Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://www.bdtd.ueg.br/handle/tede/1327
Registro completo de metadados
Campo DCValorIdioma
dc.creatorOliveira, Sabrina Dias de-
dc.creator.Latteshttp://lattes.cnpq.br/0640994963367244por
dc.contributor.advisor1Alves, Sueli Martins de Freitas-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4333372067658689por
dc.contributor.referee1Alves, Sueli Martins de Freitas-
dc.contributor.referee2Melo, Francisco Ramos de-
dc.contributor.referee3Souza, João Maurício Fernandes-
dc.date.accessioned2023-10-17T13:04:43Z-
dc.date.issued2022-12-16-
dc.identifier.citationOLIVEIRA, S.D. Estimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiais. 2022. 68 f. Dissertação (Mestrado em Engenharia Agrícola) - Câmpus Central - Sede: Anápolis - CET - Ciências Exatas e Tecnológicas Henrique Santillo, Universidade Estadual de Goiás, Anápolis, GO, 2022.por
dc.identifier.urihttp://www.bdtd.ueg.br/handle/tede/1327-
dc.description.resumoNa agricultura é possível encontrar a aplicação das redes neurais artificiais (RNAs) em estudos visando predizer atributos do solo, produtividade de culturas, entre outros, e dada a amplitude de utilização, as RNAs consistem em um método promissor para estimar indicadores referentes a qualidade do solo. Este estudo teve como objetivo desenvolver uma RNA para estimar as necessidades de fósforo (P) e potássio (K) em áreas de pivô central cultivadas com tomate industrial e reduzir a quantidade de amostras necessárias para a coleta de dados a campo. Os dados foram coletados utilizando uma grade amostral de 60x60m, totalizando 120 pontos amostrais. Foram treinados 2 modelos de rede, o primeiro com o objetivo de estimar a necessidade de fósforo e a necessidade de potássio em áreas de pivô central e o segundo com o intuito de reduzir a quantidade de amostras necessárias para a coleta de dados em campo, em que para o treinamento foi utilizado o algoritmo back-propagation, com topologia do tipo Perceptron de Múltiplas Camadas (MLP). Posteriormente foi realizada a análise geoestátistica e ajustado o modelo de semivariograma para os dados de necessidade de P e K estimados pela tabela de recomendação de fertilizantes, em função da análise de solo, e os estimados pela RNA modelo 2, em que foram elaborados os mapas de isolinhas e avaliada a acurácia dos mapas através dos índices de Kappa e Exatidão global. Para os dois modelos treinados foram observados bons ajustes com valores de R2 superiores a 0,90 na fase de validação externa, baixos valores de EQM (erro quadrático médio), correlação acima de 91% e um ótimo desempenho das RNAs, em que a precisão das redes escolhidas foram confirmadas pelo Teste-t, para ambos os modelos treinados. Foi possível estimar as necessidades de P e K e a adaptação da técnica de vizinhança possibilitou uma redução de 40% no número de amostras necessárias para a coleta de dados a campo, possibilitando se obter estimativas das necessidades de P e K, visando uma possível aplicação dos nutrientes a taxa variável, contribuindo com a redução de custos. O índice de Kappa e Exatidão global propiciaram a avaliação da acurácia dos mapas elaborados, em que foi constada média e alta acurácia entre os mapas de necessidades de P e K, respectivamente, e valores de exatidão global superiores a 85%. Com a redução do número de amostras a rede consegue obter estimativas válidas de P e K para serem usadas no estudo da variabilidade espacial do solo.por
dc.description.abstractIn agriculture, it is possible to find the application of artificial neural networks (ANNs) in studies aimed at predicting attributes of crop productivity, among others, and given the breadth of use, ANNs consist of a promising method to estimate indicators related to soil quality. This study aimed to develop an ANN to estimate the needs of phosphorus (P) and potassium (K) in central pivot areas cultivated with industrial tomatoes and to reduce the amount of samples required for field data collection. The data were collected using a sample grid of 60x60m, totaling 88 sampling points. Two network models were trained, the first aiming at estimating the need for phosphorus and the need for potassium in central pivot areas and the second aiming at reducing the amount of samples needed for data collection in the field, in which the back-Propagation algorithm was used for the training, with Multiple Layer Perceptron (MLP) topology. Subsequently, a geostatistical analysis was performed and the semivariogram model was adjusted for the P and K requirement data estimated by the fertilizer recommendation table, based on the soil analysis, and those estimated by the ANN model 2, in which the maps were prepared. of isolines and evaluated the accuracy of the maps through the Kappa and Global Accuracy indices. For the two trained models, good adjustments were observed with R2 values greater than 0.90 in the external validation phase, low EQM values (mean squared error), correlation above 91% and excellent performance of the ANNs, in which the precision of the chosen networks were confirmed by the t-Test, for both trained models. It was possible to estimate the needs of P and K and the adaptation of the neighborhood technique enabled a 40% reduction in the number of samples needed for the collection of field data, making it possible to obtain estimates of the needs of P and K, aiming at a possible application of nutrients at a variable rate, contributing to cost reduction. The Kappa index and global accuracy allowed the evaluation of the accuracy of the prepared maps, in which medium and high accuracy was found between the P and K needs maps, respectively, and global accuracy values greater than 85%. By reducing the number of samples, the network is able to obtain valid estimates of P and K to be used in the study of soil spatial variability.eng
dc.description.provenanceSubmitted by Sandra Barbosa (sandra.barbosa@ueg.br) on 2023-10-17T12:59:06Z No. of bitstreams: 2 DISSERTACAO_SABRINA_DIAS_OLIVEIRA.pdf: 1416554 bytes, checksum: d88b9824ba3c68e723e84653ed30e36c (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5)eng
dc.description.provenanceApproved for entry into archive by Sandra Barbosa (sandra.barbosa@ueg.br) on 2023-10-17T13:04:43Z (GMT) No. of bitstreams: 2 DISSERTACAO_SABRINA_DIAS_OLIVEIRA.pdf: 1416554 bytes, checksum: d88b9824ba3c68e723e84653ed30e36c (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5)eng
dc.description.provenanceMade available in DSpace on 2023-10-17T13:04:43Z (GMT). No. of bitstreams: 2 DISSERTACAO_SABRINA_DIAS_OLIVEIRA.pdf: 1416554 bytes, checksum: d88b9824ba3c68e723e84653ed30e36c (MD5) license.txt: 2109 bytes, checksum: b76a28645f58b21aeda00ac459312a65 (MD5) Previous issue date: 2022-12-16eng
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.subjectAgricultura de precisãopor
dc.subjectNeurônios artificiaispor
dc.subjectSolanum lycopersicumpor
dc.subjectAdubaçãopor
dc.subjectPrecision agricultureeng
dc.subjectArtificial neuronseng
dc.subjectSolanum lycopersicumeng
dc.subjectFertilizationeng
dc.subject.cnpqCIENCIAS AGRARIAS::ENGENHARIA AGRICOLApor
dc.titleEstimativa da necessidade de fósforo e potássio para o tomate industrial utilizando redes neurais artificiaispor
dc.title.alternativeEstimation of phosphorus and potassium requirements for industrial tomatoes using artificial neural networkseng
dc.typeDissertaçãopor
Aparece nas coleções:Mestrado em Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
DISSERTACAO_SABRINA_DIAS_OLIVEIRA.pdfDissertação_Mestrado em Engenharia Agrícola1,38 MBAdobe PDFBaixar/Abrir Pré-Visualizar


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