Modelagem matemática e computacional da produtividade do trigo e otimização do uso do nitrogênio nas condições fenológicas e ambientais

(1)

UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM MODELAGEM MATEMÁTICA

DEPARTAMENTO DE CIÊNCIAS EXATAS E ENGENHARIAS DEPARTAMENTO DE ESTUDOS AGRÁRIOS

Ana Paula Brezolin Trautmann

MODELAGEM

MATEMÁTICA

E

COMPUTACIONAL

DA

PRODUTIVIDADE DO TRIGO E OTIMIZAÇÃO DO USO DO

NITROGÊNIO NAS CONDIÇÕES FENOLÓGICAS E AMBIENTAIS

(2)

Ana Paula Brezolin Trautmann

MODELAGEM

MATEMÁTICA

E

COMPUTACIONAL

DA

PRODUTIVIDADE DO TRIGO E OTIMIZAÇÃO DO USO DO

NITROGÊNIO NAS CONDIÇÕES FENOLÓGICAS E AMBIENTAIS

Tese de Doutorado submetida ao Programa de Pós-Graduação em Modelagem Matemática da Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ - como parte dos requisitos necessários para a obtenção do Grau de Doutora em Modelagem Matemática.

(3)

(4)

AGRADECIMENTOS

Agradecer é sempre um momento muito difícil!

Mas, em primeiro lugar agradeço a Deus, por ter me iluminado, por ter me dado todas as oportunidades, por ter me protegido, principalmente, na estrada, onde por muitas vezes trafeguei chorando, sem saber ao certo qual seria meu destino, momentos como este me fortaleceram, me engrandeceram como mulher, como ser humano!

Agradeço a Deus todos os dias por ter colocado pessoas muito queridas em minha vida, principalmente, a minha família – pais, irmã e marido, pessoas estas que em nenhum momento deixaram de me dar forças para continuar, mesmo todas as circunstância dizendo o contrário. Não foi fácil esse período de doutoramento, mas em nenhum momento minha família deixou de estar do meu lado, me dando forças: você é capaz! E sou! Meus amados pais e irmã, nenhuma palavra ou gesto expressará o meu amor, respeito gratidão! Vocês são o meu maior exemplo! Peço sempre a Deus, que sempre os protejam! Cristiano, não sei se teria conseguido sem o teu estímulo, paciência e amor. Obrigada por me acolher sempre em teus braços nos momentos de desesperos, dizendo sempre palavras de conforto e calmaria. Deus obrigada por colocar uma pessoa tão maravilha em meu caminho!

Agradeço muito os meus professores orientadores, Fabrícia e José, pois, foram mais que orientadores da minha tese, foram amigos e grandes educadores para a vida! O mérito desta tese também é de vocês! Meu muito obrigada!

Aos amigos e compadres, Vanessa e Edi, muito obrigada por me abrigarem em sua casa, mesmo que no início, sem me conhecer direito, proporcionaram um lugar para ficar. Não tenho palavras para manifestar a minha imensa gratidão.

Aprendi durante o doutorado, que não conseguimos fazer nada sozinhos, e que ninguém é melhor que ninguém. Bolsista de graduação, mestrandos e doutorandos, não importa o grau de escolaridade, o que realmente importa é o respeito, humildade e a luta pelo conhecimento. Por isso, agradeço imensamente ao grupo de pesquisa, vocês foram imensamente importantes para o desenvolvimento desta tese, seja pela ajuda no campo, no laboratório, pelos ensinamentos agronômicos, troca de ideias e conhecimentos durante este período.

Aos professores que aceitaram fazer parte da banca de avaliação desta tese, meu muito obrigada, pelo apoio e sugestões de melhoria.

(5)

À UNIJUÍ e ao IRDeR, junto a seus colaboradores, que me ofereceram as condições acadêmicas necessárias para o desenvolvimento desta pesquisa.

Agradeço também, a todas as pessoas, familiares e amigos, que torceram ou intercederam por mim, mesmo que de forma anônima. A todos estes amigos e amigas: Muito OBRIGADA!

(6)

“A maior recompensa para o trabalho do

homem não é o que ele ganha com isso, mas o

que ele se torna com isso.”

John Ruskin

(7)

7

RESUMO

Modelos matemáticos que busquem simulações eficientes, descrevendo interações complexas junto aos efeitos não-lineares dos agroecossistemas vem sendo cada vez mais usados. Neste sentido, destaca-se o manejo da cultura do trigo, onde o nitrogênio é o elemento mais requerido, tendo forte influência sobre a produtividade e qualidade química dos grãos. A maior eficiência do nitrogênio está diretamente ligada às condições adequadas de solo e clima, condições nem sempre obtidas no momento da adubação.

Neste contexto, surge a possibilidade de uso de doses de nitrogênio ajustadas por condição de ano agrícola e aplicadas de forma cheia ou fracionada em função das condições de cultivo. Estratégias de simulação e otimização da produtividade e qualidade do trigo pelo uso do nitrogênio envolvendo de modo simultâneo, variáveis ligadas a planta, elementos meteorológicos do ano agrícola e de manejos importantes sobre a espécie pode contribuir no desenvolvimento de modelos eficientes na previsibilidade de safras e validação de novas tecnologias. O objetivo do estudo é o desenvolvimento de modelos matemáticos eficientes na simulação da produtividade do trigo por lógica fuzzy, redes neurais artificiais e do híbrido neuro-fuzzy, com otimização do uso do nitrogênio via algoritmos genéticos pelas relações que envolvem as formas de fornecimento do nutriente, associado aos estímulos fenológicos e ambientais nos principais sistemas de cultivo do noroeste do Rio Grande do Sul. O estudo foi realizado no Instituto Regional de Desenvolvimento Rural (IRDeR/UNIJUÍ), em Augusto Pestana, RS, nos anos de 2012 a 2018. O delineamento experimental foi o de blocos casualizados com quatro repetições em esquema fatorial 4 x 3, para doses de N-fertilizante (0, 30, 60, 90, 120 kg ha-1) e formas de fornecimento do nutriente [condição cheia (100%) no estádio fenológico V3

(terceira folha expandida); fracionada (70%/30%) no estádio fenológico V3/V6 (terceira

e sexta folha expandida); e fracionada (70%/30%) no estádio fenológico V3/R1 (terceira

folha expandida e diferenciação da espiga)], no sistema soja/trigo e milho/trigo. Os modelos de regressão expressaram com eficiência o comportamento da produtividade e qualidade química dos grãos de trigo em função do nutriente, seja pela dose cheia ou fracionada, influenciada pela condição de ano agrícola e sistema de sucessão de alta e reduzida liberação de N-residual. A contribuição relativa, correlação e análise de trilha permitem conhecer a dinâmica do nitrogênio sobre os caracteres da produtividade e qualidade química dos grãos de trigo, além da interação dos elementos meteorológicos sobre estas variáveis, permitindo identificar as reais relações. O modelo múltiplo é eficiente para simulação da produtividade e qualidade química dos grãos de trigo, sob efeito cumulativo entre ano favorável, aceitável e desfavorável nos sistemas de sucessão e condições de fornecimento do N-fertilizante, considerando variáveis controladas ou não-controladas. A lógica fuzzy, redes neurais artificiais e neuro-fuzzy são ferramentas que preveem com eficiência a produtividade e a qualidade química dos grãos de trigo pelo uso de nitrogênio com elementos meteorológicos. Destaca-se a neuro-fuzzy como a mais eficiente na simulação da produtividade e qualidade química dos grãos de trigo. O algoritmo genético permite otimizar a dose do nitrogênio nas condições de fornecimento, cheio e fracionado, nas variáveis controladas e não-controladas, com simulações da produtividade de grãos, biológica, teor de proteína total e amido. De modo geral, em V3

o uso do nitrogênio promove maior expressão da produtividade de grãos, torna-se a condição mais viável ao produtor por ser mais lucrativa, por diminuir custos operacionais.

