Cardoso, Pedro Jorge SequeiraSemião, Jorge Filipe Leal CostaMaia, André Miranda2025-04-042025-04-042024-05-11http://hdl.handle.net/10400.1/26974Este trabalho propõe um aprimoramento no monitoramento agrícola por meio da detecção de anomalias utilizando dados de sensores IoT, aplicados especificamente em plantações de citros. O projeto investiga a integração de redes de sensores e técnicas de aprendizado de máquina para monitorar variáveis ambientais críticas, como evapotranspiração e a resistência interna do tronco das plantas. Ao incorporar dados meteorológicos da IPMA e de sensores instalados diretamente nas árvores, foi desenvolvido um sistema de monitoramento com o objetivo de detectar anomalias no uso da água e identificar reações anômalas das plantas em meio a condições ambientais adversas. Este sistema está atualmente em fase de coleta intensiva de dados, sendo que, no futuro, esses dados serão utilizados para retreinar os algoritmos de aprendizado de máquina, otimizando os processos de irrigação e minimizando o desperdício de recursos hídricos. Uma parte central do projeto foi a criação de um dashboard interativo, projetado para facilitar o acesso em tempo real às informações coletadas e processadas. Esse dashboard exibe dados ambientais e agrícolas, incluindo indicadores chave como evapotranspiração e consumo de água, fornecendo insights valiosos para os agricultores. O dashboard foi desenvolvido com tecnologias modernas de visualização de dados, permitindo personalização por localização geográfica e condições climáticas, e oferecendo uma plataforma prática para o gerenciamento de operações agrícolas em diversas regiões de Portugal. Os resultados preliminares indicam que o uso de algoritmos de detecção de anomalias é promissor para entender os padrões e as reações das árvores cítricas diante de mudanças climáticas, demonstrando potencial significativo para melhorar a eficiência no manejo da irrigação. Esse avanço pode representar uma contribuição importante para a sustentabilidade das operações agrícolas, reduzindo o desperdício de água e aumentando a resiliência das plantações em face das condições ambientais variáveis.This work proposes an enhancement in agricultural monitoring through anomaly detection using IoT sensor data, applied specifically to citrus plantations. The project investigates the integration of sensor networks and machine learning techniques to monitor critical environmental variables, such as evapotranspiration and internal trunk resistance of plants. By incorporating meteorological data from IPMA and sensors installed directly on the trees, a monitoring system was developed to detect anomalies in water usage and identify anomalous reactions of plants to adverse environmental conditions. The system is currently in an intensive data collection phase, with plans to use these data in the future to retrain machine learning algorithms, optimizing irrigation processes and minimizing water resource waste. A central component of the project was the creation of an interactive dashboard, designed to provide real-time access to the collected and processed information. This dashboard displays environmental and agricultural data, including key indicators such as evapotranspiration and water consumption, offering valuable insights for farmers. The dashboard was developed using modern data visualization technologies, allowing customization by geographic location and weather conditions, providing a practical platform for managing agricultural operations across different regions of Portugal. Preliminary results indicate that the use of anomaly detection algorithms shows promise in understanding the patterns and reactions of citrus trees in the face of climate changes, demonstrating significant potential to improve irrigation management efficiency. This advancement may represent an important contribution to the sustainability of agricultural operations by reducing water waste and increasing the resilience of plantations in response to changing environmental conditions.engIrrigaçãoDashboardDesperdício de águaPlantaçõesmaster thesis203803116