Estimativa do Coeficiente de Uniformidade de Microaspersores por Meio da Aplicação de Técnicas de Redes Neurais Artificiais
Resumo
O objetivo deste trabalho foi avaliar a capacidade de redes neurais artificiais em estimar o coeficiente de uniformidade da irrigação realizada por microaspersores. As seguintes características do aspersor Pingo giro completo 360° da marca Fabrimar foram observadas: pressão (kgf/cm3), bocal (mm), quebra jato, velocidade média (m/s) e direção do vento (graus), vazão inicial, vazão final, vazão total, horário e data do experimento. Uma malha de 256 pluviômetros, dispersa ao redor do microaspersor, foi utilizada para medir os valores de água gastos durante a irrigação. Utilizando técnicas de busca Bayesiana e otimização de hiperparâmetros, um modelo de rede neural artificial foi desenvolvido com a capacidade de estimar o Coeficiente de Uniformidade de Christiansen. Em uma distância entre aspersores de 12x12 metros, este modelo alcançou um R2 de 92,87%, demonstrando que a metodologia aplicada neste trabalho é capaz de simular o processo de irrigação do microaspersor utilizado nos experimentos.
Referências
R. Testezlaf, "Irrigação: métodos, sistemas e aplicações," 2011.
A. Phocaides, Handbook on pressurized irrigation techniques. Food & Agriculture Org., 2007.
O. Sheikhesmaeili, J. Montero, and S. Laserna, "Analysis of water application with semi-portable big size sprinkler irrigation systems in semi-arid areas," Agricultural Water Management, vol. 163, pp. 275-284, 2016.
B. Salvatierra-Bellido, J. Montero-Martínez, and L. Pérez-Urrestarazu, "Development of an automatic test bench to assess sprinkler irrigation uniformity in different wind conditions," Computers and Electronics in Agriculture, vol. 151, pp. 31-40, 2018.
P. Carrión, J. Tarjuelo, and J. Montero, "Sirias: a simulation model for sprinkler irrigation," Irrigation Science, vol. 20, no. 2, pp. 73-84, 2001.
S. Sayari, A. Mahdavi-Meymand, and M. Zounemat-Kermani, "Irrigation water infiltration modeling using machine learning," Computers and Electronics in Agriculture, vol. 180, p. 105921, 2021.
A. Dubois, F. Teytaud, and S. Verel, "Short term soil moisture forecasts for potato crop farming: A machine learning approach," Computers and Electronics in Agriculture, vol. 180, p. 105902, 2021.
P. L. d. Menezes, C. A. de Azevedo, E. Eyng, J. Dantas Neto, and V. L. de Lima, "Artificial neural network model for simulation of water distribution in sprinkle irrigation," Revista Brasileira de Engenharia Agrícola e Ambiental, vol. 19, pp. 817-822, 2015.
L. Yang and A. Shami, "On hyperparameter optimization of machine learning algorithms: Theory and practice," Neurocomputing, vol. 415, pp. 295-316, 2020.
I. Shcherbatyi, T. Head, and G. Louppe. (2017) Scikit-learn hyperparameter search wrapper. [Online]. Available: [link].
I. Goodfellow, Y. Bengio, and A. Courville, Deep learning. MIT press, 2016.
E. Jumin, F. B. Basaruddin, Y. B. Yusoff, S. D. Latif, A. N. Ahmed et al., "Solar radiation prediction using boosted decision tree regression model: A case study in malaysia," Environmental Science and Pollution Research, vol. 28, no. 21, pp. 26 571-26 583, 2021.
A. Wuraola, N. Patel, and S. K. Nguang, "Efficient activation functions for embedded inference engines," Neurocomputing, vol. 442, pp. 73-88, 2021.
C. K. Dewa et al., "Suitable cnn weight initialization and activation function for javanese vowels classification," Procedia computer science, vol. 144, pp. 124-132, 2018.
J. Wolfrann et al., "Redes neurais artificiais para estimar a precipitação na irrigação por aspersão," Master's thesis, Universidade Tecnológica Federal do Paraná, 2018.
