II Seminário da Pós-graduação em Engenharia Elétrica

Transcrição

1 APLICAÇÃO DE SISTEMAS INTELIGENTES E FILTRO DE KALMAN NA ESTIMAÇÃO DA CONCENTRAÇÃO DE NITROGÊNIO FOLIAR EM CANA-DE- AÇUCAR NO ESTÁGIO INICIAL DE CRESCIMENTO INFERIDA POR MEIO DE ESPECTROMETRIA NO INFRAVERMELHO PRÓXIMO Saulo Silva Coelho Aluno do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Prof. Dr. José Alfredo C. Ulson Orientador Depto de Engenharia Elétrica Unesp Bauru RESUMO O Brasil possui um grande potencial no setor do agronegócio e a associação desse setor com o desenvolvimento tecnológico deu origem a agricultura de precisão. Nesse contexto, o uso de sensores de solo de tempo real (RTSS) em conjunto com sistemas inteligentes computacionais estão contribuindo de forma decisiva para o incremento da produtividade no campo, evitando a aplicação excessiva de insumos e assim preservando o meio ambiente. Um insumo comumente aplicado na cultura de cana-de-açúcar, é o nitrogênio que, apesar de ter grande contribuição econômica, impõe grande impacto ao meio ambiente, principalmente na poluição de aquíferos e mananciais. Dessa maneira, a quantidade depositada desse nutriente é de grande importância, pois sua falta limita o crescimento da cultura e seu excesso polui os o meio ambiente, além do desperdício do insumo. A determinação da quantidade desse componente pode ser feita por meio do uso de sensores espectrométricos na faixa do infravermelho próximo visando a cobertura verde da cultura. Entretanto, no estágio inicial de crescimento a cobertura verde não é plena, de forma que o sensor enxerga, além da cobertura verde, o solo e cobertura morta, acrescentando ruído à medida da refletância, usada para a estimação do teor de nitrogênio na planta. Nesse cenário, esse trabalho tem como objetivo de aproximar o valor estimando pelo sensor do valor real do teor de nitrogênio na planta. Mais especificamente, sistemas inteligentes computacionais e filtros de Kalman serão empregados visando a identificação e o aprendizado da relação entre os valores medidos e os reais, eliminando os ruídos impostos pela cobertura não verde e pela perturbações externas como a variação da luz ambiente. Os resultados parciais são promissores indicando que a abordagem adotada pode ser aprimorada e utilizada em sensores de tempo real. PALAVRAS-CHAVE: Agricultura de precisão, sistemas inteligentes, teor de nitrogênio, espectrometria no NIR.

2 1. INTRODUÇÃO Franco (2011) e Cruvinel (2004) afirmam que o alicerce para o agronegócio no Brasil é a tecnologia. De fato, as terras férteis e extensas aliadas a um clima propício para a agricultura tornam o Brasil um dos principais produtores e fornecedores mundiais de alimentos, porém uma das formas de se manter economicamente viável essa atividade é reduzir o custo de produção e aumentar a produtividade (BALASTREIRE, 2000). Segundo o Ministério da Agricultura (2011), o país vem apresentando um crescimento singular no comércio internacional do agronegócio, tanto que, no início de 2010, um em cada quatro produtos desta atividade circulando no mundo eram brasileiros. Nesse cenário aparece o nitrato, uma das formas que o nitrogênio pode ser encontrado na natureza, um nutriente crítico no manejo das culturas comerciais. O manejo desse nutriente tem influência decisiva no crescimento da planta e na produtividade agrícola, porém o manejo inadequado desse insumo pode levar a baixo rendimento agrícola além poluir o meio ambiente, principalmente os mananciais e aquíferos. Dessa forma, a identificação precisa da quantidade de nitrogênio na cultura é de extrema importância permitindo a aplicação em doses corretas do nutriente, evitando excessos que podem causar poluição ambiental e a falta que impõe prejuízos econômicos. Entretanto tal identificação não é uma tarefa trivial quando se deseja efetuá-la por meio de sensores em tempo real (RTSS), pois a informação oriunda dos sensores não permite a identificação direta do teor de nitrogênio, seja na planta seja no solo, uma vez que fatores como, por exemplo, o nível de insolação e o cobrimento da cultura afetam a resposta dos espectrofotômetros a ponto de inviabilizar o seu uso. Nesse contexto encontra-se essa proposta de pesquisa, ou seja, aplicar-se-ão técnicas de identificação baseadas em sistemas inteligentes (rede neurais artificiais e sistemas nebulosos) associadas a filtros de Kalman que visarão à melhoria da resposta dos sensores fotométricos no infravermelho próximo para a identificação do teor de nitrogênio foliar na cultura de cana de açúcar em fase inicial de crescimento. 2. SENSORES PARA PROPRIEDADES DE SOLOS 2.1 ASPECTOS GERAIS A grande maioria das ferramentas para o estudo de solo utiliza atualmente é baseada em mapas contínuos que tem origem na amostragem discreta de talhão, conforme ilustrado na Figura 1. Porém segundo Lowenberg-DeBoer (2004) a utilização de sensores de solo de tempo real tem sido vislumbrada desde 1980, por causa do seu aspecto financeiro e sua facilidade no gerenciamento das amostras, pois não é necessário utilizar os mapas de descrição. Adamchuk et al. (2004) classifica os sensores de solo em tempo real (RTSS) nas seguintes categorias:

