Uso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido

Transcrição

1 Uso de redes neurais na predição da evapotranspiração da Gerbera jamesonii cultivada em ambiente protegido Cristiane Guiselini 1, Paulo C. Sentelhas 2, Heliton Pandorfi 3, Valeria C. Rodrigues 4, Rafael J. Gomes 5 1 Eng o Agrônomo, Prof. Adjunto, Depto. de Tecnologia Rural, Universidade Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , cguiseli@hotmail.com 2 Eng o Agrônomo, Prof. Adjunto, Depto. de Engenharia de Biossitemas, Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, Piracicaba, - SP, Fone: (0xx ) pcsentel@esalq.usp.br. 3 Eng o Agrônomo, Prof. Adjunto, Depto. de Tecnologia Rural, Universidade Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , pandorfi@dtr.ufrpe.br. 4 Física, Pesquisadora, Depto. de Engenharia de Biossistemas, Escola Superior de Agricultura Luiz de Queiroz, ESALQ/USP, Piracicaba, - SP, Fone: (0xx ) vcrodrig@esalq.usp.br 5 Graduando em Engenharia Agrícola e Ambiental, Depto. de Tecnologia Rural, Universidade Federal Rural de Pernambuco, UFRPE, Recife PE, Fone: (0xx81) , engenheirofael@gmail.com ABSTRACT: Artificial neural networks were applied to optimize the water management and replenishment to Gerbera jamesonii crop in a greenhouse through the crop evapotranspiration prediction. Field data were obtained in experiments conducted in the area of the Biosystems department, ESALQ / USP, Piracicaba, SP. The data were divided into three sets: training, testing, and validation. The architecture was adopted (3, 10, 1). After the selection of input variables (air temperature, o C, relative humidity, %, solar radiation, MJ m -2 day -1 ), all data were normalized. The model used was the backpropagation algorithm (BP), from the generalization of the rule of Widrow-Hoff learning for feedforward perceptron type networks. The predictions showed a positive correlation which resulted simulate the crop evapotranspiration based on the input variables of the new data set, in which there was R = It is concluded that the use of artificial neural networks proposed for predicting evapotranspiration in the production of Gerbera jamesonii grown in greenhouse, was satisfactory and can be contrasted with multiple regression models for its practical feasibility. Palavra chave: Modelagem, manejo de irrigação, floricultura e malha de sombreamento 1- INTRODUÇÃO: Como no ambiente protegido a cobertura impede a reposição natural de água pelas chuvas, a irrigação torna-se indispensável nesse sistema de cultivo. O déficit hídrico acarreta queda de rendimento e qualidade; enquanto que os excessos de água aliados à ocorrência de altas temperaturas podem favorecer a proliferação de patógenos, o que exige especial atenção no manejo de água. Sendo assim, a estimativa da evapotranspiração da cultura (ETc) torna-se indispensável no manejo racional da irrigação. O uso recente dos sistemas inteligentes no meio agrícola, introduzidos pela visão computacional, robótica e sistemas de controle, Expert Systems, sistemas de suporte de decisão, processamento de linguagem natural, dentre outras ferramentas de informação importantes, como as redes neurais artificiais, tem promovido interessantes respostas nos sistemas de produção agrícola (Murase, 2000). O mesmo autor afirma que a aplicabilidade dessas novas técnicas é crescente e o custo de implantação sofre um decréscimo constante,

