Atualmente, a Inteligência Artificial (IA) e o sub-campo Machine Learning (ML) estão em constante desenvolvimento e procura por parte de diferentes áreas científicas. Neste caso, ocorreu uma fusão entre a IA e a agricultura, especificamente na vertente da viticultura. Esta dissertação apresenta um sistema composto por um drone com uma câmara térmica acoplada, que foi usada para sobrevoar vinhas, para obter fotografias (imagens) térmicas. Estas imagens contêm leituras de temperatura da vinha e do solo em cada pixel, de modo a analisar as regiões que contêm valores baixos de temperatura, que representam zonas com alta concentração de humidade. O objetivo deste trabalho é implementar um algoritmo de Machine Learning para detetar e localizar áreas de humidade nas imagens térmicas. Este sistema tem duas características principais: a alta resolução da câmara térmica, pois permite saber exatamente a temperatura em qualquer local da imagem; A utilização de um algoritmo de Machine Learning para classificar as regiões automaticamente com excesso de níveis de humidade. Após a realização de vários testes, o algoritmo obteve resultados na ordem dos 82% de precisão, o que demonstrou uma performance satisfatória para o alcance do objetivo proposto. Esta classificação é muito útil na agricultura de precisão, a fim de otimizar os recursos hídricos usados na rega da cultura agrícola, poupando assim água, energia e colaborando com uma atitude em prol da sustentabilidade e na tomada de decisão dos agricultores.

The Artificial Intelligence (AI) and the Machine Learning (ML) subfield are currently in constant development and demand from different scientific areas. In this case, a merger between AI and agriculture took place, specifically in the field of viticulture. This dissertation presents a system composed by a drone with an attached thermal camera, which was used to fly over vineyards taking thermal images. These images contain vine and soil temperature readings on each pixel, in order to analyse the regions containing low temperature values, which show areas with a high concentration of humidity. The objective of this work is to implement a Machine Learning algorithm to detect and locate areas of humidity in thermal images. This system has two main features: the high resolution of the thermal camera, as it allows to know exactly the temperature anywhere in the image area; and the use of a Machine Learning algorithm to automatically classify regions with an excess of humidity levels. After several tests, the algorithm obtained results of around 82% accuracy, which showed a satisfactory performance in achieving the proposed objective. This classification is very useful in precision agriculture, in order to optimise the water resources used in crops irrigation, thus saving water and energy and it contributes to an attitude towards sustainability and supports farmers’ decision making.