Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais

• Autor(a) principal: Oliveira, Sabrina Dias de
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital Brasileira de Teses e Dissertações da UEG
• Texto Completo: http://www.bdtd.ueg.br/handle/tede/1327
• topic: Agricultura de precisão; Neurônios artificiais; Solanum lycopersicum; Adubação; Precision agriculture; Artificial neurons; Solanum lycopersicum; Fertilization; CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA

Na agricultura é possível encontrar a aplicação das redes neurais artificiais (RNAs) em estudos visando predizer atributos do solo, produtividade de culturas, entre outros, e dada a amplitude de utilização, as RNAs consistem em um método promissor para estimar indicadores referentes a qualidade do solo. Este estudo teve como objetivo desenvolver uma RNA para estimar as necessidades de fósforo (P) e potássio (K) em áreas de pivô central cultivadas com tomate industrial e reduzir a quantidade de amostras necessárias para a coleta de dados a campo. Os dados foram coletados utilizando uma grade amostral de 60x60m, totalizando 120 pontos amostrais. Foram treinados 2 modelos de rede, o primeiro com o objetivo de estimar a necessidade de fósforo e a necessidade de potássio em áreas de pivô central e o segundo com o intuito de reduzir a quantidade de amostras necessárias para a coleta de dados em campo, em que para o treinamento foi utilizado o algoritmo back-propagation, com topologia do tipo Perceptron de Múltiplas Camadas (MLP). Posteriormente foi realizada a análise geoestátistica e ajustado o modelo de semivariograma para os dados de necessidade de P e K estimados pela tabela de recomendação de fertilizantes, em função da análise de solo, e os estimados pela RNA modelo 2, em que foram elaborados os mapas de isolinhas e avaliada a acurácia dos mapas através dos índices de Kappa e Exatidão global. Para os dois modelos treinados foram observados bons ajustes com valores de R2 superiores a 0,90 na fase de validação externa, baixos valores de EQM (erro quadrático médio), correlação acima de 91% e um ótimo desempenho das RNAs, em que a precisão das redes escolhidas foram confirmadas pelo Teste-t, para ambos os modelos treinados. Foi possível estimar as necessidades de P e K e a adaptação da técnica de vizinhança possibilitou uma redução de 40% no número de amostras necessárias para a coleta de dados a campo, possibilitando se obter estimativas das necessidades de P e K, visando uma possível aplicação dos nutrientes a taxa variável, contribuindo com a redução de custos. O índice de Kappa e Exatidão global propiciaram a avaliação da acurácia dos mapas elaborados, em que foi constada média e alta acurácia entre os mapas de necessidades de P e K, respectivamente, e valores de exatidão global superiores a 85%. Com a redução do número de amostras a rede consegue obter estimativas válidas de P e K para serem usadas no estudo da variabilidade espacial do solo.