REDES NEURAIS ARTIFICIAIS MULTICAMADAS APLICADAS À ADUBAÇÃO PARA A CULTURA DA GOIABEIRA

Transcrição

1 REDES NEURAIS ARTIFICIAIS MULTICAMADAS APLICADAS À ADUBAÇÃO PARA A CULTURA DA GOIABEIRA RESUMO Silvia Helena Modenese Gorla da Silva Doutoranda, Instituto de Ciências Matemáticas e de Computação, Departamento de Computação e Estatística, USP São Carlos/SP Brasil silviah@icmc.sc.usp.br Humberto Costa de Souza Doutorando, Instituto de Ciências Matemáticas e de Computação, Departamento de Computação e Estatística, USP São Carlos/SP Brasil betovs@icmc.sc.usp.br André Carlos Ponce de Leon Ferreira de Carvalho Professor associado, Instituto de Ciências Matemáticas e de Computação, Departamento de Computação e Estatística, USP São Carlos/SP Brasil andre@icmc.sc.usp.br William Natale Professor livre-docente Dep. de Solos e Adubos FCA\UNESP Jaboticabal SP Brasil natale@fcav.unesp.br Com o objetivo de estudar os efeitos da adubação foliar com fósforo na cultura da goiabeira (Psidium guava L.), realizou-se um ensaio de campo durante três anos consecutivos, a partir de Foram utilizadas plantas da cultivar Paluma com cinco anos de idade, instaladas num latossolo vermelho-amarelo na região de São Carlos, SP. Este trabalho investiga o uso de Redes Neurais Artificiais (RNAs) multicamadas como ferramenta de suporte para a análise da correlação desses dados de adubação fosfatada com os teores de fósforos medidos nas folhas e no solo. Palavras-Chave: redes neurais artificiais, adubação, goiabeira. MULTILAYER PERCEPTRON ARTIFICIAL NEURAL NETWORKING FOR GUAVA CROP FERTILIZATION ABSTRACT The main goal of this experiment is the study of the effect of P fertilization on the guava (cv. Paluma) crop. An experiment was carried out on a Dark Red Latosol during three years, beginning in 1994, in the region of São Carlos, state of São Paulo, Brazil. This work investigates the use of Artificial Neural Networks (ANNs) as a support tool for the correlation analysis of these data from the application of with the amount of phosphate measured from leaves and soil. Key Words: artificial neural networks, fertilization, guava-tree.

2 INTRODUÇÃO A goiabeira, planta originária da América e das Antilhas, está amplamente disseminada pelo mundo, devido à facilidade de se propagar por sementes (Natale et al., 1996). O uso de adubos em uma cultura deve permitir uma boa nutrição das plantas, manter, ou mesmo melhorar, a fertilidade natural do solo e ser uma prática economicamente rentável. A aplicação de fertilizantes em plantas frutíferas é praticamente uma imposição à produção, visto as grandes quantidades de elementos que são imobilizados pela parte vegetativa ou exportados à cada safra. No caso da cultura da goiabeira, a demanda por informações seguras sobre nutrição e adubação, devido a crescente importância da cultura no estado de São Paulo, mobilizou esforços no desenvolvimento de vários ensaios com média duração, a partir do final da década de 80 (Natale, 1999). Dentre os nutrientes, estudou-se o fósforo, que é um dos componentes fertilizantes utilizados com maior freqüência na adubação dos pomares, especialmente devido a intensa fixação pelo solo, que ocorre nas regiões tropicais. Sendo essencial, o fósforo está presente em toda célula ativa da planta, participando de inúmeros processos ligados à fotossíntese, respiração, armazenamento e transferência de energia, crescimento de raízes, dentre outros. Em Natale (1999), realizou-se um vasto estudo sobre a adubação fosfatada na cultura da goiabeira. Dentre os experimentos, um deles investigou a aplicação de adubação foliar, a qual foi estudada em ensaio de campo durante três anos, a fim de observar o comportamento das goiabeiras face a pulverizações foliares com fósforos. Neste mesmo experimento, os dados foram estudados estatisticamente através da análise de variância com desdobramento por contraste. A análise de regressão teve por objetivo correlacionar as diferentes doses de P aplicadas via foliar e características do solo e das plantas. Este trabalho apresenta e discute a utilização de Redes Neurais Artificiais (RNAs) como ferramenta de suporte ao processo de análise de regressão dos dados do experimento citados anteriormente. Diversos trabalhos aplicando o uso de RNAs na agricultura podem ser citados: Yang et al(2000) utilizaram para a classificação de plantas, procurando distinguir plantações novas das ervas daninhas; Salehi et al. (2000) aplicaram RNAs para a predição de perdas de nitrogênio na volatização; de la Rosa et al (2000) aplicaram na avaliação da vulnerabilidade do solo à erosão, buscando analisar o impacto causado na produtividade das culturas; Pachesky et al. (1999) utilizam RNAs na estimação da condutividade hidráulica do solo. Propondo uma avaliação dos dados de forma mais precisa, este trabalho pretende contribuir tanto para a discussão da resposta de goiabeiras à aplicação de fósforo, como mostrar o potencial da utilização de Redes Neurais Artificiais (RNAs) como ferramenta adicional para uma melhor representação e interpretação das necessidades de nutrientes.

