Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Aplicações de Redes Neurais Artificiais (RNAs) na Agricultura são raramente encontradas. Motivados
pelo grande sucesso dessa nova tecnologia na predição de processos, desenvolveu-se uma ferramenta
computacional utilizando as RNAs capaz de prever qual a produtividade de soja na região de Rio Verde (GO).
A predição da produtividade de um cultivar permite-nos fazer uma correção (química ou de adubação) no solo
capaz de elevar a produtividade de grãos caso seja prevista uma safra pouco satisfatória. Deve-se mencionar por
fim, que a ferramenta desenvolvida pode ser utilizada para prever a produtividade de qualquer cultivar, desde
que haja um banco de dados disponível.
Abstract
Artificial Neural Networks (ANN) Applications on Agriculture are rarely seen. Motivated by the great
success of this new technology on predicting processes, a computational tool using ANN was developed with
the goal of predicting Soya production in Rio Verde (GO). Predicting allows us to make soil corrections
(chemical or with fertilisers) that would be able to increase grain production in case where a low harvest is
predicted. There must be mentioned the software developed can be used to predict production of any kind of
cultivate, as far as there is a data base available to train the net.
Zn
A rede neural utilizada para fazer o sistema
X36 previsor consiste, então, da junção das duas
arquiteturas diferentes de rede.
Entrada Camada Escondida Saída
A figura 3 mostra a representação
Figura 1: Arquitetura inicialmente utilizada. topológica da rede utilizada, considerando as duas
arquiteturas distintas.
Com o intuito de melhorar os resultados
decidiu-se utilizar uma nova arquitetura para filtrar
a quantidade de variáveis que seriam aplicadas ao 3 O Banco de Dados
MLP [5]. Utilizou-se para isso um Mapa Auto-
Organizável de Kohonen (Self Organizing Feature O conjunto amostral é composto por quatro
Map - SOFM) [3-5]. Este tipo de rede apresenta um partes:
paradigma de aprendizagem diferente do algoritmo
de Back-Propagation. Neste caso, estamos diante • Análise foliar, composta por 10 variáveis.
das chamadas Redes Competitivas, onde durante o • Análise de solo com profundidade entre
processo de treinamento “vencem” as unidades 0-20cm, composta por 13 variáveis.
(neurônios) com maior excitação [3]. A topologia da • Análise de solo com profundidade entre
rede é mostrada na figura 2. 20-40cm, composta por 13 variáveis.
• Produtividade, composta por 1 variável.
A determinação do vetor de pesos
representa um dos aspectos mais cruciais de
qualquer processo de treinamento não-
supervisionado. Este processo é geralmente descrito
em três partes [4]. Primeiro, um padrão de entrada é
apresentado de cada vez.
Z1
Z2
Y
Zn
...
SOFM MLP
Isto perfaz um total de 37 variáveis, sendo saída do Mapa de Kohonen. Este grid de saída do
36 independentes e 1 dependente (produtividade). SOFM compõe as entradas do Multi-Layer
Foram fornecidas 149 amostras, que após uma pré- Perceptron. O MLP só é treinado depois que o Mapa
seleção foram reduzidas para 144. O que resulta em de Kohonen está definido.
uma matriz de dados de 144 × 37 elementos.
A estrutura de treinamento utilizada foi a
Para que pudessemos desenvolver um seguinte:
sistema previsor e avaliar a sua performance, o
banco de dados fornecido, contendo a priori 144 1. Para cada padrão de entrada faça:
amostras, foi dividido em duas partes: A. Alimente o SOFM
B. Com as saídas do SOFM alimenta-se o
• uma parte utilizada na aprendizagem da MLP
RNA (116 amostras); e Obs.: O SOFM já está treinado
• outra parte utilizada para a avaliação do C. Executa-se o Back-Propagation dos
comportamento do previsor Erros - no MLP
implementado (28 amostras). D. Atualiza os pesos do MLP
2. Repita o passo 1. até que o Erro Médio
Quadrático convirja para o valor desejado ou o
4 Aprendizagem número máximo de épocas atinja o limite.
Autores
EMC [%]
35
30
Weber Martins (PhD) é professor titular da Escola
de Engenharia Elétrica da Universidade Federal de
25
Goiás e nasceu em Goiânia GO, Brasil em 1961.
20
Formou-se em Engenharia Elétrica na Universidade
15 Federal de Goiás (86), tendo alcançado o título de
10 MLP mestre pela Universidade Federal de Uberlândia
5 MLP + SOFM (90) e doutor pela York University, Inglaterra (94).
0 Atualmente o professor Weber desenvolve pesquisas
2 4 6 8 10 12 14 16 18 na área de Redes Neurais Artificias e Inteligência
NEsc Artificial e é o coordenador do Grupo de Pesquisa
em Redes Neurais - PIRENEUS da EEE/UFG.
Figura 4: Comparação entre os erros considerando
a topologia simples (MLP) e a topologia composta
Wagner da Silva Lima (MSc) é professor assistente
(MLP + SOFM).
da Escola de Engenharia Elétrica da Universidade
Federal de Goiás e nasceu em Rio Claro SP, Brasil
Legenda EMC% = erro médio percentual do
em 1970. Formou-se em Engenharia Elétrica na
conjunto amostral
Universidade Federal de Goiás (93), tendo
NEsc = quantidade de neurônios na
alcançado o título de mestre pela Universidade
camada escondida
Estadual de Campinas (96). Atualmente o professor
Wagner ministra aulas na graduação e desenvolve
6 Conclusão
pesquisas nas áreas de Previsão de Séries
Temporais, Redes Neurais Artificias e Inteligência
O sistema neural desenvolvido é capaz de
Artificial junto ao Grupo de Pesquisa em Redes
prever, com uma margem de erro inferior a 25%,
Neurais - PIRENEUS da EEE/UFG.
qual será a produtividade de um determinado
cultivar em uma região, desde que este seja treinado
Leandro Nunes de Castro é engenheiro eletricista e
para tal fim.
nasceu em Goiânia GO, Brasil em 1974. Formou-se
em Engenharia Elétrica na Universidade Federal de
Um dos aspectos importantes que foi
Goiás (96). Atualmente Leandro Nunes é aluno de
verificado neste trabalho é a melhoria nos resultados
mestrado no Departamento de Computação e
do previsor ao utilizarmos um mapa auto-
Automação da Faculdade de Engenharia Elétrica e
organizável para reduzir a quantidade de elementos
de Computação da UNICAMP, Campinas, Brasil.
Referências