Redes Neurais Artificiais na Previsibilidade da Produtividade de Grãos da Aveia pelo uso do Nitrogênio e Condições do Ciclo de Desenvolvimento da Cultura

Juliana Aozane da Rosa, Rubia Diana Mantai, Cibele Luisa Peter, Natiane Carolina Ferrari Basso, Júlia Sarturi Jung, Willyan Júnior Adorian Bandeira, Ivan Ricardo Carvalho, José Antonio Gonzalez Gonzalez da Silva

Resumo


O uso da inteligência artificial (IA), com os modelos de simulação e otimização por redes neurais artificiais (RNAs), tem sido aplicado com êxito em diversas pesquisas ligadas a processos de biossistemas. A cultura da aveia branca é fortemente dependente do nitrogênio para garantir produtividade de grãos. O objetivo do trabalho é desenvolver um sistema adaptativo de inteligência artificial por redes neurais para a previsibilidade de produtividade de grãos de aveia pela produtividade de biomassa e elementos meteorológicos ao longo do ciclo do desenvolvimento, considerando o manejo de uso do nitrogênio em sistemas de sucessão soja/aveia e milho/aveia. O delineamento experimental foi de blocos casualizados com 4 repetições, seguindo um esquema fatorial 4 x 2, com  quatro doses de nitrogênio (0 kg ha−1 , 30 kg ha−1 , 60 kg ha−1 e 120 kg ha−1 ) e duas cultivares (Barbarasul e Brisasul), no sistema de cultivo soja/aveia e milho/aveia nos anos agrícolas de 2011 a 2016. No desenvolvimento dos modelos de simulação via RNA foi utilizado o toolbox neural network, do software Matlab. As redes neurais artificiais se apresentam como uma ferramenta de grande contribuição ao desenvolvimento de modelos de previsibilidade voltados a produtividade de grãos, sendo capazes que estimar com alta precisão as produtividades e a qualidade nutricional relacionadas com um grande número de variáveis.


Palavras-chave


Avena sativa L.; modelagem matemática simulação; nitrogênio

Texto completo:

PDF

Referências


E. R. Abraham et al. “Estimativa da produção da soja brasileira utilizando redes neurais artificiais”. Em: Agrarian 12.44 (), pp. 261–271. doi: https : / / doi . org / 10 . 30612 / agrarian.v12i44.9209.

N. Abrishami, A. R. Sepaskhah e M. H. Shahrokhnia. “Estimating wheat and maize daily evapotranspiration using artificial neural network”. Em: Theoretical and Applied Climatology 135.3 (2019), pp. 945–958. doi: https://doi.org/10.1007/s00704-018-2418-4.

R. Alvarez e H. S. Steinbach. “Modeling apparent nitrogen mineralization under field conditions using regressions and artificial neural networks”. Em: Agronomy journal 103.4 (2011), pp. 1159–1168. doi: https://doi.org/10.2134/agronj2010.0254.

E. G. Arenhardt et al. “The nitrogen supply in wheat cultivation dependent on weather conditions and succession system in southern Brazil”. Em: African Journal of Agricultural Research 10.48 (2015), pp. 4322–4330. doi: https://doi.org/10.5897/AJAR2015.10038.

A. de P. Braga. Redes neurais artificiais: teoria e aplicações. 1a. ed. Rio de Janeiro: LTC, 2000. REFERÊNCIAS 7

I. N. Da Silva, D. H. Spatti e R. A. Flauzino. “Redes neurais artificiais para engenharia e ciências aplicadas-curso prático”. Em: São Paulo: Artliber (2010).

E. F. Dornelles et al. “Artificial intelligence in seeding density optimization and yield simulation for oat”. Em: Revista Brasileira de Engenharia Agrícola e Ambiental 22 (2018), pp. 183–188. doi: https://doi.org/10.1590/1807-1929/agriambi.v22n3p183-188.

L. Fleck et al. “Redes neurais artificiais: Princípios básicos”. Em: Revista Eletrônica Científica Inovação e Tecnologia 1.13 (2016), pp. 47–57.

A. R. Kraisig et al. “Time of nitrogen supply in yield, industrial and chemical quality of oat grains”. Em: Revista Brasileira de Engenharia Agrícola e Ambiental 24 (2020), pp. 700–706. doi: https://doi.org/10.1590/1807-1929/agriambi.v24n10p700-706.

R. D. Mantai et al. “Contribution of nitrogen on industrial quality of oat grain components and the dynamics of relations with yield”. Em: Australian Journal of Crop Science 15 (2021). doi: 10.21475/ajcs.21.15.03.p2592.

A. Marolli et al. “A simulação da biomassa de aveia por elementos climáticos, nitrogênio e regulador de crescimento”. Em: Arquivo Brasileiro de Medicina Veterinária e Zootecnia 70 (2018), pp. 535–544. doi: https://doi.org/10.1590/1678-4162-9504.

M. A. R. Schmidt e G. R. Barbosa. “Uso de redes neurais artificiais na ponderação inicial da técnica AHP em análises de vulnerabilidade de bacias hidrográficas”. Em: Boletim de Ciências Geodésicas 22 (2016), pp. 511–525. doi: https://doi.org/10.1590/S1982- 21702016000300029.

O. B. Scremin et al. “Artificial Intelligence by Artificial Neural Networks to Simulate Oat (Avena sativa L.) Grain Yield Through the Growing Cycle”. Em: Journal of Agricultural Studies 4 (2020), pp. 610–628. doi: https://doi.org/10.5296/jas.v8i4.17711e.

J. A. G. da Silva et al. “Nitrogen efficiency in oats on grain yield with stability”. Em: Revista Brasileira de Engenharia Agrícola e Ambiental 20 (2016), pp. 1095–1100. doi: https: //doi.org/10.1590/1807-1929/agriambi.v20n12p1095-1100.

F. C. Soares et al. “Predição da produtividade da cultura do milho utilizando rede neural artificial”. Em: Ciência Rural 45 (2015), pp. 1987–1993. doi: https://doi.org/10.1590/ 0103-8478cr20141524




DOI: https://doi.org/10.5540/03.2022.009.01.0296

Apontamentos

  • Não há apontamentos.


SBMAC - Sociedade de Matemática Aplicada e Computacional
Edifício Medical Center - Rua Maestro João Seppe, nº. 900, 16º. andar - Sala 163 | São Carlos/SP - CEP: 13561-120
 


Normas para publicação | Contato