3 RNAs são técnicas computacionais baseados na estrutura e funcionamento do sistema nervoso. Ao contrário das técnicas convencionais de computação, onde um programa de computador precisa ser desenvolvido para resolver um dado problema, RNAs aprendem a resolver problemas por aprendizado e experiência, como ocorre com os seres humanos. RNAs constituem uma alternativa à utilização de técnicas estatísticas para a classificação e agrupamento de dados. RNAs podem também ser utilizadas para encontrar correlações e agrupamentos naturais entre dados. Diferente de muitas das técnicas estatísticas utilizadas, não é necessário conhecer a distribuição estatística dos dados para que RNAs sejam empregadas. RNAS são estruturas distribuídas formadas por um grande número de unidades de processamento (que simulam os neurônios), bastante simplificadas e conectadas entre si. Essas conexões são implementadas por canais de comunicação que estão associados a um determinado peso. As unidades realizam operações apenas sobre seus dados locais, que são entradas recebidas através das suas conexões. A Figura 1 ilustra uma RNA típica. x 1 Conexões x 2 x 3 x 4 y 1 y 2 x 5 Camada de Entrada Camada Intermediária Camada de Saída FIGURA 1: Rede Neural Típica. O conhecimento da rede é adquirido por meio de um processo de treinamento, em que valores de pesos associados a conexões entre as unidades são ajustados através um algoritmo de treinamento. Durante o seu treinamento, exemplos são apresentados à RNA. Uma RNA é especificada principalmente pela sua topologia, pelas características de seus neurônios e pelo seu algoritmo de treinamento. O processo de aprendizado varia de acordo com a topologia da rede (Braga et al., 2000). RNAs vêm sendo amplamente estudadas e aplicadas nas mais diversas áreas, tais como, reconhecimento de padrões, processamento de sinais, controle otimização, previsão de séries temporais

4 e, também, na agricultura onde mostra-se como uma ferramenta útil e eficaz. Este trabalho mostra o uso de RNAs, sobretudo redes multicamadas (MultiLayer Perceptrons) (Rumelhart et al., 1986), investigando o uso de diferentes algoritmos de treinamento. MATERIAIS E MÉTODOS O experimento foi desenvolvido no município de São Carlos, no pomar de goiabeiras de propriedade da HERO, instalado sobre um Latossolo Vermelho-Amarelo. O pomar utilizado possuía cinco anos de idade, sendo formado por goiabeiras da cultivar Paluma propagadas vegetativamente. O ensaio foi conduzido durante três anos agrícolas consecutivos tendo sido instalado em 24/11/94. O delineamento experimental adotado foi em blocos casualizados com cinco tratamentos e quatro repetições. Os tratamentos constituíram-se das seguintes doses de fósforo: zero 0,5 1,0 e 2,0% de P 2 O 5 aplicado via foliar. As parcelas foram constituídas de quatro plantas, em espaçamento de 7 m x 5 m, correspondendo a uma área total de 140 m 2 e a uma área útil de 105 m 2, pois a primeira das quatro plantas representou a bordadura. Nestes experimentos RNAs foram utilizadas para análise de regressão. Para isso, um conjunto total de 48 padrões foi empregado. Foram utilizados dois conjuntos de dados: um analisando a correlação das doses aplicadas com teor de fósforo nas folhas e outro analisando a correlação das doses aplicadas com o teor de fósforo no solo. Foram realizados diversos testes variando-se a arquitetura e algoritmos adotados nas redes. As topologias adotadas para testes foram: 1. uma camada de entrada e uma de saída, ambas com 1 neurônio; 2. uma camada de entrada, uma camada intermediária e uma de saída, todas com 1 neurônio; 3. uma camada de entrada com 1 neurônio, uma camada intermediária com 2 neurônios e uma camada de saída com 1 neurônio; 4. uma camada de entrada com 1 neurônio, uma camada intermediária com 4 neurônios e uma camada de saída com 1 neurônio. Os algoritmos adotados para testes foram: 1. Backpropagation Padrão (Rumelhart et al., 1986); 2. RPROP (Riedmiller, 1994); 3. Quickprop (Fahlman, 1988). A implementação foi feita utilizando-se a ferramenta SNNS, versão 4.2.Também foi utilizada, para pré-processamento dos dados, a planilha eletrônica MS-Excel.

