Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Santos, Daiana da Silva lattes
Orientador(a): Silva, Robson Mariano da lattes
Banca de defesa: Silva, Robson Mariano da lattes, Delgado, Angel Ramon Sanchez lattes, Coutinho, Eluã Ramos lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal Rural do Rio de Janeiro
Programa de Pós-Graduação: Programa de Pós-Graduação em Modelagem Matemática e Computacional
Departamento: Instituto de Ciências Exatas
País: Brasil
Palavras-chave em Português:
Redes Neurais
Evapotranspiração
Estimativa
Penman-Monteith
Palavras-chave em Inglês:
Neural Networks
Evapotranspiration
Estimate
Penman-Monteith
Área do conhecimento CNPq:
Matemática
Link de acesso: https://rima.ufrrj.br/jspui/handle/20.500.14407/14346
Resumo: A Evapotranspiração (ET) é um dos principais componentes do ciclo hidrológico e sua estimativa precisa é de suma importância no gerenciamento e planejamento de recursos hídricos. Este estudo objetivou avaliar a aplicação de modelo de redes neurais artificiais de Perceptrons de Múltiplas Camadas (RN-MLP), para estimar os valores diários da evapotranspiração de referência (ETo) e comparar com os valores estimados pelo método de Penman-Monteith FAO 56 (ETo-PM), para os municípios de Mendes e Teresópolis/RJ. Para tal utilizou-se dados meteorológicos coletados da estação meteorológica do CPETC/INPE entre 2010 e 2015. O desempenho do modelo foi avaliado através do erro médio absoluto (MAE), erro médio quadrático (MSE), erro médio percentual absoluto (MAPE), raiz do erro médio quadrático (RMSE) e do coeficiente de determinação R2. Os resultados mostraram que o modelo RN-MLP proposto apresentou uma boa capacidade preditiva, visto que, o coeficiente de determinação R2 para a melhor arquitetura no conjunto de 30 simulações variou de 0,9878 a 0,9925 e 0,9928 a 0,9961 para as estações meteorológicas de Mendes e Teresópolis, respectivamente. Pela análise dos gráficos, percebeu-se um bom ajuste entre os valores observados e preditos, mostrando dessa forma que a regressão linear se ajustou bem para os resultados de ETo diários
id UFRRJ-1_8bd13e9a6be8593423a0b6decf45aba6
oai_identifier_str oai:rima.ufrrj.br:20.500.14407/14346
network_acronym_str UFRRJ-1
network_name_str Repositório Institucional da UFRRJ
repository_id_str
spelling Santos, Daiana da SilvaSilva, Robson Mariano da785.917.837-00http://lattes.cnpq.br/9019994973988827Silva, Robson Mariano da785.917.837-00http://lattes.cnpq.br/9019994973988827Delgado, Angel Ramon Sanchezhttp://lattes.cnpq.br/2933812315339699Coutinho, Eluã Ramoshttp://lattes.cnpq.br/3291273365707223122.518.717-64http://lattes.cnpq.br/64497506584618342023-12-22T03:00:04Z2023-12-22T03:00:04Z2020-10-25SANTOS, Daiana da Silva. Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis. 2020. 122p. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2020.https://rima.ufrrj.br/jspui/handle/20.500.14407/14346A Evapotranspiração (ET) é um dos principais componentes do ciclo hidrológico e sua estimativa precisa é de suma importância no gerenciamento e planejamento de recursos hídricos. Este estudo objetivou avaliar a aplicação de modelo de redes neurais artificiais de Perceptrons de Múltiplas Camadas (RN-MLP), para estimar os valores diários da evapotranspiração de referência (ETo) e comparar com os valores estimados pelo método de Penman-Monteith FAO 56 (ETo-PM), para os municípios de Mendes e Teresópolis/RJ. Para tal utilizou-se dados meteorológicos coletados da estação meteorológica do CPETC/INPE entre 2010 e 2015. O desempenho do modelo foi avaliado através do erro médio absoluto (MAE), erro médio quadrático (MSE), erro médio percentual absoluto (MAPE), raiz do erro médio quadrático (RMSE) e do coeficiente de determinação R2. Os resultados mostraram que o modelo RN-MLP proposto apresentou uma boa capacidade preditiva, visto que, o coeficiente de determinação R2 para a melhor arquitetura no