melhor modelo previamente desenvolvido em 6,1% e 89,8%, respetivamente.

A otimização adequada dos hiperparâmetros do modelo de previsão da procura por água de rega (realizada pelo algoritmo genético) foi fundamental para alcançar a generalização adequada do modelo de previsão. Além disso, a análise da população inicial do processo de otimização e da frente de Pareto mostrou que quando as variáveis de entrada (procura prévia por água de rega, temperatura média, radiação e evapotranspiração) e saída (procura por água de rega) estão temporalmente correlacionadas, a precisão do modelo de previsão dependia ainda mais da escolha correta da arquitetura do modelo.

Assim, com 1,75 milhões de parâmetros (apenas 16,7% mais densos que os trabalhos prévios) o modelo de previsão desenvolvido foi capaz de prever 99,9% dos cenários com uma precisão média de 2,10%. Portanto, esse modelo pode ser muito útil para os gestores, pois oferece uma previsão precisa da procura diária por água de rega com sete dias de antecedência, o que desempenha um papel essencial na gestão da água e na contratação de energia em comunidades de rega, tendo em consideração os cenários atuais e previstos de escassez de água e altos preços da energia.

Bibliografia
Daccache, A., Ciurana, J.S., Rodriguez Diaz, J.A., Knox, J.W., 2014a. Water and energy footprint of irrigated agriculture in the Mediterranean region. Environmental Research Letters 9. https://doi.org/10.1088/1748-9326/9/12/124014

Daccache, A., Knox, J.W., Weatherhead, E.K., Daneshkhah, A., Hess, T.M., 2014b. Implementing precision irrigation in a humid climate - Recent experiences and on-going challenges. Agric Water Manag 147, 135–143.

González Perea, R., Fernández García, I., Camacho Poyato, E., Rodríguez Díaz, J.A., 2023. New memory-based hybrid model for middle-term water demand forecasting in irrigated areas. Agric Water Manag 284, 108367. https://doi.org/10.1016/j.agwat.2023.108367

Vaswani, A., Brain, G., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A.N., Kaiser, L., Polosukhin, I., 2017. Attention Is All You Need. 31st Conference on Neural Information Processing Systems.

Para este trabalho foi selecionado o Setor II da comunidade de rega do Canal del Zújar, que abrange uma área de 2.691 hectares de rega e é composto por 191 hidrantes. As principais culturas desse setor são tomate, milho e arroz, que representam 90% da área total regada.