3 Sensores elétrico-eletromagnéticos: medem as variações de resistência/condutividade, capacitância ou indutância geradas pela composição físico-química do solo; Sensores ópticos: utilizam ondas eletromagnéticas para detectar o nível de energia refletida ou absorvida que é gerado pela composição físico-química do solo ou da folha; Sensores mecânicos: medem as forças resultantes de ferramentas específicas acopladas ao solo para determinar o grau de compactação; Sensores acústicos: medem a intensidade do som produzida por ferramentas específicas interagindo com o solo para determinar textura e compactação; Sensores pneumáticos: medem a pressão necessária para injetar um fluxo de ar no solo para determinar estrutura e compactação; Sensores eletroquímicos: utilizam membranas íon-seletivas ou transistores de efeito de campo íon-seletivos (ISFET - ion-selective field effect transistor), capazes de gerar sinais elétricos como resposta à atividade de íons específicos do solo (íons de nitrato ou hidrogênio, por exemplo). Figura 1 - Gráfico dos pontos georreferenciados do talhão utilizado no ensaio. No estudo em questão foi utilizado um sensor 01 óptico N-Sensor ASL da Yara International ASA acoplando a um trator Uniport NPK do fabricante Jacto S/A. As medidas do teor de nitrogênio foliar para o treinamento e validação da abordagem proposta foram realizadas em laboratório e perfazem o um total de 121 amostras.

4 2.2 ESPECTROSCOPIA A espectroscopia é o estudo da luz através de suas componentes, que aparecem quando a luz passa através de um prisma ou de uma rede de difração e quase todas as informações sobre as propriedades físicas de um objeto podem ser obtidas a partir de seu espectro (Riffel R. A. (2005)), essa técnica é rápida e não destrutiva, pois apenas mede a refletância dos comprimentos de ondas do nutriente em estudo. Medindo a refletância de um objeto exposto a diversos tipo de radiação que compõe o espectro eletromagnético é possível perceber que a refletância pode ser diferente para cada tipo de comprimento de onda. Esta diferença de resposta denominada assinatura espectral, depende das propriedades de refletância absorbância e transmitância de cada objeto (SANTOS, 1999). A Figura 2 esboça a assinatura espectral de uma folha verde. 3. METODOLOGIA Figura 2 - Gráfico da assinatura espectral Fonte: site agr.feis. unesp. br (2009) De posse das informações advindas do espectrofotômetro na faixa do infravermelho próximo, foi aplicado um tratamento nos dados visando à redução de dimensionalidade e ruídos. Nesse estágio da pesquisa, os dados não foram processados com o filtro de Kalman. Os valores resultantes da filtragem foram levados a redes neurais artificias e sistemas nebulosos para a estimação o teor de nitrogênio. O treinamento dos sistemas inteligentes utilizarão valores reais de teor de nitrogênio obtidos dos ensaios laboratoriais.

5 Foram utilizados dois métodos para estimar a quantidade de nitrogênio: i) um utilizando uma rede neural artificial (RNA) tipo perceptron multicamadas (PMC) e outra, ii) utilizando a rede neural artificial de função de bases radiais (RBF). 3.1 Perceptron Multicamadas Com um neurônio na camada de saída e a função de ativação linear saturada, foram utilizadas uma, duas e três camadas ocultas com cinco, dez, quinze e vinte neurônios em cada camada. Para as camadas ocultas foi escolhida a função de ativação tangente hiperbólica sigmoidal. No treinamento da rede PMC foi utilizado o algoritmo de aprendizagem backpropagation, o valor de 150 para o numero máximo de épocas e seis valores para o valor do erro quadrático médio no processo de aprendizagem (EQM) conforme descritos: 1 e -2, 9 e -3, 7 e -3, 5 e -3, 3 e -3 e 1 e -3. Para cada valor atingido do erro médio quadrático, foi executada a simulação da rede com os valores de aprendizado e de validação. 3.2) Rede de Base Radial A segunda abordagem utilizada foi a rede RBF com um neurônio na camada de saída dotada de função de ativação linear saturada e nas camadas ocultas a função de ativação Gaussiana de base radial. Foi utilizado o valor 150 para o numero máximo de neurônios, e 6 valores para o valor do erro quadrático médio no aprendizado conforme descritos: 1 e -2, 9 e - 3, 7 e -3, 5 e -3, 3 e -3 e 1 e -3. Para cada valor atingido do erro médio quadrático, foi executada a simulação da rede com os valores de aprendizado e de validação. A tabela 1 mostra as configurações do método 1, e a tabela 2 mostra as configurações utilizadas no método 2. Tabela 1 Configuração da rede para o método 1

