Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Redes Neurais Artificiais para Estimativa Mensal da Erosividade da Chuva no Estado de Minas Gerais

DOI: http://dx.doi.org/10.13083/1414-3984.v17n01a08

http://www.seer.ufv.br/seer/index.php/reveng/index 

downloadpdf

Michel C. Moreira1, Fernando F. Pruski2, Thiago E. C. de Oliveira3, Francisco de A. de C. Pinto4 & Demetrius D. da Silva4

 

Resumo: Dada à necessidade de se conhecer os valores da erosividade da chuva para qualquer localidade, tendo em vista o planejamento de uso de práticas para controle da erosão, e considerando a escassez dessas informações, no presente trabalho teve-se por objetivo desenvolver redes neurais artificiais (RNAs) para a estimativa mensal da erosividade da chuva no Estado de Minas Gerais. Utilizaram-se dados de erosividade da chuva, latitude, longitude e altitude de 268 estações pluviométricas situadas no Estado de Minas Gerais e em seu entorno. Foram treinadas 48 RNAs, considerando-se os índices de erosividade EI30 e KE>25 e duas metodologias de obtenção da energia cinética da precipitação. Na avaliação dos resultados obtidos com as RNAs desenvolvidas, utilizaramse o coeficiente de determinação e o índice de confiança. A análise dos resultados possibilitou que se verificasse que as RNAs desenvolvidas são eficientes para estimativa mensal da erosividade da chuva, constituindo alternativa viável para a obtenção desses valores, para qualquer localidade do Estado de Minas Gerais.

Palavras-chave: inteligência artificial, conservação do solo, equação universal de perda de solo

 

Abstract: Considering the importance rainfall erosivity for a location to plan erosion control practices, and due to lack of such information, the present work was done to develop an Artificial Neural Networks (ANN) for monthly rainfall erosivity estimation of the State of Minas Gerais. Erosivity rainfall data, latitude, longitude and altitude from 268 stations located in the state of Minas Gerais and vicinity were used in the study. Forty-eight ANN were trained to estimate rainfall erosivity using the EI30 and KE>25 indices and two methods for kinetic energy estimation. The ANN performance was evaluated by the coefficient of determination and the confidence index. The developed ANN were efficient to estimate rainfall erosivity, yielding a viable alternative for erosivity value interpolation in the State of Minas Gerais.

Key words: artificial intelligence, soil conservation, universal soil loss equation

 

1 Graduação em Ciência da Computação, Doutorando em Eng. Agrícola, DEA, UFV, Viçosa (MG), 36570-000. Bolsista do CNPq. mmoreira@gprh.ufv.br
2 Engenheiro Agrícola, Professor Titular, DEA, UFV, Viçosa (MG), 36570-000. Bolsista do CNPq
3 Graduando em Ciência da Computação, DPI, UFV, Viçosa (MG), 36570-000. Bolsista da FAPEMIG
4 Agrônomo, Professor Adjunto, DEA, UFV, Viçosa (MG), 36570-000. Bolsista do CNPq

 

Literatura Citada

CAMARGO, A.P.; SENTELHAS, P.C. Avaliação do desempenho de diferentes métodos de estimativa da evapotranspiração potencial no Estado de São Paulo. Revista Brasileira de Agrometeorologia, v.5, p.89-97, 1997.

FOSTER, G.R.; McCOOL, D.K.; RENARD, K.G.; MOLDENHAUER, W.C. Conversion of the universal soil loss equation to SI units. Journal of Soil and Water Conservation, v.36, p.355-359, 1981.

HAGAN, M.T. DEMUTH, H.B.; BEALE, M. Neural network design. Boston: PWS, 1996. n.p.

LEGATES, D. R.; MCCABE JR., G. J. Evaluating the use of “goodness-of-fit” measures in hydrologic and hydroclimatic model validation. Water resources research, v. 35, p.233-241, 1999. doi

LI, B. Spatial interpolation of weather variables using artificial neural networks. Athens: University of Georgia, 2002. 89p. (Dissertação de Mestrado)

LIPPMANN, R.P. An introduction to computing with neural nets. IEEE Acoustics, Speech and Signal Processing Magazine. v.4, p.4–22, 1987.

MAS, J.F.; PUIG, H., PALACIO, J.L., SOSALOPEZ, A. Modelling deforestation using GIS and artificial neural networks. Environmental Modelling & Software. v.19, p.461-471, 2004. doi

MAIER, H.R.; DANDY, G.C. Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications. Environmental Modelling & Software, v.15, p.101-123, 2000. doi

MOREIRA, M.C.; CECÍLIO, R.A.; PINTO, F.A.C.; PRUSKI, F.F. Desenvolvimento e análise de uma rede neural artificial para estimativa da erosividade da chuva para o Estado de São Paulo. Revista Brasileira de Ciência do Solo, v. 30, n.6, p.1069-1074, 2006. doi

PENG, C. & WEN, X. Recent applications of artificial neural networks in forest resource management: an overview. In: CORTÉ, U. & SÀNCHEZ-MARRÈ, M., eds. Environmental Decision Support Systems and Artificial Intelligence. AAAI Press, Menlo Park, CA, 1999. p.15-22.

PRUSKI, F.F.; MOREIRA, M.C.; GONÇALVES, F.A.; OLIVEIRA, T.E.C. de; PINTO, F.A.C.; SILVA, D.D. da. Erosividade da chuva a partir de séries sintéticas de precipitação. In: CONGRESSO BRASILEIRO DE ENGENHARIA AGRÍCOLA, 36, 2007, Bonito, Resumos... Bonito: SBEA, 2007. CD-ROM

SÁRKÖZY, F. Gis functions – Interpolation. Periodica polytechnica Ser. Civ. Eng., v.43, p.63-86, 1999.

TIMM, L.C.; GOMES, D.T.; BARBOSA, E.P.; REICHARDT, K.; SOUZA, M.D.; DYNIA, J.F. Neural network and statespace models for studying relationships among soil properties. Scientia Agrícola, v.63, p.386-395, 2006. doi

WAGNER, C.S.; MASSAMBANI, O. Análise da relação intensidade de chuva: energia de Wischmeier & Smith e sua aplicabilidade à região de São Paulo. Revista Brasileira de Ciência do Solo, v.12, p.197-203. 1988.

WILLMOTT, C.J. On the validation of models. Phys. Geogr., v.2, p.184-194, 1981.