Palavras-chave: Triticum aestivum L., doses, fracionamento, elementos meteorológicos,

(8)

ABSTRACT

Mathematical models for simulate efficient, describing complex interactions together with the nonlinear effects of agroecosystems that are being used. In this sense, selecting or managing the wheat crop, where nitrogen is the most necessary element, having a strong influence on the classification and chemical quality of grains. The greater efficiency of nitrogen is directly linked to adequate soil and climate conditions, wich is not always obtained at the time of fertilization. In this context, there is the possibility of using nitrogen doses adjusted for the condition of the agricultural year and applied in full or fractionated depending on the cultivation conditions. Simulation and optimization strategies for wheat productivity and quality through the use of nitrogen simultaneously involving variables linked to the plant, meteorological elements of the agricultural year and important managements about the species can contribute to the development of efficient models in crop predictability and validation new technologies. The objective of the study is the development of efficient mathematical models in the simulation of wheat productivity by fuzzy logic, artificial neural networks and the neuro-fuzzy hybrid, with optimization of the use of nitrogen via genetic algorithms by the relationships involving the forms of nutrient supply, associated with phenological and environmental stimuli in the main cultivation systems in the northwest of Rio Grande do Sul. The study was carried out at the Regional Institute for Rural Development (IRDeR/UNIJUÍ), in Augusto Pestana, RS, in the years 2012 to 2018. The experimental design was a randomized block with four replications in a 4 x 3 factorial scheme, for doses of N-fertilizer (0, 30, 60, 90, 120 kg ha-1) and ways of supplying the nutrient [full condition (100%) in the phenological stage V3 (third expanded leaf); fractionated (70%/30%) at the phenological stage V3/V6

(third and sixth expanded leaf); and fractionated (70%/30%) at the phenological stage V3/R1 (third expanded leaf and ear differentiation)], in the soy/wheat and corn/wheat

system. The regression models efficiently expressed the behavior of productivity and chemical quality of wheat grains as a function of the nutrient, whether by the full or fractional dose, influenced by the condition of the agricultural year and the succession system of high and reduced N-residual release. The relative contribution, correlation and trail analysis allow to know the dynamics of nitrogen on the characters of productivity and chemical quality of wheat grains, in addition to the interaction of meteorological elements on these variables, allowing to identify the real relationships. The multiple model is efficient for simulating the productivity and chemical quality of wheat grains, under a cumulative effect between favorable, acceptable and unfavorable years in the succession systems and supply conditions of the N-fertilizer, considering controlled or uncontrolled variables. Fuzzy logic, artificial neural networks and neuro-fuzzy are tools that efficiently predict the productivity and chemical quality of wheat grains through the use of nitrogen with meteorological elements. Neuro-fuzzy stands out as the most efficient in simulating the productivity and chemical quality of wheat grains. The genetic algorithm allowed to optimize the nitrogen dose in the conditions of supply, full and fractionated, in the controlled and uncontrolled variables, with simulations of grain, biological, total protein and starch yields. In general, in V3 the use of nitrogen promotes

greater expression of grain productivity, it becomes the most viable condition for the producer because it is more profitable, as it reduces operational costs.

Keywords: Triticum aestivum L., doses, fractionation, weather elements, regression,

(9)

LISTA DE FIGURAS

Figura 1. Croqui do experimento localizado no IRDeR em sistema milho/trigo e

soja/trigo...33

Figura 2. Manejos realizados nos 7 anos de cultivo...35

Figura 3. Coleta dos dados de produtividade de biomassa e grãos...36

Figura 4. Avaliação dos caracteres da espiga ...38

Figura 5. Espectrômetro de refletância no infravermelho proximal (NIRS)...39

Figura 6. Precipitação pluviométrica e temperatura máxima e mínima no ciclo de cultivo do trigo e o momento de fornecimento de nitrogênio...45

Figura 7. Reta Regressora...55

Figura 8. Comportamento da produtividade de grãos de trigo...68

Figura 9. Comportamento da produtividade biológica do trigo...80

Figura 10. Comportamento da produtividade de palha do trigo...83

Figura 11. Comportamento da proteína total dos grãos de trigo...96

Figura 12. Comportamento do amido dos grãos de trigo...99

Figura 13. Funções de pertinência das variáveis de entrada da lógica fuzzy...200

Figura 14. Funções de pertinência da variável de saída da lógica fuzzy...201

Figura 15. Arquitetura adotada da rede neural artificial...202

Figura 16. Estrutura ANFIS...204

Figura 17: Neurônio Artificial...211

Figura 18. Funções de ativação totalmente diferenciáveis...213

Figura 19. Exemplo de rede de camadas múltiplas...215

Figura 20: (a) Fase de propagação; (b) Sinais Funcionais...217

Figura 21: (a) Fase retro-propagação; (b) Sinais de erro...218

Figura 22. Notação para derivação do algoritmo backpropagation...218

Figura 23. Configuração do neurônio utilizado na derivação do algoritmo backpropagation...219

Figura 24. Sistema Fuzzy Tipo Takagi-Sugeno...230

Figura 25: Arquitetura ANFIS...230

Figura 26. Comportamento da produtividade de grãos de trigo a partir dos dados observados e simulados pela lógica fuzzy, redes neurais artificiais e neuro-fuzzy...237

(10)

Figura 27. Funções de pertinência da variável de saída proteína total da lógica fuzzy....247

Figura 28. Funções de pertinência da variável de saída amido da lógica fuzzy...248

Figura 29. Comportamento da proteína do trigo a partir dos dados observados e simulados pela lógica fuzzy, redes neurais artificiais e neuro-fuzzy...258

Figura 30. Comportamento do amido do trigo a partir dos dados observados e simulados pela lógica fuzzy, redes neurais artificiais e neuro-fuzzy...259

Figura 31. Esquema de um algoritmo genético...269

Figura 32. Esquema de cruzamento em ponto único...270

Figura 33. Operação de mutação nos cromossomos após o cruzamento...271

(11)

LISTAS DE TABELAS

Tabela 1. Temperatura e precipitação nos meses de cultivo e média de produtividade de grãos de trigo...43 Tabela 2. Análise de variância para experimento fatorial no delineamento em blocos ao acaso...51 Tabela 3. Análise de variância da regressão...56 Tabela 4. Análise de variância da regressão com repetição...58 Tabela 5. Regressão linear da taxa de produtividade de biomassa e médias de produtividade de grãos em trigo pela dose e fracionamento do nitrogênio no sistema soja/trigo...61 Tabela 6. Regressão linear da taxa de produtividade de biomassa e médias de

produtividade de grãos em trigo pela dose e fracionamento do nitrogênio no sistema milho/trigo...62 Tabela 7. Regressão na estimativa da máxima eficiência técnica, econômica e de expectativa de 3 t ha-1 pela condição de fornecimento do nitrogênio e estimativa de produtividade de grãos de trigo no sistema soja/trigo...65 Tabela 8. Regressão na estimativa da máxima eficiência técnica, econômica e de expectativa de 3 t ha-1 pela condição de fornecimento do nitrogênio e estimativa de produtividade de grãos de trigo no sistema milho/trigo...66 Tabela 9. Eficiência agronômica da produtividade de grãos, biológico e de palha de trigo nas condições de fornecimento do nitrogênio em distintos anos de cultivo no sistema soja/trigo...75 Tabela 10. Eficiência agronômica da produtividade de grãos, biológico e de palha de trigo

nas condições de fornecimento do nitrogênio em distintos anos de cultivo no sistema milho/trigo...76 Tabela 11. Simulação da produtividade biológica pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1_{da produtividade de grãos nas condições de}

fornecimento do nitrogênio no sistema soja/trigo...78 Tabela 12. Simulação da produtividade biológica pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1 da produtividade de grãos nas condições de fornecimento do nitrogênio no sistema milho/trigo...79

(12)

