ETD

• agricoltura digitale
• continual learning
• expectation-maximization
• internet of things
• modelli stocastici
• particle filtering
• previsione della crescita delle piante
• reti neurali ricorrenti
• time series

Questa tesi affronta il problema della previsione di serie temporali nel contesto dell’agricoltura digitale, da dati raccolti tramite sistemi IoT. L’elevata disponibilità di sensori consente il monitoraggio continuo dei processi agricoli, generando grandi quantità di dati temporali la cui analisi è fondamentale per ottimizzare l’uso delle risorse e ridurre l’impatto ambientale. Il lavoro propone un approccio basato su reti neurali ricorrenti all’interno di un framework stocastico e addestrate tramite un algoritmo di Generalized Expectation-Maximization in un contesto di continual learning. La stima degli stati latenti è ottenuta mediante tecniche di Sequential Monte Carlo. I risultati sperimentali mostrano che l’approccio proposto è in grado di fornire previsioni accurate e stabili, adattandosi efficacemente a contesti dinamici e rumorosi, confermando il potenziale dei modelli ricorrenti stocastici per applicazioni di previsione in agricoltura digitale.