@MASTERSTHESIS{ 2020:2009007321, title = {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}, year = {2020}, url = "http://www.bdtd.ueg.br/handle/tede/1074", abstract = "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", publisher = {Universidade Estadual de Goiás}, scholl = {Programa de Pós-Graduação Stricto sensu em Engenharia Agrícola}, note = {UEG ::Coordenação de Mestrado em Engenharia Agrícola} }