Redes neurais artificiais na estimativa da retenção de água do solo

Soares, Fátima Cibele; Robaina, Adroaldo Dias; Peiter, Márcia Xavier; Russi, Jumar Luís; Vivan, Gisele Aparecida

doi:10.1590/s0103-84782014000200016

Cited by 29 publications

(29 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Generally, the increased number of neurons per layer does not ensure the best network performance. Similar results were found by Soares et al (2014) and Azevedo et al (2015). An explanation for this is that the increased number of neurons in the network may lead to overfitting, which occurs when the network training process stores the data in the training sample and does not identify the associations between the data in the input and output layers (Silva et al 2010).…”

Section: Resultssupporting

confidence: 91%

“…Ten network architectures were tested to determine a trained network with good fit, with 1, 2, 3, …, 9 and 10 neurons in the hidden layer. Considering that, at the beginning of the training, the free parameters were randomly generated and that these initial values can influence the final result of the training (Soares et al 2014), each ANN architecture was trained 1,000 times. The network with the best fit was selected using the mean squared error (MSE) for the validation sample.…”

Section: Cf Aquino Et Almentioning

confidence: 99%

See 1 more Smart Citation

High-efficiency phenotyping for vitamin A in banana using artificial neural networks and colorimetric data

2016

View full text Add to dashboard Cite

show abstract

Section: Resultssupporting

confidence: 91%

Section: Cf Aquino Et Almentioning

confidence: 99%

High-efficiency phenotyping for vitamin A in banana using artificial neural networks and colorimetric data

2016

View full text Add to dashboard Cite

show abstract

“…The fact that the ANN with the best results has only one hidden layer agrees with the results observed by Soares et al (2014), who estimated soil water retention using ANN, and Zanetti et al (2008), who estimated reference evapotranspiration using ANNs and concluded that only one hidden layer is sufficient to represent the non-linear relationship between climatic elements and reference evapotranspiration.…”

Section: Resultssupporting

confidence: 83%

Artificial neural network model for simulation of water distribution in sprinkle irrigation

Menezes

Azevedo

Eyng

et al. 2015

Rev. bras. eng. agríc. ambient.

View full text Add to dashboard Cite

A B S T R A C TDetermining uniformity coefficients of sprinkle irrigation systems, in general, depends on field trials, which require time and financial resources. One alternative to reduce time and expense is the use of simulations. The objective of this study was to develop an artificial neural network (ANN) to simulate sprinkler precipitation, using the values of operating pressure, wind speed, wind direction and sprinkler nozzle diameter as the input parameters. Modelo em redes neurais artificiais para a simulação da precipitação na irrigação por aspersão R E S U M O A determinação dos coeficientes de uniformidade de distribuição da água dos sistemas de irrigação por aspersão depende, em geral, de ensaios em campo que envolvem tempo e recursos financeiros. Uma alternativa para reduzir custo e tempo é a utilização de simulações. Objetivou-se, com este trabalho, o desenvolvimento de um modelo em redes neurais artificiais (RNA) para simular a precipitação de um aspersor cujos parâmetros de entrada são os valores de pressão de operação, velocidade do vento, direção do vento e diâmetro do bocal do aspersor. Ensaios foram feitos em campo com um aspersor operando em uma malha de 16 x 16 coletores com espaçamento de 1,5 m e diferentes combinações de bocais, pressões e condições de vento. O modelo RNA apresentou bons resultados na simulação da precipitação com correlação de Spearman (r s ) entre os dados obtidos em ensaio de campo e os dados simulados, apresentando valores entre 0,92 e 0,97 e índice de concordância de Willmott (d) entre 0,950 e 0,991 para dez ensaios analisados. O modelo RNA mostrou-se promissor na simulação da precipitação em sistemas de irrigação por aspersão. Key words:sprinkler water distribution uniformity artificial intelligence computational model Palavras-chave: aspersor uniformidade de distribuição de água inteligência artificial modelo computacional

show abstract

“…Soares et al (2015) observed the possibility of using artificial neural networks in the estimation of corn grain yield, considering the morphological variables of the crop. The efficiency of artificial neural networks in the processes of simulation was also observed by Soares et al (2014) in the estimation of bean yield. Castro et al (2013) proposed the use of artificial neural networks in the modeling of growth and stand of eucalyptus located in northern Brazil.…”