Tabela 13. Simulação da produtividade de palha pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1_{da produtividade de grãos nas condições de}

fornecimento do nitrogênio no sistema soja/trigo...81 Tabela 14. Simulação da produtividade de palha pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1 da produtividade de grãos nas condições de fornecimento do nitrogênio no sistema milho/trigo...82 Tabela 15. Eficiência agronômica da produtividade de grãos, proteína e amido nos grãos de trigo em dose cheia e fracionada do nitrogênio nos anos e sistema soja/trigo...90 Tabela 16. Eficiência agronômica da produtividade de grãos, proteína e amido nos grãos de trigo em dose cheia e fracionada do nitrogênio nos anos e sistema milho/trigo...92 Tabela 17. Regressão e simulação da proteína total do trigo pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1 da produtividade de grãos nas condições de fornecimento do nitrogênio no sistema soja/trigo...94 Tabela 18. Regressão e simulação da proteína total do trigo pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1 da produtividade de grãos nas condições de fornecimento do nitrogênio no sistema milho/trigo...95 Tabela 19. Regressão e simulação do amido do trigo pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1_{da produtividade de grãos nas condições de}

fornecimento do nitrogênio no sistema soja/trigo...97 Tabela 20. Regressão e simulação do amido do trigo pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1 da produtividade de grãos nas condições de fornecimento do nitrogênio no sistema milho/trigo...98 Tabela 21. Distância generalizada de Mahalanobis...106 Tabela 22. Exemplo da análise de trilha...109 Tabela 23. Média e contribuição relativa da dose do nitrogênio nas variáveis explicativas da produtividade e qualidade química de grãos de trigo no sistema soja/trigo...110 Tabela 24. Média e contribuição relativa da dose do nitrogênio nas variáveis explicativas da produtividade e qualidade química de grãos de trigo no sistema milho/trigo...112 Tabela 25. Média e contribuição relativa do fornecimento do nitrogênio sobre as variáveis explicativas da produtividade e qualidade química de grãos de trigo no sistema soja/trigo...113

(13)

Tabela 26. Média e contribuição relativa do fornecimento do nitrogênio sobre as variáveis explicativas da produtividade e qualidade química de grãos de trigo no sistema milho/trigo...114 Tabela 27. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema soja/trigo...117 Tabela 28. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema soja/trigo...121 Tabela 29. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema milho/trigo...124 Tabela 30. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema milho/trigo...127 Tabela 31. Valores médios das variáveis meteorológicas durante o ciclo de cultivo do trigo em distintos anos agrícolas...135 Tabela 32. Valor médio das variáveis da produtividade e qualidade química de grãos pela dose e condição de fornecimento do nitrogênio nos distintos anos no sistema soja/trigo...136 Tabela 33. Valor médio das variáveis da produtividade e qualidade química de grãos pela

dose e condição de fornecimento do nitrogênio nos distintos anos no sistema milho/trigo...138 Tabela 34. Contribuição relativa (S.j) dos efeitos das doses de nitrogênio em cada condição de fracionamento sobre as variáveis da produtividade, qualidade química de grãos e elementos meteorológicos...140 Tabela 35. Contribuição relativa (S.j) do efeito do fracionamento do nitrogênio em cada dose do nutriente sobre as variáveis da produtividade e qualidade de grãos com elementos meteorológicos no sistema soja/trigo...142 Tabela 36. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema soja/trigo...144 Tabela 37. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema soja/trigo...147 Tabela 38. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema milho/trigo...150

(14)

Tabela 39. Correlação e trilha dos componentes da espiga e qualidade química de trigo com a produtividade de grãos pelas doses de nitrogênio no sistema milho/trigo...153 Tabela 40. Análise de variância da regressão...163 Tabela 41. Valores médios da temperatura, soma térmica e precipitação pluviométrica do ciclo de cultivo do trigo por ano agrícola...165 Tabela 42. Valores médios da produtividade de biomassa de trigo por corte em cada doses e condições de fornecimento do nitrogênio por ano de cultivo no sistema soja/trigo...166 Tabela 43. Valores médios da produtividade de biomassa de trigo por corte em cada doses

e condições de fornecimento do nitrogênio por ano de cultivo no sistema milho/trigo...168 Tabela 44. Modelo múltiplo da produtividade de grãos em função das variáveis selecionadas pelo modelo Stepwise...170 Tabela 45. Simulação do modelo múltiplo da produtividade de grãos em função do fornecimento de nitrogênio, momento de corte de biomassa e variáveis meteorológicas no sistema soja/trigo...172 Tabela 46. Simulação do modelo múltiplo da produtividade de grãos em função do fornecimento de nitrogênio, momento de corte de biomassa e variáveis meteorológicas no sistema milho/trigo...173 Tabela 47. Valores médios da proteína total do trigo em distintos anos agrícolas...181 Tabela 48. Modelo múltiplo da proteína total e amido de grãos de trigo em função das variáveis biológicas, ambientais e dose de nitrogênio selecionadas por Stepwise no sistema soja/trigo...182 Tabela 49. Modelo múltiplo da proteína total e amido de grãos de trigo em função das variáveis biológicas, ambientais e dose de nitrogênio selecionadas por Stepwise no sistema milho/trigo...183 Tabela 50. Simulação do modelo múltiplo da proteína total e amido do trigo em função do fornecimento de nitrogênio e variáveis meteorológicas no ciclo de desenvolvimento no sistema soja/trigo...184 Tabela 51. Simulação do modelo múltiplo da proteína total e amido do trigo em função do fornecimento de nitrogênio e variáveis meteorológicas no ciclo de desenvolvimento no sistema milho/trigo...186

(15)

Tabela 52. Modelo múltiplo da proteína total e amido de grãos de trigo em função das variáveis selecionadas pelo modelo Stepwise no sistema soja/trigo...189 Tabela 53. Modelo múltiplo da proteína total e amido de grãos de trigo em função das variáveis selecionadas pelo modelo Stepwise no sistema milho/trigo...190 Tabela 54. Simulação do modelo múltiplo da proteína total e amido do trigo em função do fornecimento de nitrogênio e variáveis meteorológicas no sistema soja/trigo...191 Tabela 55. Simulação do modelo múltiplo da proteína total e amido do trigo em função do fornecimento de nitrogênio e variáveis meteorológicas no sistema milho/trigo...192 Tabela 56. Base de regras das variáveis meteorológicas e dose de nitrogênio para simulação da produtividade de grãos de trigo pela lógica fuzzy...199 Tabela 57. Definição da classe de saída para base de regras da lógica fuzzy à simulação da produtividade de grãos...199 Tabela 58. Parâmetros da neuro-fuzzy após o treinamento de simulação da produtividade de grãos para os sistemas soja/trigo e milho/trigo...202 Tabela 59. Comparação do controle neural e controle difuso...229 Tabela 60. Valores médios das variáveis meteorológicas e produtividade de grãos de trigo em distintos anos agrícolas...234 Tabela 61. Coeficiente de determinação do modelo rede neural artificial na arquitetura 3 -7 – 1 (neurônios de entrada – neurônios intermediários – neurônios de saída)...235 Tabela 62. Épocas de treinamento e raiz quadrada do erro médio quadrático do treinamento e validação da neuro-fuzzy na simulação da produtividade de grãos do trigo ...235 Tabela 63. Lógica fuzzy, rede neural e neuro-fuzzy na simulação da produtividade de grãos de trigo em cada estádio fenológico pela dose do nitrogênio, soma térmica e precipitação pluviométrica...236 Tabela 64. Definição da classe de saída para base de regras da lógica fuzzy à simulação da proteína total e amido dos grãos de trigo...245 Tabela 65. Parâmetros da neuro-fuzzy após o treinamento de simulação da proteína total e amido de trigo para os sistemas soja/trigo e milho/trigo...250 Tabela 66. Valores médios das variáveis meteorológicas e proteína total e amido do trigo em distintos anos agrícolas...252

(16)

Tabela 67. Coeficiente de determinação do modelo rede neural artificial para a proteína total e amido na arquitetura 3 -7 – 2 (neurônios de entrada – neurônios intermediários – neurônios de saída)...254 Tabela 68. Número de épocas de treinamento e raiz quadrada do erro médio quadrático do treinamento e validação da neuro-fuzzy na simulação da proteína total e amido do trigo...254 Tabela 69. Lógica fuzzy, rede neural e neuro-fuzzy na simulação da proteína total do trigo em cada estádio fenológico pela dose do nitrogênio, soma térmica e precipitação... 256 Tabela 70. Lógica fuzzy, rede neural e neuro-fuzzy na simulação do amido do trigo em cada estádio fenológico pela dose do nitrogênio, soma térmica e precipitação...257 Tabela 71. Parâmetros utilizados na otimização da dose do nitrogênio por algoritmo genético...266 Tabela 72. Informações das variáveis meteorológicas durante o ciclo de cultivo do trigo em distintos anos agrícolas...274 Tabela 73. Média dos indicadores de produtividade e qualidade química de grãos de trigo pela dose e condição de uso do nitrogênio nos distintos anos no sistema soja/trigo...275 Tabela 74. Média dos indicadores da produtividade e qualidade química de grãos de trigo pela dose e condição de uso do nitrogênio nos distintos anos no sistema milho/trigo...276 Tabela 75. Coeficientes de determinação do treinamento, teste, validação das redes neurais na arquitetura 3 - 7- 1 (neurônios de entrada – neurônios intermediários – neurônio de saída)...277 Tabela 76. Otimização da dose do nitrogênio das variáveis da produtividade e qualidade química de grãos de trigo em cada estádio fenológico...278 Tabela 77. Algoritmo genético na otimização da dose do nitrogênio e simulação via regressão polinomial da produtividade e qualidade química de grãos de trigo...279