2 permitindo sua inserção no meio rural. O sucesso das redes neurais está diretamente relacionado com a sua alta versatilidade, pois existem aplicações para as mais diversas áreas, e isto faz delas uma tecnologia bastante promissora para o desenvolvimento de aplicações na agropecuária. Objetivou-se com este trabalho o uso de redes neurais artificiais aplicado à agricultura de precisão, voltado principalmente para a otimização do manejo e reposição de água no solo por meio da predição da evapotranspiração, na produção da Gerbera jamesonii cultivada em ambiente protegido. 2 - MATERIAL E MÉTODOS A fim de se estimar a evapotranspiração da Gérbera (ETce) por meio de Redes Neurais (RNA), registros contínuos de dados meteorológicos foram obtidos ao longo de experimentos em ambientes protegidos conduzidos no Departamento de Biossistemas, da ESALQ/USP, Piracicaba, SP. A ETc real (ETcr) foi determinada pelo método gravimétrico, utilizando-se sempre as mesmas amostras (vasos), após escolha aleatória. Cada amostra foi pesada em balança digital com precisão 0,1 g. Os dados registrados no cultivo protegido da Gérbera utilizados na predição da ETce por meio das RNAs, compreendeu o primeiro ciclo da cultura, período de 12/03/2004 a 30/04/2004, e o segundo ciclo da cultura, período de 01/09/2004 a 27/10/2004. Foram obtidos dados meteorológicos diários da temperatura ( o C) e umidade relativa do ar (%), radiação solar (MJ m -2 dia -1 ) - variáveis de entrada - acrescidas da evapotranspiração (mm dia -1 ) - variável de saída - determinada pelo método gravimétrico. As matrizes de informações foram constituídas de 20 pares entradas-saídas para treino, validação e teste. Após a seleção das variáveis, todos os dados foram normalizados conforme (Kumar et al, 2002) entre [0, 1], para dimensionar as variáveis em mesma ordem de grandeza para o processo de treinamento da rede. O modelo utilizado neste trabalho, para desenvolvimento da RNA, foi o algoritmo backpropagation (BP), criado por Rumelhart, Hinton & Williams em 1986 (Haykin, 2001) a partir da generalização da regra de aprendizado Widrow-Hoff, introduzida por Bernard Widrow & Marcian Hoff em para redes do tipo feedfoward perceptron. Estes algoritmos e sistemas foram implementados em ambiente Matlab. O processo de aprendizagem foi dividido em 3 etapas, para as quais se reservou uma parcela distinta dos dados de entrada: i) treinamento os pesos sinápticos foram modificados e a rede absorveu os novos conhecimentos; ii) teste testou-se a rede recém modificada verificando-se seu desempenho; e iii) validação a rede gerou resultados para entradas inéditas. Os pesos sinápticos foram aleatoriamente iniciados, enquanto a ativação dos neurônios obedeceu à função tangente sigmoidal. Para avaliar os resultados foi utilizado, concomitantemente, o erro padrão de estimativa (EPE) e o erro relativo médio (ERM), calculados exclusivamente sobre a parcela de validação, que correspondem aos dados ainda inéditos às redes. A regra de aprendizado Widrow-Hoff também conhecida como Regra Delta - LMS (minimização do erro médio quadrático) que ajusta os pesos das conexões entre os neurônios da rede de acordo com o erro teve como objetivo encontrar um conjunto de pesos específicos que minimizaram a função erro. A principal restrição na minimização do erro no sentido do gradiente descendente é que a função de transferência do neurônio tem que ser monotônica e diferenciável em qualquer ponto. O algoritmo BP refere-se a uma regra de aprendizagem que consiste no ajuste dos pesos e polarizações da rede, por meio da retropropagação do erro encontrado na saída. A 2

3 topologia da arquitetura da rede utilizada foi formada por uma camada de entrada, uma escondida (intermediária) de neurônios não-lineares e uma camada de saída de neurônios com função de ativação tangente sigmoidal logística parametrizada. Devido à grande difusão da arquitetura da rede a que esta regra de aprendizagem se aplica, é comum referir-se a ela com o nome da própria regra de aprendizagem, rede BP. O gerenciamento das RNAs foi feito pelo Neural Network Toolbox do Matlab 7.5, que é um ambiente de desenvolvimento bastante difundido tanto no contexto acadêmico, quanto no âmbito comercial. Por meio da utilização da RNA, deu-se um tratamento físico, estatístico e matemático às variáveis estudadas. Portanto, considerou-se que, por essas características, a metodologia proposta consistiu em uma ferramenta valiosa para ser usada no manejo racional de irrigação em cultivo protegido. 3 RESULTADOS E DISCUSSÃO A topologia da arquitetura da rede foi formada por uma camada de entrada, uma escondida (oculta) de neurônios não-lineares e uma camada de saída de neurônios com função aditiva e de ativação tangente sigmoidal. Estas camadas foram utilizadas na aproximação das variáveis temperatura do ar, umidade relativa, radiação solar e evapotranspiração, cuja matriz de entrada foi de 20 x 3 (20 observações com 3 variáveis) e a matriz de saída é 20 x 1. Segundo critério heurístico escolheu-se a seguinte topologia: 3 neurônios para a camada de entrada, 10 neurônios para a camada escondida e 1 para saída. Um dos problemas enfrentados no treinamento de redes neurais tipo Multi Layer Perceptron (MLP) com treinamento backpropagation (BP) diz respeito à definição de seus parâmetros. A Tabela 1 descreve os parâmetros de treinamento adotados para o BP. Tabela 1 - Parâmetros de treinamento utilizados para o algoritmo backpropagation Parâmetros Valor Taxa de aprendizagem 0,1 Erro 0,005 Neurônio na camada oculta 10 Função aditiva na camada oculta Tangente sigmoidal Função de transferência na camada de saída Tangente sigmoidal O parâmetro taxa de aprendizagem tem grande influência durante o processo de treinamento da rede neural. Geralmente seu valor varia de 0,1 a 1,0. No entanto, para efeito de treinamento da rede em questão, adotou-se o valor pré-fixado de 0,1, haja visto que valores superiores a este não permitiram convergência do processo na superfície do erro médio quadrático. Com relação ao número de neurônios na camada escondida, estes foram definidos empiricamente. Após inúmeras tentativas, encontrou-se um valor de 10 neurônios, o que permitiu extrair as características gerais do conjunto de dados para uma boa generalização, encontrando uma representação ótima da saída, depois de seu treinamento. O critério adotado para o término do treinamento foi definido por uma combinação de métodos, pelo erro e pelo número de ciclos de reapresentação dos dados a rede, encerrando-se o treinamento quando um dos critérios foi atendido. Desta forma, o treinamento foi encerrado quando houve convergência para o valor de 0,005 quanto ao erro quadrático médio; após inúmeros ajustes em função do resultado, atingindo boa generalização a 3 épocas, isto é, o número de vezes em que o conjunto de treinamento foi apresentado à rede. Dessa forma, o conjunto de treinamento foi apresentado à rede neural para que o algoritmo BP 3

