Analysis of the physical recovery of degraded soils via Artificial Neural Networks using a graphical interface
DOI:
https://doi.org/10.33448/rsd-v9i7.3719Keywords:
Soil quality; Computational technology; Physical indexes; ANN.Abstract
Proper soil management techniques are essential to keep the soil healthy and without degradation. When this is not possible, this soil must be recovered, taking into account the attributes of the soil and its regenerative power, with this, several techniques are being used. In this context, this work aims to develop an interactive program (analyze and classify) using Artificial Neural Networks (ANN) to estimate soil recovery levels (recovered (R), partially recovered (PR) and not recovered (NR) as a function of physical attributes. The experiment was carried out at the São Paulo Agribusiness Technology Agency - APTA do Extremo Oeste, in Andradina / SP from 2015 to 2017, in soil classified as Ultisol cultivated with Urochloa pasture, with different ways of introducing Estilosantes cv. Campo Grande. The soil attributes studied were: soil density, soil porosity, mechanical resistance to penetration, water infiltration in the soil and weighted average diameter in the soil layers: 0-10; 0.10-0.20 and 0.20-0.40 m The program was developed in the MATLAB environment and the simulation was performed using a graphical interface. and work was the multilayer Perceptron (MLP). It was found that the network achieved adequate training, with a low mean square error, which could generate an interesting and automatic alternative for the classification and analysis of recovering soils. The results were printed on a self-explanatory graphical interface, with graphs and metadata of the physical indexes and their classifications regarding ANN.
References
Alves, M. C. & Souza, Z. M. (2008) Recuperação de área degradada por construção de hidroelétrica com adubação verde e corretivo. Revista Brasileira de Ciência do Solo, 32 (6), 2505-2516.
Angers, D.A. & Mehuys, G.R. (2000) Soil sampling and methods of analysis. Canadian Society of Soil Science. Lewis Publishers, Boca Raton, Florida.
Bala, B. K., Ashraf, M. A., Uddin, M. A. & Janjai, S. (2005) Experimental and neural network prediction of the performance of a solar tunnel drier for a solar drying jack fruit bulbs and leather. Journal of Food Process Engineering, 28 (6), 552–566.
Bonini Neto A., Putti F. F., Sant’ana R. C. G. & Bonini Junior N. A. (2012) Descriptive Statistics for Data Analysis (Soy Production) via Iterative Program. Brazilian Journal of Biosystems Engineering. 6 (2), 61-70.
Bonini Neto, A., Bonini, C. S. B., Bisi, B. S., Reis, A. R. & Coletta, L. F. S. (2017) Artificial Neural Network for Classification and Analysis of Degraded Soils. Revista IEEE América Latina, 15 (3), 503-509.
Bonini, C. S. B., Heinrichs, R., Costa, N. R. & Meirelles, G. C. (2017). Estado da arte e fatores intrínsecos na física de solos no manejo de pastagens. In: Reges Heinrichs; Cecilio Viega Soares Filho; Carolina dos Santos Batista Bonini. (Org.). Simpósio de Adubação e Manejo de Pastagens / Simpósio de Produção Animal a Pasto. 1ed. São Paulo: Cultura Academica.
Bonini, C.S.B., Alves, M.C. & Montanari, R. (2015) Recuperação da estrutura de um Latossolo vermelho degradado utilizando lodo de esgoto. Agrária (Recife. Online), 10 (1), 34-42.
Braga A. De P.; Carvalho A. P. De L. F. & Ludermir, T. B. (2007) Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC Editora.
Braga A. De P., Ludermir, T. B. & Carvalho, A.C.P.L.F. (2000) Redes Neurais Artificiais teoria e aplicações. Rio de Janeiro: LTC – Livros Técnicos e Científicos Editora S.A.
Brandão, V.S., Cecílio, R.A., Pruski, F.F. & Silva, D.D. (2006) Infiltração da água no solo. 3. ed. Viçosa: UFV.
Carvalho, A. P. L. F. (2009). Redes Neurais Artificiais. Website do Instituto de Computação e Matamática e Computação da Universidade de São Paulo (ICMC- USP). Acesso em: 12 jan. 2020. Disponível em: https://sites.icmc.usp.br/andre/research/neural/index.htm.
De Souza, A. V., Bonini Neto, A., Piazentin, J. C., Dainese Junior, B. J., Gomes, E. P., Bonini, C. S. B. & Putti, F. F. (2019) Artificial neural network modelling in the prediction of bananas’ harvest. Scientia Horticulturae, 257, 108724.
Diamantopoulou, M. J. (2005) Artificial neural networks as an alternative tool in pine bark volume estimation. Computers and Electronics in Agriculture, 48 (3), 235–244.
Doran, J.W. & Parkin, T.B. (1994) Defining and assessing soil quality. In: DORAN, J.W. et al. (Eds) Defining soil quality for a sustainable environment. Madison: ASA / SSSA.
Gasparini R. T. (2012) Desenvolvimento de um Software em Ambiente Matlab para Simulação de Campo Ultrassônico. Dissertação apresentada à UNICAMP. Campinas: Programa de Pós-Graduação em Engenharia Elétrica.
