Nos tempos que correm, a poupança de recursos naturais é cada vez mais uma preocupação, sendo a escassez de água um facto que se tem verificado em cada vez mais zonas do globo. Uma das principais estratégias utilizadas para contrariar esta tendência é o recurso a novas tecnologias. Neste tópico tem se destacado a Internet das Coisas, sendo estas caracterizadas por oferecerem robustez e simplicidade, sendo ao mesmo tempo de baixo custo. Nesta dissertação foi apresentado o estudo e desenvolvimento de um sistema de controlo automático para rega de campos agrícolas. A solução desenvolvida contou com uma rede de sensores e atuadores wireless, tendo por base estudos anteriores ao nível dos módulos e protocolos de comunicação utilizados, uma aplicação movel para iOS que oferece ao utilizador a possibilidade de consultar os dados coletados em tempo real e o histórico dos mesmos e ainda atuar em conformidade. De forma a adequar a administração de água, foram estudados algoritmos de Machine Learning que prevejam a melhor hora do dia para a administração de água, dos algoritmos estudados (Decision Trees, Extreme Gradient Boosting (XGBoost), Random Forest, Redes Neuronais e Support Vectors Machines) o que obteve melhores resultados foi o XGBoost, apresentando resultados de precisão de 87.73%. Para alem da solução de ML foi também desenvolvido um script que calcule a quantidade de água necessária a administrar ao terreno em analise. Através da implementação do sistema foi possível perceber que a solução desenvolvida é eficaz, conseguindo atingir valores de 60% de poupança de água.

Nowadays, the saving of natural resources is increasingly a concern, and water scarcity is a fact that has been occurring in more areas of the globe. One of the main strategies used to counter this trend is the use of new technologies. In this topic the Internet of Things has been highlighted, these solutions are characterized by offering robustness and simplicity, while being low cost. In this dissertation was presented the study and development of an automatic irrigation control system for agricultural fields. The developed solution had a wireless sensors and actuators network, based on previous studies at the level of modules and communication protocols used, a mobile application for iOS that offers the user the capability of consulting not only the data collected in real time but also their history and also act in accordance with the data it analyses. In order to adapt the water management, Machine Learning algorithms were studied to predict the best time of day for water administration, of the studied algorithms (Decision Trees, Extreme Gradient Boosting (XGBoost), Random Forest, Neural Networks and Support Vectors Machines) the one that obtained the best results was XGBoost, presenting results of 87.73% of accuracy. Besides the ML solution, a script was also developed to calculate the amount of water needed to manage the fields under analysis. Through the implementation of the system it was possible to realize that the developed solution is effective and can achieve up to 60% of water savings.