(17)

SUMÁRIO 1. INTRODUÇÃO E JUSTIFICATIVA ... 22 2. OBJETIVOS ... 28 2.1. Objetivo Geral ... 28 2.2. Objetivos Específicos ... 28 Objetivo Específico I ... 28 Objetivo Específico II ... 28

Objetivo Específico III ... 29

Objetivo Específico IV ... 29

Objetivo Específico V ... 29

Objetivo Específico VI ... 29

Objetivo Específico VII ... 30

Objetivo Específico VIII ... 30

Objetivo Específico IX ... 30

Objetivo Específico X ... 30

3. METODOLOGIA GERAL ... 31

4. CLASSIFICAÇÃO DOS ANOS AGRÍCOLAS ... 41

5. A REGRESSÃO DA TAXA DE BIOMASSA E EFICIÊNCIA TÉCNICA E ECONÔMICA DA PRODUTIVIDADE DO TRIGO PELA DOSE E USO DO NITROGÊNIO NA CONDIÇÃO DE ANO AGRÍCOLA E SISTEMAS DE CULTIVO ... 47

5.1. Hipótese ... 47

5.2. Meta ... 47

5.3. Introdução ... 47

5.4. Materiais e Métodos ... 49

5.5. Modelos Matemáticos e Estatísticos ... 50

Análise de variância (ANOVA) ... 50

Modelo Estatístico de Agrupamento de Médias de Scott e Knott .. 52

Modelos de Regressão ... 54

5.5.3.1. Regressão Linear Simples ... 54

5.5.3.2. Regressão Polinomial ... 57

(18)

5.5.3.4. Máxima Eficiência Técnica e Econômica ... 59

5.6. Resultados e Discussão ... 60

5.7. Conclusões ... 70

6. MODELOS DE EFICIÊNCIA DE USO DO NITROGÊNIO NA PRODUTIVIDADE DO TRIGO POR ANO AGRÍCOLA E SISTEMAS DE CULTIVO ... 71

6.2. Meta ... 71

6.4. Material e Métodos ... 73

7. MODELOS DE EFICIÊNCIA DE USO DO NITROGÊNIO À QUALIDADE QUÍMICA DO TRIGO POR ANO AGRÍCOLA E SISTEMAS DE CULTIVO ... 86

7.2. Meta ... 86

8. CORRELAÇÃO E ANÁLISE DE TRILHA EM COMPONENTES DE PRODUTIVIDADE E QUALIDADE QUÍMICA DOS GRÃOS DE TRIGO PELA DINÂMICA DE USO DO NITROGÊNIO ... 102

8.1. Hipótese ... 102

8.2. Meta ... 102

8.5. Modelos Matemáticos ... 105

Contribuição relativa pelo modelo de Singh ... 105

Análise de correlação... 106

(19)

9. CORRELAÇÃO E TRILHA NA DINÂMICA DE RELAÇÕES ENTRE AS VARIÁVEIS DA PRODUTIVIDADE E QUALIDADE QUÍMICA DOS GRÃOS DE TRIGO E ELEMENTOS METEOROLÓGICOS NAS CONDIÇÕES DE USO DO NITROGÊNIO ... 132 9.1. Hipótese ... 132 9.2. Meta ... 132 9.3. Introdução ... 132 9.4. Material e Métodos ... 134 9.5. Modelos Matemáticos ... 135 9.6. Resultados e Discussão ... 135 9.7. Conclusões ... 156

10. REGRESSÕES LINEARES MÚLTIPLAS NA SIMULAÇÃO DA PRODUTIVIDADE DE GRÃOS DE TRIGO PELA INTERATIVIDADE NITROGÊNIO E ELEMENTOS METEOROLÓGICOS ... 157

10.1. Hipótese ... 157

10.2. Meta ... 157

Método de Seleção Stepwise ... 160

Regressão linear múltipla ... 162

11. REGRESSÕES LINEARES MÚLTIPLAS NA SIMULAÇÃO DA PROTEÍNA TOTAL E AMIDO DOS GRÃOS DE TRIGO PELA INTERATIVIDADE NITROGÊNIO E ELEMENTOS METEOROLÓGICOS . 176 11.1. Hipótese ... 176

11.2. Meta ... 176

(20)

12. LÓGICA FUZZY, REDES NEURAIS E NEURO-FUZZY NA PREVISIBILIDADE DA PRODUTIVIDADE DE GRÃOS DE TRIGO NAS DOSES E CONDIÇÕES DE FORNECIMENTO DO NITROGÊNIO E ELEMENTOS METEOROLÓGICOS ... 195 12.1. Hipótese ... 195 12.2. Meta ... 195 12.3. Introdução ... 195 12.4. Material e Métodos ... 197 12.5. Modelos Matemáticos ... 205 Lógica Fuzzy ... 205

Redes Neurais Artificiais (RNA) ... 209

12.5.2.1. Funções de ativação totalmente diferenciáveis ... 213

12.5.2.2. Arquitetura de redes neurais artificiais ... 214

12.5.2.3. Arquitetura de camadas múltiplas ... 215

12.5.2.4. Redes Perceptron multicamadas (PMC) ... 216

12.5.2.5. Algoritmo Backpropagation ... 216

12.5.2.6. Pesos da camada de saída ... 221

12.5.2.7. Pesos das camadas intermediárias ... 222

Sistema de inferência adaptativo neuro-fuzzy (ANFIS)... 226

12.5.3.1. Arquitetura do modelo ANFIS ... 229

13. LÓGICA FUZZY, REDES NEURAIS E NEURO-FUZZY NA PREVIBILIDADE DA PROTEÍNA TOTAL E AMIDO DE GRÃOS DE TRIGO NAS DOSES E CONDIÇÕES DE FRACIONAMENTO DO NITROGÊNIO E ELEMENTOS METEOROLÓGICOS ... 241 13.1. Hipótese ... 241 13.2. Meta ... 241 13.3. Introdução ... 241 13.4. Material e Métodos ... 243 13.5. Modelos Matemáticos ... 251

(21)

14. ALGORITMO GENÉTICO NA OTIMIZAÇÃO DA DOSE DE NITROGÊNIO EM CONDIÇÃO CHEIA E FRACIONADA DO NUTRIENTE E SIMULAÇÃO DA PRODUTIVIDADE E QUALIDADE QUÍMICA DO TRIGO 263 14.1. Hipótese ... 263 14.2. Meta ... 263 14.3. Introdução ... 263 14.4. Material e Métodos ... 265 14.5. Modelos Matemáticos ... 267 Algoritmo Genético ... 267 14.5.1.1. População inicial ... 269 14.5.1.2. Cruzamento ... 270 14.5.1.3. Mutação ... 271

14.5.1.4. Função aptidão ou fitness ... 272

14.5.1.5. Métodos de seleção de cromossomos para o cruzamento ... 272

14.5.1.5.1.Seleção por torneio ... 273

15. CONSIDERAÇÕES FINAIS ... 282

16. REFERÊNCIAS BIBLIOGRÁFICAS ... 285

(22)

