DEFINIÇÃO DE USO DE REGULADOR DE CRESCIMENTO
Hipótese
A generalização do conhecimento apresentada nos modelos matemáticos de redes neurais artificiais, pode permitir o desenvolvimento de um modelo de simulação eficiente à predição da possibilidade de ocorrência ou não de acamamento de plantas de aveia, considerando as relações existentes entre o nitrogênio, os elementos meteorológicos e a biomassa produzida, antes do estádio de segundo nó visível, possibilitando assim, o prognóstico da necessidade de utilização do produto regulador de crescimento na cultura.
Meta
Desenvolver e validar um modelo eficiente por inteligência artificial via redes neurais artificiais à simulação da previsibilidade da ocorrência ou não de acamamento de plantas de aveia, considerando no modelo a produtividade de biomassa e os elementos meteorológicos, antes do estádio de segundo nó visível, e o manejo do nitrogênio para cada sistema de sucessão, possibilitando assim, a definição quanto a necessidade de uso do produto regulador de crescimento na cultura.
Introdução
O uso de técnicas computacionais tem grande relevância para o desenvolvimento de modelos de simulação e otimização em várias áreas do conhecimento (KRUG et al., 2008; BARBOSA et al., 2016). Modelos de simulação são essenciais na identificação de fatores que influenciam a produção agrícola, bem como na definição de manejos mais eficientes (MELLO & GONÇALVES, 2008; LEAL et al., 2015). O uso de redes neurais artificiais (RNAs) constitui um campo da ciência da computação ligado à inteligência artificial e busca implementar modelos matemáticos que se assemelhem às estruturas neurais biológicas (FERNANDES 2008; DORNELLES et al., 2018). Apresenta elevado desempenho, devido a eficiência de sua aprendizagem e generalização. Além disso,
trabalha com um grande número de dados, o que evidencia uma condição vantajosa em relação aos modelos comumente utilizados para trabalhar dados ambientais, pois possibilita envolver uma quantidade maior de fatores em um único modelo (SCHMIDT & BARBOSA, 2016; LIMA et al., 2017). Aumentando, consequentemente, a precisão dos modelos, além de possibilitar o melhor entendimento e a otimização das técnicas de cultivo, simulando com eficiência variáveis importantes em sistemas complexos (SOARES et al., 2015).
Neste contexto, o uso de técnicas computacionais que visem compreender a dinâmica das relações existentes entre as doses de nitrogênio e os elementos meteorológicos, e ainda com efetiva simulação da possibilidade de ocorrência ou não de acamamento de plantas, podem representar avanços significativos na busca de manejos voltados ao incremento da produtividade e qualidade dos grãos de aveia. Uma vez que está cultura representa uma excelente alternativa econômica, com grande aptidão agrícola e com incremento significativo na demanda de seus derivados (WOLSCHICK et al., 2016; SCREMIN et al., 2017a). Além disso, o desenvolvimento de novas técnicas de manejo se faz necessário, uma vez que o incremento da produtividade e qualidade dos grãos desta cultura é fortemente dependente das doses de nitrogênio (MANTAI et al., 2015; ARENHARDT et al., 2017b). O nitrogênio é o nutriente mais absorvido pelos cereais, sua ação estimula o crescimento e desenvolvimento das plantas, com reflexos na elaboração da biomassa, reportando de forma direta no incremento da produtividade e qualidade dos grãos (TODESCHINI et al., 2016; OBOUR et al., 2018).
O aproveitamento e a absorção do nitrogênio pelas plantas são fortemente dependentes dos elementos meteorológicos, onde condições desfavoráveis ocasionam perdas do nutriente por lixiviação ou volatização, reduzindo a eficiência de aproveitamento do nitrogênio pelas plantas, com expressivo reflexo negativo na produtividade de biomassa e grãos, além de aumentar os custos de produção e os riscos de contaminação ambiental (BENIN et al., 2012; SANTIAGO et al., 2015; ARENHARDT et al., 2017b). Por outro lado, condições favoráveis atreladas ao aumento das doses de nitrogênio, além possibilitar o incremento da produtividade, aumenta o crescimento vegetativo da planta, e a combinação destes fatores potencializa a ocorrência do acamamento de plantas (SCHWERZ et al., 2015; SHAH et al., 2019).
