Protection management with the aid of plant protection products makes it possible to carry out pest control programs in agricultural environments and make them less hazardous for the cultivation of products on a large scale. However, when these programs are put into effect, only a small proportion of the sprayed products is really deposited on the target area while much of it is carried to neighboring regions. The scientific literature includes studies on the use of mathematical techniques to calculate the physical transformation and movement and provide a deposition estimate of the product. On the basis of this prediction, it is possible to configure a system which can allow the spraying to be carried out in normal weather conditions in the region for a satisfactory performance, although these conditions can undergo changes and make any statistical configuration unreliable. An alternative way of overcoming this problem, is to adapt the spray elements to the meteorological conditions while the protection management is being undertaken. However, the current techniques are operationally expensive in computational terms, which makes them unsuitable for situations where a short operational time is required. This thesis can be characterized as descriptive and seeks to allow deposition predictions to be made in a rapid and precise way. Thus it is hoped that the new approaches can enable the spray element to be adapted to the weather conditions while the protection management is being carried out. The study begins by attempting to reduce costs through a computational model of the environment that can speed up its execution. Subsequently, this computational model is used for predicting the rate of deposition as a fitness function in meta-heuristic algorithms and ensure that the mechanical behavior of the spray element can be adapted to the weather conditions while the management is put into effect. The results of this approach show that it can be adapted to environments with low variability. At the same time, it has a poor performance in environments with a high variability of weather conditions. A second approach is investigated and analyzed for this scenario, where the adaptation requires a reduced execution time. In this second approach, a trained machine learning technique is employed together with the results obtained from the first approach in different scenarios. These results show that this approach allows the spray element to be adapted in a way that is compatible with what was provided by the previous approach in less space of time.

O manejo de proteção com uso de produtos fitofarmacêuticos possibilita o controle de pragas em ambientes agrícolas, tornando-o menos nocivo para o desenvolvimento da cultura e com produção em grande escala. Porém, apenas uma pequena parte do produto pulverizado realmente é depositado na área alvo enquanto a maior parte do produto sofre deriva para regiões vizinhas. A literatura científica possui trabalhos com o uso de técnicas matemáticas para calcular a transformação física e movimento para estimar a deposição do produto. Com base nessa predição é possível configurar o sistema de pulverização para realizar a pulverização sob uma condição meteorológica comum na região para um desempenho satisfatório, mas as condições meteorológicas podem sofrer alterações e tornar qualquer configuração estática ineficiente. Uma alternativa para esse problema é realizar a adaptação da atuação do elemento pulverizador às condições meteorológicas durante a execução do manejo de proteção. Contudo, as técnicas existentes são computacionalmente custosas para serem executadas, tornando-as inadequadas para situações em que é requerido baixo tempo de execução. Esta tese se concentra no contexto descrito com objetivo de permitir a predição da deposição de forma rápida e precisa. Assim, espera-se que as novas abordagens sejam capazes de possibilitar a adaptação do elemento pulverizador às condições meteorológicas durante a realização do manejo de proteção. Este trabalho inicia com o processo de redução do custo de execução de um modelo computacional do ambiente, tornando sua execução mais rápida. Posteriormente, utiliza-se este modelo computacional para predição da deposição como função Fitness em algoritmos de meta-heurística para adaptar o comportamento do elemento pulverizador às condições meteorológicas durante a realização do manejo. Os resultados desta abordagem demonstram que é possível utilizá-la para realizar a adaptação em ambientes com baixa variabilidade. Por outro lado, pode apresentar baixo desempenho em ambientes com alta variabilidade nas condições meteorológicas. Uma segunda abordagem é investigada e analisada para este cenário, onde o processo de adaptação requer um tempo de execução reduzido. Nesta segunda abordagem é utilizado uma técnica de Aprendizado de Máquina treinada com os resultados gerados pela primeira abordagem em diferentes cenários. Os resultados obtidos demonstram que essa abordagem possibilita realizar a adaptação do elemento pulverizador compatível com a proporcionada pela abordagem anterior em um menor espaço de tempo.