Góes D. B. R., Da Silva G. M., Guedes D. L. & Silva O. F. (2015) Desenvolvimento de Interface em MATLAB para Aprendizado e Comparação de Métodos Numéricos. XXXV CNMAC - Brazilian Society of Applied and Computational Mathematics. 3 (1).
Haykin S. (2001) Neural networks: a comprehensive foundation. Bejing: Tsinghua University Press.
IBAMA. (1990). Manual de Recuperação de áreas degradadas pela mineração. IBAMA – Instituto Brasileiro do Meio Ambiente Brasília: IBAMA.
Jiang, S.D.; Jiang, D.; Yang, X.; Clinton, N. & Wang, N. (2004) An artificial neural network model for estimating crop yields using remotely sensed information. International Journal of Remote Sensing, 25 (9), 1723–1732.
Kiehl, E. J. (1979) Manual de Edafologia. São Paulo: Ed. Agronômica Ceres Ltda.
Leal Neto V. (2007) Desenvolvimento de uma Interface Gráfica de Usuário para Modelos Computacionais de Exposição Externa. Dissertação apresentada à Universidade Federal de Pernambuco. Recife: Dissertações de Mestrado - Tecnologias Energéticas e Nucleares.
Mathworks (2018). MATLAB (MATrix LABoratory). Acesso em 02 fev. 2020. Disponível em: <http://www.mathworks.com>.
Movagharnejad, K. & Nikzad, M. (2007) Modelling of tomato drying using artificial neural network. Computers and Electronics in Agriculture, 59(1): 78–85.
Pereira, A.S. et al. (2018). Metodologia da pesquisa científica. [e-book]. Santa Maria. Ed. UAB/NTE/UFSM. Acesso em: 1 maio 2020. Disponível em: https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.
Proto A. B. (2009) Interface Gráfica para o Planejamento da Expansão da Transmissão de Energia Elétrica. Dissertação apresentada à UNESP – Campus de Ilha Solteira. Ilha Solteira: Programa de Pós-graduação em Engenharia Elétrica.
Reis, A.; Zambonin, R.M. & Nakazono, E.M. (1999) Recuperação de áreas florestais degradadas utilizando a sucessão e as interações planta-animal. São Paulo: Conselho Nacional da Reserva da Biosfera da mata atlântica/Governo do Estado de São Paulo.
Rummelhart D. E. & Mcclelland J. L. (1986) PDP Research Group. Parallel Distributed Processing - Explorations in the Microstructure of Cognition. v. 1: Foundations. A Bradford Book - The MIT Press.
Santos, H. G.; Jocomine, P. K. T.; Anjos, L. H. C.; Oliveira, V. A.; Lumbrearas, J. F.; Coelho, M. R.; Almeida, J. A.; Filho, J. C. A; Oliveira, J. B & Cunha, T. J. F. (2018) Sistema Brasileiro de Classificação de Solos. Rio de Janeiro: EMBRAPA.
Savin, I.Y.; Stathakis, D.; Negre, T. & Isaev, V.A. (2007) Prediction of crop yields with the use of neural networks. Russian Agricultural Sciences, 33 (6), 361–363.
Silva L. H. S., Mishina K. D. V., Farias C. T. T., Rodrigues M. C. & Ribeiro I. S. (2010). Desenvolvimento de uma Interface Gráfica no Ambiente Matlab para Avaliação do Risco em Oleodutos On-Shore. VI Congresso Nacional De Engenharia Mecânica.
Soares, F.C.; Robaina, A.D.; Peiter, M.X. & Russi J.L. (2015) Predição da produtividade da cultura do milho utilizando rede neural artificial. Ciência Rural, 45 (11), 1987-1993.
Teixeira, A. S. B. (2011). Desenvolvimento de uma interface gráfica para classificadores de imagem. Dissertação Instituto Politécnico de Castelo Branco Escola Superior de Tecnologia. Acesso em 10 jan. 2020, Disponível em: https://docplayer.com.br/712170-Desenvolvimento-de-uma-interface-grafica-para-classificadores-de-imagem.html.
Teixeira, P. C.; Donagemma, G. K.; Fontana, A. & Teixeira, W. G. (2017) Manual de Métodos de Análise de Solo. Brasília: EMBRAPA.
Uno, Y.; Prasher, S.O.; Lacroix, R.; Goel, P.K.; Karimi, Y.; Viau, A. & Patel, R.M. (2005) Artificial neural networks to predict corn yield from compact airborne spectrographic imager data. computers and Electronics in Agriculture, 47 (2), 149–161.
Zhang, R. (1997) Determination of soil sorptivity and hydraulic conductivity from the disk infiltrometer. Soil Science Society of American Journal, 61 (4), 1024-1030.
Zhang, W.; Bai, X.C. & Liu, G. (2007) Neural network modeling of ecosystems: a case study on cabbage growth system. Ecology Model, 201, 3–4.
Downloads
Published
How to Cite
Issue
Section
License
Authors who publish with this journal agree to the following terms:
1) Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2) Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
3) Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
