Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Santos, Valter Barbosa dos [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Balanço hídrico
Soja
Produtividade agrícola
Inteligência artificial
Redes neurais artificiais
Modelo de cultivos
Agrometeorologia
MATOPIBA
Python
scikit-learn
Link de acesso: http://hdl.handle.net/11449/191987
Resumo: A demanda por alimento se torna cada vez maior e para atendê-la em tempo hábil e quantidade suficiente, utilizamos redes neurais artificiais para previsão de produtividade. Dentre essas técnicas, a mais comumente empregada para prever a produtividade da soja é a Rede Neural Artificial. O objetivo dessa pesquisa foi estimar e prever a produtividade de soja utilizando redes neurais artificiais e informações climáticas mensais da temperatura do ar, precipitação, radiação global, e componentes do balanço hídrico como evapotranspiração de cultivo, armazenamento, evapotranspiração real de cultivo, deficiência e excedentes hídricos durante o ciclo do cultivo para os estados do Maranhão, Tocantins, Piauí e Bahia, que juntos formam a fronteira agrícola do MATOPIBA no Brasil, produtividade média para a região durante o período avaliado é de 2.575 kg ha-1. Os resultados mostram que a RNA ajustada para estimação apresentou erros de até 100 kg ha-1 (sub e superestimando) em grande parte (27) das localidades, 10 municípios apresentam produtividade subestimada, e 15 apresentam resultados superestimados. Enquanto que a RNA ajustada para previsão mostrou que 30 localidades apresentam produtividades com erros até 100 kg ha-1, 8 e 14 munícipios com produtividade subestimada e superestimada, respectivamente.
id UNSP_b475c2cdcd19347b0e9ad9e7a357b143
oai_identifier_str oai:repositorio.unesp.br:11449/191987
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Estimação e previsão de produtividade de soja por redes neurais no MATOPIBAEstimation and forecast of soybean yield by neural networks in MATOPIBABalanço hídricoSojaProdutividade agrícolaInteligência artificialRedes neurais artificiaisModelo de cultivosAgrometeorologiaMATOPIBAPythonscikit-learnA demanda por alimento se torna cada vez maior e para atendê-la em tempo hábil e quantidade suficiente, utilizamos redes neurais artificiais para previsão de produtividade. Dentre essas técnicas, a mais comumente empregada para prever a produtividade da soja é a Rede Neural Artificial. O objetivo dessa pesquisa foi estimar e prever a produtividade de soja utilizando redes neurais artificiais e informações climáticas mensais da temperatura do ar, precipitação, radiação global, e componentes do balanço hídrico como evapotranspiração de cultivo, armazenamento, evapotranspiração real de cultivo, deficiência e excedentes hídricos durante o ciclo do cultivo para os estados do Maranhão, Tocantins, Piauí e Bahia, que juntos formam a fronteira agrícola do MATOPIBA no Brasil, produtividade média para a região durante o período avaliado é de 2.575 kg ha-1. Os resultados mostram que a RNA ajustada para estimação apresentou erros de até 100 kg ha-1 (sub e superestimando) em grande parte (27) das localidades, 10 municípios apresentam produtividade subestimada, e 15 apresentam resultados superestimados. Enquanto que a RNA ajustada para previsão mostrou que 30 localidades apresentam produtividades com erros até 100 kg ha-1, 8 e 14 munícipios com produtividade subestimada e superestimada, respectivamente.The demand for food becomes increasing and to meet it in a timely and sufficient amount, we use artificial neural networks to predict productivity. Among these techniques, the most commonly used to predict soybean yield is the Artificial Neural Network. The objective of this research was to estimate and predict soybean yield using artificial neural networks and monthly climatic information of air temperature, precipitation, global radiation, and water balance components such as crop evapotranspiration , storage, real crop evapotranspiration, deficiency and water surpluses during the cultivation cycle for the states of Maranhão, Tocantins, Piauí and Bahia, which together form the agricultural frontier of MATOPIBA in Brazil, average productivity for the region during the period evaluated is 2,575 kg ha-1. The results show that the RNA adjusted for estimation presented errors of up to 100 kg ha-1 (under and overestimation) in large part (27) of the localities, 10 municipalities presented underestimated productivity, and 15 presented overestimated results. While the RNA adjusted for forecasting showed that 30 localities present productivity with errors up to 100 kg ha-1, 8 and 14 municipalities with underestimated and overestimated productivity, respectively.