O acamamento é um fenômeno que afeta a estrutura morfológica da planta, resultando em plantas recurvadas, ou até mesmo na quebra dos colmos e quanto mais cedo ocorre, maior é a redução da produtividade e da qualidade de grãos (TREVIZAN; et al., 2015; ARENHARDT et al., 2017a). Para minimizar a ocorrência do acamamento de plantas, têm-se avaliado o uso de reguladores de crescimento, seu princípio ativo promove a redução do comprimento do colmo, melhorando a arquitetura da planta e tornando-a mais adaptada e eficiente para receber estímulos de produção, garantindo elevada produtividade com qualidade (KASPARY et al., 2015; KRYSCZUN et al., 2017). Neste sentido, o desenvolvimento de modelos eficientes de simulação da possibilidade de ocorrência ou não de acamamento de plantas de aveia, considerando variáveis da planta e os efeitos do nitrogênio e dos elementos meteorológicos, evidencia uma técnica efetiva em relação a necessidade de uso do regulador de crescimento para a cultura. Portanto, o objetivo do trabalho é desenvolver e validar um modelo adaptativo de inteligência artificial por redes neurais para a simulação da possibilidade de ocorrência ou não do acamamento de plantas de aveia, considerando o manejo do nitrogênio, elementos meteorológicos e biomassa produzida, antes do estádio de segundo nó visível, como proposta de prognóstico da necessidade de utilização do produto regulador de crescimento na cultura.
Materiais e Métodos
No desenvolvimento deste capítulo, para simular a possibilidade da ocorrência ou não do acamamento de plantas de aveia por redes neurais artificiais (RNAs), foram analisadas como possíveis variáveis de entrada, a produtividade de biomassa, dia do ciclo, temperatura mínima, média e máxima, soma térmica, precipitação pluviométrica e doses de nitrogênio. Para a seleção das variáveis que apresentavam influência sobre a variável de interesse, foi utilizado a técnica de Stepwise. As variáveis selecionadas para compor o padrão de entradas das RNAs foram a soma térmica, precipitação pluviométrica, dias do ciclo, produtividade de biomassa e doses de nitrogênio, independente do sistema de sucessão. Os modelos foram desenvolvidos no Neural Network Toolbox, presente no software Matlab®. A arquitetura escolhida foi Perceptron de múltiplas camadas, sendo que a definição das camadas seguiu as metodologias sugeridas por Masters (1993), Braga et al. (2000) e Soares et al. (2015). Para a função de ativação dos neurônios, foi definido
a função tan-sigmóide (tansig), o treinamento da rede foi realizado pelo algoritmo
backpropagation com o método Levemberg-Marquardt. Os dados amostrais foram
padronizados pelo processo de normalização, através da equação:
pn = (p2(p − pmin)
max− pmin) − 1 (142)
sendo:
pn= valor normalizado;
p = valor observado da amostra;
pmin= menor valor observado da amostra;
pmax= maior valor observado da amostra.
Os dados de entrada e saída foram divididos aleatoriamente, sendo 70% para o treinamento, 15% para validação e 15% para testes. Ao final deste processo foram gerados dois modelos de simulação, sendo um modelo de simulação para cada sistema de cultivo. A produtividade de biomassa e as variáveis meteorológicas soma térmica e precipitação utilizadas, tanto para desenvolvimento quanto para simulação dos modelos, foram aquelas obtidas antes do estádio de segundo nó visível do colmo, aproximadamente 60 dias após a emergência, momento definido com o ideal para aplicação do regulador de crescimento. As demais variáveis configuram os dados obtidos ao final do ciclo de cultivo. A verificação da eficiência dos modelos via RNAs, deu-se pela comparação entre os valores observados em campo e os valores simulados pelo modelo de RNA, nas condições favoráveis, intermediárias e desfavoráveis à ocorrência do acamamento.
