Rede Neural artificial aplicado ao manejo de irrigaÃÃo / Artificial neural network applied to irrigation management

AUTOR(ES)
FONTE

IBICT - Instituto Brasileiro de Informação em Ciência e Tecnologia

DATA DE PUBLICAÇÃO

24/02/2012

RESUMO

A irrigaÃÃo à uma das prÃticas culturais que mais influencia o aumento da produÃÃo. No entanto, para o sucesso desta prÃtica necessita-se determinar o tempo certo da aplicaÃÃo de Ãgua para evitar desperdÃcios. Com isso, o emprego de sensores de umidade, como os sensores capacitivos, para nÃveis reais de umidade do solo aliados a redes neurais artificiais (RNAs) que calculam tempo de irrigaÃÃo, podem ser uma aquisiÃÃo promissora para a automaÃÃo de sistemas de irrigaÃÃo. Desta forma, objetivou-se com o presente trabalho desenvolver uma RNA que estime o tempo de irrigaÃÃo e comparando-o com o tempo estimado pelo mÃtodo do balanÃo volumÃtrico para a cultura da melancia. Foram utilizadas RNAs do tipo perceptron de mÃltiplas camadas. Para o treinamento foram usados dados de manejos em Ãrea do PERÃMETRO IRRIGADO BAIXO ACARAà no estado do Cearà onde a umidade do solo à determinada por sensores capacitivos desenvolvidos pela Universidade Federal do Cearà (UFC). Foram testadas redes para as fases da cultura. A primeira fase determinada entre 0 e 30 dias apÃs a semeadura (DAS) e a segunda fase sendo de 31 à 60 DAS. Foram testadas redes com 2 e 4 entradas; com 5, 10 e 20 neurÃnios na camada intermediÃria (NCI) e 1.000, 5.000 e 10.000 iteraÃÃes. ApÃs os treinamentos, as redes neurais artificiais foram testadas em campo para a sua validaÃÃo, comparando as suas respostas em relaÃÃo ao mÃtodo do balanÃo hÃdrico volumÃtrico (BHV) para a segunda fase da cultura. Avaliando as redes com 2 e 4 entradas, observou-se que as redes de 4 entradas obtiveram menor erro quadrÃtico mÃdio, convergindo mais rapidamente para valores prÃximos a zero, quando comparadas Ãs redes de 2 entradas. Quanto ao NCI, nÃo houve mudanÃas entre as redes, dispensando a necessidade de programar redes maiores que 5 NCI para essa aplicaÃÃo. Para o nÃmero de Ãpocas de treinamento, a que obteve o melhor ajuste aos valores foram as redes com 10.000 iteraÃÃes para a primeira fase da cultura e 5.000 iteraÃÃes para a segunda fase da cultura. Com a etapa de campo pode-se constatar que nÃo houve diferenÃa estatÃstica entre os dois manejos adotados. Assim, a rede neural artificial mostrou-se eficiente para o manejo da irrigaÃÃo, mesmo tendo no experimento valores inÃditos ao treinamento. Neste trabalho pode-se concluir que a RNA de melhores respostas para a primeira fase da cultura apresentou a MLP 4-5-1 com 10.000 Ãpocas de treinamento e taxa de aprendizagem de 0,9 e para a segunda fase, MLP 4-5-1, com 10.000 Ãpocas de treinamento e taxa de aprendizagem de 0,9. Conclui-se tambÃm, com a etapa de campo, que a rede foi bem sucedida em calcular o tempo de irrigaÃÃo.

ASSUNTO(S)

engenharia agricola irrigaÃÃo de precisÃo automaÃÃo algoritmos neurais inteligÃncia computacional aprendizagem de mÃquinas precision irrigation automation neural algorithms computational intelligence machine learning irrigaÃÃo agrÃcola irrigaÃÃo por gotejamento engenharia de irrigaÃÃo agricultura de precisÃo

ACESSO AO ARTIGO

Documentos Relacionados