???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: http://www.bdtd.ueg.br/handle/tede/1074
Full metadata record
DC FieldValueLanguage
dc.creatorSilva Júnior, Radson Murilo Veloso-
dc.creator.Latteshttp://lattes.cnpq.br/9723920784862854por
dc.contributor.advisor1Melo, Francisco Ramos de-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5142938603640739por
dc.contributor.advisor-co1Silva, Sandra Mascimo da Costa e-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2802239989616283por
dc.contributor.referee1Melo, Francisco Ramos de-
dc.contributor.referee2Reis, Elton Fialho dos-
dc.contributor.referee3Santos, Lucas da Costa-
dc.date.accessioned2022-06-13T13:04:15Z-
dc.date.issued2020-09-02-
dc.identifier.citationSILVA JÚNIOR, R.M.V. Redes neurais artificiais aplicadas na predição das umidades na capacidade de campo e no ponto de murcha permanente em solos do cerrado do centro goiano. 2020. 157 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - Ciências Exatas e Tecnológicas Henrique Santillo (CET), Universidade Estadual de Goiás, Anápolis-GO.por
dc.identifier.urihttp://www.bdtd.ueg.br/handle/tede/1074-
dc.description.resumoA obtenção das umidades na capacidade de campo (CC) e no ponto de murcha permanente(PMP) são ferramentas essenciais para o manejo da irrigação. Métodos diretos de laboratório(Mesa de tensão e Câmara de pressão) para obtenção das CC e PMP são relativamente caros,demandam muito tempo para obtenção dos dados e são dependentes de profissionaiscapacitados para o manuseio dos aparelhos. Dessa forma, funções de pedotransferência (FPTs)obtidas por regressões lineares múltiplas (RLMs) ou redes neurais artificiais (RNAs) têm semostrado como soluções viáveis na predição dessas umidades. O presente trabalho teve porobjetivo avaliar o uso de RNAs e RLMs na modelagem de funções de pedotransferência para apredição das umidades na capacidade de campo e no ponto de murcha permanente em solos doCentro Goiano (Eixo BR-153). Foram coletadas amostras de solo em 10 municípios da RegiãoCentro Goiano (Eixo BR-153) com 12 pontos amostrais para cada município e em duasprofundidades (0,0 –0,20 m e 0,20 –0,40 m). As análises laboratoriais foram feitas para osatributos físicos (areia, silte, argila, densidade do solo, densidade de partículas, porosidade total,macroporosidade e microporosidade), hídricos (CC e PMP) e químico (matéria orgânica) dosolo. Estes atributos foram utilizados no estudo e desenvolvimento das RLMs e das RNAs. Asvariáveis preditoras para as FPTs foram: areia, silte, argila, densidade do solo, densidade departículas, porosidade total, matéria orgânica e profundidade. As variáveis preditas foram CCe PMP. Após o processamento dos dados e modelagem das funções, foram escolhidos osmelhores modelos pelas duas metodologias propostas. O Modelo 2 de RLM foi selecionadopara a variável CC com as variáveis Micro e Ds como preditores. O Modelo 4 de RLM foiselecionado para PMP e possui Micro, Pt, MO e Argila como variáveis preditoras. Os modelostestados na RNA foram: Modelo1: Areia, Silte e Argila (CC); Modelo 2: Areia, Silte, Argila,Ds, Dp e MO (CC); Modelo 3: Areia, Silte, Argila, Ds, Dp, MO, Pt, Micro, Macro eProfundidade (CC); Modelo 4: Micro e Ds (CC); Modelo5: Areia, Silte e Argila (PMP); Modelo6: Areia, Silte, Argila, Ds, Dp e MO (PMP); Modelo 7: Areia, Silte, Argila, Ds, Dp, MO, Pt,Micro, Macro e Profundidade (PMP) e Modelo 8: Micro, Pt, MO e Argila (PMP). Tanto a RNAquanto a RLM conseguiram estimar com boa acurácia a variável CC em seus modelosescolhidos. Todos os modelos gerados pela RNA se mostraram superiores na predição do PMPem relação ao modelo de RLM. Os Modelos 2 (AIC=7,518; R²=0,890) da RLM e o Modelo 4(AIC=7,816; R²=0,856) da RNA foram indicados pelo critério de informação de Akaike (AIC),para estimativa da CC. Opor