1.INTRODUÇÃO E JUSTIFICATIVA

O conhecimento prévio e preciso de safras agrícolas é uma questão estratégica na agricultura mundial (GOMES et al., 2014; DANTAS et al., 2016; COSTA et al., 2017). A previsão com eficiência tem sido uma atividade complexa, em função dos diferentes manejos, tipos de solos e climas (CRUSIOL et al., 2016). Modelos matemáticos que busquem simulações eficientes, descrevendo interações complexas junto aos efeitos não lineares dos agroecossistemas vem sendo cada vez mais necessários (STRECK & ALBERTO, 2006; ROSA et al., 2015; SOARES et al., 2015). Os mesmos autores destacam que tais modelos são simplificações da realidade que permitem a descrição das interações complexas que ocorrem em agroecossistemas. As estimativas de produtividade também são úteis em comparações nos ensaios de híbridos/variedades, verificando a variabilidade de produção em uma mesma área ou entre diferentes áreas de cultivo, ou comparando diferentes práticas de manejo (RIZZI & RUDORFF, 2007; PRANDO et al., 2013; MAMANN et al., 2017). Além disso, avaliações precisas e confiáveis das safras trazem uma série de benefícios, permitindo aos agricultores e aos órgãos ligados ao setor o planejamento eficiente de suas atividades (ARAÚJO et al., 2015; CORDEIRO et al., 2017). Uma das formas de estimar a produtividade das culturas é por meio de modelos matemáticos, que podem ser empíricos ou modelos que possuem fundamentação física e biológica (ARAÚJO et al., 2015). Conforme Silva & Bergamasco (2001) os modelos tem contribuído, principalmente, para o conhecimento fisiológico das culturas, pois a modelagem tem evoluído à medida que se aumenta os trabalhos de experimentação, sendo que, a partir dos modelos já existentes são associados outros novos modelos, obtendo-se resultados mais próximos à realidade. Portanto, os fenômenos da natureza junto aos processos biológicos, por representarem dados que se comportam de maneira imprecisa, necessitam de modelos eficientes que facilitem o entendimento e as simulações (MEIRELLES et al. 2007; SCHIASSI et al. 2015).

Na agricultura, os modelos matemáticos estão sendo cada vez mais usados, seja em simulações de desenvolvimento vegetativo até produtividade das culturas (STRECK & ALBERTO, 2006; ROSA et al., 2015; MAROLLI et al., 2017). Dentre as técnicas de modelagem a mais difundida entre os pesquisadores é o uso de regressões (KAEFER et al., 2014; TAVARES et al., 2015; SCREMIN et al., 2017). Os modelos de regressão são largamente utilizados em diversas áreas do conhecimento onde o principal objetivo desta

(23)

técnica é obter um modelo que explique satisfatoriamente a relação entre variável dependente e uma ou mais variáveis independentes, possibilitando fazer predição de valores da variável de interesse (PINTO et al., 2016; MAROLLI et al., 2017). A modelagem via lógica fuzzy vem tomando espaço entre as mais diversas áreas conhecimento (VARGENS et al., 2003; MARÇAL & SUSIN, 2005; KHATCHATOURIAN et al., 2010; PONCIANO et al., 2011; SILVA et al., 2017; PASIEKA et al., 2017; SULAIMAN et al., 2018; DE MAMANN et al., 2020). Os modelos fuzzy, são técnicas que possibilitam a descrição de sistemas complexos de comportamentos não lineares, produzidos a partir de regras, que devem ser elaboradas por especialistas, fornecendo sua experiência à elaboração de um sistema de inferência (BARROS & BASSANEZI, 2010; SILVA et al., 2014b). Destaca-se também, a modelagem pela técnica de redes neurais artificiais, que apresenta um modelo matemático inspirado na estrutura de organismos inteligentes, os quais possibilitam inserir simplificadamente o funcionamento do cérebro humano em computadores (SPÖRL et al., 2011; FLECK et al., 2016). Uma possibilidade inovadora é também utilização do híbrido neuro-fuzzy, embora seja pouco referenciado, há relatos de estudos nas mais diversas áreas do conhecimento, especialmente, na agricultura, como modelo de predição e estimativa de parâmetros (SCHULTZ & WIELAND, 1997; YILMAZ & KAYNAR, 2011; AGHDAM et al., 2017). Em processos de otimização em biossistemas, o uso de algoritmo genético apresenta-se como uma técnica de busca e otimização inovadora, que une a modelagem matemática e a linguagem computacional. A principal vantagem do uso do algoritmo genético é representar uma técnica com propósito mais geral, o que o permite solucionar problemas de otimização combinando variáveis controladas e não controladas e de comportamento linear e não lineares (HARTMANN, 2002; SIVANANDAM & DEEPA, 2008; BRASIL et al., 2017; DORNELLES et al., 2018; REIS et al., 2018; LIMA et al., 2018).

O trigo (Triticum aestivum L.) é o segundo cereal mais produzido no mundo (ROSA et al., 2009; PRANDO et al., 2013; COTRIM et al., 2016; FRIZON et al., 2017; MAMANN et al., 2017a). É uma das principais fontes de alimentação animal e humana, sendo utilizado como matéria-prima na fabricação de diversos alimentos, como por exemplo, pães, bolos, biscoitos e massas. (HAYASHI JUNIOR et al., 2006; SCHEUER et al., 2011; COSTA et al., 2017). A estimativa de produção no Brasil para a safra de 2019 foi de 5,1 milhões de toneladas em uma área de 1,931milhões de hectares, que é cultivado

(24)

nos estados do RS, SC, PR, MG, SP, MS, GO e DF, com destaque para região Sul que concentra cerca de 90% da produção (CONAB, 2019). Essa produção, porém, é insuficiente para suprir a demanda nacional, para tanto o manejo do sistema de produção do trigo deve ser o mais especializado e eficiente possível, sendo a fertilização nitrogenada de fundamental importância para atingir e/ou ultrapassar o tetos de produtividade (ZAGONEL et al., 2002; BARBOSA et al., 2016; TODESCHINI et al., 2016; COSTA et al., 2017; ZAVALIN et al., 2018).

Além das condições climáticas favoráveis, o nitrogênio é decisivo em maximizar a produtividade vegetal, porém, a expectativa para altas produtividades, principalmente em condições desfavoráveis de cultivo, pode elevar as doses de adubação, aumentando os custos e tornando a cultura economicamente inviável (SALA et al., 2005; VIOLA et al., 2013; MAROLLI et al., 2017). Destaca-se que o nutriente é facilmente lixiviado em anos chuvosos e volatilizado em anos secos, aumentando os custos de produção e gerando poluição ambiental (TEIXEIRA FILHO et al., 2011; SILVA et al., 2015; TODESCHINI et al., 2016; COSTA et al., 2017). No entanto, sabe-se que o seu aproveitamento é limitado pelo caráter dinâmico desse nutriente pelas condições de solo e clima (MAROLLI et al., 2017; SCREMIN et al., 2017). Na indicação de cultivo se sugere a adubação de nitrogênio na semeadura e em cobertura (entre o início do afilhamento e início do alongamento), momentos onde o trigo necessita de maior aporte do nutriente (ARENHARDT et al., 2015; CUNHA et al., 2016).

Destaca-se que o momento mais propício à adubação em cobertura recai apenas sobre a fenologia da planta ligada ao período de maior carência do nutriente na formação dos componentes de produção (BREDEMEIER et al., 2013; OMARA et al., 2020). A definição da dose de adubação nitrogenada em trigo é determinada em função do teor da matéria orgânica do solo, da cultura precedente e da expectativa de produtividade (ZAGONEL et al., 2002; SIQUEIRA NETO et al., 2010; COSTA et al., 2017). A dose de nitrogênio a ser aplicada na semeadura varia entre 15 e 20 kg ha-1. O restante deve ser aplicado em cobertura. Na indicação de cultivo se sugere a adubação nitrogenada no início do afilhamento (estádio V3= 3a folha expandida, ao redor de 30 dias após

emergência) até o início do alongamento (estádio V6= sexta folha expandia, ao redor de

60 dias após emergência), compreendendo um intervalo de 30 dias entre o estádio V3 e

V6 (ARENHARDT et al., 2015; CUNHA et al., 2016; EMBRAPA, 2017). Pesquisas

(25)

nutriente por doses particionadas em momentos mais propícios à adubação (BREDEMEIER & MUNDSTOCK, 2001; ZAGONEL et al., 2002; FERRARI et al., 2016; EMBRAPA, 2017). O uso adequado da dose de nitrogênio e seu fornecimento de forma cheia ou fracionada, pode ser determinante na máxima eficiência produtiva de biomassa e de grãos de trigo. Contudo, as respostas da cultura às formas de disponibilidade do nitrogênio podem apresentar resultados distintos quando as condições de cultivo são alteradas (ARENHARDT et al., 2015; COSTA et al., 2017; SI et al., 2020). Pesquisas indicam que uma única aplicação em condições de temperatura e umidade de solo inadequadas podem alterar a eficiência de uso do nitrogênio pelo trigo. Evidências relatam a favor do fracionamento deste nutriente para a cultura (MEGDA et al., 2009; CAMPONOGARA et al., 2016). No entanto, outros estudos vêm mostrando que o uso de fracionamento do nitrogênio em trigo, não altera a produtividade de grãos e aumenta os custos de produção (ESPINDULA et al., 2010; TEIXEIRA FILHO et al., 2010). Além disso, a composição bioquímica dos resíduos afeta a dose e condição de uso do nitrogênio fertilizante frente à taxa de liberação do nutriente no solo e dos tecidos em decomposição (SIQUEIRA NETO et al., 2010). Assim, as relações complexas da planta, clima e manejo, devem ser consideradas na definição de manejos mais eficientes no fornecimento do nitrogênio a elaboração da produtividade.

