Redes Neurais Artificiais na Previsibilidade da Produtividade de Grãos da Aveia pelo uso do Nitrogênio e Condições do Ciclo de Desenvolvimento da Cultura
DOI:
https://doi.org/10.5540/03.2022.009.01.0296Palabras clave:
Avena sativa L., modelagem matemática simulação, nitrogênioResumen
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.
Descargas
Citas
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
