Análise da recuperação física de solos degradados via Redes Neurais Artificiais por meio de uma interface gráfica
DOI:
https://doi.org/10.33448/rsd-v9i7.3719Palavras-chave:
Qualidade física do solo; Inteligência artificial; Atributos físicos; RNA.Resumo
Técnicas adequadas de manejo do solo são fundamentais para manter o solo saudável e sem degradação. Quando isso, não é possível, esse solo deve ser recuperado, levando em conta os atributos do solo e o seu poder de regeneração, com isso, várias técnicas estão sendo utilizadas. Neste contexto, este trabalho tem por objetivo desenvolver um programa interativo (analisar e classificar) com a utilização das Redes Neurais Artificiais (RNA) para estimar os níveis de recuperação do solo (recuperado (R), parcialmente recuperado (PR) e não recuperado (NR) em função dos atributos físicos. O experimento foi realizado na Agência Paulista de Tecnologias dos Agronegócios – APTA do Extremo Oeste, em Andradina/SP no período de 2015 a 2017, em solo classificado como Argissolo Vermelho Amarelo cultivado com pastagem de Urochloa, com diferentes formas de introdução de Estilosantes cv. Campo Grande. Os atributos do solo estudados foram: densidade do solo, porosidade do solo, resistência mecânica a penetração, infiltração de água no solo e diâmetro médio ponderado, nas camadas do solo: 0-10; 0,10-0,20 e 0,20-0,40 m. O programa foi desenvolvido no ambiente MATLAB e a simulação foi realizada por meio de uma interface gráfica. A RNA que foi utilizada neste trabalho foi a Perceptron multicamadas (MLP). Verificou-se que a rede alcançou um treinamento adequado, com erro quadrado médio baixo, podendo gerar uma alternativa interessante e automática para a classificação e análise de solos em recuperação. Os resultados foram imprimidos em uma interface gráfica autoexplicativa, com gráficos e metadados dos índices físicos e suas classificações quanto à RNA.
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
