O número de acidentes veiculares têm aumentado mundialmente e a principal causa associada a estes acidentes é a falha humana. O desenvolvimento de veículos autônomos é uma área que ganhou destaque em vários grupos de pesquisa do mundo, e um dos principais objetivos é proporcionar um meio de evitar estes acidentes. Os sistemas de navegação utilizados nestes veículos precisam ser extremamente confiáveis e robustos o que exige o desenvolvimento de soluções específicas para solucionar o problema. Devido ao baixo custo e a riqueza de informações, um dos sensores mais utilizados para executar navegação autônoma (e nos sistemas de auxílio ao motorista) são as câmeras. Informações sobre o ambiente são extraídas por meio do processamento das imagens obtidas pela câmera, e em seguida são utilizadas pelo sistema de navegação. O objetivo principal desta tese consiste do projeto, implementação, teste e otimização de um comitê de Redes Neurais Artificiais utilizadas em Sistemas de Visão Computacional para Veículos Autônomos (considerando em específico o modelo proposto e desenvolvido no Laboratório de Robótica Móvel (LRM)), em hardware, buscando acelerar seu tempo de execução, para utilização como classificadores de imagens nos veículos autônomos desenvolvidos pelo grupo de pesquisa do LRM. Dentre as contribuições deste trabalho, as principais são: um hardware configurado em um FPGA que executa a propagação do sinal em um comitê de redes neurais artificiais de forma rápida com baixo consumo de energia, comparado a um computador de propósito geral; resultados práticos avaliando precisão, consumo de hardware e temporização da estrutura para a classe de aplicações em questão que utiliza a representação de ponto-fixo; um gerador automático de look-up tables utilizadas para substituir o cálculo exato de funções de ativação em redes MLP; um co-projeto de hardware/software que obteve resultados relevantes para implementação do algoritmo de treinamento Backpropagation e, considerando todos os resultados, uma estrutura que permite uma grande diversidade de trabalhos futuros de hardware para robótica por implementar um sistema de processamento de imagens em hardware. / The number of vehicular accidents have increased worldwide and the leading associated cause is the human failure. Autonomous vehicles design is gathering attention throughout the world in industry and universities. Several research groups in the world are designing autonomous vehicles or driving assistance systems with the main goal of providing means to avoid these accidents. Autonomous vehicles navigation systems need to be reliable with real-time performance which requires the design of specific solutions to solve the problem. Due to the low cost and high amount of collected information, one of the most used sensors to perform autonomous navigation (and driving assistance systems) are the cameras.Information from the environment is extracted through obtained images and then used by navigation systems. The main goal of this thesis is the design, implementation, testing and optimization of an Artificial Neural Network ensemble used in an autonomous vehicle navigation system (considering the navigation system proposed and designed in Mobile Robotics Lab (LRM)) in hardware, in order to increase its capabilites, to be used as image classifiers for robot visual navigation. The main contributions of this work are: a reconfigurable hardware that performs a fast signal propagation in a neural network ensemble consuming less energy when compared to a general purpose computer, due to the nature of the hardware device; practical results on the tradeoff between precision, hardware consumption and timing for the class of applications in question using the fixed-point representation; a automatic generator of look-up tables widely used in hardware neural networks to replace the exact calculation of activation functions; a hardware/software co-design that achieve significant results for backpropagation training algorithm implementation, and considering all presented results, a structure which allows a considerable number of future works on hardware image processing for robotics applications by implementing a functional image processing hardware system.