conjunto de 30 simulações variou de 0,9878 a 0,9925 e 0,9928 a 0,9961 para as estações meteorológicas de Mendes e Teresópolis, respectivamente. Pela análise dos gráficos, percebeu-se um bom ajuste entre os valores observados e preditos, mostrando dessa forma que a regressão linear se ajustou bem para os resultados de ETo diáriosCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorEvapotranspiration (ET) is one of the key components of the hydrological cycle, and its accurate estimate is of paramount importance in the management and planning of water resources. This study aimed to evaluate the application model of artificial neural networks of Multiple Layer Perceptrons (RN-MLP), to estimate the daily reference values of evapotranspiration (ETo) and to compare with the estimated values by the Penman-Monteith method FAO 56 (ETo-PM), for the municipalities of Mendes and Teresópolis/RJ. For this purpose, meteorological data collected from the CPETC/INPE meteorological station between 2010 and 2015 were used. The performance of the model was evaluated through the mean absolute error (MAE), mean square error (MSE), mean absolute percentage error (MAPE), the root of the mean square error (RMSE), and the coefficient of determination R2. The results showed that the proposed RN-MLP model presented a good predictive capacity, since the coefficient of determination R2 for the best architecture in the set of 30 simulations ranged from 0,9878 to 0,9925 and from 0,9928 to 0,9961 for the Mendes and Teresópolis weather stations, respectively. By analyzing the graphs, a good fit was found between the observed and predicted values, thus showing that the linear regression adjusted well for the daily ETo results.application/pdfporUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalUFRRJBrasilInstituto de Ciências ExatasRedes NeuraisEvapotranspiraçãoEstimativaPenman-MonteithNeural NetworksEvapotranspirationEstimatePenman-MonteithMatemáticaAplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e TeresópolisApplication of MLP neural networks in the reference evapotranspiration estimation in the municipalities of Mendes and Teresópolis.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisABBAS, S. A.; HASSAN, A. A.; AL-REKABI, W. Estimation of MeanReference Evapotranspiration in Basrah City, South of Iraq Using Fuzzy Logic. [s.l: s.n.]. ALLEN, R. G.; FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS (EDS.). Crop evapotranspiration: guidelines for computing crop water requirements. Rome: Food and Agriculture Organization of the United Nations, 1998. ALMEIDA. UM ESTUDO COMPARATIVO DE TÉCNICAS CONEXIONISTAS NA IMPLEMENTAÇÃO DE UM SISTEMA DE RECONHECIMENTO DE PADRÕES PARA UM NARIS ARTIFICIAL. Pernanbuco: Universidade Federal de Pernambuco, fev. 2003. ALVES , W. B.; ROLIM, G. DE S.; APARECIDO, L. E. DE O. REFERENCE EVAPOTRANSPIRATION FORECASTING BY ARTIFICIAL NEURAL NETWORKS. Engenharia Agrícola, v. 37, n. 6, p. 1116–1125, dez. 2017. AMATYA, D. M.; SKAGGS, R. W.; GREGORY, J. D. Comparison of Methods for Estimating REF-ET. Journal of Irrigation and Drainage Engineering, v. 121, n. 6, p. 427–435, nov. 1995. ANDRADE, M. C. DE et al. Spatiotemporal Patterns Estimation Using a Multilayer Perceptron Neural Network in a Solar Physics Application. Learning and Nonlinear Models, v. 2, n. 1, p. 14–21, 2004. BACK, Á. J. Variação da evapotranspiração de referência calculada em diferentes intervalos de tempo. Engenharia Agrícola, v. 27, n. 1, p. 139–145, abr. 2007. BERLATO, M. A; MOLLION, L.C.B. Evaporação e Evapotranspiração. Porto Alegre: IPAGRO, 1981. 85p (IPAGRO, Boletim Técnico, 7). BESHIR, S. Review on Estimation of Crop Water Requirement, Irrigation Frequency and Water Use Efficiency of Cabbage Production. Journal of Geoscience and Environment Protection, v. 05, n. 07, p. 59–69, 2017. BRAGA, A. DE P.; CARVALHO, A. C. P. DE L. F.