Modelos Matemáticos
Para a concretização do objetivo proposto por este capítulo, foram utilizados os seguintes modelos matemáticos:
Seleção de Variáveis por Stepwise p. 54 Redes Neurais Artificiais p. 61
Resultados e Discussão
A Tabela 33 apresenta os dados meteorológicos obtidos durante cada ano de cultivo, a coleta dos dados foi efetuada a cada 30 dias até o momento definido como o estádio de segundo nó visível da aveia, aproximadamente 60 dias após a emergência. Destaca-se que a classificação de ano agrícola leva em consideração infinitas combinações, estas por sua vez classificam como favoráveis ao cultivo os anos que apresentam as melhores distribuições dos elementos meteorológicos, enquanto que distribuições desproporcionais classificam os anos como desfavoráveis (Tabela 7 e Figura 15).
Tabela 33. Dados meteorológicos coletados em cada estádio fenológico de desenvolvimento da cultura de aveia.
Ano Estádio (dias) Tmin (°C) Tmax (°C) Tmed (°C) ΣST (°C) ΣPP (mm ha-1) Classe PG/AC 2012 30 -3,5 31,5 15,4 342 62 AI/AF 60 -3,5 31,5 14,2 612 245 2013 30 1,7 28,1 14,9 327 109 AF/AF 60 -3,8 30,2 14,3 619 208 2014 30 1,7 27,9 16,2 365 351 AD/AI 60 0,3 28,9 16,1 721 467 2015 30 -0,2 28,7 15,6 349 243 AI/AF 60 -0,2 29,3 15,9 719 376 2016 30 -2,9 29,3 15,2 338 57 AF/AI 60 -2,9 29,3 14,7 644 134 2017 30 -4,2 28,1 16,4 371 15 AD/AD 60 -4,2 30,2 16,8 772 104 2018 30 -3,2 26,4 12,7 291 191 AF/AI 60 -3,5 29,2 13,5 582 394
Valor Estádio Tmin Tmax Tmed ΣST ΣPP
(dias) (°C) (°C) (°C) (°C) (mm ha-1) (2012+2013+2014+2015+2016+2017+2018) Mínimo 30 -4,2 26,4 12,7 291 15 60 -4,2 28,9 13,5 582 104 Máximo 30 1,7 31,5 16,4 371 351 60 0,3 31,5 16,8 772 467 Média 30 -1,5 28,5 15,2 340 146 60 -2,5 29,8 15,1 667 275
Classe = classificação de ano; AF = ano favorável; AI = ano intermediário; AD = ano desfavorável; PG = produtividade de grãos; AC = acamamento de plantas; Estádio = dias após a emergência das plantas; TMin = temperatura mínima; TMax
= temperatura máxima; TMed = temperatura média; ƩST = Somatório da soma térmica; ƩPP = Somatório da precipitação
Ainda na Tabela 33, independente da classificação de ano agrícola, os valores de soma térmica obtida aos 60 dias se mostraram constantes, em contrapartida, os anos classificados como desfavoráveis à produtividade de grãos apresentaram os maiores valores de soma térmica aos 30 dias. Além disso, estes anos apresentaram a maior variação da precipitação pluviométrica, ocorrendo em excesso durante os primeiros 30 dias do ciclo para o ano de 2014 e praticamente não ocorrendo para o ano de 2017, estes fatos classificam os anos como intermediários e desfavoráveis a ocorrência de acamamento de plantas, respectivamente. Anos desfavoráveis à produtividade de grãos são marcados pela obtenção dos mais elevados valores de soma térmica durante os primeiros 60 dias de desenvolvimento da cultura, e quando aliado a elevada precipitação pluviométrica classifica o ano como intermediário ou favorável a ocorrência de acamamento de plantas.
A Tabela 34 apresenta a análise generalizada dos valores médios da produtividade de biomassa acumulada nos estádios fenológicos de 30 e 60 dias e o acamamento de plantas obtido no final do ciclo da cultura, as informações estão apresentadas por dose de nitrogênio, condição de ano agrícola e sistemas de sucessão. A partir dos 30 dias após a emergência, é possível observar que a aplicação de nitrogênio tende a incrementar a produtividade biomassa, com comportamento linear crescente em relação ao incremento das doses, independente da condição de ano agrícola e sistema de sucessão. Contudo, o incremento das doses de nitrogênio promove de forma direta o aumento da taxa de ocorrência de acamamento de plantas, fator indesejável na cultura pelos reflexos diretos na redução da produtividade e qualidade industrial dos grãos. Prova disso é que os anos que apresentam as menores produtividades de biomassa são justamente aqueles classificados como anos desfavoráveis a ocorrência de acamamento de plantas.