O estudo de inventário tem por objetivo estimar o potencial hidroelétrico de rios ou bacias, analisando várias alternativas propostas de partição de quedas, sendo que cada alternativa contém um conjunto de aproveitamentos hidroelétricos. Essas alternativas são então estudadas individualmente para definição da alternativa ótima, ou seja, a que tem melhor custo beneficio e ao mesmo tempo cause menos danos ambientais. Para essa análise necessitamos calcular a potência de cada aproveitamento específico, assim como a energia gerada, para isso então precisamos conhecer a vazão do rio em estudo, no local desses aproveitamentos. Como a vazão dos rios varia com o tempo, pois depende de variáveis como clima, geologia dos solos, desmatamento, entre outras, se recomenda usar nos cálculos séries longas de vazões médias com no mínimo 30 anos de dados, o problema é que em muitos casos não temos essas séries ou temos séries menores e incompletas, nesse caso então necessitamos estimar os valores ausentes e ruidosos utilizando os dados de estações fluviométricas próximas, para depois transportá-las para o aproveitamento em estudo, para isso utilizamos de técnicas estatísticas de correlação. A ideia nesse trabalho é de utilizarmos redes neurais artificiais ao invés das técnicas convencionais e comparar os resultados obtidos. / The inventory study aims to estimate the hydropower potential of rivers or basins, analyzing several alternative proposals for partition of falls, each of which contains a set of alternative hydroelectric developments. These alternatives are then individually analyzed to define the optimal alternative, namely that which has the best cost benefit while causing less environmental damage. For this analysis we need to calculate the power of each specific use, as well as the energy generated for that then we need to know the flow of the river under study, the location of these usages. As the river flow varies with time because it depends on variables such as climate, geology, soils, deforestation, among others, we recommend using the long series of calculations mean flow at least 30 years of data, the problem is that in many cases we do not have these series or have smaller and incomplete series, in this case then we need to estimate the missing values and noisy data using next gauged stations, and then transport them to use in the study, for this we use statistical correlation techniques. The idea is that we use work instead of the conventional Artificial Neural Network techniques and compare the results.

[pt] As Redes Neurais Artificiais têm sido utilizadas com bastante sucesso em problemas de previsão, inferência e classificação de padrões. Por essa razão, já se encontram disponíveis diversas bibliotecas que facilitam a modelagem e o treinamento de redes, tais como o NNtool do Matlab ou o WEKA. Embora essas bibliotecas sejam muito utilizadas, elas possuem limitações quanto à mobilidade, à flexibilidade e ao desempenho. Essa última limitação é devida, principalmente, ao treinamento que pode exigir muito tempo quando existe uma grande quantidade de dados com muitos atributos. O presente trabalho propõe o desenvolvimento de uma biblioteca (ANNCOM) de fácil utilização, flexível, multiplataforma e que utiliza a arquitetura CUDA (Compute Unified Device Architecture) para reduzir os tempos de treinamento das redes. Essa arquitetura é uma forma de GPGPU (General-Purpose computing on Graphics Processing Units) e tem sido utilizada como uma solução em computação paralela na área de alto desempenho, uma vez que a tecnologia utilizada nos processadores atuais está chegando ao limite de velocidade. Adicionalmente, foi criada uma ferramenta gráfica que auxilia o desenvolvimento de soluções aplicando as técnicas de redes neurais de forma fácil e clara usando a biblioteca desenvolvida. Para avaliação de desempenho da ANNCOM, foram realizados seis treinamentos para classificação de clientes de baixa tensão de uma distribuidora de energia elétrica. O treinamento das redes, utilizando a ANNCOM com a tecnologia CUDA, alcançou um desempenho quase 30 vezes maior do que a ANNCOM auxiliada pela MKL (Math Kernel Library) da Intel, também utilizada pelo Matlab. / [en] The Artificial Neural Networks have been used quite successfully in problems of prediction, inference and classification standards. For this reason, are already available several libraries that facilitate the modeling and training networks, such as NNtool Matlab or WEKA. While these libraries are widely used, they have limited mobility, flexibility and performance. This limitation is due mainly to the training that can take a long time when there is a large amount of data with many attributes. This paper proposes the development of a library (ANNCOM) easy to use, flexible platform and architecture that uses the CUDA (Compute Unified Device Architecture) to reduce the training times of the networks. This architecture is a form of GPGPU (GeneralPurpose computing on Graphics Processing Units) and has been used as a solution in parallel computing in the area of high performance, since the technology used in current processors are reaching the limit of speed. Additionally created a graphical tool that helps the development of solutions using the techniques of neural networks easily and clearly using the library developed. For performance evaluation ANNCOM were conducted six trainings for customer classification of a low voltage electricity distribution. The training of networks using ANNCOM with CUDA technology, achieved a performance nearly 30 times greater than the ANNCOM aided by MKL (Math Kernel Library) by Intel, also used by Matlab.