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC Editora, 2007. BURMAN, R. D.; CUENCA, R. R.; WEISS, A. Technique for estimating irrigation water requirments. Advances in Irrigation., 2:335-394, 1983. CARVALHO, D. F. DE et al. Estimativa da evapotranspiração de referência a partir de dados meteorológicos limitados. Pesquisa Agropecuária Brasileira, v. 50, n. 1, p. 1–11, jan. 2015. 62 CARVALHO, L. G. DE et al. EVAPOTRANSPIRAÇÃO DE REFERÊNCIA: UMA ABORDAGEM ATUAL DE DIFERENTES MÉTODOS DE ESTIMATIVA. Pesquisa Agropecuária Tropical, v. 41, n. 3, 6 jul. 2011. CELESTE, A.; CHAVES, V. S. AVALIAÇÃO DE ALGORITMOS DE OTIMIZAÇÃO E FUNÇÕES OBJETIVO PARA CALIBRAÇÃO AUTOMÁTICA DO MODELO CHUVA-VAZÃO TANK MODEL. Ciência e Natura, v. 36, n. 3, p. 527–537, 3 out. 2014. COUTINHO, E. R. Aplicação de um Modelo Computacional Híbrido para Estimativa da Evapotranspiração de Referência (ETo) como uma Ferramenta de Apoio à Irrigação. Seropédica: UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, 2019. DONG, B.; DAI, A. The uncertainties and causes of the recent changes in global evapotranspiration from 1982 to 2010. Climate Dynamics, v. 49, n. 1–2, p. 279–296, jul. 2017. FERRAZ, R. C. SISTEMA WEB E MOBILE PARA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS ARTIFICIAIS. RIO GRANDE DO SUL: UNIVERSIDADE FEDERAL DE SANTA MARIA, 2013. FILHO, A. I. et al. Influência das variáveis climáticas sobre a evapotranspiração. Gaia Scientia, v. 9, n. 1, 28 abr. 2015. GALVAO, C. DE O. Sistemas inteligentes aplicacoes a recursos hidricos e ciencias ambientais. Porto Alegre: UFRGS: ABRH, 1999. GEBREMICHAEL, M.; WANG, J.; SAMMIS, T. W. Dependence of remote sensing evapotranspiration algorithm on spatial resolution. Atmospheric Research, v. 96, n. 4, p. 489–495, jun. 2010. GRASSI, M.T. As águas do planeta Terra. Cadernos Temáticos de Química Nova na Escola, n. Especial. Campinas, p. 31 – 40, 2001. HAYKIN, S.; ENGEL, P. M. Redes neurais: princípios e prática. Porto Alegre: Bookman, 2001. HOFFMANN, R.; VIEIRA, S. Análise de regressão: uma introducao a econometria. Sao Paulo: Hucitec, 1998. JACKSON, J. Data Mining; A Conceptual Overview. Communications of the Association for Information Systems, v. 8, 2002. JONES, P. J. Climate change, water stress and agriculture in the Indus Civilisation, 3000-1500 BC. 17 jan. 2018. KUMAR, M. et al. Estimating Evapotranspiration using Artificial Neural Network. Journal of Irrigation and Drainage Engineering, v. 128, n. 4, p. 224–233, ago. 2002. 63 LIU, M. et al. Factors controlling changes in evapotranspiration, runoff, and soil moisture over the conterminous U.S.: Accounting for vegetation dynamics. Journal of Hydrology, v. 565, p. 123–137, out. 2018. MAJIDI, M. et al. Analysis of the Effect of Missing Weather Data on Estimating Daily Reference Evapotranspiration Under Different Climatic Conditions. Water Resources Management, v. 29, n. 7, p. 2107–2124, maio 2015. MAMAK, M. et al. Evapotranspiration Prediction Using Adaptive Neuro-Fuzzy Inference System and Penman FAO 56 Equation for St. Johns, FL, USA. Proccedings of 10th International Conference “Environmental Engineering”. Anais... In: ENVIRONMENTAL ENGINEERING. Vilnius Gediminas Technical University, Lithuania: VGTU Technika, 10 ago. 2017Disponível em: <http://enviro.vgtu.lt/index.php/enviro/2017/paper/view/438>. Acesso em: 26 jun. 2020 MAROUELLI, W. A. Manejo da irrigação em hortaliças. Brasília, DF: EMBRAPA-SPI, 1996. MENDONÇA, J. C. et al. Comparação entre métodos de estimativa da evapotranspiração de referência (ETo) na região Norte Fluminense, RJ. