Made available in DSpace on 2014-06-11T19:31:37Z (GMT). No. of bitstreams: 0 Previous issue date: 2005-04-29Bitstream added on 2014-06-13T21:02:58Z : No. of bitstreams: 1 angelico_jc_dr_botfca.pdf: 838568 bytes, checksum: f6ccaf64afa3b5032e50bf933d5913de (MD5) / Métodos estatísticos de interpolação são freqüentemente utilizados para se obter as características dos solos em locais não amostrados, visando diminuir o número de amostras necessárias para um bom mapeamento do campo. Nesse trabalho, a estimativa da variabilidade espacial de atributos do solo foi realizada de duas maneiras: primeiramente utilizando-se os métodos estatísticos da krigagem e da co-krigagem e posteriormente as redes neurais artificiais. Os resultados obtidos pelos dois métodos foram comparados, com a finalidade de se verificar a eficiência das redes neurais artificiais na estimativa de atributos do solo. Os resultados mostraram que as redes neurais artificiais, em particular as redes Perceptron, com uma e com duas camadas de neurônios, são capazes de estimar as variabilidades espaciais dos solos com precisão maior do que os métodos estatísticos da krigagem e da co-krigagem. As redes neurais artificiais também se mostraram eficientes na estimativa de uma determinada variável do solo em função de sua classe textural. / Statistic methods of interpolation are often used to get the soil characteristics in non-sampled places in order to decrease samples numbers, which are necessary to obtain a good field mapping. In this project, the estimation of soil spatial variability attributes was done in two different ways. First, it was used statistic methods of kriging and cokriging, and in second instance, it was used artificial neural networks. The results computed by both techniques were compared each other in order to verify the efficiency of the artificial neural networks in estimating soil attributes. The results indicated that artificial neural networks, especially Perceptron networks, both with one and two layers of neurons, are able to estimate the soil spatial variability much better than the kriging and the cokriging methods. The artificial neural networks have also showed very efficient in estimating soil variables with respect to its textural class.

Resumo: Métodos estatísticos de interpolação são freqüentemente utilizados para se obter as características dos solos em locais não amostrados, visando diminuir o número de amostras necessárias para um bom mapeamento do campo. Nesse trabalho, a estimativa da variabilidade espacial de atributos do solo foi realizada de duas maneiras: primeiramente utilizando-se os métodos estatísticos da krigagem e da co-krigagem e posteriormente as redes neurais artificiais. Os resultados obtidos pelos dois métodos foram comparados, com a finalidade de se verificar a eficiência das redes neurais artificiais na estimativa de atributos do solo. Os resultados mostraram que as redes neurais artificiais, em particular as redes Perceptron, com uma e com duas camadas de neurônios, são capazes de estimar as variabilidades espaciais dos solos com precisão maior do que os métodos estatísticos da krigagem e da co-krigagem. As redes neurais artificiais também se mostraram eficientes na estimativa de uma determinada variável do solo em função de sua classe textural. / Abstract: Statistic methods of interpolation are often used to get the soil characteristics in non-sampled places in order to decrease samples numbers, which are necessary to obtain a good field mapping. In this project, the estimation of soil spatial variability attributes was done in two different ways. First, it was used statistic methods of kriging and cokriging, and in second instance, it was used artificial neural networks. The results computed by both techniques were compared each other in order to verify the efficiency of the artificial neural networks in estimating soil attributes. The results indicated that artificial neural networks, especially Perceptron networks, both with one and two layers of neurons, are able to estimate the soil spatial variability much better than the kriging and the cokriging methods. The artificial neural networks have also showed very efficient in estimating soil variables with respect to its textural class. / Orientador: Ivan Nunes da Silva / Coorientador: José Alfredo Covolan Ulson / Banca: Angelo Cataneo / Banca: Luiz Gonzaga Campos Porto / Banca: Gastão Moraes da Silveira / Banca: Casimiro Dias Gadanha Júnior / Doutor