Desenvolvimento de um sistema de irrigação inteligente: cultivando alface americana com o auxílio de impressora 3D e aprendizado por reforço

Este trabalho apresenta a proposta de um sistema de irrigação inteligente para manejo hídrico em hortas, integrando sensores de umidade do solo, modelos de evapotranspiração e técnicas de inteligência artificial. O sistema utiliza um microcontrolador ESP32 para a coleta de dados, integrado a uma API REST, responsável pelo processamento e armazenamento das informações, a qual se comunica com um modelo de inteligência artificial para a tomada de decisões. A previsão de evapotranspiração é estimada a partir do modelo de Penman-Monteith utilizando dados meteorológicos. A umidade do solo é obtida a partir de sensores calibrados com base em parâmetros agronômicos, como capacidade de campo (FC) e ponto de murcha permanente (PWP). O treinamento do agente de decisão é realizado em ambiente simulado utilizando a busca heurística \textit{Beam Search}, que permite explorar múltiplas sequências de simulação e selecionar aquelas com maior recompensa acumulada. Durante este treinamento, o agente aprende a ajustar o volume de irrigação com base nas condições ambientais e na umidade do solo. Após este treinamento, a política aprendida é aplicada de forma determinística, corrigindo o volume de irrigação proposto pela previsão de evapotranspiração, para manter a umidade do solo próxima ao nível alvo. Os resultados evidenciam um claro \textit{trade-off} entre as abordagens de treinamento avaliadas. O treinamento do agente guiado pelo algoritmo de busca heurística local \textit{beam-search} mostrou uma convergência mais rápida com uma política de irrigação estável e segura contra riscos hídricos. Por outro lado, o treinamento via política \textit{Softmax}, embora exija um custo computacional maior, e um tempo de treinamento prolongado, mostra potencial crescente e probabilidade maior para encontrar o ótimo global.