Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/26650
Type: Artigo de periódico
Title: Utilização de redes neurais artificiais para avaliação de produtividade do solo, visando classificação de terras para irrigação
Title Alternative: Use of artificial neural networks for evaluation of apparent fertility and classification of land for irrigation
Author: Bucene, Luciana C.
Rodrigues, Luiz H. A.
Abstract: Productivity data (commonly known as apparent fertility) of the initial part of the river Pardo-SP watershed was analyzed and classified with Artificial Neural Networks (ANNs), in order to classify lands for irrigation. Soil attributes as pH, CEC (cation exchange capacity), V% (base saturation index), P (phosphorus), Mg (magnesium) and K (potassium) were defined in five classes: very high, high, medium, low and very low. Apparent fertility classification taking into account the five classes was performed by using Multiple Layers Perceptron (MLP). Backpropagation algorithm was performed with the training set. One hidden layer with 5 neurons was the situation that best performed.
Objetivando classificar terras para irrigação, faz-se necessário analisar e determinar alguns parâmetros, entre eles a produtividade do solo. A classificação de produtividade (comumente chamada fertilidade aparente) é delimitada em cinco classes: muito alta, alta, média, baixa e muito baixa, e em cada classe é preciso avaliar certos atributos do solo, como pH, CTC (capacidade de troca de cátions), V% (índice de saturação por bases), P (fósforo), Mg (magnésio) e K (potássio). Neste trabalho, objetivou-se identificar a produtividade na qual atributos do solo, da parte inicial da microbacia hidrográfica do Rio Pardo, localizada em Pardinho, SP, foram analisados e classificados nas classes que a delimitam, através de Redes Neurais Artificiais (RNAs) utilizandose Perceptron Múltiplas Camadas (Multilayers Perceptrons - MLP) com o algoritmo de treinamento backpropagation- classificador de padrões, obtendo-se um número ótimo de camadas intermediárias e de neurônios; resultando na classificação de produtividade, a situação ótima da rede obteve 78% dos resultados iguais aos desejados, com duas camadas de neurônios, uma das quais intermediária, com 5 neurônios, e uma camada de saída.
Subject: inteligência artificial
reconhecimento de padrões
perceptron múltipla camada
artificial intelligence
pattern recognition
multilayer perceptron
Editor: Departamento de Engenharia Agrícola - UFCG
Rights: aberto
Identifier DOI: 10.1590/S1415-43662004000200025
Address: http://dx.doi.org/10.1590/S1415-43662004000200025
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1415-43662004000200025
Date Issue: 1-Dec-2004
Appears in Collections:Artigos e Materiais de Revistas Científicas - Unicamp

Files in This Item:
File Description SizeFormat 
S1415-43662004000200025.pdf133.3 kBAdobe PDFView/Open


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