Na Tabela 35 estão apresentados os valores de erro quadrático médio obtidos no processo de treinamento e os valores de erro relativo médio e variância, observados no conjunto de dados de validação para as distintas arquiteturas testadas. Para o sistema soja/aveia, as redes com arquitetura de 5-9-1 e 5-11-1 apresentaram os menores valores de erro quadrático médio, entretanto, quando observamos seus valores no processo de validação e teste, notamos que a rede 5-11-1 apresenta os valores mais elevados, inclusive com o maior erro relativo médio de todas as redes, isso significa que apesar do erro dos dados de treinamento ser baixo, a rede não promove necessariamente redução nos valores
Tabela 34. Dados da produtividade de biomassa nos estádios de desenvolvimento da cultura de aveia e acamamento de plantas nas condições de uso do nitrogênio
Ano Classe PG/AC Estádio (dias) PB (kg ha-1) / Dose N (kg ha-1) AC (%) / Dose N (kg ha-1) 30 60 90 120 30 60 90 120 sistema soja/aveia 2012 AI/AF 30 339 321 303 297 51 63 73 83 60 2043 2169 2246 2283 2013 AF/AF 30 284 246 209 254 47 62 81 90 60 1483 1474 1590 1625 2014 AD/AI 30 233 240 247 232 28 36 40 57 60 1248 1637 2027 2045 2015 AI/AF 30 308 332 337 307 41 56 72 80 60 1717 2107 2498 2528 2016 AF/AI 30 286 299 311 321 50 42 66 76 60 2974 3459 3745 3800 2017 AD/AD 30 159 158 157 162 8 7 13 17 60 779 1168 1557 1633 2018 AF/AI 30 311 304 296 307 38 50 61 89 60 1788 1816 2043 2125 sistema milho/aveia 2012 AI/AF 30 194 200 206 239 30 47 56 71 60 1553 1857 2161 2281 2013 AF/AF 30 256 238 219 253 38 53 73 81 60 1527 1594 1711 1730 2014 AD/AI 30 232 227 222 222 27 37 46 55 60 1302 1470 1638 1735 2015 AI/AF 30 145 160 174 219 42 46 51 62 60 1357 1753 2150 2299 2016 AF/AI 30 229 230 229 252 41 46 51 56 60 1570 1714 1857 1936 2017 AD/AD 30 153 150 147 150 4 4 5 7 60 790 1174 1558 1601 2018 AF/AI 30 242 240 239 258 43 46 58 65 60 1750 1886 2173 2262 Valor PB (kg ha -1) AC (%)
soja/aveia milho/aveia soja/aveia milho/aveia (2012+2013+2014+2015+2016+2017+2018)
Mínimo 115 89 5 3
Máximo 4258 2547 100 90
Média 1163 969 52 44
Classe = classificação de ano; AF = ano favorável; AI = ano intermediário; AD = ano desfavorável; PG = produtividade de grãos; AC = acamamento de plantas; PB = produtividade de biomassa; Dose N = dose de nitrogênio. Fonte: próprio autor (2020).
de validação e teste. Deve-se ter cuidado neste caso, pois redes com muitos neurônios na camada intermediária tendem a memorizar os padrões de treinamento, não extraindo características necessária para a generalização, ou seja, o menor valor de erro relativo médio tende a produzir as saídas mais adequadas para as entradas que não estão presentes no treinamento (BRAGA et al., 2000; SOARES et al., 2015).
Neste sentido, para o sistema milho/aveia, as arquiteturas que apresentaram os menores valores de erro relativo médio foram 5-8-1, 5-9-1 e 5-13-1, porém, quando observamos seus valores de erro quadrático médio percebemos que as redes 5-8-1 e 5-9- 1 apresentam comportamento similar as demais redes testadas, inclusive com valores elevados de variância dos dados de teste, estes fatos indicam que estas arquiteturas não apresentam os melhores resultados de saída. Assim, seguindo a interpretação da metodologia proposta por Braga et al. (2000) e Masters (1993), foram escolhidas para este trabalho, as redes com arquitetura de 5-9-1 e 5-13-1 para o sistema soja/aveia e sistema milho/aveia, respectivamente. Estas redes apresentam a melhor capacidade preditiva da possibilidade de ocorrência ou não do acamamento na cultura da aveia, com baixos valores de erro relativo médio e variância para os dados de validação, além de apresentar a relação entre o número de amostras de treinamento e o número de conexões escondidas superior a dois, conforme indicado por (SOARES et al., 2015).
