Submitted by Reginaldo Soares de Freitas (reginaldo.freitas@ufv.br) on 2018-05-10T13:15:42Z No. of bitstreams: 1 texto completo.pdf: 6852351 bytes, checksum: 238f87c924792bb6d204502227d520d3 (MD5) / Made available in DSpace on 2018-05-10T13:15:42Z (GMT). No. of bitstreams: 1 texto completo.pdf: 6852351 bytes, checksum: 238f87c924792bb6d204502227d520d3 (MD5) Previous issue date: 2018-02-23 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O objetivo deste estudo foi avaliar a eficiência do emprego das redes neurais artificiais (RNA) na prognose do crescimento de povoamentos de eucalipto localizados ao Nordeste do Estado da Bahia, a partir de dados de Inventario Florestal Continuo (IFC) históricos de parcelas permanentes. Para o atendimento do objetivo foi necessária a construção de curvas de índice local, o que conseguiu delimitar três tipos de áreas produtivas segundo sua capacidade. A aplicação de um modelo de densidade de variável (Clutter) resultou em equações precisas para a estimação de volumes e áreas basais futuras, permitindo, mediante um modelo para estimar área basal em função do sítio, a construção de tabelas de produção para três classes de sítio (S1=35, S2=27 e S3=19), nas idades compreendidas entre 2 até 9 anos, definindo idades técnicas de corte (ITC), quando IMA=ICA, entre 4,8 e 5,2 anos para cada sítio. Comprovada a efetividade do modelo de crescimento e produção, em seguida foi avaliada a eficiência das RNA configuradas para estimar volumes futuros, treinadas com dados de IFC, climáticos e fisiográficos obtidos mediante procedimento de extração de informação das imagens raster das áreas de estudo. Essas comparações foram feitas por meio de estatísticas clássicas de validação e análises de resíduos. Com as RNA treinadas, foram estimados os volumes e IMAs para os 6 e 7 anos de idade. Este IMA constituiu a camada de saída no treinamento de uma segunda rede, em que as variáveis de entrada foram aquelas climáticas e fisiográficas. A rede treinada foi aplicada para espacializar a produtividade para as quatro áreas de estudo. O IMA aos 7 anos (IMA7) variou de 8,15 até 55,35 m3ha 1ano̵ 1, sendo os maiores localizados próximos ao litoral. A inteligência artificial (RNA) foi eficiente para a construção de mapas de produtividade. Esse tipo de mapa é útil para estudos visando definir novas áreas de implantação, ajudando na diminuição de riscos em novos investimentos das empresas para futuros projetos ou reformas. / The objective of this study was to evaluate the efficiency of the use of artificial neural networks (ANN) in the prognosis of Eucalyptus stands growth located to the northeast state of Bahia, with historical data of permanent plots from of continuous forest inventories (CFI). To achieve the objective it was necessary the construction of local index curves, which managed to delimit three types of productive areas according to their capacity. The application of a variable density model (Clutter), resulted in efficient equations for the estimation of volumes and future basal areas. Through a model for areal basal estimation having site values, production tables for three site classes (S1 = 35, S2 = 27 and S3 = 19) were constructed, with ages between 2 to 9 years old, defining technical cutting ages (ITC), when MAI=CAI, between 4.8 and 5.2 years for each site. Verified the efficiency of the growth and production model, the efficiency of the ANN were evaluated, configured for estimate future volumes from training with CFI data, climate and physiographic data obtained by extracting information from the raster images for the study area. These comparisons were made through classical validation and residue analysis statistics. With the trained RNA, volume and MAI values were estimated for 6 and 7 years of age. This MAI was the output layer of a second network, in which climatic and physiographic were the input variables. The trained network was applied to spatialize productivity for the four study areas. The MAI at 7 years (MAI7) ranged from 8.15 to 55.35 m3ha̵ 1ano̵ 1, the highest values were located near the coast. Artificial intelligence (AI) was efficient for the construction of productivity maps. This type of maps are useful for studies aimed at defining new areas of implantation, helping to reduce risks in new investments of companies for future projects or reforms.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The mapping of grain yield is the main tool for analysis of the results of the techniques of precision agriculture used. In this sense, the aim of this study was to describe the equipment and clarify the current state of the art mapping yield (Chapter I), to analyze the occurrence of similarity between maps over time using different cultures (Chapter II), and finally, determine the influence that soil properties exert on crop yields (Chapter III). In Chapter I deal with the basic equipment that composes a set of monitoring harvest, giving emphasis on yield sensors on the market, the sequence shows the possibilities of using yield maps for management areas. For analysis of yield stability (Chapter II), there were four areas with a history of monitoring four crops of soybean, corn, wheat and oats. The areas were divided by a regular grid (20 x 20 m) for each raster is assigned the value of average yield of the points that were inside. Data were normalized to enable the temporal analysis. The correlation between soil properties and productivity (Chapter III) was evaluated in an area of 88 acres using the Spearman correlation. The soil samples were taken manually auger at a depth from 0 to 0.1 m, over a regular grid (50 x 50 m). The yield values