Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais
Autor(a) principal: | |
---|---|
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 |
Resumo: | 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. |
id |
UEG-2_0b57b27f6adb293ce6859b99d41f9079 |
---|---|
oai_identifier_str |
oai:tede2:tede/1327 |
network_acronym_str |
UEG-2 |
network_name_str |
Biblioteca Digital Brasileira de Teses e Dissertações da UEG |
repository_id_str |
|
spelling |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiaisEstimation of phosphorus and potassium requirements for industrial tomatoes using artificial neural networksAgricultura de precisãoNeurônios artificiaisSolanum lycopersicumAdubaçãoPrecision agricultureArtificial neuronsSolanum lycopersicumFertilizationCIENCIAS AGRARIAS::ENGENHARIA AGRICOLANa 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.In agriculture, it is possible to find the application of artificial neural networks (ANNs) in studies aimed at predicting attributes of crop productivity, among others, and given the breadth of use, ANNs consist of a promising method to estimate indicators related to soil quality. This study aimed to develop an ANN to estimate the needs of phosphorus (P) and potassium (K) in central pivot areas cultivated with industrial tomatoes and to reduce the amount of samples required for field data collection. The data were collected using a sample grid of 60x60m, totaling 88 sampling points. Two network models were trained, the first aiming at estimating the need for phosphorus and the need for potassium in central pivot areas and the second aiming at reducing the amount of samples needed for data collection in the field, in which the back-Propagation algorithm was used for the training, with Multiple Layer Perceptron (MLP) topology. Subsequently, a geostatistical analysis was performed and the semivariogram model was adjusted for the P and K requirement data estimated by the fertilizer recommendation table, based on the soil analysis, and those estimated by the ANN model 2, in which the maps were prepared. of isolines and evaluated the accuracy of the maps through the Kappa and Global Accuracy indices. For the two trained models, good adjustments were observed with R2 values greater than 0.90 in the external validation phase, low EQM values (mean squared error), correlation above 91% and excellent performance of the ANNs, in which the precision of the chosen networks were confirmed by the t-Test, for both trained models. It was possible to estimate the needs of P and K and the adaptation of the neighborhood technique enabled a 40% reduction in the number of samples needed for the collection of field data, making it possible to obtain estimates of the needs of P and K, aiming at a possible application of nutrients at a variable rate, contributing to cost reduction. The Kappa index and global accuracy allowed the evaluation of the accuracy of the prepared maps, in which medium and high accuracy was found between the P and K needs maps, respectively, and global accuracy values greater than 85%. By reducing the number of samples, the network is able to obtain valid estimates of P and K to be used in the study of soil spatial variability.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESUniversidade Estadual de GoiásUEG ::Coordenação de Mestrado em Engenharia AgrícolaBrasilUEGPrograma de Pós-Graduação Stricto sensu em Engenharia AgrícolaAlves, Sueli Martins de Freitashttp://lattes.cnpq.br/4333372067658689Alves, Sueli Martins de FreitasMelo, Francisco Ramos deSouza, João Maurício FernandesOliveira, Sabrina Dias de2023-10-17T13:04:43Z2022-12-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfOLIVEIRA, S.D. Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais. 2022. 68 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET - Ciências Exatas e Tecnológicas Henrique Santillo, Universidade Estadual de Goiás, Anápolis, GO, 2022.http://www.bdtd.ueg.br/handle/tede/1327porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital Brasileira de Teses e Dissertações da UEGinstname:Universidade Estadual de Goiás (UEG)instacron:UEG2023-10-17T13:05:58Zoai:tede2:tede/1327Biblioteca Digital de Teses e Dissertaçõeshttps://www.bdtd.ueg.br/PUBhttps://www.bdtd.ueg.br/oai/requestbibliotecaunucet@ueg.br||opendoar:2023-10-17T13:05:58Biblioteca Digital Brasileira de Teses e Dissertações da UEG - Universidade Estadual de Goiás (UEG)false |
dc.title.none.fl_str_mv |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais Estimation of phosphorus and potassium requirements for industrial tomatoes using artificial neural networks |
title |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
spellingShingle |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais Oliveira, Sabrina Dias de Agricultura de precisão Neurônios artificiais Solanum lycopersicum Adubação Precision agriculture Artificial neurons Solanum lycopersicum Fertilization CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA |
title_short |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
title_full |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
title_fullStr |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
title_full_unstemmed |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
title_sort |
Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais |
author |
Oliveira, Sabrina Dias de |
author_facet |
Oliveira, Sabrina Dias de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Alves, Sueli Martins de Freitas http://lattes.cnpq.br/4333372067658689 Alves, Sueli Martins de Freitas Melo, Francisco Ramos de Souza, João Maurício Fernandes |
dc.contributor.author.fl_str_mv |
Oliveira, Sabrina Dias de |
dc.subject.por.fl_str_mv |
Agricultura de precisão Neurônios artificiais Solanum lycopersicum Adubação Precision agriculture Artificial neurons Solanum lycopersicum Fertilization CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA |
topic |
Agricultura de precisão Neurônios artificiais Solanum lycopersicum Adubação Precision agriculture Artificial neurons Solanum lycopersicum Fertilization CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA |
description |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-12-16 2023-10-17T13:04:43Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
OLIVEIRA, S.D. Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais. 2022. 68 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET - Ciências Exatas e Tecnológicas Henrique Santillo, Universidade Estadual de Goiás, Anápolis, GO, 2022. http://www.bdtd.ueg.br/handle/tede/1327 |
identifier_str_mv |
OLIVEIRA, S.D. Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais. 2022. 68 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET - Ciências Exatas e Tecnológicas Henrique Santillo, Universidade Estadual de Goiás, Anápolis, GO, 2022. |
url |
http://www.bdtd.ueg.br/handle/tede/1327 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual de Goiás UEG ::Coordenação de Mestrado em Engenharia Agrícola Brasil UEG Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola |
publisher.none.fl_str_mv |
Universidade Estadual de Goiás UEG ::Coordenação de Mestrado em Engenharia Agrícola Brasil UEG Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital Brasileira de Teses e Dissertações da UEG instname:Universidade Estadual de Goiás (UEG) instacron:UEG |
instname_str |
Universidade Estadual de Goiás (UEG) |
instacron_str |
UEG |
institution |
UEG |
reponame_str |
Biblioteca Digital Brasileira de Teses e Dissertações da UEG |
collection |
Biblioteca Digital Brasileira de Teses e Dissertações da UEG |
repository.name.fl_str_mv |
Biblioteca Digital Brasileira de Teses e Dissertações da UEG - Universidade Estadual de Goiás (UEG) |
repository.mail.fl_str_mv |
bibliotecaunucet@ueg.br|| |
_version_ |
1809093997123076096 |