Este trabalho apresenta um sistema que se utiliza de características extraídas de dados provenientes de um sensor Kinect v2 para monitorar o motorista, dados de sensores inerciais, da telemetria do veículo e dados sobre a estrada/faixa de rodagem para reconhecer o estilo de direção, permitindo ao sistema detectar o uso do celular no trânsito, um motorista embriagado e a direção sonolenta, evitando assim, riscos relacionados com a direção. De fato, quando veículos são conduzidos por pessoas em ligações telefônicas, o risco de acidente aumenta de 4 a 6 vezes. Motoristas embriagados causaram 10:497 mortes nas rodovias dos Estados Unidos da América em 2016, segundo o órgão local responsável pela segurança no trânsito (NHTSA). Um Conjunto de Dados Naturalista do Comportamento do Motorista (NDBD) foi criado especificamente para este trabalho e utilizado para o teste e validação do sistema proposto. A solução proposta emprega duas análises dos dados do motorista, os subsistemas de reconhecimento de padrões de Curto e Longo prazos. Assim, pode-se detectar situações de risco na direção. O sistema possui 3 níveis de alerta: sem alerta, alerta baixo e alerta alto. O subsistema de Curto Prazo detecta situações de sem alerta e de algum nível de alerta. Já o subsistema de Longo Prazo é responsável por determinar o nível de alerta: baixo ou alto. Classificadores baseados em Aprendizado de Máquina e Redes Neurais Artificiais (RNA) foram utilizados. Um Algoritmo Genético foi empregado para otimizar e selecionar um conjunto de valores que ajustam a entrada de características, função de ativação dos neurônios e topologia/treino da rede neural. O sistema proposto alcançou 79;5% de acurácia nos frames do NDBD (conjunto de treinamento e validação obtidos utilizando um simulador veicular próprio), para a detecção conjunta de risco em situações de uso de celular, embriaguez ou condução normal. Para o classificador de Curto Prazo, utilizou-se períodos de 5 frames e uma janela de 140 frames para o Longo Prazo. Considerando a detecção individualizada dos problemas de condução, no caso específico da embriaguez (usados dados de embriaguez e direção normal) o sistema obteve 98% de acurácia, e especificamente para o uso de celular obteve 95% de acurácia. Na classificação de sem alerta (situações sem risco), o sistema obteve apenas 1;5% de predições erradas (falsos positivos), contribuindo assim para o conforto do motorista ao utilizar o sistema. / In this work, a system has been developed using features from a frontal Kinect v2 sensor to monitor the driver, from inertial sensors, car telemetry, and road lane data to recognize the driving style, enabling to recognize the use of a cell phone while driving, a drunk driver, and drowsy driving, avoiding driving risks. In fact, cars driven by people on phone calls, increases the risk of crash between 4 and 6 times. Drunk drivers caused 10;497 deaths on USA roads in 2016 according to NHTSA. The Naturalistic Driver Behavior Dataset (NDBD) was created specifically for this work and it was used to test the proposed system. The proposed solution uses two analysis of the drivers data, the Short-Term and Long-Term pattern recognition subsystems, thus it could detect the risk situations while driving. The system has 3 levels of alarm: no alarm, lowest alarm, and highest alarm. Short-Term detects between no alarm or some level alarm. Long-Term is responsible for determining the risk alarm level, low or high. The classifiers are based on Machine Learning and Artificial Neural Networks (ANN), furthermore, the values set to adjust input features, neuron activation functions, and network topology/training parameters were optimized and selected using a Genetic Algorithm. The proposed system achieved 79:5% of accuracy in NDBD frames (training and validation sets obtained using a driving simulator), for joint detection of risk in situations of cellphone usage, drunkenness, or normal driving. For the Short-Term classifier, it was used length periods of 5 frames and a window of 140 frames for Long-Term. Considering the individualized detection of driving problems, in the specific case of drunkenness (using data of drunkenness and normal driving), the system achieved 98% of accuracy, and specifically for cell phone usage 95% of accuracy. The best results achieved obtained only 1:5% of no risk situation having a wrong prediction (false positives with alarm activation), contributing to the driver comfort when he/she is using the system.

