| Processo: | 19/18458-0 |
| Linha de fomento: | Bolsas no Brasil - Programa Capacitação - Treinamento Técnico |
| Vigência (Início): | 01 de outubro de 2019 |
| Vigência (Término): | 28 de fevereiro de 2021 |
| Área do conhecimento: | Ciências Agrárias - Agronomia - Agrometeorologia |
| Pesquisador responsável: | Antonio Sergio Ferraudo |
| Beneficiário: | Wilton Schiavinatto |
| Instituição-sede: | Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil |
| Vinculado ao auxílio: | 18/24248-5 - Redes neurais artificiais aplicadas a séries de precipitação pluvial, AP.R |
| Assunto(s): | Redes neurais (computação) Aprendizagem Modelagem Simulação (aprendizagem) Análise de séries temporais Precipitação atmosférica |
Resumo A característica chave das redes neurais artificiais (RNs) é a sua capacidade de aprender com a experiência. Os principais processos de aprendizagem neural são: aprendizagem supervisionada e aprendizagem não supervisionada. Na aprendizagem supervisionada o comportamento de saída é conhecido a priori e a rede é levada a reproduzir as saídas desejadas. Na aprendizagem não supervisionada, a rede por si só, deve extrair regularidades existentes nos estímulos de entrada. Princípios de aprendizagem neural não supervisionada tendem a ser mais plausíveis biologicamente do que as técnicas supervisionadas normalmente usadas no controle. As RNs destacam-se como modelos não lineares gerais com capacidade de aprender padrões complexos presentes em conjuntos de dados de determinados fenômenos (por exemplo, séries temporais) e, por esta razão, trazem uma grande contribuição ao estudo de previsão de séries temporais. Serão aplicadas RNs de múltiplas camadas (com aprendizagem supervisionada) e de bases radiais como modelos de ajuste e previsão da precipitação pluvial como metodologia de séries temporais para dados diários, médias de cinco, dez e trinta dias com defasagens no tempo. As RNs de múltiplas camadas serão aplicadas também como modelos de regressão considerando como entradas na rede as variáveis: pressão atmosférica; temperaturas máxima, mínima e média; umidades relativa máxima, mínima e média; número de dias por mês com deficiência hídrica, velocidade média do vento, rajada do vento e radiação global e como saída da rede a precipitação. Serão aplicadas também como Análise de Componentes Principais não lineares. As irregularidades da precipitação, secas ou excessos, afetam o cultivo e o rendimento das culturas anuais, interferindo em todo o calendário agrícola e consequentemente no zoneamento agrícola. O Brasil é um pais imenso com quatro estações climáticas, vasta rede hídrica e com um potencial agrícola invejável. Daí a importância de se compreender a precipitação. Neste projeto é proposta a metodologia de redes neurais artificiais como complemento a outras técnicas já existentes e consagradas que auxiliam os gestores rurais nos processos de tomadas de decisões. | |