Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://www.bdtd.ueg.br/handle/tede/996
Registro completo de metadados
Campo DCValorIdioma
dc.creatorBarbosa, Carlos Eduardo Bento-
dc.creator.Latteshttp://lattes.cnpq.br/7595061760768861por
dc.contributor.advisor1Alves, Sueli Martins de Freitas-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4333372067658689por
dc.contributor.advisor-co1Rocha, Ivandro José de Freitas-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2982217669284033por
dc.contributor.referee1Alves, Sueli Martins de Freitas-
dc.contributor.referee2Melo, Francisco Ramos de-
dc.contributor.referee3Oliveira, Vinícius Almeida-
dc.date.accessioned2022-03-25T15:47:23Z-
dc.date.issued2020-10-02-
dc.identifier.citationBARBOSA, C.E.B. Predição da necessidade de calagem em área de pivô central por meio de rede neural artificial. 2020. 62 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET, Universidade Estadual de Goiás, Anápolis-GO.por
dc.identifier.urihttp://www.bdtd.ueg.br/handle/tede/996-
dc.description.resumoGrande 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.por
dc.description.abstractPredicting The Need For Liming In A Central Pivot Area Through An Artificial Neural Network. Much of the state of Goiás is composed of latosols, due to the high occurrence of acidity in this type of soil, it is essential to study corrective methods and new technologies to assist in the management of these soils, as well as artificial neural networks (ANN). which has been shown to be viable for studies of soil chemical attribute estimates. The objective of this work is to estimate the need for liming in central pivot areas using artificial neural networks. The data were collected in an area of 35 ha, in a 60x60 m sampling grid, generating 88 sample points. For each of these points, 5 subsamples will be collected in the 0 to 0.20 m layer to determine the chemical attributes and soil texture. The data were submitted to descriptive and exploratory analysis and soon after they were normalized for insertion in the ANNs, so that they could be calibrated, then their estimates were compared to the sample data the need for liming, to verify the network performance, by means of the agreement index, correlation coefficient and verification of the lowest mean relative error. In the two models involved, the ANNs were able to make the proposed estimates with excellent performance. Various structures were tested and according to the statistical indicators, the best network for each model was arrived at. In model 1, RNA1 (Artificial Neural Network with 2 neurons in the hidden layer) achieved the best results, presenting an excellent performance (id = 0.993) and the mean quadratic error (MSE) of 0.002. In model 2, RNA 1 (Artificial Neural Network with 6 neurons in the hidden layer) achieved the best results, presenting an excellent performance (id = 0.929) and the mean quadratic error (MSE) of 0.025. The t-test proved the accuracy of the two models, since there were no significant differences in the estimates using ANNs and the calculation by the traditional method of liming requirement. Model 2, using the neighborhood technique adapted for data insertion in ANN, managed to decrease the number of samples to be collected by 30% for a possible mapping of the need for liming at a varied rate.por
dc.description.provenanceSubmitted by Sandra Barbosa (sandra.barbosa@ueg.br) on 2022-02-22T17:19:11Z No. of bitstreams: 2 DISSERTACAO_ CARLOS_EDUARDO_BENTO_BARBOSA.pdf: 1833899 bytes, checksum: 61dffb31348864cf23f591a8af1be669 (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5)eng
dc.description.provenanceApproved for entry into archive by Sandra Barbosa (sandra.barbosa@ueg.br) on 2022-03-25T15:47:23Z (GMT) No. of bitstreams: 2 DISSERTACAO_ CARLOS_EDUARDO_BENTO_BARBOSA.pdf: 1833899 bytes, checksum: 61dffb31348864cf23f591a8af1be669 (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5)eng
dc.description.provenanceMade available in DSpace on 2022-03-25T15:47:23Z (GMT). No. of bitstreams: 2 DISSERTACAO_ CARLOS_EDUARDO_BENTO_BARBOSA.pdf: 1833899 bytes, checksum: 61dffb31348864cf23f591a8af1be669 (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5) Previous issue date: 2020-10-02eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpor
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Estadual de Goiáspor
dc.publisher.departmentUEG ::Coordenação de Mestrado em Engenharia Agrícolapor
dc.publisher.countryBrasilpor
dc.publisher.initialsUEGpor
dc.publisher.programPrograma de Pós-Graduação Stricto sensu em Engenharia Agrícolapor
dc.rightsAcesso Abertopor
dc.subjectAcidez do solopor
dc.subjectMétodos corretivospor
dc.subjectAgricultura de precisãopor
dc.subjectInteligência artificialpor
dc.subjectSoil acidityeng
dc.subjectCorrective methodseng
dc.subjectPrecision agricultureeng
dc.subjectArtificial intelligenceeng
dc.subject.cnpqCIENCIAS AGRARIAS::ENGENHARIA AGRICOLApor
dc.subject.cnpqAGRONOMIA::CIENCIA DO SOLOpor
dc.titlePredição da necessidade de calagem em área de pivô central por meio de rede neural artificialpor
dc.title.alternativePrediction of the need for liming in a center pivot area using an artificial neural networkeng
dc.typeDissertaçãopor
Aparece nas coleções:Mestrado em Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTACAO_ CARLOS_EDUARDO_BENTO_BARBOSA.pdf Dissertação_Mestrado em Engenharia Agrícola1,79 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.