Este trabalho apresenta o desenvolvimento de algoritmos de adaptação do padrão de marcha com a utilização de redes neurais artificiais para uma órtese ativa para membros inferiores. Trajetórias estáveis são geradas durante o processo de otimização, considerando um gerador de trajetórias baseado no critério do ZMP (Zero Moment Point) e no modelo dinâmico do equipamento. Três redes neurais são usadas para diminuir o tempo de cálculo do modelo e da otimização do ZMP, e reproduzir o gerador de trajetórias analítico. A primeira rede aproxima a dinâmica do modelo fornecendo a variação de torque necessária para a realização do processo de otimização dos parâmetros de adaptação da marcha; a segunda rede trabalha no processo de otimização, fornecendo o parâmetro otimizado de acordo com a interação paciente-órtese; a terceira rede reproduz o gerador de trajetórias para um determinado intervalo de tempo do passo que pode ser repetido para qualquer quantidade de passos. Além disso, um controle do tipo torque calculado acrescido de um controle PD é usado para garantir que as trajetórias atuais estejam seguindo as trajetórias desejadas da órtese. O modelo dinâmico da órtese na sua configuração atual, com forças de interação incluídas, é usado para gerar resultados simulados. / This work deals with neural network-based gait-pattern adaptation algorithms for an active lower limbs orthosis. Stable trajectories are generated during the optimization process, considering a trajectory generator based on the Zero Moment Point criterion and on the dynamic model. Additionally, three neural network are used to decrease the time-consuming computation of the model and ZMP optimization and to reproduce the analitical trajectory generator. The first neural network approximates the dynamic model providing the necessary torque variation to gait adaptation parameters process; the second network works in the optimization procedure, giving the adapting parameter according to orthosis-patient interaction; and the third network replaces the trajectory generation for a stablished step time interval which can be reproduced any time during the walking. Also, a computed torque controller plus the PD controller is designed to guarantee the actual trajectories are following the orthosis desired trajectories. The dynamic model of the actual active orthosis, with interaction forces included, is used to generate simulation results.

Este trabalho de pesquisa apresenta o desenvolvimento de uma metodologia de diagnóstico automático de falhas do tipo curto-circuito de baixa impedância em circuitos alimentadores de média tensão de sistemas reticulados de distribuição de energia elétrica tipo spot network. O diagnóstico compreende a identificação do tipo de curto-circuito ocorrido e a sua localização. A metodologia está baseada no treinamento e uso de Redes Neurais Artificiais (RNAs). Os parâmetros para treinamento das RNAs são obtidos a partir de padrões de comportamento elétrico de curtos circuitos monofásicos, bifásicos e trifásicos à terra, obtidos por simulação de um circuito de distribuição real localizado na cidade de Brasília. Para obtenção do comportamento elétrico do circuito de distribuição foi utilizado o aplicativo de simulação ATP (Alternative Transient Program); para estruturação, treinamento e testes das RNAs da metodologia de diagnóstico foi utilizado o software Matlab (aplicativo de RNA). Os principais resultados dos testes das RNAs da metodologia são apresentados. Tais resultados demonstram a viabilidade científica e tecnológica de se aplicar a metodologia desenvolvida como ferramenta de diagnóstico em tempo real de auxílio dos departamentos de engenharia de operação e manutenção de concessionárias elétricas. Este trabalho também apresenta as principais possibilidades de continuidade desta pesquisa científica e tecnológica baseada em redes neurais artificiais na área de diagnóstico automático de sistemas reticulados. / This work presents the development of an automatic failure diagnostic methodology for low impedance short circuit in mid voltage feeders of distribution spot networks systems. The developed methodology has the feature to identify the type of short circuit and its location. An Artificial Neural Network technique was employed. The parameters used to train the Artificial Neural Networks are obtained based upon patterns in simulations of real cases for short circuit behavior in mono-phase, bi-phase and tri-phase to ground configuration. The input data for the simulation was based on a real distribution circuit belonging to the Power Utility CEB located in Brasília-Brazil. The simulation program ATP (Alternative Transient Program) was used to obtain the electric behavior of the circuit in the distribution network. As for the Artificial Neural Network simulation, trainings and tests Matlab was employed. As a main contribution the results of this work shows the technical feasibility to apply such methodology as a important real time diagnostic tool to support the system operation and maintenance departments of power utilities that uses spot network topologies. Furthermore, it is presented the possibilities to continue this research related to automatic diagnostics for network distribution systems based on Artificial Neural Networks technique.