4 atuasse em que se realizaram várias interações de atualização dos pesos até atingir o valor de erro (0,005). As previsões na fase de treinamento giram em torno de um valor médio capaz de simular os picos dos eventos. O modelo de previsão, portanto, consegue explicar a variação da evapotranspiração da cultura (Figura 1). Como considerações gerais extraídas dos resultados do treinamento verifica-se que as aproximações dos valores estimados pela rede apresentaram ótima caracterização dos dados reais, registrados in loco no decorrer do período experimental, apresentando coeficiente de correlação R=0,9469 (Figura 1a). a) b) c) d) Figura 1 - Correlação entre a variação da ETc na fase de treinamento (a), teste (b), validação (c), e sua variação para todos os dados (d). Em relação aos valores preditos e medidos na fase de teste da rede, a Figura 1b descreve o perfil de variação dos dados, verificando-se que os ruídos se encontram em uma faixa aceitável, dado o coeficiente de correlação R=0,7099. Resultado semelhante foi apresentado por Kumar et al. (2002) para predição da evapotranspiração de referência a campo, utilizando uma arquitetura de rede (6, 7, 1) e algoritimo de aprendizagem backpropagation. Nota-se na Figura 1c que os pares de entradas e saídas possibilitaram evolução do aprendizado por meio da comparação entre a saída desejada e a real na fase de validação da rede. As predições conseguiram simular a evapotranspiração de cultura com base nas variáveis de entrada do novo conjunto de dados, em que se observa R=0,9682. A variação da evapotranspiração de cultura medidos e estimados mostrou valores semelhantes, apresentando generalização satisfatória dos dados estimados pela rede na fase de validação, verificando-se alguns pontos isolados o mesmo perfil de variação observado para a variável, em que denota uma pequena tendência a subestimar valores baixos (Figura 1d). Tais resultados mostram que o uso de RNAs permitiu o reconhecimento dos padrões de evapotranspiração em ambiente protegido. O problema de aproximação proposta neste trabalho serviu para demonstrar a viabilidade de utilização de RNAs para a predição da evapotranspiração da cultura da Gérbera em ambiente protegido com base nas variáveis, 4

5 temperatura do ar, umidade relativa e radiação solar global, como representação da influência desses elementos meteorológicos na evapotranspiração de cultura da gérbera. 4 CONCLUSÕES No presente estudo pode-se concluir que o uso de redes neurais artificiais para predição da evapotranspiração, na produção da Gerbera jamesonii cultivada em ambiente protegido foi satisfatório e pode ser contrastado com modelos de regressão múltiplas para sua viabilidade prática. 5 REFERÊNCIAS BIBLIOGRÁFICAS HAYKIN, S. Redes neurais: princípios e práticas. 2.ed. Porto Alegre: Bookman, p. KUMAR, M., RAGHUWANSHI, N.S., SINGH, R., WALLENDER, W. W., PRUITT, W.O. Estimating Evapotranspiration using Artificial Neural Network. Journal of Irrigation and Drainage Engineering, v.128, n.4, p , MURASE, H. Editorial: Artificial intelligence in agriculture. Computers and Eletronics in Agriculture, London, v.29, p.1-2,