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 7, n. 2, p. 275–279, ago. 2003. NIKOLIDAKIS, S. A. et al. Energy efficient automated control of irrigation in agriculture by using wireless sensor networks. Computers and Electronics in Agriculture, v. 113, p. 154–163, abr. 2015. ORTEGA-FARIAS, S.; IRMAK, S.; CUENCA, R. H. Special issue on evapotranspiration measurement and modeling. Irrigation Science, v. 28, n. 1, p. 1–3, nov. 2009. RAZIEI, T.; PEREIRA, L. S. Estimation of ETo with Hargreaves–Samani and FAO-PM temperature methods for a wide range of climates in Iran. Agricultural Water Management, v. 121, p. 1–18, abr. 2013. REED, R. D.; MARKS, R. J. Neural smithing: supervised learning in feedforward artificial neural networks. Cambridge, Mass: The MIT Press, 1999. ROBERTO GIRO MOORI; HERBERT KIMURA; OSCAR KENJIRO ASAKURA. Aplicação do algoritmo genético na gestão de suprimentos. Innovation and Management Review, v. 7, n. 2, p. 171–192, 2010. ROGER E. SMITH; ARTHUR W. WARRICK. Chapter 6. Soil Water Relationships. In: ROGER E. SMITH; ARTHUR W. WARRICK (Eds.). . Design and Operation of Farm Irrigation Systems, 2nd Edition. 1. ed. St. Joseph, MI: American Society of Agricultural and Biological Engineers, 2007. p. 120–159. SILVA, I. N. DA. Uma abordagem neuro- nebulosa para otimização de sistema e indentificação robusta. São Paulo: Unicamp, 1997. 64 SMITH, M. et al. Report on the Expert Consultation on Procedures for Revision of FAO Guidelines for Prediction of Crop Water Requirements. Rome, Italy, 28-31 May 1990. 1991. TANGUNE, B. F.; ROMÁN, R. M. S. Redes Neurais Artificiais, Regressão e Métodos empíricos para a Modelagem da Evapotranspiração de Referência na cidade de Inhambane, Moçambique. Irriga, v. 24, n. 4, p. 802–816, 16 dez. 2019. TRAJKOVIC, S.; KOLAKOVIC, S. Evaluation of Reference Evapotranspiration Equations Under Humid Conditions. Water Resources Management, v. 23, n. 14, p. 3057–3067, nov. 2009. VALENÇA, M. Aplicando Redes Neurais: Um guia completo. [s.l.] MEUSER VALENÇA, 2016. VYAS, K. N.; SUBBAIAH, R. Application of artificial neural network approach for estimating reference evapotranspiration. Current World Environment, v. 11, n. 2, p. 637-647, 2016. YAO, Y. et al. Improving global terrestrial evapotranspiration estimation using support vector machine by integrating three process-based algorithms. Agricultural and Forest Meteorology, v. 242, p. 55–74, ago. 2017. YASSIN, M. A.; ALAZBA, A. A.; MATTAR, M. A. Artificial neural networks versus gene expression programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management, v. 163, p. 110–124, jan. 2016.https://tede.ufrrj.br/retrieve/71087/2020%20-%20Daiana%20da%20Silva%20Santos.pdf.jpghttps://tede.ufrrj.br/jspui/handle/jspui/6070Submitted by Celso Magalhaes (celsomagalhaes@ufrrj.br) on 2022-10-17T17:39:16Z No. of bitstreams: 1 2020 - Daiana da Silva Santos.pdf: 6197532 bytes, checksum: b8f99769dbd6f74514730c6ab5f9f28d (MD5)Made available in DSpace on 2022-10-17T17:39:18Z (GMT). No. of bitstreams: 1 2020 - Daiana da Silva Santos.pdf: 6197532 bytes, checksum: b8f99769dbd6f74514730c6ab5f9f28d (MD5) Previous issue date: 2020-10-25info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJTHUMBNAIL2020 - Daiana da Silva Santos.pdf.jpgGenerated Thumbnailimage/jpeg1943https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/1/2020%20-%20Daiana%20da%20Silva%20Santos.pdf.jpgcc73c4c239a4c332d642ba1e7c7a9fb2MD51TEXT2020 - Daiana da Silva Santos.pdf.txtExtracted Texttext/plain188401https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/2/2020%20-%20Daiana%20da%20Silva%20Santos.pdf.txt5e911b1bf32548ee9caca4939f375fd8MD52ORIGINAL2020 - Daiana da Silva Santos.pdf2020 - Daiana da Silva Santosapplication/pdf6197532https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/3/2020%20-%20Daiana%20da%20Silva%20Santos.pdfb8f99769dbd6f74514730c6ab5f9f28dMD53LICENSElicense.txttext/plain2089https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/4/license.txt7b5ba3d2445355f386edab96125d42b7MD5420.500.14407/143462023-12-22 00:00:04.091oai:rima.ufrrj.br:20.500.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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.bropendoar:2023-12-22T03:00:04Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false