6 Tabela 1 ( continuação ) Tabela 2 Configuração da rede para o método 2 Os índices de desempenho são ferramentas que utilizam índices estatísticos e pode ser aplicado na avaliação dos resultados de experimentos. Alguns índices estatísticos foram utilizados para avaliar o desempenho dos resultados dos sistemas inteligentes. O coeficiente de determinação (R²) é o quadrado do coeficiente de correlação linear (R) e pode ser definido como o grau de ajuste da reta estimada ao conjunto de dados. O coeficiente de correlação linear (R) é utilizado para verificar o grau de linearidade entre os valores estimados pela rede neural e os valores reais medidos em laboratório, sendo calculado por:

7 Outro índice utilizado nesta dissertação para a análise de desempenho é o erro quadrático médio (RMSE root mean square error). Este índice mostra, em unidades da variável que está sob análise, a dispersão média dos valores das amostras reais e estimadas ao redor da linha de regressão. Quanto menor o valor do RMSE, melhor é a qualidade da previsão feita pela rede neural. O RMSE é calculado da seguinte forma: Os melhores resultados dos experimentos são os que apresentam o índice de determinação (R²) mais próximo de 1 e o menor índice RMSE. 4. CONCLUSÕES A tabela 3 mostra os maiores valores de coeficiente de determinação obtidos nos dois métodos abordados. Foi utilizado o coeficiente de determinação para validar as respostas da rede neural e a configuração da rede neural PMC com 5 neurônios em cada uma das 2 camadas ocultas apresentou o maior resultado do índice de determinação R² com o valor de 0,86 entre os valores dos índices testados e indica uma melhor correlação nos resultados obtidos com o sensor óptico para medir a quantidade de nitrogênio absorvido pelas plantas, comparando os resultados obtidos pelo sensor com os resultados obtidos nas amostras de material foliar medidas em laboratório. Os resultados parciais são promissores indicando que a abordagem adotada pode ser aprimorada e utilizada em sensores de tempo real. Tabela 3 Maiores valores de coeficiente de determinação R 2 REFERÊNCIAS BIBLIOGRÁFICAS BALASTREIRE, L. A. O estado da arte da Agricultura de Precisão no Brasil. Piracicaba: L.A. Balastreire, 224p, 2000.

8 CHEN, L. J; XIN,G L.; HAN, L. J. Quantitative determination of nutriente content in poultry manure by near infrared spectroscopy based on artificial neural networks, Poultry Science December 2009 vol. 88 no CRUVINEL, P. E. Instrumentação agropecuária no agronegócio brasileiro do século XXI: Parte 1. Disponível em: < Acesso em: 30 ago FRANCO, L. Tendências do agronegócio brasileiro para Disponível em: < Acesso em: 30 ago GAUTAM, R. K.;PANIGRAHI,S. Image Processing Techniques and Neural Network for Predicting Plant Nitrate Using Aerial Images,2003. MARCONATO, E. S.; Identificação de variáveis físico-químicas de solo por meio de espectrometria no infravermelho próximo utilizando sistemas inteligentes. Dissertação (Mestrado em Engenha Elétrica). Faculdade de Engenharia, UNESP, Bauru, MINISTÉRIO DA AGRICULTURA. Exportação. Disponível em: < inicial/vegetal/exportacao>. Acesso em: 30 ago ULSON, J. A. C.;BENEZ, S. H.; SILVA, I. N.; SOUZA, A. N.; Nitrogen Content Identification in Crop Plants Using Spectral Reflectance and Artificial Neural Networks 2011 IEEE. RIFFEL, ROGEMAR A.; RIFFEL, R. A. ; STORCHI-BERGMANN, T. ; Winge, C.. GNIRS Integral Field Spectroscopy of the Seyfert galaxy ESO 428-G 14. In: XI IAU Regional Latin American Meeting of Astronomy, 2005, Pucon. Revista Mexicana de Astronomía y Astrofísica (Serie de Conferencias), v p. LOWENBERG-DEBOER, J. The management time economics of on-the-go sensing for nitrogen application, SSMC Newsletter, ADAMCHUK V. I.; HUMMEL W.; MORGAN T. M.; UPADHYAYA K. S. On-the-go soil sensors for precision agriculture. Computers and Electronics in Agriculture Vol. 44, pp , 2004.