Section: Resultsmentioning

confidence: 80%

“…The use of artificial neural networks has presented itself as an efficient alternative to conventional models in the recognition of patterns and simulation of cultivation processes (Silva et al, 2014;Soares et al, 2014). Rogenski et al (2012) found efficiency of the artificial neural networks in the estimation of infection percentage of leaf diseases in wheat, as assistance in decision-making.…”

Section: Resultsmentioning

confidence: 99%

Artificial intelligence in seeding density optimization and yield simulation for oat

Dornelles

Kraisig

Silva

et al. 2018

Rev. bras. eng. agríc. ambient.

View full text Add to dashboard Cite

A B S T R A C TArtificial intelligence may represent an efficient strategy for simulation and optimization of important processes in agriculture. The main goal of the study is to propose the use of artificial intelligence, namely artificial neural networks and genetic algorithms, respectively, in the simulation of oat grain yield and optimization of seeding density, considering the main succession systems of southern Brazil. The study was conducted in a randomized complete block design with four replicates, following a 4 x 2 factorial scheme, for seeding densities (100, 300, 600 and 900 seeds m -2 ) and oat cultivars (Brisasul and URS Taura), in succession systems of corn/oats and soybean/oats. A multi-layered artificial neural network and a genetic algorithm were implemented in Java programming language, and the results obtained from this implementation were compared with traditional polynomial regression. The use of artificial intelligence through neural networks and genetic algorithms allows the efficient simulation of oat grain yield and better optimization of seeding density in comparison to polynomial regression, considering the main succession systems in southern Brazil.Inteligência artificial na otimização da densidade de semeadura e simulação da produtividade da aveia R E S U M O O uso de inteligência artificial pode representar uma estratégia eficiente de simulação e otimização de processos importantes na agricultura. O objetivo deste estudo é propor o uso de inteligência artificial via redes neurais artificiais e algoritmos genéticos, respectivamente, na simulação da produtividade de grãos de aveia (Avena sativa) e na otimização da densidade de semeadura, nos principais sistemas de sucessão do sul do Brasil. O estudo foi conduzido em blocos ao acaso com quatro repetições em esquema fatorial 4 x 2, para as densidades de semeadura (100, 300, 600 e 900 sementes m -2 ) e cultivares de aveia (Brisasul e URS Taura), nos sistemas de sucessão milho/aveia e soja/aveia. Implementou-se uma rede neural artificial de múltiplas camadas e um algoritmo genético, em linguagem de programação Java, e comparou-se os resultados obtidos desta implementação com análises tradicionais de regressão polinomial. O uso de inteligência artificial via redes neurais artificiais e algoritmos genéticos permite simular com eficiência a produtividade de grãos de aveia e melhor otimização da densidade de semeadura na comparação com regressão polinomial, considerando os principais sistemas de sucessão no sul do Brasil.

show abstract

Redes neurais artificiais na estimativa da retenção de água do solo

Abstract: Redes neurais artifi ciais na estimativa da retenção de água do solo.Ciência Rural, v.44, n.2, fev, 2014.

Cited by 29 publications

References 9 publications

High-efficiency phenotyping for vitamin A in banana using artificial neural networks and colorimetric data

High-efficiency phenotyping for vitamin A in banana using artificial neural networks and colorimetric data

Artificial neural network model for simulation of water distribution in sprinkle irrigation

Artificial intelligence in seeding density optimization and yield simulation for oat

Contact Info

Product

Resources

About