Predição da produtividade da cultura do milho utilizando rede neural artificial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2015 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Ciência Rural |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782015001101987 |
Resumo: | Esta investigação visa avaliar o desempenho de redes neurais artificiais na predição da produtividade da cultura do milho, no município de Jaguari, região Central do Estado do Rio Grande do Sul, com base em variáveis morfológicas da cultura. Para treinamento e validação das redes neurais, foram utilizados dados publicados por SOARES (2010). Foram testadas diversas redes neurais do tipo perceptron, multicamadas com algoritmo backpropagation otimizado (Levenberg-Marquardt). Elas tiveram como variáveis na camada de entrada: índice de área foliar; matéria verde total; altura de planta; e no de planta m-2. Na camada de saída: produção de grãos. Cada arquitetura foi treinada 10 vezes, escolhendo-se, ao final do treinamento, aquela com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das redes foi analisada por meio de indicadores estatísticos. A rede com 35 neurônios na camada escondida apresentou os menores erros nos processos de treinamento e validação, dentre as diversas arquiteturas treinadas. Dessa forma, a rede neural com arquitetura 4-35-1 apresenta bom desempenho, sendo eficiente na estimativa da produção de grãos, considerando a região de abrangência do experimento. |
id |
UFSM-2_8dae59435c8ce6b9b40f44b2cbab30c3 |
---|---|
oai_identifier_str |
oai:scielo:S0103-84782015001101987 |
network_acronym_str |
UFSM-2 |
network_name_str |
Ciência rural (Online) |
repository_id_str |
|
spelling |
Predição da produtividade da cultura do milho utilizando rede neural artificialmodelageminteligência artificialproduçãoZea mays FL.Esta investigação visa avaliar o desempenho de redes neurais artificiais na predição da produtividade da cultura do milho, no município de Jaguari, região Central do Estado do Rio Grande do Sul, com base em variáveis morfológicas da cultura. Para treinamento e validação das redes neurais, foram utilizados dados publicados por SOARES (2010). Foram testadas diversas redes neurais do tipo perceptron, multicamadas com algoritmo backpropagation otimizado (Levenberg-Marquardt). Elas tiveram como variáveis na camada de entrada: índice de área foliar; matéria verde total; altura de planta; e no de planta m-2. Na camada de saída: produção de grãos. Cada arquitetura foi treinada 10 vezes, escolhendo-se, ao final do treinamento, aquela com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das redes foi analisada por meio de indicadores estatísticos. A rede com 35 neurônios na camada escondida apresentou os menores erros nos processos de treinamento e validação, dentre as diversas arquiteturas treinadas. Dessa forma, a rede neural com arquitetura 4-35-1 apresenta bom desempenho, sendo eficiente na estimativa da produção de grãos, considerando a região de abrangência do experimento.Universidade Federal de Santa Maria2015-11-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782015001101987Ciência Rural v.45 n.11 2015reponame:Ciência Ruralinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM10.1590/0103-8478cr20141524info:eu-repo/semantics/openAccessSoares,Fátima CibeleRobaina,Adroaldo DiasPeiter,Marcia XavierRussi,Jumar Luispor2015-11-25T00:00:00ZRevista |
dc.title.none.fl_str_mv |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
title |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
spellingShingle |
Predição da produtividade da cultura do milho utilizando rede neural artificial Soares,Fátima Cibele modelagem inteligência artificial produção Zea mays FL. |
title_short |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
title_full |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
title_fullStr |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
title_full_unstemmed |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
title_sort |
Predição da produtividade da cultura do milho utilizando rede neural artificial |
author |
Soares,Fátima Cibele |
author_facet |
Soares,Fátima Cibele Robaina,Adroaldo Dias Peiter,Marcia Xavier Russi,Jumar Luis |
author_role |
author |
author2 |
Robaina,Adroaldo Dias Peiter,Marcia Xavier Russi,Jumar Luis |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Soares,Fátima Cibele Robaina,Adroaldo Dias Peiter,Marcia Xavier Russi,Jumar Luis |
dc.subject.por.fl_str_mv |
modelagem inteligência artificial produção Zea mays FL. |
topic |
modelagem inteligência artificial produção Zea mays FL. |
description |
Esta investigação visa avaliar o desempenho de redes neurais artificiais na predição da produtividade da cultura do milho, no município de Jaguari, região Central do Estado do Rio Grande do Sul, com base em variáveis morfológicas da cultura. Para treinamento e validação das redes neurais, foram utilizados dados publicados por SOARES (2010). Foram testadas diversas redes neurais do tipo perceptron, multicamadas com algoritmo backpropagation otimizado (Levenberg-Marquardt). Elas tiveram como variáveis na camada de entrada: índice de área foliar; matéria verde total; altura de planta; e no de planta m-2. Na camada de saída: produção de grãos. Cada arquitetura foi treinada 10 vezes, escolhendo-se, ao final do treinamento, aquela com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das redes foi analisada por meio de indicadores estatísticos. A rede com 35 neurônios na camada escondida apresentou os menores erros nos processos de treinamento e validação, dentre as diversas arquiteturas treinadas. Dessa forma, a rede neural com arquitetura 4-35-1 apresenta bom desempenho, sendo eficiente na estimativa da produção de grãos, considerando a região de abrangência do experimento. |
publishDate |
2015 |
dc.date.none.fl_str_mv |
2015-11-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782015001101987 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-84782015001101987 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/0103-8478cr20141524 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Universidade Federal de Santa Maria |
publisher.none.fl_str_mv |
Universidade Federal de Santa Maria |
dc.source.none.fl_str_mv |
Ciência Rural v.45 n.11 2015 reponame:Ciência Rural instname:Universidade Federal de Santa Maria (UFSM) instacron:UFSM |
instname_str |
Universidade Federal de Santa Maria (UFSM) |
instacron_str |
UFSM |
institution |
UFSM |
reponame_str |
Ciência Rural |
collection |
Ciência Rural |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1749140547722805248 |