Desta forma, o desenvolvimento de modelos que permitam simular as relações entre as condições de fornecimento do nitrogênio em diferentes doses, aplicada de forma cheia ou fracionada em distintas condições de ano agrícola e em sistemas de sucessão de alta e reduzida liberação de N-residual, são fundamentais à otimização das tecnologias de manejo à máxima qualidade do produto à indústria e à alimentação humana. O objetivo principal deste estudo é desenvolver modelos matemáticos eficientes na simulação da produtividade e qualidade química dos grãos de trigo por lógica fuzzy, redes neurais artificiais e do híbrido neuro-fuzzy, com otimização do uso do nitrogênio via algoritmos genéticos pelas relações que envolvem as formas de fornecimento do nutriente, associado aos estímulos fenológicos e ambientais nos principais sistemas de cultivo do noroeste do Rio Grande do Sul.

Esta Tese está dividida em quinze capítulos, com objetivos específicos distintos, no entanto, primordiais para o alcance do objetivo geral desta pesquisa. No capítulo um é apresentado uma introdução da pesquisa, abrangendo o problema, a justificativa da proposta e o objetivo geral do trabalho. No capítulo dois está mencionado o objetivo geral

(26)

junto aos objetivos específicos. No capítulo três mencionada a metodologia geral de análise do experimento, destacando os procedimentos da pesquisa, e as variáveis analisadas. O capítulo quatro, apresenta a análise e classificação dos anos agrícolas, que serviram como aporte necessário para o desenvolvimento dos modelos propostos. Os resultados estão apresentados nos capítulos cinco a quatorze, com uma breve introdução, metodologia e modelos matemáticos específicos de cada capítulo, junto às análises dos resultados e discussões dos modelos apresentados.

No capítulo cinco foram desenvolvidos modelos para a estimativa da taxa de produtividade de biomassa, além de modelos para determinação da máxima eficiência técnica e econômica, de modo a determinar doses de nitrogênio que refletem em maior retorno produtivo do trigo, além disso, aliado ao fator econômico e de maior produtividade de grãos, nas condições de fornecimento de nitrogênio. Nos capítulos seis e sete buscou-se estimar a máxima eficiência agronômica, técnica e econômica de uso do nitrogênio sobre a produtividade e qualidade química dos grãos de trigo, com simulação da produtividade de palha, biológica, proteína total e amido pelas doses ótimas obtidas pela máxima eficiência técnica, econômica e expectativa de 3 t ha-1, para cada condição de fornecimento do nitrogênio. Posteriormente, no capítulo oito foram utilizados os modelos de contribuição relativa, correlações e análise de trilha para conhecer as relações existentes entre as variáveis da produtividade e qualidade química dos grãos de trigo, em função das doses e condições de fornecimento do nitrogênio. Na sequência, o capítulo nove também traz os modelos de contribuição relativa, correlações e análise de trilha para conhecer as relações existentes entre as variáveis indicadores da produtividade, qualidade química dos grãos de trigo aliado aos efeitos das variáveis meteorológicas, em função das doses e condições de fornecimento do nitrogênio.

Nos capítulos dez e onze, foram desenvolvidos modelos matemáticos por regressão lineares múltiplas, na simulação da produtividade e qualidade química dos grãos de trigo, em função das doses de nitrogênio, produtividade de biomassa ao longo do ciclo e elementos meteorológicos, na elaboração de modelos eficientes para cada condição de fornecimento, cheio e fracionado do nitrogênio. Os capítulos doze e treze, inclui fatores controlados e não controlados, instituindo a possibilidade de melhor interpretação de resultados de estimativa da produtividade de grãos e qualidade química de grãos de trigo através da implementação de modelos de inteligência artificial, via lógica fuzzy, redes neurais artificiais e neuro-fuzzy. Por fim, o capítulo quatorze traz a otimização da dose

(27)

do nitrogênio por condição de fornecimento, cheio e fracionado, implementado pelo algoritmo genético, utilizando a rede neural como a função objetivo, visto a inclusão das variáveis dose de nitrogênio, soma térmica e precipitação pluviométrica. Para tanto, a dose otimizada foi obtida para cada variável dependente: produtividade de grãos, produtividade de biomassa, teor de proteína total e amido. Portanto, as doses de nitrogênio obtidas pela otimização através do algoritmo genético e as doses obtidas pela máxima eficiência técnica por regressão polinomial, foram utilizadas nos modelos de regressão, afim de analisar os efeitos das doses sobre as variáveis de interesse.

No capítulo quinze são apresentadas as considerações finais, as quais trazem as contribuições gerais da tese voltadas à utilização dos modelos desenvolvidos, junto das principais respostas que abrangem a eficiência, otimização e simulação da produtividade e qualidade química dos grãos de trigo, em função das doses e condições de fornecimento, cheio e fracionado do nitrogênio, elementos meteorológicos nos principais sistemas de sucessão do Sul do Brasil.

(28)

2.OBJETIVOS

Nesta seção são apresentados os objetivos desta pesquisa, os quais são divididos em objetivo geral e objetivos específicos.

2.1. Objetivo Geral

O objetivo principal deste estudo é desenvolver modelos matemáticos eficientes na simulação da produtividade e qualidade química dos grãos de trigo empregando técnicas de lógica fuzzy, redes neurais artificiais e do híbrido neuro-fuzzy, com otimização do uso do nitrogênio via algoritmos genéticos pelas relações que envolvem as formas de fornecimento do nutriente, associado à estímulos fenológicos e ambientais nos principais sistemas de cultivo do noroeste do Rio Grande do Sul.

2.2. Objetivos Específicos

Para alcançar o objetivo geral, são elencados os seguintes objetivos específicos:

Objetivo Específico I

Desenvolver modelos lineares e polinomiais para a simulação da taxa de produtividade de biomassa do trigo ao longo do ciclo de desenvolvimento e definição da máxima eficiência técnica e econômica de produtividade de grãos em função das doses de nitrogênio aplicada em condição cheia e fracionada, considerando sistemas de sucessão de alta e reduzida liberação de N-residual e de ano favorável, aceitável e desfavorável ao cultivo.

Objetivo Específico II

Simular por regressão linear a eficiência agronômica de aproveitamento do nitrogênio pela relação dose fornecida e produto obtido. A partir disso, simular pelos modelos lineares a expressão da produtividade biológica e de palha do trigo considerando

(29)

a dose ótima da expressão da produtividade de grãos em sistemas de sucessão de alta e reduzida liberação de N-residual e de ano favorável, aceitável e desfavorável ao cultivo.

Objetivo Específico III

Simular por regressão linear a eficiência agronômica de aproveitamento do nitrogênio pela relação dose fornecida e produto obtido. A partir disso, simular pelos modelos lineares a proteína total e amido do trigo considerando a dose ótima da expressão da produtividade de grãos em sistemas de sucessão de alta e reduzida liberação de N-residual e de ano favorável, aceitável e desfavorável ao cultivo.

Objetivo Específico IV

Obter estimativas de correlações entre as variáveis de produtividade e da qualidade química de grãos de trigo, bem como analisar a relação entre essas características e seus desdobramentos em efeitos diretos e indiretos pelas doses e condições de fornecimento do nitrogênio em distintos sistemas de cultivo.