dc.title.por.fl_str_mv Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
dc.title.alternative.por.fl_str_mv Application of MLP neural networks in the reference evapotranspiration estimation in the municipalities of Mendes and Teresópolis.
title Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
spellingShingle Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
Santos, Daiana da Silva
Redes Neurais
Evapotranspiração
Estimativa
Penman-Monteith
Neural Networks
Evapotranspiration
Estimate
Penman-Monteith
Matemática
title_short Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
title_full Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
title_fullStr Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
title_full_unstemmed Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
title_sort Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis
author Santos, Daiana da Silva
author_facet Santos, Daiana da Silva
author_role author
dc.contributor.author.fl_str_mv Santos, Daiana da Silva
dc.contributor.advisor1.fl_str_mv Silva, Robson Mariano da
dc.contributor.advisor1ID.fl_str_mv 785.917.837-00
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/9019994973988827
dc.contributor.referee1.fl_str_mv Silva, Robson Mariano da
dc.contributor.referee1ID.fl_str_mv 785.917.837-00
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/9019994973988827
dc.contributor.referee2.fl_str_mv Delgado, Angel Ramon Sanchez
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/2933812315339699
dc.contributor.referee3.fl_str_mv Coutinho, Eluã Ramos
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/3291273365707223
dc.contributor.authorID.fl_str_mv 122.518.717-64
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/6449750658461834
contributor_str_mv Silva, Robson Mariano da
Silva, Robson Mariano da
Delgado, Angel Ramon Sanchez
Coutinho, Eluã Ramos
dc.subject.por.fl_str_mv Redes Neurais
Evapotranspiração
Estimativa
Penman-Monteith
topic Redes Neurais
Evapotranspiração
Estimativa
Penman-Monteith
Neural Networks
Evapotranspiration
Estimate
Penman-Monteith
Matemática
dc.subject.eng.fl_str_mv Neural Networks
Evapotranspiration
Estimate
Penman-Monteith
dc.subject.cnpq.fl_str_mv Matemática
description A Evapotranspiração (ET) é um dos principais componentes do ciclo hidrológico e sua estimativa precisa é de suma importância no gerenciamento e planejamento de recursos hídricos. Este estudo objetivou avaliar a aplicação de modelo de redes neurais artificiais de Perceptrons de Múltiplas Camadas (RN-MLP), para estimar os valores diários da evapotranspiração de referência (ETo) e comparar com os valores estimados pelo método de Penman-Monteith FAO 56 (ETo-PM), para os municípios de Mendes e Teresópolis/RJ. Para tal utilizou-se dados meteorológicos coletados da estação meteorológica do CPETC/INPE entre 2010 e 2015. O desempenho do modelo foi avaliado através do erro médio absoluto (MAE), erro médio quadrático (MSE), erro médio percentual absoluto (MAPE), raiz do erro médio quadrático (RMSE) e do coeficiente de determinação R2. Os resultados mostraram que o modelo RN-MLP proposto apresentou uma boa capacidade preditiva, visto que, o coeficiente de determinação R2 para a melhor arquitetura no conjunto de 30 simulações variou de 0,9878 a 0,9925 e 0,9928 a 0,9961 para as estações meteorológicas de Mendes e Teresópolis, respectivamente. Pela análise dos gráficos, percebeu-se um bom ajuste entre os valores observados e preditos, mostrando dessa forma que a regressão linear se ajustou bem para os resultados de ETo diários
publishDate 2020
dc.date.issued.fl_str_mv 2020-10-25
dc.date.accessioned.fl_str_mv 2023-12-22T03:00:04Z
dc.date.available.fl_str_mv 2023-12-22T03:00:04Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SANTOS, Daiana da Silva. Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis. 2020. 122p. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2020.