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico do Maranhão (FAPEMA)BM-08384/17Universidade Estadual Paulista (Unesp)Rolim, Glauco de SouzaUniversidade Estadual Paulista (Unesp)Santos, Valter Barbosa dos [UNESP]2020-03-25T13:21:49Z2020-03-25T13:21:49Z2020-02-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/11449/19198700092983233004102071P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-10-22T07:44:19Zoai:repositorio.unesp.br:11449/191987Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-10-22T07:44:19Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
Estimation and forecast of soybean yield by neural networks in MATOPIBA
title Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
spellingShingle Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
Santos, Valter Barbosa dos [UNESP]
Balanço hídrico
Soja
Produtividade agrícola
Inteligência artificial
Redes neurais artificiais
Modelo de cultivos
Agrometeorologia
MATOPIBA
Python
scikit-learn
title_short Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
title_full Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
title_fullStr Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
title_full_unstemmed Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
title_sort Estimação e previsão de produtividade de soja por redes neurais no MATOPIBA
author Santos, Valter Barbosa dos [UNESP]
author_facet Santos, Valter Barbosa dos [UNESP]
author_role author
dc.contributor.none.fl_str_mv Rolim, Glauco de Souza
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Santos, Valter Barbosa dos [UNESP]
dc.subject.por.fl_str_mv Balanço hídrico
Soja
Produtividade agrícola
Inteligência artificial
Redes neurais artificiais
Modelo de cultivos
Agrometeorologia
MATOPIBA
Python
scikit-learn
topic Balanço hídrico
Soja
Produtividade agrícola
Inteligência artificial
Redes neurais artificiais
Modelo de cultivos
Agrometeorologia
MATOPIBA
Python
scikit-learn
description A demanda por alimento se torna cada vez maior e para atendê-la em tempo hábil e quantidade suficiente, utilizamos redes neurais artificiais para previsão de produtividade. Dentre essas técnicas, a mais comumente empregada para prever a produtividade da soja é a Rede Neural Artificial. O objetivo dessa pesquisa foi estimar e prever a produtividade de soja utilizando redes neurais artificiais e informações climáticas mensais da temperatura do ar, precipitação, radiação global, e componentes do balanço hídrico como evapotranspiração de cultivo, armazenamento, evapotranspiração real de cultivo, deficiência e excedentes hídricos durante o ciclo do cultivo para os estados do Maranhão, Tocantins, Piauí e Bahia, que juntos formam a fronteira agrícola do MATOPIBA no Brasil, produtividade média para a região durante o período avaliado é de 2.575 kg ha-1. Os resultados mostram que a RNA ajustada para estimação apresentou erros de até 100 kg ha-1 (sub e superestimando) em grande parte (27) das localidades, 10 municípios apresentam produtividade subestimada, e 15 apresentam resultados superestimados. Enquanto que a RNA ajustada para previsão mostrou que 30 localidades apresentam produtividades com erros até 100 kg ha-1, 8 e 14 munícipios com produtividade subestimada e superestimada, respectivamente.
publishDate 2020
dc.date.none.fl_str_mv 2020-03-25T13:21:49Z
2020-03-25T13:21:49Z
2020-02-03
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.uri.fl_str_mv http://hdl.handle.net/11449/191987
000929832
33004102071P2
url http://hdl.handle.net/11449/191987
identifier_str_mv 000929832
33004102071P2
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954311301201920

Registros relacionados