Uso de redes neurais na predição da capacidade máxima de adsorção do herbicida metribuzin em solos brasileiros

• Ano de defesa: 2022
• Autor(a) principal: Rodrigues, Luma Lorena Loureiro da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Brasil; Centro de Ciências Agrárias - CCA; UFERSA; Universidade Federal Rural do Semi-Árido; Programa de Pós-Graduação em Manejo de Solo e Água
• Palavras-chave em Português: CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO::MANEJO E CONSERVACAO DO SOLO; Inteligência computacional; Controle químico; Retenção; Computational intelligence; Chemical control; Retention
• Link de acesso: http://lattes.cnpq.br/2100406454919685; http://buscatextual.cnpq.br/buscatextual/visualizacv.do?metodo=apresentar&id=K8378937P7; http://lattes.cnpq.br/2720509606466117; https://repositorio.ufersa.edu.br/handle/prefix/8798

A interação entre os herbicidas e o solo afeta a eficiência do controle de plantas daninhas e o potencial de impacto ambiental. A magnitude desta interação é dependente das propriedades do solo e do próprio herbicida e, por isso, é considerada complexa. Para solucionar isso, a inteligência computacional pode ser utilizada para estimar os processos de retenção dos herbicidas no solo e, consequentemente, auxiliar na tomada de decisão sobre a dose de aplicação visando o menor impacto ambiental associado ao melhor manejo das plantas daninhas. Desta forma, neste trabalho foi avaliado o potencial do uso de redes neurais artificiais (RNAs) para estimar a capacidade máxima de adsorção (Qmax) do herbicida metribuzin em solos brasileiros. O Qmax do herbicida metribuzin foi o determinado em ensaios laboratoriais para 42 diferentes solos brasileiros. Para a predição do Qmax foi usada uma RNAs perceptron multicamadas (MPL). Foram feitas duas seleções de variáveis de entrada, sendo que, no primeiro teste, as variáveis selecionadas para entrada foram aquelas consideradas pela literatura como as mais relevantes para os processos de sorção. No segundo teste, as variáveis foram selecionadas utilizando a ferramenta de feature selection. Em ambos os testes foram utilizadas as características físico-químicas dos solos, havendo variações no número de entradas. A saída das RNAs utilizada foi a capacidade máxima de adsorção (Qmax). Para avaliar os modelos, foram utilizados o erro médio de estimativa (MBE), o erro absoluto médio (MAE) a raiz quadrada do erro médio (RMSE) o coeficiente da correlação de Pearson (r) e o coeficiente de determinação (R2 ). Todos os modelos de rede neural artificial (RNAs) do primeiro teste sofreram overfitting, com isso nenhuma MLP conseguiu uma predição de Qmax. No segundo teste a feature selection (FS) se mostrou uma ótima ferramenta para sanar o problema do primeiro teste, pois a capacidade de predição das redes foi melhorada, obtendo dois modelos com bom desempenho, especialmente a RNAs com 3 entradas. O problema de overfitting foi resolvido pela FS, porém é necessário fazer mais estudo para aprimorar os modelos obtidos e aumentar sua eficiência na predição do Qmax