Submitted by Luís Augusto Gomes Rocha (lag.rocha@unesp.br) on 2022-03-31T02:12:26Z No. of bitstreams: 1 DESENVOLVIMENTO DE UM SISTEMA DE COLETA DE DADOS AMBIENTAIS EM AMBIENTE PROTEGIDO.pdf: 2780442 bytes, checksum: 594ef9cc08fff2bb8775ab93918ac9dc (MD5) Rejected by Ana Lucia de Grava Kempinas (ana.kempinas@unesp.br), reason: Sua tese precisa de revisão para ficar de acordo com as normas da FCA disponíveis em: https://www.fca.unesp.br/#!/biblioteca/normas-tecnicas/manual-para-apresentacao-de-trabalhos-academicos-da-faculdade-de-ciencias-agronomicas-dissertacao-e/ Dúvidas? E-mail para messias.victor@unesp.br Agradecemos a compreensão! on 2022-03-31T13:33:17Z (GMT) Submitted by Luís Augusto Gomes Rocha (lag.rocha@unesp.br) on 2022-04-01T14:32:28Z No. of bitstreams: 1 DESENVOLVIMENTO DE UM SISTEMA DE COLETA DE DADOS AMBIENTAIS EM AMBIENTE PROTEGIDO.pdf: 2206897 bytes, checksum: 0c03493da2c92bd0bf8f781cbd275c8c (MD5) Approved for entry into archive by Ana Lucia de Grava Kempinas (ana.kempinas@unesp.br) on 2022-04-01T14:49:58Z (GMT) No. of bitstreams: 1 rocha_lag_dr_botfca.pdf: 2206897 bytes, checksum: 0c03493da2c92bd0bf8f781cbd275c8c (MD5) Made available in DSpace on 2022-04-01T14:49:59Z (GMT). No. of bitstreams: 1 rocha_lag_dr_botfca.pdf: 2206897 bytes, checksum: 0c03493da2c92bd0bf8f781cbd275c8c (MD5) Previous issue date: 2022-02-03 Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) As mudanças climáticas estão afetando a produtividade agrícola em nível global, o que faz necessário novas pesquisas em meios produtivos mais sustentáveis. Desta forma, é pertinente destacar que a produção de alimentos em estufas é um dos possíveis caminhos para uma intensificação da produção de forma sustentável, podendo obter uma eficiência até 10 vezes maior por área quando em comparação com a produção em campo aberto. A possibilidade de migrar o sistema de produção de campo para estufas ainda é uma barreira para pequenos produtores, pois seu custo de implementação estrutural e de monitoramento nem sempre é viável. Um dos grandes pontos positivos do cultivo protegido é o controle das variáveis microclimáticas, sendo o monitoramento dessas variáveis efetuado por dispositivos produzidos por empresas como WIDITEC, Vaisala ou Campbell, necessitando de um custo inicial de investimento muito superior ao que um produtor de pequeno porte pode custear. Neste sentido, é pertinente salientar que inovações tecnológicas favorecem o desenvolvimento de novas soluções, podendo estas serem implementadas com sensores de baixo custo, ampliando assim a acessibilidade para pequenos produtores. Dentro deste contexto, o presente estudo apresenta o desenvolvimento de um sistema de coleta de dados ambientais de baixo custo comparando dois modelos de calibração efetuados por regressões polinomiais e redes neurais artificiais, utilizando um sensor meteorológico de referência (Vaisala modelo HMP45C) para coleta das variáveis temperatura do ar e umidade relativa do ar. O experimento foi instalado em casa de vegetação no campus da UNESP de Botucatu-SP, os sensores foram instalados no abrigo meteorológico construído por meio de impressão 3D, as aferições deram-se no período de 13 de setembro de 2018 e estenderam-se até o dia 11 de fevereiro de 2019 em intervalos de cinco segundos, resultando em médias por minuto. Dentro desse período, buscou-se levantar os dias em que ocorressem as maiores variações, obtendo-se, então, o período de início às 12:00:00 do dia 11/11/2018 até 10:20:00 do dia 15/11/2018. Conclui-se que o sensor BME280 apresenta o melhor desempenho, com erro médio absoluto (MAE) de 0,64 °C, erro quadrático médio (MSE) de 1,38 °C, coeficiente de determinação de R²: 0,925 para temperatura e erro médio absoluto (MAE) de 4,14% UR, erro quadrático médio (MSE) de 29,39% UR, coeficiente de determinação de R²: 0,871 para umidade relativa do ar. Quando comparado às metodologias de ajustes dos sensores utilizando regressões polinomiais e redes neurais, foi possível verificar que a aplicação de redes neurais apresentou os melhores ajustes em todos os casos. Climate change is globally affecting agricultural productivity, which makes new research into more sustainable means of production necessary. Thus, it is pertinent to highlight that the production of food in greenhouses is one of the possible ways to intensify production sustainably, being able to obtain an efficiency up to 10 times higher per area when compared to production in the open field. The possibility of migrating the production system from open field to greenhouses is still an obstacle for small producers, because its structural implementation and monitoring costs are not always feasible. One of the great positive points of protected cultivation is the control of microclimate variables, which is done by devices, produced by companies such as WIDITEC, Vaisala, or Campbell, that require an initial investment cost much higher than what a small producer can afford. In this sense, it is pertinent to note that technological innovations favor the development of new solutions, which can be implemented with low-cost sensors, thus increasing the accessibility for small producers. Within this context, the present study presents the development of a low-cost environmental data collection system comparing two calibration models performed by polynomial regression and artificial neural networks, using a meteorological reference sensor (Vaisala model HMP45C) to collect the air temperature and relative humidity variables. The experiment was installed in a greenhouse on the campus of UNESP in Botucatu-SP, the sensors were installed in the meteorological shelter built through 3D printing, and the measurements were given in the period from September 13, 2018 and extended until February 11, 2019, in intervals of five seconds, resulting in averages per minute. Within this period, we collected the data about the days in which the greatest variations occurred, obtaining, then, the period starting at 12:00:00 on 11/11/2018 until 10:20:00 on 11/15/2018. It was concluded that the BME280 sensor presents the best performance, with mean absolute error (MAE) of 0.64 °C, mean square error (MSE) of 1.38 °C, coefficient of determination of R²: 0.925 for temperature and mean absolute error (MAE) of 4.14% RH, mean square error (MSE) of 29.39% RH, coefficient of determination of R²: 0.871 for relative humidity. When compared to the sensor adjustment methodologies using polynomial regressions and neural networks, it was possible to verify that the application of neural networks presented the best settings in all the cases. 2017/08693-6