Objetivo Específico V

Obter estimativas das correlações entre as variáveis de produtividade e da qualidade química de grãos de trigo e elementos meteorológicos, bem como as relações de interesse e de elevada magnitude que serão desdobradas em efeitos diretos e indiretos pelo modelo da análise de trilha, em cada dose e condição de fornecimento do nitrogênio em distintos sistemas de cultivo, buscando as verdadeiras relações de causa e efeito sobre as associações de interesse.

Objetivo Específico VI

Identificar variáveis potenciais para inclusão em modelo de simulação por regressão linear múltipla. Simular a produtividade de grãos de trigo ao longo do ciclo de desenvolvimento, considerando variáveis biológicas e ambientais e a dose de nitrogênio, em cada condição de fornecimento, nos sistemas de cultivo.

(30)

Objetivo Específico VII

Desenvolver regressão lineares múltiplas para a simulação da proteína total e amido, via seleção de variáveis que potencializam o modelo, através dos elementos meteorológicos, dias de corte e biomassa, além das inter-relações da dose e condição do fornecimento do nitrogênio durante o ciclo de cultivo, sob efeito cumulativo da variabilidade entre ano favorável, aceitável e desfavorável em distintos sistemas de sucessão soja/trigo e milho/trigo.

Objetivo Específico VIII

Buscar a previsibilidade da produtividade de grãos de trigo com base no sistema de lógica fuzzy, redes neurais artificiais e neuro-fuzzy em função das doses e condições de fornecimento de nitrogênio ligado aos efeitos não lineares das condições meteorológicas, a partir de dados experimentais construídos em condições reais de cultivo, nos principais sistemas de sucessão do trigo no Sul do Brasil.

Objetivo Específico IX

Simular via lógica fuzzy, redes neurais artificiais e neuro-fuzzy os indicadores da qualidade química, proteína total e amido, em função das doses e condições de fornecimento de nitrogênio ligado aos efeitos não lineares das condições meteorológicas, a partir de dados experimentais construídos em condições reais de cultivo, nos principais sistemas de sucessão do trigo no Sul do Brasil.

Objetivo Específico X

Desenvolver um modelo computacional via algoritmo genético para otimização das doses de nitrogênio nas condições de fornecimento aliado aos efeitos ambientais, utilizando como função objetivo a rede neural implementada. Portanto, promover a maximização da produtividade e qualidade química de grãos de trigo, trazendo benefícios sobre o manejo mais eficiente de uso do nitrogênio à redução de impacto econômico, ambiental e maior qualidade à alimentação.

(31)

3.METODOLOGIA GERAL

O presente estudo foi desenvolvido nos anos de 2012 à 2018 na área experimental do Instituto Regional de Desenvolvimento Rural (IRDeR) pertencente ao Departamento de Estudos Agrários (DEAg) da Universidade Regional do Noroeste do Estado do Rio Grande do Sul (UNIJUÍ) no município de Augusto Pestana/RS, localizado geograficamente a 28° 26’ 30’’ de latitude S e 54° 00’ 58’’ de longitude W. Apresenta ainda, uma altitude próxima a 400 metros a cima do mar.

O solo da unidade experimental se caracteriza por um Latossolo Vermelho distroférrico típico (U.M. Santo Ângelo). Apresenta um perfil profundo, bem drenado, coloração vermelho escuro, com altos teores de argila e predominância de argilominerais 1:1 e óxi-hidróxidos de ferro e alumínio. De acordo com a classificação climática de Köeppen, o clima da região se enquadra na descrição de Cfa (subtropical úmido), com ocorrência de verões quentes e sem ocorrência de estiagens prolongadas (KUINCHTNER & BURIOL, 2001). Além disso, apresenta invernos frios e úmidos, com ocorrência frequente de geadas.

A área na qual foi instalado o experimento tem como característica marcante a ocorrência de semeadura direta há mais de vinte anos, caracterizando, portanto um sistema de semeadura direta consolidado. No período do verão a área é ocupada com soja e com milho, refletindo nos dois sistemas de cultivo que foram utilizados nesta pesquisa.

Na implantação do ensaio, por volta de dez dias antes da semeadura, foi realizada uma análise de solo nas condições de estudo, identificando as características químicas do local (TEDESCO et al.,1995). A semeadura foi realizada no mês junho com semeadora-adubadora, seguindo as orientações técnicas da espécie. Cada parcela foi constituída de 5 linhas com 5 m de comprimento cada, e espaçamento entre linhas de 0,20 m, correspondendo a uma unidade experimental de 5 m2. A densidade populacional utilizada foi de 400 sementes viáveis m-2. As sementes foram submetidas ao teste de germinação e vigor em laboratório para corrigir a densidade de plantas e obter a população desejada.

Nos experimentos, foi aplicado na semeadura, 45 e 30 kg ha-1 de P2O5 e K2O,

respectivamente, com base nos teores de P e K no solo para expectativa de produtividade de grãos de 3 t ha-1 e de nitrogênio na base com 10 kg ha-1 (exceto na unidade experimental padrão), sendo o restante para contemplar as doses propostas em cobertura nos estádios em estudo, com nitrogênio disponibilizado na forma de ureia. Durante a execução, foram

(32)

efetuadas aplicações do fungicida tebuconazole de nome comercial FOLICUR®_{CE na}

dosagem de 0,75 L ha-1_{. Além disso, o controle de plantas daninhas foi efetuado com}

herbicida metsulfuron-metil de nome comercial ALLY® na dose de 4g ha-1 e capinas adicionais sempre que necessário.

Os estudos foram conduzidos em dois sistemas de cultivo, envolvendo a cobertura de solo com resíduo vegetal de elevada e reduzida relação carbono/nitrogênio (C/N), no sistema de sucessão soja/trigo e milho/trigo, respectivamente. Em cada sistema, dois experimentos foram conduzidos, um para quantificar a taxa de produtividade biológica total acumulada a cada 30 dias até o ponto de maturidade fisiológica e, o outro, para a colheita no final do ciclo visando exclusivamente à estimativa da produtividade de grãos e análise dos componentes da espiga. Portanto, nos quatro experimentos, o delineamento experimental adotado foi de blocos casualizados com quatro repetições, seguindo um esquema fatorial 5 x 3 para os fatores doses de nitrogênio, e formas de fornecimento do N-fertilizante, respectivamente. Nestas fontes de variação os níveis de cada fator foram assim representados: i) doses de nitrogênio (0, 30, 60, 90 e 120 kg ha-1); e ii) formas de fornecimento [condição cheia (100%) no estádio fenológico V3 (terceira folha

expandida); fracionada (70%/30%) no estádio fenológico V3/V6 (terceira e sexta folhas

expandidas) e fracionada (70%/30%) no estádio fenológico V3/R1 (terceira folha

expandida e diferenciação da espiga)], totalizando 240 unidades experimentais. A Figura 1, apresenta a distribuição das doses e condições de fornecimento do nitrogênio no delineamento experimental, juntamente, com a identificação dos blocos, em cada sistema de cultivo.

(33)

Figura 1. Croqui do experimento localizado no IRDeR em sistema milho/trigo e soja/trigo

V3 = Condição cheia (100%) da dose de nitrogênio na terceira folha expandida. V3/V6 = Condição fracionada (70%/30%) da dose de nitrogênio na terceira e sexta folha expandida e V3/R1 = Condição fracionada (70%/30%) da dose de nitrogênio na terceira e diferenciação da espigaFonte: Própria autora (2020)

O estádio de desenvolvimento é de suma importância conhecê-los, pois é em função deles que é decidida o momento adequado de se realizar os manejos fitossanitário que a cultura necessita, além de ser uma referência universal entre os profissionais que se dedicam tanto ao melhoramento, pesquisa e também de profissionais da assistência técnica. Dentre as várias escalas existentes que podem ser utilizadas na cultura do trigo, utiliza-se neste trabalho a proposta de (COUNCE et al., 2000).

