Framework para integração de padrões de metadados agrometeorológicos

Abstract

A crescente demanda por dados agrometeorológicos confiáveis frente às mudanças climáticas impulsiona a agricultura de precisão, mas a exploração dessas informações esbarra na heterogeneidade e no volume massivo gerado na era do Big Data. A falta de interoperabilidade entre diferentes padrões de metadados cria as chamadas "ilhas de informação", dificultando análises conjuntas devido às divergências estruturais e de granularidade, especialmente entre os padrões de dados climáticos/geoespaciais, como o WMO Core Metadata Profile e a ISO 19115, e os de agrobiodiversidade, como o Darwin Core. Diante dessa problemática, este trabalho tem como objetivo desenvolver um framework, denominado AgroMeta, para a integração de metadados agrometeorológicos, promovendo a interoperabilidade estrutural e semântica entre esses ecossistemas. A pesquisa guia-se pelas diretrizes da Metodologia NeOn para a concepção de uma Ontologia de Alinhamento, desenvolvida para atuar como uma ponte semântica interdomínios. O framework é implementado computacionalmente em linguagem Python, na forma de uma API RESTful, operando como um motor de triplificação, seguindo uma arquitetura de entrada, transformação e saída, capaz de extrair e converter formatos sintáticos divergentes, como XML, GeoJSON e arquivos CSV, para o modelo estrutural de grafos em RDF. Para sanar a ambiguidade de termos e alcançar a interoperabilidade terminológica, a solução orquestra o uso de ontologias fundacionais, como GeoSPARQL, SOSA e OWL-Time, aliado ao vocabulário controlado multilíngue AGROVOC. A validação prática do Grafo de Conhecimento unificado foi conduzida no ambiente GraphDB por meio de requisições SPARQL, orientadas por Questões de Competência (CQs) aplicadas a um cenário agronômico crítico: o monitoramento do complexo praga-cultura da Spodoptera frugiperda e do milho. Os resultados atestam a arquitetura, demonstrando potencial para resolver o conflito de granularidade, harmonizando catálogos climáticos macroscópicos com observações biológicas e medições de sensores em resolução fina. Além disso, garantiu a extração da proveniência institucional em conformidade estrita aos princípios FAIR. O modelo supera a mitigação superficial da sintaxe e atua como um orquestrador de conhecimento e Sistema de Suporte à Decisão (DSS), transformando bases isoladas em inteligência analítica e preditiva para o monitoramento agrícola.The growing demand for reliable agrometeorological data in the face of climate change drives precision agriculture; however, harnessing this information is hindered by the high heterogeneity and massive volume generated in the Big Data era. The lack of interoperability between different metadata standards creates so-called "information islands," making joint analyses difficult due to profound divergences in structure and granularity. This is especially true between climatic and geospatial data standards, such as the WMO Core Metadata Profile and ISO 19115, and agrobiodiversity standards, such as Darwin Core. Faced with this issue, this study aims to develop a framework, named AgroMeta, for the integration of agrometeorological metadata, promoting structural and semantic interoperability between these ecosystems. The research is guided by the NeOn Methodology guidelines for designing an Alignment Ontology, developed to act as an interdomain semantic bridge. The framework is computationally implemented in Python as a RESTful API, operating as a triplification engine. It follows an input, transformation, and output architecture capable of extracting and converting divergent syntactic formats, such as XML, GeoJSON, and CSV files, into the RDF graph structural model. To resolve term ambiguity and achieve terminological interoperability, the solution orchestrates the use of foundational ontologies, such as GeoSPARQL, SOSA, and OWL-Time, combined with the AGROVOC multilingual controlled vocabulary. The practical validation of the unified Knowledge Graph was conducted in the GraphDB environment using SPARQL queries, guided by Competency Questions (CQs) applied to a critical agronomic scenario: the monitoring of the Spodoptera frugiperda and maize pest-crop complex. The results attest that the architecture successfully resolved the granularity conflict, harmonizing macroscopic climate catalogs with biological observations and fine-resolution sensor measurements. Furthermore, it ensured the extraction of institutional provenance in strict compliance with the FAIR principles. In conclusion, the model surpasses superficial syntax mitigation, acting as an authentic knowledge orchestrator and Decision Support System (DSS), transforming isolated databases into analytical and predictive intelligence for agricultural monitoring.