???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/209
Full metadata record
DC FieldValueLanguage
dc.creatorAlves, Guiliano Rangel-
dc.creator.Latteshttp://lattes.cnpq.br/8899770804780669por
dc.contributor.advisor1Teixeira, Itamar Rosa-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3448759504226115por
dc.contributor.referee1Melo, Francisco Ramos de-
dc.contributor.referee2Leandro, Wilson Mozena-
dc.date.accessioned2020-03-25T19:31:31Z-
dc.date.issued2016-04-29-
dc.identifier.citationALVES, Guiliano Rangel. Estimativa da produtividade da soja com redes neurais artificiais. 2016. 76 f. Dissertação (Mestrado em Engenharia Agrícola) -Câmpus Central - Sede: Anápolis - CET, Universidade Estadual de Goiás, Anápolis.por
dc.identifier.urihttp://www.bdtd.ueg.br/tede/handle/tede/209-
dc.description.resumoAtualmente, para estimar a produtividade da soja são utilizados modelos estatísticos complexos, que torna restrito o acesso a essa prática. Uma alternativa a estes modelos é a utilização de sistemas computacionais empregando Inteligência Artificial (IA). Nesta linha de sistemas, um caminho é o emprego de Redes Neurais Artificiais (RNA), que possui a capacidade de aprendizagem por meio de exemplos de problemas apresentados. Este trabalho teve por objetivo: avaliar a possibilidade da utilização de RNA do tipo Multilayer Perceptron (MLP) para estimar a produtividade da soja baseada nos hábitos de crescimento, densidade de semeadura e características agronômicas; definir os parâmetros relevantes durante o desenvolvimento da RNA para avaliação das características agronômicas e sua relação com a produtividade da soja; desenvolver e selecionar uma arquitetura de RNA para solução do problema proposto. Para realizar o trabalho foram utilizados dados agronômicos da cultura da soja obtidos em experimento conduzido na safra 2013/2014 em Anápolis-GO, cujos os dados foram normalizados em intervalo compatível para trabalho com RNA e em seguida feito o treinamento de várias RNAs para a escolha da RNA com melhor performance. Após o treinamento das redes, foi realizada a análise de performance de cada uma para seleção da RNA com a performance mais adequada ao problema. A RNA selecionada apresentou um índice de acerto de 98% com os dados do treinamento e um acerto de 72% com dados de validação, este nível de acerto pode ser considerado alto, principalmente se for considerada a complexidade de fatores envolvidos na estimativa da produtividade da soja. A aplicação das RNAs do tipo MLP nos dados do experimento conduzido demonstram que é possível estimar a produtividade da soja baseando-se nas características agronômicas, hábito de crescimento e densidade populacional por meio da IA.por
dc.description.abstractNowadays, to estimate soybeans productivity are used complex statistical models, which turns limited the access to this practice. An alternative to these models is use of computer systems applying Artificial Intelligence (AI). On this line of system, an option is apply Artificial Neural Networks (ANN), which has the capacity of learning through examples of problems presented. This work aimed then: evaluate the possibility of using the Multilayer Perception (MLP) ANN to estimate the productivity of soybean based on the growing habits, seeding density and agronomical characteristics; define the relevant parameters during the ANN developing to evaluate the agronomical characteristics and its relation with soybean productivity; develop and choose an ANN architecture to solve the proposed problem. To realize the work were used agronomical data of the soybean culture obtained on experiments leaded on 2013/2014 harvest at Anapolis-GO, which data were normalized on compatible range to work with the ANN and then done the training of the several ANNs, to choose the ANN with best performance. After the network training were realized a performance analysis of each one to select the ANN with the most appropriate answer to the problem. The chosen ANN indicated a success range of 98% with the training data and 72% with the validation data. This can be considered a high level of achievement, mostly if considered the complexity of factors involved on the estimative of the soy productivity. The ANN application of the kind MLP on the conducted experiment data shows that is possible to estimate the soy productivity based on agronomical characteristics, growing habits and seeding density through AI.eng
dc.description.provenanceSubmitted by Sandra Barbosa (sandrabarbosa632@gmail.com) on 2020-03-25T17:10:06Z No. of bitstreams: 2 GUILIANO_RANGEL_ALVES.pdf: 1780052 bytes, checksum: 87a148d1590d2618109754f833f6fb65 (MD5) license.txt: 2164 bytes, checksum: 487fc01a7f793a0341d58b02c947dec7 (MD5)eng
dc.description.provenanceMade available in DSpace on 2020-03-25T19:31:31Z (GMT). No. of bitstreams: 2 GUILIANO_RANGEL_ALVES.pdf: 1780052 bytes, checksum: 87a148d1590d2618109754f833f6fb65 (MD5) license.txt: 2164 bytes, checksum: 487fc01a7f793a0341d58b02c947dec7 (MD5) Previous issue date: 2016-04-29eng
dc.description.sponsorshipFundação de Apoio à pesquisa do Estado de Goiás - FAPEGpor
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.subjectGlycine maxpor
dc.subjectCaracterísticas agronômicaspor
dc.subjectMLPpor
dc.subjectperceptronpor
dc.subjectGlycine maxeng
dc.subjectAgronomic characteristicspor
dc.subjectMLPpor
dc.subjectPerceptronpor
dc.subject.cnpqCIENCIAS AGRARIAS::ENGENHARIA AGRICOLApor
dc.titleEstimativa da produtividade da soja com redes neurais artificiaispor
dc.typeDissertaçãopor
Appears in Collections:Mestrado em Engenharia Agrícola

Files in This Item:
File Description SizeFormat 
GUILIANO_RANGEL_ALVES.pdf1,74 MBAdobe PDFDownload/Open Preview


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