dc.identifier.uri.fl_str_mv https://rima.ufrrj.br/jspui/handle/20.500.14407/14346
identifier_str_mv SANTOS, Daiana da Silva. Aplicação de redes neurais MLP na estimativa de evapotranspiração de referência nos municípios de Mendes e Teresópolis. 2020. 122p. Dissertação (Mestrado em Modelagem Matemática e Computacional) - Instituto de Ciências Exatas, Universidade Federal Rural do Rio de Janeiro, Seropédica, 2020.
url https://rima.ufrrj.br/jspui/handle/20.500.14407/14346
dc.language.iso.fl_str_mv por
language por
dc.relation.references.por.fl_str_mv ABBAS, S. A.; HASSAN, A. A.; AL-REKABI, W. Estimation of MeanReference Evapotranspiration in Basrah City, South of Iraq Using Fuzzy Logic. [s.l: s.n.]. ALLEN, R. G.; FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS (EDS.). Crop evapotranspiration: guidelines for computing crop water requirements. Rome: Food and Agriculture Organization of the United Nations, 1998. ALMEIDA. UM ESTUDO COMPARATIVO DE TÉCNICAS CONEXIONISTAS NA IMPLEMENTAÇÃO DE UM SISTEMA DE RECONHECIMENTO DE PADRÕES PARA UM NARIS ARTIFICIAL. Pernanbuco: Universidade Federal de Pernambuco, fev. 2003. ALVES , W. B.; ROLIM, G. DE S.; APARECIDO, L. E. DE O. REFERENCE EVAPOTRANSPIRATION FORECASTING BY ARTIFICIAL NEURAL NETWORKS. Engenharia Agrícola, v. 37, n. 6, p. 1116–1125, dez. 2017. AMATYA, D. M.; SKAGGS, R. W.; GREGORY, J. D. Comparison of Methods for Estimating REF-ET. Journal of Irrigation and Drainage Engineering, v. 121, n. 6, p. 427–435, nov. 1995. ANDRADE, M. C. DE et al. Spatiotemporal Patterns Estimation Using a Multilayer Perceptron Neural Network in a Solar Physics Application. Learning and Nonlinear Models, v. 2, n. 1, p. 14–21, 2004. BACK, Á. J. Variação da evapotranspiração de referência calculada em diferentes intervalos de tempo. Engenharia Agrícola, v. 27, n. 1, p. 139–145, abr. 2007. BERLATO, M. A; MOLLION, L.C.B. Evaporação e Evapotranspiração. Porto Alegre: IPAGRO, 1981. 85p (IPAGRO, Boletim Técnico, 7). BESHIR, S. Review on Estimation of Crop Water Requirement, Irrigation Frequency and Water Use Efficiency of Cabbage Production. Journal of Geoscience and Environment Protection, v. 05, n. 07, p. 59–69, 2017. BRAGA, A. DE P.; CARVALHO, A. C. P. DE L. F.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC Editora, 2007. BURMAN, R. D.; CUENCA, R. R.; WEISS, A. Technique for estimating irrigation water requirments. Advances in Irrigation., 2:335-394, 1983. CARVALHO, D. F. DE et al. Estimativa da evapotranspiração de referência a partir de dados meteorológicos limitados. Pesquisa Agropecuária Brasileira, v. 50, n. 1, p. 1–11, jan. 2015. 62 CARVALHO, L. G. DE et al. EVAPOTRANSPIRAÇÃO DE REFERÊNCIA: UMA ABORDAGEM ATUAL DE DIFERENTES MÉTODOS DE ESTIMATIVA. Pesquisa Agropecuária Tropical, v. 41, n. 3, 6 jul. 2011. CELESTE, A.; CHAVES, V. S. AVALIAÇÃO DE ALGORITMOS DE OTIMIZAÇÃO E FUNÇÕES OBJETIVO PARA CALIBRAÇÃO AUTOMÁTICA DO MODELO CHUVA-VAZÃO TANK MODEL. Ciência e Natura, v. 36, n. 3, p. 527–537, 3 out. 2014. COUTINHO, E. R. Aplicação de um Modelo Computacional Híbrido para Estimativa da Evapotranspiração de Referência (ETo) como uma Ferramenta de Apoio à Irrigação. Seropédica: UNIVERSIDADE FEDERAL RURAL DO RIO DE JANEIRO, 