Graças aos avanços tecnológicos nas áreas da computação, eletrônica embarcada e mecatrônica a robótica está cada vez mais presente no cotidiano da pessoas. Nessas últimas décadas, uma infinidade de ferramentas e métodos foram desenvolvidos no campo da Robótica Móvel. Um exemplo disso são os sistemas inteligentes embarcados nos veículos de passeio. Tais sistemas auxiliam na condução através de sensores que recebem informações do ambiente e algoritmos que analisam os dados e tomam decisões para realizar uma determinada tarefa, como por exemplo estacionar um carro. Este trabalho tem por objetivo apresentar estudos realizados no desenvolvimento de um controlador inteligente capaz de estacionar um veículo simulado em vagas paralelas, na qual seja possível entrar com uma única manobra. Para isso, foi necessário realizar estudos envolvendo a modelagem de ambientes, cinemática veicular e sensores, os quais foram implementados em um ambiente de simulação desenvolvido em C# com o Visual Studio 2008. Em seguida é realizado um estudo sobre as três etapas do estacionamento, que consistem em procurar uma vaga, posicionar o veículo e manobrá-lo. Para realizar a manobra foi adotada a trajetória em S desenvolvida e muito utilizada em outros trabalhos encontrados na literatura da área. A manobra consiste em posicionar corretamente duas circunferências com um raio de esterçamento do veículo. Sendo assim, foi utilizado um controlador robusto baseado em aprendizado supervisionado utilizando Redes Neurais Artificiais (RNA), pois esta abordagem apresenta grande robustez com relação à presença de ruídos no sistema. Este controlador recebe dados de dois sensores laser (um fixado na frente do veículo e o outro na parte traseira), da odometria e de orientação de um sensor inercial. Os dados adquiridos desses sensores e a etapa da manobra em que o veículo está, servem de entrada para o controlador. Este é capaz de interpretar tais dados e responder a esses estímulos de forma correta em aproximadamente 99% dos casos. Os resultados de treinamento e de simulação se mostraram muito satisfatórios, permitindo que o carro controlador pela RNA pudesse estacionar corretamente em uma vaga paralela. / Thanks to technological advances in the fields of computer science, embedded electronics and mechatronics, robotics is increasingly more present in people\'s lives. On the past few decades a great variety of tools and methods were developed in the Mobile Robotics field, e.g. the passenger vehicles with smart embedded systems. Such systems help drivers through sensors that acquire information from the surrounding environment and algorithms which process this data and make decisions to perform a task, like parking a car. This work aims to present the studies performed on the development of a smart controller able to park a simulated vehicle in parallel parking spaces, where a single maneuver is enough to enter. To accomplish this, studies involving the modeling of environments, vehicle kinematics and sensors were conducted, which were implemented in a simulated environment developed in C# with Visual Studio 2008. Next, a study about the three stages of parking was carried out, which consists in looking for a slot, positioning the vehicle and maneuvering it. The \"S\" trajectory was adopted and developed to maneuver the vehicle, since it is well known and highly used in related works found in the literature of this field. The maneuver consists in the correct positioning of two circumferences with the possible steering radius of the vehicle. For this task, a robust controller based on supervised learning using Artificial Neural Networks (ANN) was employed, since this approach has great robustness regarding the presence of noise in the system. This controller receives data from two laser sensors (one attached on the front of the vehicle and the other on the rear), from the odometry and from the inertial orientation sensor. The data acquired from these sensors and the current maneuver stage of the vehicle are the inputs of the controller, which interprets these data and responds to these stimuli in a correct way in approximately 99% of the cases. The results of the training and simulation were satisfactory, allowing the car controlled by the ANN to correctly park in a parallel slot.

