Predição da produtividade da cultura do milho utilizando rede neural artificial / Corn crop production prediction using artificial neural network

RESUMO

Esta investigação visa avaliar o desempenho de redes neurais artificiais na predição da produtividade da cultura do milho, no município de Jaguari, região Central do Estado do Rio Grande do Sul, com base em variáveis morfológicas da cultura. Para treinamento e validação das redes neurais, foram utilizados dados publicados por SOARES (2010). Foram testadas diversas redes neurais do tipo perceptron, multicamadas com algoritmo backpropagation otimizado (Levenberg-Marquardt). Elas tiveram como variáveis na camada de entrada índice de área foliar; matéria verde total; altura de planta; e no de planta m-2. Na camada de saída produção de grãos. Cada arquitetura foi treinada 10 vezes, escolhendo-se, ao final do treinamento, aquela com menor erro relativo médio e menor variância em relação aos dados de validação. A eficiência das redes foi analisada por meio de indicadores estatísticos. A rede com 35 neurônios na camada escondida apresentou os menores erros nos processos de treinamento e validação, dentre as diversas arquiteturas treinadas. Dessa forma, a rede neural com arquitetura 4-35-1 apresenta bom desempenho, sendo eficiente na estimativa da produção de grãos, considerando a região de abrangência do experimento.

ABSTRACT

This investigation aimed to evaluate the performance of artificial neural networks to predict the corn grain yield in the city of Jaguari, Central region of Rio Grande do Sul, based on morphological characteristics of this culture. It was used the data published by SOARES (2010) for training the neural networks. Several multilayer perceptron neural networks with backpropagation-optimized algorithm (Levenberg-Marquardt) were tested. The input layer variables used were leaf area index, total green matter, plant height and number of plants m-2 and the output layer corn grain yield. Each architecture was trained 10 times, picking up at the end of training the one with lower mean relative error and less variance for data validation. efficiency of the networks was analyzed by means of statistical indicators. Among many architectures trained, the network with 35 neurons in the hidden layer had the lowest error in training and validation processes. In this way, the neural network with architecture 4-35-1 presents a good performance, being efficient to estimate grain production, considering the region covered by the experiment.