Na Figura 21, da arquitetura da rede definida, estão apresentados os coeficientes de determinação do treinamento (70% dos dados), validação (15% dos dados), teste (15% dos dados) da rede e geral (100% dos dados). Portanto, permitindo confirmar a confiabilidade da rede em gerar o algoritmo que dimensiona o comportamento dos dados reais obtidos com valores de coeficiente de determinação próximos a 1. A Figura 22 apresenta um diagrama representativo das redes neurais artificiais implementadas, demonstrando as variáveis de entrada, a camada oculta, a função de ativação e a variável de saída. Para verificar o desempenho das redes neurais artificiais de arquitetura 5-9-1 e 5-13-1 (Tabela 35) foram desenvolvidas simulações para cada condição de ano agrícola, comparando os resultados com os dados reais observados e apresentados na Tabela 34.
Tabela 35. Valores adimensionais de erro quadrático médio, erro relativo médio e variância para definição da arquitetura da RNA
Arquitetura Erro quadrático médio Erro relativo médio Variância
NE-NCE-NS (Treinamento) (Validação) (Teste)
(2012+2013+2014+2015+2016+2017+2018) sistema soja/aveia 5-5-1 0,0398 0,0395 0,0418 5-6-1 0,0335 0,0368 0,0444 5-7-1 0,0333 0,0467 0,0362 5-8-1 0,0334 0,0318 0,0451 5-9-1 0,0108 0,0161 0,0143 5-10-1 0,0333 0,0481 0,0436 5-11-1 0,0266 0,0581 0,0564 5-12-1 0,0401 0,0282 0,0331 5-13-1 0,0281 0,0328 0,0534 5-14-1 0,0391 0,0393 0,0649 5-15-1 0,0281 0,0495 0,0606 sistema milho/aveia 5-5-1 0,0251 0,0228 0,0291 5-6-1 0,0204 0,0233 0,0593 5-7-1 0,0195 0,0328 0,0312 5-8-1 0,0222 0,0183 0,0637 5-9-1 0,0258 0,0199 0,0514 5-10-1 0,0254 0,0237 0,0708 5-11-1 0,0167 0,0236 0,0632 5-12-1 0,0159 0,0222 0,0417 5-13-1 0,0184 0,0168 0,0263 5-14-1 0,0186 0,0205 0,0464 5-15-1 0,0209 0,0236 0,0319
NE - número de variáveis de entrada; NCE - número de neurônios da camada escondida; NS - número de neurônios da camada de saída. Fonte: próprio autor (2020).
Portanto a Tabela 36 apresenta as simulações da possibilidade da ocorrência ou não do acamamento de plantas de aveia, considerando as três classificações possíveis de ano agrícola. Os modelos de simulação por inteligência artificial, via redes neurais artificiais, apresentaram alta capacidade de predição da possibilidade da ocorrência ou não de acamamento de plantas de aveia, independente da classificação de ano agrícola, com valores simulados dentro do intervalo de confiança estabelecido pela média dos anos (Tabela 34) e próximos aos valores observados em campo. Confirmando ser uma ferramenta importante na tomada de decisões sobre a necessidade de uso ou não do produto regulador de crescimento na cultura.
Figura 21. Coeficientes de determinação do treinamento, validação e teste das redes neurais artificiais.
(A) Arquitetura 5-9-1 para o sistema soja/aveia; (B) Arquitetura 5-13-1 para o sistema milho/aveia Fonte: próprio autor (2020).
Figura 22. Diagrama representativo das redes neurais artificiais implementadas
N = nitrogênio (kg ha-1); Dias = dias da emergência até a simulação; PB = produtividade de biomassa (kg ha-1); ST =
soma térmica (°C); PP = precipitação pluviométrica (mm ha-1); AC = acamamento de plantas (%). Fonte: próprio
autor (2020).