2019. DONG, B.; DAI, A. The uncertainties and causes of the recent changes in global evapotranspiration from 1982 to 2010. Climate Dynamics, v. 49, n. 1–2, p. 279–296, jul. 2017. FERRAZ, R. C. SISTEMA WEB E MOBILE PARA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA UTILIZANDO REDES NEURAIS ARTIFICIAIS. RIO GRANDE DO SUL: UNIVERSIDADE FEDERAL DE SANTA MARIA, 2013. FILHO, A. I. et al. Influência das variáveis climáticas sobre a evapotranspiração. Gaia Scientia, v. 9, n. 1, 28 abr. 2015. GALVAO, C. DE O. Sistemas inteligentes aplicacoes a recursos hidricos e ciencias ambientais. Porto Alegre: UFRGS: ABRH, 1999. GEBREMICHAEL, M.; WANG, J.; SAMMIS, T. W. Dependence of remote sensing evapotranspiration algorithm on spatial resolution. Atmospheric Research, v. 96, n. 4, p. 489–495, jun. 2010. GRASSI, M.T. As águas do planeta Terra. Cadernos Temáticos de Química Nova na Escola, n. Especial. Campinas, p. 31 – 40, 2001. HAYKIN, S.; ENGEL, P. M. Redes neurais: princípios e prática. Porto Alegre: Bookman, 2001. HOFFMANN, R.; VIEIRA, S. Análise de regressão: uma introducao a econometria. Sao Paulo: Hucitec, 1998. JACKSON, J. Data Mining; A Conceptual Overview. Communications of the Association for Information Systems, v. 8, 2002. JONES, P. J. Climate change, water stress and agriculture in the Indus Civilisation, 3000-1500 BC. 17 jan. 2018. KUMAR, M. et al. Estimating Evapotranspiration using Artificial Neural Network. Journal of Irrigation and Drainage Engineering, v. 128, n. 4, p. 224–233, ago. 2002. 63 LIU, M. et al. Factors controlling changes in evapotranspiration, runoff, and soil moisture over the conterminous U.S.: Accounting for vegetation dynamics. Journal of Hydrology, v. 565, p. 123–137, out. 2018. MAJIDI, M. et al. Analysis of the Effect of Missing Weather Data on Estimating Daily Reference Evapotranspiration Under Different Climatic Conditions. Water Resources Management, v. 29, n. 7, p. 2107–2124, maio 2015. MAMAK, M. et al. Evapotranspiration Prediction Using Adaptive Neuro-Fuzzy Inference System and Penman FAO 56 Equation for St. Johns, FL, USA. Proccedings of 10th International Conference “Environmental Engineering”. Anais... In: ENVIRONMENTAL ENGINEERING. Vilnius Gediminas Technical University, Lithuania: VGTU Technika, 10 ago. 2017Disponível em: <http://enviro.vgtu.lt/index.php/enviro/2017/paper/view/438>. Acesso em: 26 jun. 2020 MAROUELLI, W. A. Manejo da irrigação em hortaliças. Brasília, DF: EMBRAPA-SPI, 1996. MENDONÇA, J. C. et al. Comparação entre métodos de estimativa da evapotranspiração de referência (ETo) na região Norte Fluminense, RJ. Revista Brasileira de Engenharia Agrícola e Ambiental, v. 7, n. 2, p. 275–279, ago. 2003. NIKOLIDAKIS, S. A. et al. Energy efficient automated control of irrigation in agriculture by using wireless sensor networks. Computers and Electronics in Agriculture, v. 113, p. 154–163, abr. 2015. ORTEGA-FARIAS, S.; IRMAK, S.; CUENCA, R. H. Special issue on evapotranspiration measurement and modeling. Irrigation Science, v. 28, n. 1, p. 1–3, nov. 2009. RAZIEI, T.; PEREIRA, L. S. Estimation of ETo with Hargreaves–Samani and FAO-PM temperature methods for a wide range of climates in Iran. Agricultural Water Management, v. 121, p. 