Esta tese consiste em desenvolver um sistema de identificação e classificação de falhas em motores de indução trifásico. As falhas analisadas foram simuladas em laboratório e envolvem problemas elétricos, como curto-circuito no estator, e problemas mecânicos, como barras quebradas no rotor. O sistema computacional proposto é formado pela transformada discreta wavelet, pelo cálculo de variáveis estatísticas e por redes neurais artificiais. A partir dos sinais elétricos da corrente do estator, a transformada wavelet produz os coeficientes característicos das falhas, os quais são usados no cálculo das variáveis estatísticas, como a média, root mean square, skewness e kurtosis. Estes valores são transmitidos como dados de entrada para as redes neurais que identificam as falhas e classificam a natureza das mesmas. Por fim, resultados obtidos visam validar a metodologia sugerida, que buscou nos sistemas inteligentes soluções eficazes para diagnosticar falhas em máquinas elétricas. / This thesis consists in developing a system for the identification and classification of faults in three-phase electric motors. The faults were analyzed and simulated in the laboratory and involve electrical problems, such as short circuit in the stator, and mechanical problems, such as broken rotor bars. The proposed computer system is formed by discrete wavelet transform, by calculation of statistical variables and for artificial neural networks. From the electrical signals of the stator current, the wavelet transform produces characteristic coefficients of faults, which are extracted by calculating of statistics variables, such as mean, root mean square, skewness and kurtosis. These values are passed as input to the neural networks that identify faults and the severity of it. Finally, results aimed at validating the methodology suggested that sought effective solutions in intelligent systems to diagnose faults in electrical machines.

A aveia branca (Avena sativa L.) é uma espécie de estação fria de múltiplos propósitos. É usada na sucessão e rotação de culturas quebrando o ciclo de pragas e moléstias e de excelente cobertura de solo ao sistema de semeadura direta. Na alimentação animal fornece ração, feno, silagem e forragem direta de alta qualidade. Na alimentação humana, os grãos se destacam como um alimento funcional rico em proteínas e fibras. Dentre estas, a fibra alimentar beta glucana auxilia na redução do colesterol LDL. A inclusão da aveia na dieta alimentar tem crescido enormemente nos últimos anos, por conta de uma população mais exigente e que busca alimentos mais nutritivos e saudáveis. Por outro lado, o consumo de aveia tem por base o produto “in natura”, que depois de descascado é direcionado a produção de farelo, farinha ou flocos, exigindo maiores cuidados no processo de produção, principalmente no uso de agroquímicos para o controle de doenças fúngicas. Dentre as doenças, a ferrugem da folha (Puccinia coronata Cda. f.sp. avenae) e a mancha amarela [Drechslera avenae (Eidam) El Sharif] têm recebido especial atenção, as quais podem causar perdas de até 100% na produtividade de grãos em anos favoráveis ao desenvolvimento. Com isso a necessidade de construção de modelos que permitam otimização das tecnologias de manejo no controle de doenças à máxima qualidade do produto à alimentação humana e na qualificação da tomada de decisões no manejo da cultura. O objetivo do estudo é modelagem matemática da aveia por regressões e teste de médias na caracterização de grupos de resistência às doenças foliares, que dimensionam o comportamento e previsibilidade com adaptabilidade de cultivares. Além disto, do uso de redes neurais artificiais na simulação da evolução da doença e os reflexos sobre a produtividade pelas condições meteorológicas e de uso de fungicida. O estudo foi realizado no Instituto Regional de Desenvolvimento Rural (IRDeR/DEAg/UNIJUÍ), no município de Augusto Pestana (RS). O experimento foi delineado em blocos casualizados com três repetições, seguindo