Please use this identifier to cite or link to this item: http://tede2.uepg.br/jspui/handle/prefix/168
metadata.dc.type: Dissertação
Title: Redes neurais artificiais para predição dos teores de matéria orgânica e argila do solo na região dos Campos Gerais utilizando espectroscopia de reflectância difusa
metadata.dc.creator: Proença, Carlos Alberto
metadata.dc.contributor.advisor1: Guimarães, Alaine Margarete
metadata.dc.contributor.referee1: Caires, Eduardo Fávero
metadata.dc.contributor.referee2: Povh, Fabrício Pinheiro
metadata.dc.description.resumo: 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.
Abstract: 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.
Keywords: matéria orgânica
argila
análise de regressão
Redes Neurais Artificiais
near-infrared
organic matter
clay
regression analysis
Artificial Neural Networks
near-infrared
metadata.dc.subject.cnpq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
metadata.dc.language: por
metadata.dc.publisher.country: BR
Publisher: UNIVERSIDADE ESTADUAL DE PONTA GROSSA
metadata.dc.publisher.initials: UEPG
metadata.dc.publisher.department: Computação para Tecnologias em Agricultura
metadata.dc.publisher.program: Programa de Pós Graduação Computação Aplicada
Citation: PROENÇA, Carlos Alberto. Redes neurais artificiais para predição dos teores de matéria orgânica e argila do solo na região dos Campos Gerais utilizando espectroscopia de reflectância difusa. 2012. 79 f. Dissertação (Mestrado em Computação para Tecnologias em Agricultura) - UNIVERSIDADE ESTADUAL DE PONTA GROSSA, Ponta Grossa, 2012.
metadata.dc.rights: Acesso Aberto
URI: http://tede2.uepg.br/jspui/handle/prefix/168
Issue Date: 1-Aug-2012
Appears in Collections:Programa de Pós Graduação Computação Aplicada

Files in This Item:
File SizeFormat 
Carlos Proenca.pdf1.44 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.