1–18, abr. 2013. REED, R. D.; MARKS, R. J. Neural smithing: supervised learning in feedforward artificial neural networks. Cambridge, Mass: The MIT Press, 1999. ROBERTO GIRO MOORI; HERBERT KIMURA; OSCAR KENJIRO ASAKURA. Aplicação do algoritmo genético na gestão de suprimentos. Innovation and Management Review, v. 7, n. 2, p. 171–192, 2010. ROGER E. SMITH; ARTHUR W. WARRICK. Chapter 6. Soil Water Relationships. In: ROGER E. SMITH; ARTHUR W. WARRICK (Eds.). . Design and Operation of Farm Irrigation Systems, 2nd Edition. 1. ed. St. Joseph, MI: American Society of Agricultural and Biological Engineers, 2007. p. 120–159. SILVA, I. N. DA. Uma abordagem neuro- nebulosa para otimização de sistema e indentificação robusta. São Paulo: Unicamp, 1997. 64 SMITH, M. et al. Report on the Expert Consultation on Procedures for Revision of FAO Guidelines for Prediction of Crop Water Requirements. Rome, Italy, 28-31 May 1990. 1991. TANGUNE, B. F.; ROMÁN, R. M. S. Redes Neurais Artificiais, Regressão e Métodos empíricos para a Modelagem da Evapotranspiração de Referência na cidade de Inhambane, Moçambique. Irriga, v. 24, n. 4, p. 802–816, 16 dez. 2019. TRAJKOVIC, S.; KOLAKOVIC, S. Evaluation of Reference Evapotranspiration Equations Under Humid Conditions. Water Resources Management, v. 23, n. 14, p. 3057–3067, nov. 2009. VALENÇA, M. Aplicando Redes Neurais: Um guia completo. [s.l.] MEUSER VALENÇA, 2016. VYAS, K. N.; SUBBAIAH, R. Application of artificial neural network approach for estimating reference evapotranspiration. Current World Environment, v. 11, n. 2, p. 637-647, 2016. YAO, Y. et al. Improving global terrestrial evapotranspiration estimation using support vector machine by integrating three process-based algorithms. Agricultural and Forest Meteorology, v. 242, p. 55–74, ago. 2017. YASSIN, M. A.; ALAZBA, A. A.; MATTAR, M. A. Artificial neural networks versus gene expression programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management, v. 163, p. 110–124, jan. 2016.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Modelagem Matemática e Computacional
dc.publisher.initials.fl_str_mv UFRRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Ciências Exatas
publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRRJ
instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
instname_str Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron_str UFRRJ
institution UFRRJ
reponame_str Repositório Institucional da UFRRJ
collection Repositório Institucional da UFRRJ
bitstream.url.fl_str_mv https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/1/2020%20-%20Daiana%20da%20Silva%20Santos.pdf.jpg
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/2/2020%20-%20Daiana%20da%20Silva%20Santos.pdf.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/3/2020%20-%20Daiana%20da%20Silva%20Santos.pdf
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/14346/4/license.txt
bitstream.checksum.fl_str_mv cc73c4c239a4c332d642ba1e7c7a9fb2
5e911b1bf32548ee9caca4939f375fd8
b8f99769dbd6f74514730c6ab5f9f28d
7b5ba3d2445355f386edab96125d42b7
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)
repository.mail.fl_str_mv bibliot@ufrrj.br
_version_ 1854400158607867904

Registros relacionados