um modelo fatorial 22x4, para as 22 cultivares de aveia branca e 4 condições de aplicações de fungicida, sem fungicida, com uma aplicação aos 60 dias após a emergência DAE, com duas aplicações 60/75DAE, com três aplicações 60/75/90 DAE, respectivamente. A área foliar necrosada foi avaliada aos 60, 75, 90 e 105 DAE, em cada condição de uso do fungicida em todas as cultivares em estudo. Portanto, 15 dias após aplicação do fungicida, conforme o período residual do produto químico de controle (15 dias). As 22 cultivares de aveia branca avaliadas foram: Barbarasul, Brisasul, FAEM 006, FAEM 007, FAEM 4 Carlasul, FAEM 5 Chiarasul, IPR Afrodite, UPFA Gaudéria, UPFA Ouro, UPFPS Farroupilha, URS 21, URS Altiva, URS Brava, URS Charrua, URS Corona, URS Estampa, URS Fapa Slava, URS Guará, URS Guria, URS Tarimba, URS Taura e URS Torena. Pelo agrupamento de médias segundo modelo de Scott & Knott é definido que as cultivares URS Altiva, FAEM 007, URS Brava são as que obtiveram maior resistência genética as doenças foliares, nas condições de uso de tratamento químico com fungicida no ano favorável (2015). Destaca-se que em 2016, ano desfavorável às doenças, as cultivares FAEM 007, IPR Afrodite, URS Corona, FAEM 5 Chiarasul e URS Altiva, mostraram produtividade de grãos satisfatório com reduzidos valores de área foliar necrosada. Na análise dos dois anos agrícolas, as cultivares com maior destaque são FAEM 007 e URS Altiva que independente do ano ser ou não favorável à incidência de doenças foliares, foram as que obtiveram melhor produtividade de grãos junto a menor área foliar necrosada. Na avaliação da taxa de produtividade de grãos e área foliar danificada pelo incremento do número de aplicações do fungicida, recebem destaque as cultivares, URS Charrua, URS Altiva e URS Guria. Estas cultivares obtiveram a maior eficiência agronômica pelo incremento do número de aplicações do fungicida, com a URS Altiva de menor coeficiente linear de área foliar necrosada, indicando resistência genética superior às demais cultivares. Cabe também destacar, a cultivar URS Charrua que independente do ano de cultivo, indica resultados vantajosos pela elevada eficiência nas aplicações de fungicida em 2015, com elevada produtividade na ausência e presença de fungicida em 2016. A partir dos modelos de adaptabilidade e estabilidade por “Eberhart e Russel” é possível identificar as cultivares IPR Afrodite, URS Altiva e URS Corona com adaptabilidade geral, e estabilidade nas condições de uso de fungicida nos anos agrícolas avaliados. Dentre estas, destaca-se os valores mais reduzidos da área foliar necrosada obtida pela URS Altiva, com previsibilidade de expressão de necrose foliar e adaptabilidade a ambientes desfavoráveis, qualificando seu uso em condições mais restritivas no uso de fungicida. Os modelos de regressão linear múltipla qualificam a estimativa de produtividade de grãos, principalmente, quando incluído no modelo a precipitação, temperatura mínima, área foliar necrosada em cm² e as aplicações de fungicida. No entanto, é verificado que apenas dois anos de cultivo não permite o desenvolvimento de um único modelo de simulação por regressão linear múltipla para todas as cultivares. Por outro lado, quando a equação é desenvolvida para cada cultivar, a eficiência de simulação é obtida. As redes neurais artificiais do tipo Perceptron de Múltiplas Camadas, com o algoritmo de aprendizagem backpropagation e função de treinamento Levember-Marquadt, se mostram eficientes na previsibilidade da produtividade de grãos e área foliar necrosada, pelas condições de uso de fungicida junto aos fatores meteorológicos. Além disso, é possível simular a produtividade final de grãos ao longo do ciclo de desenvolvimento da aveia, atrelando ao modelo, as condições meteorológicos, o manejo do fungicida e área foliar necrosada. Assim, as RNAs somam-se aos demais modelos convencionais de simulação, tornando-se uma ferramenta de auxilio na tomada de decisões, quanto ao manejo da cultura da aveia. / 104 f.

