Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://www.bdtd.ueg.br/handle/tede/1074
Tipo do documento: Dissertação
Título: 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
Título(s) alternativo(s): Artificial 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 goiano
Autor: Silva Júnior, Radson Murilo Veloso 
Primeiro orientador: Melo, Francisco Ramos de
Primeiro coorientador: Silva, Sandra Mascimo da Costa e
Primeiro membro da banca: Melo, Francisco Ramos de
Segundo membro da banca: Reis, Elton Fialho dos
Terceiro membro da banca: Santos, Lucas da Costa
Resumo: A 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. O
Abstract: Obtaining 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. Mo
Palavras-chave: Limites de água no solo
Regressão linear múltipla
Funções de Pedotransferência
Water limits in the soil
Multiple linear regression
Pedotransfer functions
Centro oesto goiano
Área(s) do CNPq: CIENCIAS AGRARIAS
Idioma: por
País: Brasil
Instituição: Universidade Estadual de Goiás
Sigla da instituição: UEG
Departamento: UEG ::Coordenação de Mestrado em Engenharia Agrícola
Programa: Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola
Citação: SILVA 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.
Tipo de acesso: Acesso Aberto
URI: http://www.bdtd.ueg.br/handle/tede/1074
Data de defesa: 2-Set-2020
Aparece nas coleções:Mestrado em Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTACAO_RADSON_MURILO_VELOSO.pdfDissertação_Mestrado em Engenharia Agrícola5,3 MBAdobe PDFBaixar/Abrir Pré-Visualizar


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