Predição da necessidade de calagem em área de pivô central por meio de rede neural artificial

• Autor(a) principal: Barbosa, Carlos Eduardo Bento
• Data de Publicação: 2020
• 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/996
• topic: Acidez do solo; Métodos corretivos; Agricultura de precisão; Inteligência artificial; Soil acidity; Corrective methods; Precision agriculture; Artificial intelligence; CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA; AGRONOMIA::CIENCIA DO SOLO

Grande parte do estado de Goiás é composta por latossolos, devido à grande ocorrência de acidez nesse tipo de solo, torna-se imprescindível o estudo dos métodos corretivos e de novas tecnologias para auxiliar no manejo destes solos, bem como as redes neurais artificiais (RNA) que tem se mostrado viáveis aos estudos de estimativas de atributos químicos dos solos. O trabalho tem por objetivo estimar a necessidade de calagem em áreas de pivô central, utilizando redes neurais artificiais. Os dados foram coletados numa área de 35 ha, numa grade amostral de 60x60 m, gerando 88 pontos amostrais. Para cada um desses pontos, serão coletadas 5 subamostras na camada de 0 a 0,20 m, para determinar os atributos químicos e a textura do solo. Os dados foram submetidos a análise descritiva e exploratória e logo após foram normalizados para inserção nas RNAs, para que estas possam ser calibradas, em seguida suas estimativas foram comparadas aos dados amostrais a necessidade de calagem, para verificação do desempenho da rede, por meio do índice de concordância, do coeficiente de correlação e verificação do menor erro relativo médio. Nos dois modelos envolvidos as RNAs conseguiram fazer as estimativas propostas com ótimo desempenho. Foram testadas várias estruturas e de acordo com os indicadores estatísticos chegou-se a melhor rede para cada modelo. No modelo 1 a RNA1(Rede Neural Artificial com 2 neurônios na camada oculta) conseguiu os melhores resultados, apresentando um ótimo desempenho (id = 0,993) e o erro quadrático médio (EQM) de 0,002. No modelo 2 a RNA 1 (Rede Neural Artificial com 6 neurônios na camada oculta) conseguiu os melhores resultados, apresentando um ótimo desempenho (id = 0,929) e o erro quadrático médio (EQM) de 0,025. O Teste-t comprovou a precisão dos dois modelos, uma vez que não houve diferenças significativas das estimativas usando RNAs e o cálculo pelo método tradicional de necessidade de calagem. O modelo 2 por meio da técnica vizinhança adaptada para inserção de dados na RNA conseguiu diminuir em 30% o número de amostras a serem coletadas para um possível mapeamento da necessidade de calagem a taxa variada.