Made available in DSpace on 2017-07-21T14:19:39Z (GMT). No. of bitstreams: 1 Carlos Proenca.pdf: 1478553 bytes, checksum: 110e623f3d19df6239c0f3c3097ce444 (MD5) Previous issue date: 2012-08-01 / Determining the soil organic matter and clay are important to obtain indicators of soil quality. Such measurements are help the agronomic management providing support for the recommendation of lime and fertilizer. For this quantification, analysis of soil becomes a "tool" indispensable, being increasingly used, especially when associated the the precision farming technology, in which the producer performs a higher number of analyzes aiming to identify soil variability of the property. However, laboratory tests bring some disadvantages, such as the time required for the analyses, and also the generation of waste. An option to perform the analyzes of organic matter and clay soil, quickly and without chemical residues, is by the use of visible to infrared spectroscopy and near (vis-NIRS - Visible and Near Infrared Spectroscopy). The aim of this work was to propose a methodology for predicting the soil organic matter and clay, by combining the use of Regression Analysis and Artificial Neural Networks in order to develop models to estimate these attributes. A database with information about soil analysis obtained by the conventional method and the method vis-NIR was used. The first step was to select the spectral bands that presented a better correlation with the response variables (clay and organic matter) by means of multivariate regression model. In order to improve the estimation of soil organic matter and clay, the group that presented the highest coefficient of determination was used as input of the Artificial Neural Networks. The quantity of 111 soil samples were used for calibration the models of soil analysis, and their spectra were obtained on a spectrophotometer FOSS NIR model XDS. The results were evaluated by the coefficient of determination (R2), considering the significance level of 5%. Coeficients of 0,89 and 0,94 were obtained in the prediction of organic matter and clay respectively, with indices highly significant (P <0,001), indicating the proposed methodology could be useful to predict the attributes studied. / A determinação dos teores de matéria orgânica e argila consistem em importantes indicadores da qualidade do solo. Suas quantificações são fundamentais no auxílio do manejo agronômico podendo fornecer subsídios para as recomendações de corretivos e fertilizantes. Para esta quantificação, a análise de solo se torna uma “ferramenta” indispensável, sendo utilizada cada vez mais, principalmente após a chegada da tecnologia da agricultura de precisão, em que o produtor realiza um número muitas vezes superior de análises visando a identificação da variabilidade do solo da sua propriedade. Porém, as análises laboratoriais trazem alguns inconvenientes, como o tempo necessário para as determinações e a geração de resíduos. Uma opção para realizar as análises de matéria orgânica e argila do solo, de forma rápida e sem geração de resíduos químicos é a espectroscopia de infravermelho visível e próximo (vis-NIRS – visible and Near Infrared Spectroscopy). O objetivo deste trabalho foi propor uma metodologia para predição dos teores de matéria orgânica e argila, envolvendo a combinação do uso de Análise de Regressão e Redes Neurais Artificiais com o desenvolvimento de modelos de estimativa destes atributos, utilizando uma base de dados com informações de análises de solo obtidas pelo método convencional e pelo método vis-NIRS. Primeiramente foram selecionadas as bandas espectrais que melhor correlacionavam com as variáveis de resposta (matéria orgânica e argila), por meio de um modelo de regressão multivariada. O grupo que obteve o maior coeficiente de determinação foi utilizado como entrada das Redes Neurais Artificiais visando melhorar a estimativa dos teores de matéria orgânica e argila. Para isto, 111 amostras de solo foram utilizadas para a calibração de modelos de análises de solos, sendo seus espectros obtidos em um espectrofotômetro de infravermelho próximo modelo FOSS XDS. Os resultados dos modelos foram avaliados por meio do coeficiente de determinação (R2), e pelo grau de significância ao nível de 5%. Correlações de 0,89 e 0,94 foram obtidas na predição do teor de matéria orgânica e argila, respectivamente, com índices altamente significativos (P<0,001), o que indica que a metodologia proposta pode ser utilizada para a predição dos atributos estudados.