5 Para avaliar o desempenho da rede foi escolhida uma ferramenta estatística, chamada validação cruzada (Haykin, 1994). RESULTADOS E DISCUSSÕES Como medida de desempenho dos 12 testes realizados foi utilizado o erro quadrático médio medido no subconjunto de teste, segundo a validação cruzada. As Tabelas 1 e 2 ilustram os erros obtidos para cada teste realizado para os conjuntos de medição do teor de fósforo na folha e no solo, respectivamente. TABELA 1: Erro Quadrático Médio para os testes realizados com o conjuntodo teor de fósforo na folha. Topologia Backpropagatio n Padrão Trein. Teste Trein. Teste Trein. Teste Trein. Teste 0, , , , , , , ,08759 RPROP Trein Teste Trein. Teste Trein Teste. Trein. Teste 0, , , , , , , ,08727 Quickpro Trein. Teste Trein. Teste Trein. Teste Trein. Teste 0, , , , , , , ,11972 TABELA 2: Erro Quadrático Médio para os testes realizados com o conjunto do teor de fósforo no solo. Topologia Backpropagatio n Padrão Trein. Teste Trein. Teste Trein. Teste Trein. Teste RPROP Trein Teste Trein. Teste Trein Teste. Trein. Teste Quickpro Trein. Teste Trein. Teste Trein. Teste Trein. Teste Analisando-se a Tabela 1, verifica-se que o teste que apresentou menor erro quadrático médio para o conjunto de teste do teor de fósforo na folha foi o que utilizou o algoritmo Quickprop com topologia de 1 neurônio na camada de entrada e na camada de saída. Já, a Tabela 2 mostra que para o conjunto de teste do teor de fósforo no solo, o teste que apresentou menor erro foi com o algoritmo Backpropagation Padrão com 1 neurônio na camada de entrada, 4 na camada intermediária e 1 na camada de saída.

6 Foram mostrados também, nas Tabelas 1 e 2, os erros obtidos nos conjuntos de treinamento, mas como parâmetro de escolha de melhor rede testada, o que prevalece é o erro obtido no conjunto de teste, pois o mesmo apresenta padrões inéditos que não foram apresentados na fase de treinamento. CONCLUSÕES O uso de RNAs, mostra-se como ferramenta adicional para a busca de uma melhor interpretação de dados correlacionados de adubação, pois as topologias e algoritmos, sobretudo os que apresentaram menor erro quadrático médio, mostraram bom desempenho. A utilização de RNAs pode contribuir de maneira efetiva ao processo de adubação, podendo auxiliar de maneira eficaz no cálculo da dosagem correta de adubo, trazendo, assim, tanto benefícios econômicos como ambientais. Desta maneira, podem ser sugeridas várias propostas de trabalhos futuros, tais como, a análise de correlação de outros nutrientes também medidos em Natale(1999), bem como a aplicação de métodos de mineração nesse conjunto de dados. REFERÊNCIAS BIBLIOGRÁFICAS BRAGA, A. P., CARVALHO, A. P. L F., LUDERMIR, T. B. Redes Neurais Artificiais: Teorias e Aplicações. Rio de Janeiro: Editora LTC, DE LA ROSA, D. MORENO, J. MAYOL, F. BONSON, T. Assessment of soil erosion vulnerability in western Europe and potential impact on crop productivity due to loss of soil depth using the ImpelERO model. Agriculture Ecosystems & Environment, v. 81, p , FAHLMAN, S. An empirical study of learning speed in back-propagation networks, Technical report, School of Computer Science, Carnegie Mellon University, (CMU-CS ), HAYKIN, S. Neural networks: A Compreensive Foundation. New York: IEEE Press, NATALE, W. Resposta da Goiabeira à Adubação Fosfatada. Tese de Livre Docência: Faculdade de Ciências Agrárias e Veterinárias UNESP/ Jaboticabal, NATALE,W.,COUTINHO, E. L. M., BOARETTO, A.E., PEREIRA, F.M., OIOLI, A.A.P., SALES, L. Nutrição e Adubação Potássica na Cultura da Goiabeira. Revista Brasileira de Ciência do Solo, Campinas, 20: , PACHEPSKY, Y.A. TIMLIM, D.J. AHUJA, L.R. Estimating satured soil hydraulic conductivity using water retention data and neural networks. Soil Science. V. 164, n. 8, PATEL, V.C. MCCLENDON, RW. GOODRUM, J.W. Development and evaluation of an expert System for egg sorting. Computers and Electronics in Agriculture. v.20, p , RIEDMILLER, M.RPROP description and implementation details, Technical Report, Institut für Ligik, University of Karlsruhe, (W Karlsruhe), RUMELHART, D.E., HINTON, G.E., WILLIAMS, R. J. Learning internal representations

7 by error propagation, In Parallel Distributed Processing: Explorations in the Microstructure of Cognition, 45-76, MIT Press, SALEHI, F. PRASHER, S.O. AMIN, S. MADANI, A. JEBELLI, S.J. RAMASWAMY, H.S. TAN, C. DRURY, C.F. Prediction of annual nitrate-n losses in drain outflows with artificial neural networks. Transactions of the Asae, v. 43, p , YANG, C.C. PRASHER, S.O. LANDRY, J.A. RAMASWAMY, H.S. DITOMMASO, A. Application of artificial neural networks in image recognition and classification of crop and weeds. CANADIAN AGRICULTURAL ENGINEERING, v. 42, n.3, p , 2000.