Orientador: Jansle Vieira Rocha / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agricola / Made available in DSpace on 2018-08-11T14:29:10Z (GMT). No. of bitstreams: 1
Weber_LianedeSouza_D.pdf: 866084 bytes, checksum: 6f14fe14fef394e2bd299f45b7c98915 (MD5)
Previous issue date: 2005 / Resumo: O presente trabalho descreve um estudo sobre estimativa de safras cujo principal objetivo foi criar uma metodologia de integração de dados de produção, dados espectrais e indicadores meteorológicos por meio de redes neurais artificiais, estabelecendo correlações entre índices de vegetação e de produtividade, com o propósito de estimar a produtividade de cana-de-açúcar. O estudo foi dividido em duas etapas: a primeira correspondeu à obtenção e organização dos dados em um banco de dados com padrões de entrada/saída; a segunda, à implementação e ajuste das redes neurais, por meio de ensembles. O estudo foi realizado em unidades amostrais de produção de uma usina sucroalcooleira no município de Araras-SP. A primeira etapa consistiu na obtenção dos coeficientes de produtividade (kp), por meio da inversão do modelo agrometeorológico de Doorenbos e Kassam (1979), a partir da determinação do balanço hídrico. O resultado deste procedimento mostrou a sensibilidade do coeficiente à variabilidade da produtividade nos talhões. Os dados espectrais das imagens Landsat 7 ¿ ETM+ foram obtidos de correlações descritas na literatura estabelecidas entre o Índice de Vegetação Greenness (GVI), a banda do infravermelho próximo (B4) e a produtividade da cana-de-açúcar. A estratégia para treinamento dos ensembles foi baseada no aprendizado supervisionado aplicado a uma arquitetura Multilayer Perceptron (MLP), com uma camada escondida, método de aprendizado de 2ª ordem e feedforward. Na etapa de treinamento e validação, as redes neurais tiveram como variáveis de entrada os valores de kp, GVI e B4, e como variável de saída a produtividade, que definiram os padrões de entrada/saída. A fase de teste consistiu em implementar a metodologia em um grupo de padrões de entrada não utilizados nos treinamentos. Os resultados mostraram valores de EQM entre 0,03 e 0,51 ton/ha, enquanto que a estimativa da usina errou em média 9,93 ton/ha, o que garantiu o correto ajuste da rede neural quanto à topologia, ao número de iterações e aos algoritmos de aprendizagem. Esta etapa mostrou a capacidade de generalização da rede neural, já que os treinamentos foram realizados a partir de unidades amostrais. O estudo ratificou a aplicação desta metodologia na determinação da estimativa de produtividade de cana-deaçúcar, empregando-a como técnica complementar aos atuais métodos de estimativa agrícola,
sugerindo a ampliação da escala de aplicação para o ambiente de produção da usina / Abstract: The present thesis describes a study on crop forecast. Its main purpose was to create a methodology for integrating production, spectral and meteorological data indicators through artificial neural networks, establishing correlations between vegetation index and yield coefficients, aiming at the estimate of sugarcane yield. The study was divided in two parts: the first corresponded to obtaining and organizing data in a database with input/output default; the second corresponded to the implementation and adjustment of the neural network. The study was carried out in sample production units (fields) of a sugarmill agricultural area located in the municipality of Araras-SP, Brazil. The first part consisted in obtaining yield coefficients (kp) through the inversion of the Doorenbos-Kassam (1979) agrometeorological model, based on the determination of the water balance. The result of this procedure showed the coefficient¿s sensitivity to the variability of yield within the sample fields. The spectral data of the Landsat 7 ¿ ETM+ images were obtained from correlations, available in scientific literature, between the Greenness Vegetation Index (GVI), near infrared band, and sugarcane yield. The strategy for training the neural network was based on supervised learning applied to a Multilayer Perceptron (MLP) architecture, with a hidden layer, second order learning method and feedforward. For the training and validation stage, the neural network had as input variables kp, GVI and B4 values, and as output variable the yield, both obtained in the input/output database. The test stage consisted of implementing the methodology in a set of input patterns not used for the trainings. The results showed Mean Square Error (MSE) values between 0,03 and 0,51 ton/ha, while the average error of the sugarmill estimates were 9,93 ton/ha, which showed the correct adjustment of the network concerning topology, number of iterations and learning algorithms. This showed the generalization capacity of the neural network once the trainings were carried out based on sample units. The study ratified the application of this methodology for determining sugarcane yield estimate, employing it as a complementary technique to the present methods of agricultural forecast, suggesting the increase of the application scale to a broader area of the sugarmill production environment / Doutorado / Planejamento e Desenvolvimento Rural Sustentável / Doutor em Engenharia Agrícola
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/257009 |
| Date | 22 March 2005 |
| Creators | Weber, Liane de Souza |
| Contributors | UNIVERSIDADE ESTADUAL DE CAMPINAS, Rocha, Jansle Vieira, 1961-, Rudorff, Bernardo Friedrich Theodor, Deppe, Flavio Andre Cecchini, Zuben, Fernando Jose Von, Lamparelli, Rubens Augusto Camargo |
| Publisher | [s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Agrícola, Programa de Pós-Graduação em Engenharia Agrícola |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 113p. : il., application/pdf |
| Source | reponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0036 seconds