Análisis de la recuperación física de suelos degradados a través de redes neuronales artificiales usando una interfaz gráfica
DOI:
https://doi.org/10.33448/rsd-v9i7.3719Palabras clave:
Calidad física del suelo; Inteligencia artificial; Atributos físicos; ARN.Resumen
Las técnicas adecuadas de manejo del suelo son esenciales para mantener el suelo sano y sin degradación. Cuando esto no es posible, este suelo debe recuperarse, teniendo en cuenta los atributos del suelo y su poder regenerativo, con esto, se están utilizando várias técnicas. En este contexto, este trabajo tiene como objetivo desarrollar un programa interactivo (analizar y clasificar) utilizando Redes Neuronales Artificiales (ANN) para estimar los niveles de recuperación del suelo (recuperado (R), parcialmente recuperado (PR) y no recuperado (NR) en función de los atributos físicos. El experimento se llevó a cabo en la Agencia de Tecnología de Agronegocios de São Paulo - APTA do Extremo Oeste, en Andradina / SP de 2015 a 2017, en un suelo clasificado como Ultisol cultivado con pasto Urochloa, con diferentes formas de introducir Estiloantes cv. Campo Grande. Los atributos del suelo estudiados fueron: densidad del suelo, porosidad del suelo, resistencia mecánica a la penetración, infiltración de agua en el suelo y diámetro promedio ponderado en las capas del suelo: 0-10; 0.10-0.20 y 0.20-0.40 m El programa se desarrolló en el entorno MATLAB y la simulación se realizó mediante una interfaz gráfica. y el trabajo fue el multicapa Perceptron (MLP). Se encontró que la red logró un entrenamiento adecuado, con un error cuadrado medio bajo, lo que podría generar una alternativa interesante y automática para la clasificación y análisis de los suelos en recuperación. Los resultados se imprimieron en una interfaz gráfica autoexplicativa, con gráficos y metadatos de los índices físicos y sus clasificaciones con respecto a ANN.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
