Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2011 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMS |
Texto Completo: | https://repositorio.ufms.br/handle/123456789/1588 |
Resumo: | A obtenção de valores locais de erosividade da chuva é fundamental para a estimativa da perda de solo a partir do modelo Universal Soil Loss Equation (USLE), sendo assim, útil no planejamento conservacionista do solo e da água. Desse modo, objetivou-se no presente estudo, desenvolver uma Rede Neural Artificial (RNA) capaz de estimar, com precisão satisfatória, a erosividade da chuva em qualquer localidade do Estado de Mato Grosso do Sul. Para tanto, foram utilizados dados de erosividade da chuva, latitude, longitude e altitude de estações pluviométricas e pluviográficas localizadas no Estado para o treinamento e teste de uma RNA. Após o treinamento com várias configurações de rede, selecionou-se a que apresentou melhor desempenho, ou seja, maior coeficiente de determinação, calculado com base nos dados de erosividade da amostra teste e dos respectivos valores estimados pela RNA. Na avaliação dos resultados obtidos, foram utilizados, além do coeficiente de determinação, o índice de confiança e o índice de concordância. Verificou-se que é possível estimar a erosividade da chuva para qualquer localidade do Estado de Mato Grosso do Sul, de forma confiável, utilizando-se apenas dados de coordenadas geográficas e altitude. |
id |
UFMS_7ee5b5100d39278a8d739e87abdf0b69 |
---|---|
oai_identifier_str |
oai:repositorio.ufms.br:123456789/1587 |
network_acronym_str |
UFMS |
network_name_str |
Repositório Institucional da UFMS |
repository_id_str |
2124 |
spelling |
2012-08-15T13:55:06Z2021-09-30T19:56:30Z2011https://repositorio.ufms.br/handle/123456789/1588A obtenção de valores locais de erosividade da chuva é fundamental para a estimativa da perda de solo a partir do modelo Universal Soil Loss Equation (USLE), sendo assim, útil no planejamento conservacionista do solo e da água. Desse modo, objetivou-se no presente estudo, desenvolver uma Rede Neural Artificial (RNA) capaz de estimar, com precisão satisfatória, a erosividade da chuva em qualquer localidade do Estado de Mato Grosso do Sul. Para tanto, foram utilizados dados de erosividade da chuva, latitude, longitude e altitude de estações pluviométricas e pluviográficas localizadas no Estado para o treinamento e teste de uma RNA. Após o treinamento com várias configurações de rede, selecionou-se a que apresentou melhor desempenho, ou seja, maior coeficiente de determinação, calculado com base nos dados de erosividade da amostra teste e dos respectivos valores estimados pela RNA. Na avaliação dos resultados obtidos, foram utilizados, além do coeficiente de determinação, o índice de confiança e o índice de concordância. Verificou-se que é possível estimar a erosividade da chuva para qualquer localidade do Estado de Mato Grosso do Sul, de forma confiável, utilizando-se apenas dados de coordenadas geográficas e altitude.ABSTRACT - The information retrieval of local values of rainfall erosivity is essential for soil loss estimation with the Universal Soil Loss Equation (USLE), and thus is very useful in soil and water conservation planning. In this manner, the objective of this study was to develop an Artificial Neural Network (ANN) with the capacity of estimating, with satisfactory accuracy, the rainfall erosivity in any location of the Mato Grosso do Sul state. We used data from rain erosivity, latitude, longitude, altitude of pluviometric and pluviographic stations located in the state to train and test an ANN. After training with various network configurations, we selected the best performance and higher coefficient of determination calculated on the basis of data erosivity of the sample test and the values estimated by ANN. In evaluating the results, the confidence and the agreement indices were used in addition to the coefficient of determination. It was found that it is possible to estimate the rainfall erosivity for any location in the state of Mato Grosso do Sul, in a reliable way, using only data of geographical coordinates and altitude.porRevista Ambiente & Água - An Interdisciplinary Journal of Applied ScienceInteligência ArtificialArtificial IntelligenceRedes Neurais (Computação)Neural Networks (Computer Science)Solos - conservaçãoSoil ConservationErosãoErosionEstimativa da erosividade local das chuvas, utilizando redes neurais artificiaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleAlves Sobrinho, TeodoricoPertussatti, Caroline AlvarengaRebucci, Lais Cristina SoaresOliveira, Paulo Tarso Sanches deinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMSinstname:Universidade Federal de Mato Grosso do Sul (UFMS)instacron:UFMSTHUMBNAILTeodorico Alves Sobrinho CCET 2.pdf.jpgTeodorico Alves Sobrinho CCET 2.pdf.jpgGenerated Thumbnailimage/jpeg1727https://repositorio.ufms.br/bitstream/123456789/1587/4/Teodorico%20Alves%20Sobrinho%20CCET%202.pdf.jpg6004dc63a1da5d3511e7309a7d7a4526MD54ORIGINALTeodorico Alves Sobrinho CCET 2.pdfTeodorico Alves Sobrinho CCET 2.pdfapplication/pdf241937https://repositorio.ufms.br/bitstream/123456789/1587/1/Teodorico%20Alves%20Sobrinho%20CCET%202.pdfa74e7196d376586d7849fddf57d295aaMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufms.br/bitstream/123456789/1587/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXTTeodorico Alves Sobrinho CCET 2.pdf.txtTeodorico Alves Sobrinho CCET 2.pdf.txtExtracted texttext/plain25968https://repositorio.ufms.br/bitstream/123456789/1587/3/Teodorico%20Alves%20Sobrinho%20CCET%202.pdf.txtc7b0f4edce3503aa1273fe0e4914dd21MD53123456789/15872021-09-30 15:56:30.968oai:repositorio.ufms.br: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Repositório InstitucionalPUBhttps://repositorio.ufms.br/oai/requestri.prograd@ufms.bropendoar:21242021-09-30T19:56:30Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS)false |