Estádios de desenvolvimento vegetativo:

V1 – Colar formado na 1ª folha do colmo principal

60 30 120 90 0 60 30 IV 0 30 90 60 120 30 0 60 III 0 90 120 90 V3 V3/V6 V3/R1 120 90 30 60 0 120 90 120 60 30 0 V3 V3/V6 V3/R1 0 60 120 30 90 60 0 90 0 90 60 90 120 0 30 S is te m a S o ja /T ri g o V3 V3/V6 V3/R1 I 30 90 60 120 30 120 V3 V3/V6 V3/R1 0 90 0 60 120 30 II 60 30 120 0 90 60 30 120 ESTRADA 0 90 0 60 120 30 I 30 90 60 120 0 30 V3 V3/V6 V3/R1 120 30 90 60 90 120 30 120 0 90 0 60 II 60 IV 0 30 90 V3/R1 120 30 0 60 90 V3 V3/V6 0 120 90 30 60 0 V3 V3/V6 V3/R1 S is te m a M il h o /T ri g o III 90 120 60 30 V3 V3/V6 V3/R1 60 30 0 90 120 60 60 120 30 120 90 0

(34)

Estádios de desenvolvimento reprodutivo:

R0 – Iniciação da espiga

R1 – Diferenciação da espiga

R2 – Formação do colar na folha bandeira

R3 – Emissão da espiga

R4 – Antese

R5 – Elongação do grão

R6 – Expansão do grão

R7 – Maturidade de um grão da espiga

R8 – Maturidade completa da espiga

Dentre as tecnologias recomendadas nos cereais de inverno, destaca-se a adubação nitrogenada. Esta técnica é recomendada em função do teor de matéria orgânica dos solos, a produção que se deseja obter, textura e cultivo anterior. Existem várias fontes de nitrogênio no mercado, onde a ureia é a mais comercializada e utilizada nas culturas, por possuir a concentração de nitrogênio (45%) e por ter baixo custo de transporte, alta solubilidade, menor corrosividade, compatibilidade com inúmeros outros fertilizantes e defensivos, alta taxa de absorção foliar, disponibilidade imediata para as plantas e facilidade de manipulação, além de causar menor acidificação no solo (CIVARDI et al., 2011; CAIRES & MILLA, 2016). Na Figura 2, está apresentado o manejo do nitrogênio no decorrer dos sete anos de experimento instalado na área experimental.

(35)

Figura 2. Manejos realizados nos 7 anos de cultivo

(A) semeadura; (B) fonte do nutriente – ureia; (C) sistema de sucessão soja/trigo; (D) sistema de sucessão milho/trigo; (E) capinas; (F) fornecimento da adubação nitrogenada em V3; (G) fornecimento da adubação nitrogenada V3/V6; (H) fornecimento em V3/R1. Fonte: Própria autora (2020)

A cultivar utilizada para a realização dos experimentos foi aquela de genética excelente, resistência às manchas foliares, alto nível de resistência à ferrugem da folha e bacteriose, além do elevado nível de resistência aos maiores problemas de difícil controle na cultura do trigo, contemplando doenças como Brusone e Giberela, além de ter como característica o alto potencial produtivo para a região do noroeste do estado do Rio Grande do Sul.

Na Figura 3, está apresentada a forma com que se deu a colheita dos experimentos para a estimativa da produtividade de biomassa e grãos, sendo que ocorreu de forma manual pelo corte das três linhas centrais de cada parcela, estádio próximo ao ponto de colheita (125 dias), com umidade de grãos de 15% (SILVA et al., 2015). As parcelas direcionadas para a colheita de grãos foram trilhadas com colheitadeira estacionária e encaminhadas ao laboratório para correção da umidade de grãos para 13%, após realizada a pesagem e estimativa da produtividade de grãos, convertida para a unidade de um

(36)

hectare (PG, kg ha-1_{). Nos experimentos direcionados à produtividade biológica total ao}

longo do desenvolvimento das plantas, a colheita do material vegetal foi realizada rente ao solo, a partir da coleta de um metro linear das três linhas centrais de cada parcela, no período de 30, 60, 90 e 120 dias após a emergência, totalizando quatro cortes. Após, as amostras com a biomassa verde foram direcionadas a estufa de ar forçado à temperatura de 65 °C, até atingir peso constante, para a estimativa da matéria seca total, convertida para a unidade de um hectare (PB, kg ha-1).

Figura 3. Coleta dos dados de produtividade de biomassa e grãos

(A) corte de biomassa aos 30 dias; (B) corte de biomassa aos 60 dias; (C) corte de biomassa aos 90 dias; (D) corte de biomassa aos 120 dias; (E) estufa para secagem das amostras; (F) pesagem da amostra de biomassa seca; (G) corte das três linhas centrais para estimativa da produtividade de grãos; (H) trilha do material coletado. Fonte: Própria autora (2020)

Foram analisados, tanto a campo como em laboratório, os seguintes caracteres que compõem a produtividade da cultura:

(37)

a) Caracteres de produtividade:

1 - Produtividade de grãos (PG, kg ha-1_{) – determinada pela massa de grãos proveniente}

da colheita das três linhas centrais de cada parcela e posterior pesagem em balança de precisão.

2 - Produtividade biológica (PB, kg ha-1) – equivale à massa seca total obtida no final do ciclo.

3 - Produtividade de palha (PP, kg ha-1) – determinada pela diferença da PB pela PG.

b) Caracteres da espiga:

1 - Massa da espiga (ME, g) – Média obtida de 10 espigas coletas aleatoriamente de cada parcela.

2 - Número de espiguetas férteis (NEF, n) – foi realizada através da contagem manual das espiguetas férteis de espigas colhidas aleatoriamente na parcela.

3 - Número de espiguetas estéreis (NEE, n) – foi realizada através da contagem manual das espiguetas inférteis de espigas colhidas aleatoriamente na parcela.

4 - Número de grãos na espiga (NGE, n) – por meio da trilha e contagem de grãos de espigas colhidas aleatoriamente na parcela.

5 - Massa de grãos da espiga (MGE, g) – utilizados os grãos anteriormente trilhados e pesados em balança de precisão.

6 - Comprimento da espiga (CE, n) – determinado por mensuração com auxílio de régua. 7 - Índice de colheita da panícula (ICE) – determinado pela razão da massa de grãos da espiga pela massa da espiga (ICP = MGE/ME, representado em valor decimal.

Na Figura 4 são apresentadas as avaliações de algumas variáveis ligadas a produtividade e caracteres da espiga.

(38)

Figura 4. Avaliação dos caracteres da espiga

(A) espiga de trigo; (B) comprimento da espiga; (C) massa da espiga; (D) trilha da espiga; (E) massa de grãos. Fonte: Própria autora (2020)

c) Caracteres de qualidade química de grãos:

As análises químicas foram mensuradas através da técnica da espectrofotometria de refletância no infravermelho proximal, NIR (Near infrared Reflectance), a qual tem demonstrado ser uma técnica apta para predizer o valor nutritivo dos alimentos por meio da emissão de radiação eletromagnética, caracterizando substâncias orgânicas, é fundamentado em aplicações da matemática à química analítica (PIRES et al., 1998). Além disso, o método da refletância no infravermelho proximal apresenta-se como alternativa que não utiliza reagentes, não é destrutivo e é extremamente rápido e eficaz (Figura 5).

(39)

Figura 5. Espectrômetro de refletância no infravermelho proximal (NIR)

Própria autora (2020)

Para as avaliações foram utilizadas amostras que fossem suficientes para encher o recipiente do equipamento, sendo que as dimensões do equipamento são: 7,5 cm de diâmetro, 2,5 cm de altura e 120 mL de volume, provenientes de cada parcela útil. O equipamento utilizado é da marca Perten, modelo Diode Array DA7200, no qual está instalado no laboratório de bromatologia da UNIJUÍ.

Os caracteres avaliados foram: 1 - Proteína total (PT, %)

2 - Amido (AM, %)

d) Caracteres agrometeorológicos:

Os dados agrometeorológicos foram obtidos pela Estação Total Automática instalada a 200 metros da implantação do experimento.

1 - Tmin (ºC) – Temperatura mínima da cultura

2 - Tmax (ºC) – Temperatura máxima da cultura

3 - Tmed (ºC) – Temperatura média da cultura

4 - PP (mm m-2) – Precipitação pluviométrica 5 - St (graus dia-1) – Soma térmica

Destaca-se que a soma térmica (St) foi obtida a partir da emergência das plantas pelo seguinte modelo:

(40)

St = ∑ ( Tmax+Tmin 2 n

i=1 ) − Tb (1)

onde Tmax= temperatura máxima; Tmin= temperatura mínima; n = número de dias do

período de semeadura-colheita; Tb = temperatura base. A temperatura base utilizada no estudo foi de 4ºC, conforme resultados encontrados por Pedro Júnior et al. (2004).