Modelagem da dinâmica de herbicidas no solo e palha utilizando redes neurais artificiais

• Autor(a) principal: Nascentes, Renan Fonseca [UNESP]
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/250420
• topic: Dinâmica de herbicidas; Palhada; Sorção; Aprendizado de máquina; Inteligência artificial; Herbicide dynamics; Straw; Sorption; Machine learning; Artificial intelligence

A compreensão do comportamento ambiental de um herbicida é de extrema importância para garantir a sua aplicação correta, permitindo acertar o momento e a modalidade adequada. Portanto, o desenvolvimento de modelos matemáticos capazes de estimar a transposição do herbicida na palha e sua disponibilidade no solo tem se tornado cada vez mais crucial. Nesse contexto, as redes neurais artificiais (RNAs) têm se mostrado uma abordagem bem-sucedida para modelar relações, especialmente aquelas envolvendo séries temporais e comportamentos não-lineares. Uma das principais vantagens das redes neurais é a sua capacidade de aprendizado por meio de um conjunto de exemplos (padrões), permitindo que posteriormente possam fornecer respostas precisas. Assim, o objetivo deste trabalho é desenvolver um modelo utilizando redes neurais artificiais para estimar a transposição de diferentes herbicidas na palha, bem como a disponibilidade desses herbicidas no solo. Para o modelo RNA palha, foi utilizado as seguintes variáveis como entradas de dados do modelo: massa molecular, solubilidade em água (mg L- 1), pka, kow, pressão de vapor (mmHg), koc, tonelada de palha por hectare, simulação de chuva (mm) e dose do herbicida em m kg ha-1. O banco de dados foi preparado com 1872 dados que foi aleatoriamente divididos em dois conjuntos: 70% (1310) foram utilizados para o treinamento do modelo, enquanto os 30% restantes (562) foram utilizados para a validação do modelo. Para o modelo RNA solo, a amostra total utilizada consistiu de 124 tipos de solo e 15 herbicidas, totalizando 1860 observações. Também dividimos os dados em conjunto de treinamento, com 1302 amostras, e conjunto de validação, com 558 amostras. As entradas utilizadas para o modelo foram as características físico-química dos herbicidas massa molar, pressão de vapor, solubilidade em água, constante de dissociação (pka), coeficiente de partição octanol-água (kow), meia vida, coeficiente de sorção normalizado para MO (koc), e do solo área, argila, silte, pH, matéria orgânica, soma de bases (SB), capacidade de troca de cátions (CTC) e percentual da CTC com SB (V%). Para o desenvolvimento da RNA foi utilizado o software estatístico R com o pacote H2O. O treinamento foi feito variando o número de camadas e o número de neurônios em cada camada, e também o número de épocas de aplicação. Como os pesos são elementos iniciados com valores aleatórios, para cada treinamento obteve-se valores diferentes. Desta forma, treinou-se cada rede 10 vezes com a mesmaarquitetura para selecionar o melhor resultado. Na avaliação do desempenho da RNA, utilizou-se 30% dos dados para a validação. Os parâmetros adotados para avaliar o modelo de RNA foram o Erro Quadrático Médio Amostral (EQM), a Raiz do Erro Quadrático Médio (REQM) e o Percentual da Raiz do Erro Quadrático Médio. Quanto menor for esse erro no conjunto de validação, melhor será a arquitetura da RNA associada a ele. Além disso, foram utilizados dois índices de desempenho adicionais: o coeficiente de determinação (r2) e o índice de confiança (c) para avaliar os resultados obtidos com as RNAs desenvolvidas. O estudo concluiu que todas as arquiteturas de redes neurais tiveram desempenho ótimo, com correlação positiva (r2) acima de 0,95 em relação aos dados de validação. Destacou-se a arquitetura com 1 camada oculta e 9 neurônios, que proporcionou previsões precisas com baixo REQM de 8,9% para a transposição do herbicida na palha. O modelo de RNA para estimar a disponibilidade de herbicidas no solo também teve resultados promissores, com a arquitetura de três camadas ocultas e mais neurônios permitindo estimativas mais precisas. O percentual de importância na análise indicou que a "dose do herbicida" e a "pressão de vapor" foram cruciais para as previsões na dinâmica do herbicida na palha, enquanto no solo, o pH e a matéria orgânica foram os fatores mais relevantes. A forte correlação entre as estimativas da RNA e os dados de validação demonstra a capacidade de generalização do modelo para novos dados. Essas descobertas têm implicações importantes para a aplicação prática da tecnologia de redes neurais na estimativa da transposição de herbicidas em palha e disponibilidade de herbicida no solo.