of these points were determined by averaging the sample points using different radius in three cultures. The results demonstrated the presence of yield stability, especially in areas with large variation in yield in one year. The methodology should be used with caution, especially in places where there is a tendency to homogeneity in yield. The radius sample used to determine the value of yield point has a direct influence on the values of the correlations. Increasing the radius to the sample value of 30 meters provided significant gradual increase in the values of correlations. The phosphorus was the nutrient that showed high positive correlation with yield, despite being above the levels described for the critical state. / O mapeamento da produtividade de grãos constitui a principal ferramenta de análise dos resultados das técnicas de agricultura de precisão utilizadas. Neste sentido o objetivo do estudo foi descrever os equipamentos e esclarecer o estado atual da arte de mapeamento da produtividade (capitulo I), analisar a ocorrência de similaridade entre mapas ao longo do tempo utilizando diferentes culturas (capitulo II) e, por fim, determinar a influência que os atributos do solo exercem na produtividade das culturas (capitulo III). No capítulo I são descritos os equipamentos básicos que compõe um conjunto de monitoramento de colheita, dando ênfase para os sensores de produtividade presentes no mercado, na sequencia são apresentadas as possibilidades de utilização dos mapas de produtividade para gerenciamento das áreas. Para análise da estabilidade produtiva (capitulo II), foram utilizadas quatro áreas com um histórico de monitoramento de quatro safras das culturas da soja, milho, trigo e aveia. As áreas foram divididas por uma malha quadricular (20 x 20 m), para cada quadricula se atribuiu o valor de produtividade médio dos pontos que se encontravam no seu interior. Os dados foram normalizados para possibilitar a análise temporal. A correlação entre atributos do solo e a produtividade (capitulo III) foi avaliada em uma área de 36 hectares utilizando a correlação de Spearman. As amostragens de solo foram realizadas manualmente com trado calador na profundidade de 0 - 0,1 m, através de uma malha regular (50 x 50 m). Os valores de produtividade destes pontos foram determinados através da média dos pontos utilizando diferentes raios amostrais em três culturas. Os resultados demonstraram a presença de estabilidade produtiva, sobretudo em áreas que apresentam grande oscilação na produtividade em um mesmo ano. A metodologia deve ser utilizada com cautela, principalmente em locais onde há uma tendência à homogeneidade na produtividade. O raio amostral utilizado para determinar o valor de produtividade de um ponto tem influencias diretas sobre os valores das correlações. O aumento do raio amostral até o valor de 30 metros proporcionou aumentos graduais significativos nos valores das correlações. O fósforo foi o nutriente que apresentou maiores correlações positivas com a produtividade, mesmo estando acima dos teores críticos descritos para o estado.

Based on productivity maps and data analysis it is possible for the producer to check and act over the low yielding areas, maximizing the final productivity that way. This paper intents to show the importance of the usage of precision agriculture maps on farms in order to help farmers to determine low yielding areas and act over it, improving productivity. This paper and the generated maps referred during the text were made using John Deere equipment and AMS (Agricultural Management Solutions). The studied area is a 19ha (190.000m²) total area, located at Faxinal, Paraná state. Five maps were analyzed totaling a 3 years range period of samples that were used later for interpolation. The interpolations and adjustments done were made using Apex® and CR Campeiro® software. The output of this interpolation is a single map that shows some tendencies for some areas to present low, medium and high yield. Those regions represent 5,95%, 86,25% and 7,80% respectively. This map is a base for the final analysis that will provide information to develop and increase productivity in low yielding areas. / Com base nos mapas de produtividade e as análises realizadas dos locais proporciona ao produtor rural agir pontualmente nestas áreas de baixa produtividade para maximizar sua produção. Este trabalho demonstra a importância da agricultura de precisão em utilizar os mapas de produtividade nas propriedades rural para ajudar a determinar pontos de baixa produtividade nas áreas colhidas, desta forma possibilita ser realizada análise destes locais para determinar qual é o fator que está gerando esta baixa produtividade. Para o desenvolvimento deste trabalho e geração dos mapas de produtividade foi utilizado o sistema de Solução em Gerenciamento Agrícola (AMS) e equipamentos da John Deere. A área do estudo é de 19 ha (190.000 m²) localizados no município de Faxinal - PR obteve-se desta área, mapas de produtividade de um período de três anos totalizando cinco mapas, que foram utilizados para realizar a interpolação. Para a realização da interpolação e ajustes dos mapas utilizaram-se os programas Apex® e CR Campeiro®, o resultado final desta interpolação foi a geração do mapa mostrando as zonas de manejo da área de estudo onde, no decorrer deste período, a produtividade manteve uma tendência nas regiões de baixa, média e alta produtividade do talhão, estas regiões representaram 5,95%, 86,25% e 7,80% respectivamente. Com base no mapa com as áreas de zona de manejo possibilitará a análise das regiões menos produtivas do talhão para maximizar a produção.