O uso de redes neurais artificiais evidencia uma alternativa eficiente em relação aos modelos convencionais, no reconhecimento de padrões e simulação de processos importantes na agricultura (SHEIKHTAHERI et al., 2014; CAMPOS et al., 2017; DORNELLES et al., 2018). Deste modo, o uso de redes neurais artificiais torna possível o desenvolvimento de modelos de simulação que consideram de modo conjunto as variáveis da planta, do clima e do manejo (CAMPOS et al., 2017; DORNELLES et al., 2018). Alvarez et al. (2011) desenvolveu uma rede neural para estimar a produtividade do trigo, comparando com modelos de regressão linear simples e, obtendo melhor resultado pela rede neural. Ainda em trigo, Rogenski et al. (2012) encontraram eficiência das redes neurais artificiais na estimativa do percentual de infecção de doenças foliares. A eficiência das redes neurais artificiais nos processos de simulação também foi observada por Soares et al. (2014) na estimativa da retenção de água do solo. Em milho, Soares et al. (2015) desenvolveram um modelo de simulação via rede neural artificial para estimativa da produtividade de grãos, considerando o índice de área foliar, matéria verde total, altura da planta e o número de planta m-1, enquanto que Leal et al. (2015) considerou atributos do solo para simulação da produtividade de grãos de milho. Em aveia, Dornelles et al. (2018) desenvolveram uma estrutura de rede neural para simulação da produtividade de grãos em diferentes cultivares, considerando como variável de entrada a densidade de semeadura.
Tabela 36. Rede Neural Artificial na previsibilidade do acamamento de plantas de aveia nas distintas condições de ano agrícola e uso do nitrogênio
Ano Classe
Dose N Estádio sistema soja/aveia sistema milho/aveia (kg ha-1) (dias) AC
Simulado ACObservado ACSimulado ACObservado
2013 (AF) 30 30 55 47 44 38 60 50 43 60 30 69 62 60 53 60 67 57 90 30 75 81 62 73 60 77 68 120 30 82 90 75 81 60 85 79 2014 (AI) 30 30 36 28 36 27 60 32 31 60 30 41 36 43 37 60 39 41 90 30 46 40 44 46 60 46 47 120 30 50 57 48 55 60 52 50 2017 (AD) 30 30 10 7 5 4 60 8 4 60 30 11 8 5 4 60 11 5 90 30 13 13 5 5 60 13 5 120 30 14 17 6 7 60 15 6
Dose N = dose de nitrogênio; Estádio = dias após a emergência das plantas; AC = acamamento de plantas (%); Classe = classificação de ano; AF = ano favorável a ocorrência de acamamento de plantas; AD = ano desfavorável a ocorrência de acamamento de plantas; AI = ano intermediário a ocorrência de acamamento. Fonte: próprio autor (2020).
Partindo da validação do modelo que possibilita a definição quanto a necessidade de uso do regulador de crescimento na cultura, o objetivo do próximo capítulo é desenvolver e validar o emprego de modelos adaptativos de inteligência artificial por redes neurais artificiais para simulação da ocorrência de acamamento de plantas e da produtividade industrial e de grãos de aveia, considerando no modelo o manejo do nitrogênio e do regulador de crescimento, atrelados a produtividade de biomassa e a não linearidade dos elementos meteorológicos, obtidos antes do estádio de segundo nó visível, nos principais sistemas de sucessão do sul do Brasil.
Conclusões
O uso das variáveis de manejo doses de nitrogênio e de regulador de crescimento, atreladas aos efeitos das variáveis produtividade de biomassa e elementos meteorológicos, obtidos até o estádio de segundo nó visível, se mostram apropriadas na geração de um sistema adaptativo à previsibilidade da possibilidade de ocorrência ou não do acamamento de plantas em aveia.
Os modelos desenvolvidos por inteligência artificial via redes neurais artificiais, do tipo Perceptron de múltiplas camadas, nas arquiteturas 5-9-1 para o sistema soja/aveia e 5-13-1 para o sistema milho/aveia, se mostraram eficientes na simulação da possibilidade da ocorrência ou não de acamamento de plantas de aveia, antes do estádio de segundo nó visível, independente da condição de ano agrícola, possibilitando assim, o prognóstico da necessidade de utilização do regulador de crescimento na cultura.
12 REDES NEURAIS ARTIFICIAIS PARA PREVISIBILIDADE DO