dc.description.abstractObtaining moisture in the field capacity (CC) and at the permanent wilt point (PMP) areessential tools for irrigation management. Direct laboratory methods (tension table and pressurechamber) for obtaining CC and PMP are relatively expensive, requirea lot of time to obtaindata and are dependent on trained professionals to handle the devices. Thus, pedotransferfunctions (FPTs) obtained by multiple linear regressions (RLMs) or artificial neural networks(RNAs) have been shown as viable solutions in the prediction of these humidity. The presentework aimed to evaluate the use of RNAs and RLMs in the modeling of pedotransfer functionsfor the prediction of humidity in the field capacity and in the permanent wilt point in soils ofCentro Goiano (Axis BR-153). Soil samples were collected in 10 municipalities in the CentroGoiano Region (Axis BR-153) with 12 sampling points for each municipality and in two depths(0.0 -0.20 m and 0.20 -0.40 m). Laboratory analyzes were made for the physical atributes(sand, silt, clay, soil density, particle density, total porosity, macroporosity and microporosity),water (CC and PMP) and chemical (organic matter) of the soil. These attributes were used inthe study and development of RLMs and RNAs. The predictive variables for FPTs were: sand,silt, clay, soil density, particle density, total porosity, organic matter and depth. The predictedvariables were CC and PMP. The predicted variables were CC and PMP. After processing thedata and modeling the functions, the best models were chosen using the two proposedmethodologies. Model 2 of RLM was selected for variable CC with variables Micro and Ds aspredictors. Model 4 of RLM wasselected for PMP and has Micro, Pt, MO and Clay as predictorvariables. The models tested at the ANN were: Model1: Sand, Silt and Clay (CC); Model 2:Sand, Silt, Clay, Ds, Dp and MO (CC); Model 3: Sand, Silt, Clay, Ds, Dp, MO, Pt, Micro,Macro and Depth (CC); Model 4: Micro and Ds (CC); Model5: Sand, Silt and Clay (PMP);Model 6: Sand, Silt, Clay, Ds, Dp and MO (PMP); Model 7: Sand, Silt, Clay, Ds, Dp, MO, Pt,Micro, Macro and Depth (PMP) and Model 8: Micro, Pt, MO and Clay (PMP). Both RNA andRLM were able to estimate the CC variable in their chosen models with good accuracy. Allmodels generated by the ANN proved to be superior in predicting the PMP in relation to themodel of RLM. Models 2 (AIC=7,518; R²=0,890) of RLM and Model 4 (AIC=7,816;R²=0,856)ofRNA were indicated by the Akaike information criterion (AIC), for estimatingWC. Moeng
dc.description.provenanceSubmitted by Sandra Barbosa (sandra.barbosa@ueg.br) on 2022-06-13T12:31:10Z No. of bitstreams: 2 license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5) DISSERTACAO_RADSON_MURILO_VELOSO.pdf: 5424048 bytes, checksum: fcb5a26f4edc1f9a43a22ec2058dca56 (MD5)eng
dc.description.provenanceApproved for entry into archive by Sandra Barbosa (sandra.barbosa@ueg.br) on 2022-06-13T13:04:15Z (GMT) No. of bitstreams: 2 license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5) DISSERTACAO_RADSON_MURILO_VELOSO.pdf: 5424048 bytes, checksum: fcb5a26f4edc1f9a43a22ec2058dca56 (MD5)eng
dc.description.provenanceMade available in DSpace on 2022-06-13T13:04:15Z (GMT). No. of bitstreams: 2 license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5) DISSERTACAO_RADSON_MURILO_VELOSO.pdf: 5424048 bytes, checksum: fcb5a26f4edc1f9a43a22ec2058dca56 (MD5) Previous issue date: 2020-09-02eng
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.subjectLimites de água no solopor
dc.subjectRegressão linear múltiplapor
dc.subjectFunções de Pedotransferênciapor
dc.subjectWater limits in the soileng
dc.subjectMultiple linear regressioneng
dc.subjectPedotransfer functionseng
dc.subjectCentro oesto goianopor
dc.subject.cnpqCIENCIAS AGRARIASpor
dc.titleRedes neurais artificiais aplicadas na predição das umidades na capacidade de campo e no ponto de murcha permanente em solos do cerrado do centro goianopor
dc.title.alternativeArtificial neural networks applied in the prediction of humidities in the field capacity and in the permanent murcha point in soils of the cerrado of centro goianoeng
dc.typeDissertaçãopor
Appears in Collections:Mestrado em Engenharia Agrícola

Files in This Item:
File Description SizeFormat 
DISSERTACAO_RADSON_MURILO_VELOSO.pdfDissertação_Mestrado em Engenharia Agrícola5,3 MBAdobe PDFDownload/Open Preview


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.