dc.title.pt_BR.fl_str_mv |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
title |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
spellingShingle |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais Alves Sobrinho, Teodorico Inteligência Artificial Artificial Intelligence Redes Neurais (Computação) Neural Networks (Computer Science) Solos - conservação Soil Conservation Erosão Erosion |
title_short |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
title_full |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
title_fullStr |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
title_full_unstemmed |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
title_sort |
Estimativa da erosividade local das chuvas, utilizando redes neurais artificiais |
author |
Alves Sobrinho, Teodorico |
author_facet |
Alves Sobrinho, Teodorico Pertussatti, Caroline Alvarenga Rebucci, Lais Cristina Soares Oliveira, Paulo Tarso Sanches de |
author_role |
author |
author2 |
Pertussatti, Caroline Alvarenga Rebucci, Lais Cristina Soares Oliveira, Paulo Tarso Sanches de |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Alves Sobrinho, Teodorico Pertussatti, Caroline Alvarenga Rebucci, Lais Cristina Soares Oliveira, Paulo Tarso Sanches de |
dc.subject.por.fl_str_mv |
Inteligência Artificial Artificial Intelligence Redes Neurais (Computação) Neural Networks (Computer Science) Solos - conservação Soil Conservation Erosão Erosion |
topic |
Inteligência Artificial Artificial Intelligence Redes Neurais (Computação) Neural Networks (Computer Science) Solos - conservação Soil Conservation Erosão Erosion |
description |
A obtenção de valores locais de erosividade da chuva é fundamental para a estimativa da perda de solo a partir do modelo Universal Soil Loss Equation (USLE), sendo assim, útil no planejamento conservacionista do solo e da água. Desse modo, objetivou-se no presente estudo, desenvolver uma Rede Neural Artificial (RNA) capaz de estimar, com precisão satisfatória, a erosividade da chuva em qualquer localidade do Estado de Mato Grosso do Sul. Para tanto, foram utilizados dados de erosividade da chuva, latitude, longitude e altitude de estações pluviométricas e pluviográficas localizadas no Estado para o treinamento e teste de uma RNA. Após o treinamento com várias configurações de rede, selecionou-se a que apresentou melhor desempenho, ou seja, maior coeficiente de determinação, calculado com base nos dados de erosividade da amostra teste e dos respectivos valores estimados pela RNA. Na avaliação dos resultados obtidos, foram utilizados, além do coeficiente de determinação, o índice de confiança e o índice de concordância. Verificou-se que é possível estimar a erosividade da chuva para qualquer localidade do Estado de Mato Grosso do Sul, de forma confiável, utilizando-se apenas dados de coordenadas geográficas e altitude. |
publishDate |
2011 |
dc.date.issued.fl_str_mv |
2011 |
dc.date.accessioned.fl_str_mv |
2012-08-15T13:55:06Z |
dc.date.available.fl_str_mv |
2021-09-30T19:56:30Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufms.br/handle/123456789/1588 |
url |
https://repositorio.ufms.br/handle/123456789/1588 |
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.publisher.none.fl_str_mv |
Revista Ambiente & Água - An Interdisciplinary Journal of Applied Science |
publisher.none.fl_str_mv |
Revista Ambiente & Água - An Interdisciplinary Journal of Applied Science |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMS instname:Universidade Federal de Mato Grosso do Sul (UFMS) instacron:UFMS |
instname_str |
Universidade Federal de Mato Grosso do Sul (UFMS) |
instacron_str |
UFMS |
institution |
UFMS |
reponame_str |
Repositório Institucional da UFMS |
collection |
Repositório Institucional da UFMS |
bitstream.url.fl_str_mv |
https://repositorio.ufms.br/bitstream/123456789/1587/4/Teodorico%20Alves%20Sobrinho%20CCET%202.pdf.jpg https://repositorio.ufms.br/bitstream/123456789/1587/1/Teodorico%20Alves%20Sobrinho%20CCET%202.pdf https://repositorio.ufms.br/bitstream/123456789/1587/2/license.txt https://repositorio.ufms.br/bitstream/123456789/1587/3/Teodorico%20Alves%20Sobrinho%20CCET%202.pdf.txt |
bitstream.checksum.fl_str_mv |
6004dc63a1da5d3511e7309a7d7a4526 a74e7196d376586d7849fddf57d295aa 8a4605be74aa9ea9d79846c1fba20a33 c7b0f4edce3503aa1273fe0e4914dd21 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMS - Universidade Federal de Mato Grosso do Sul (UFMS) |
repository.mail.fl_str_mv |
ri.prograd@ufms.br |
_version_ |
1801678555080294400 |