ads:
SISTEMA AUTOMATIZADO PARA ESTIMAÇÃO DA
EVAPOTRANSPIRAÇÃO DE REFERÊNCIA E DO BALANÇO
HÍDRICO PARA REGIÃO NORTE FLUMINENSE UTILIZANDO
REDES NEURAIS ARTIFICIAIS (RNA’s)
MÁRCIO TAKESHI SUGAWARA
UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE DARCY
RIBEIRO – UENF
CAMPOS DOS GOYTACAZES – RJ
2008
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
FICHA CATALOGRÁFICA
Preparada pela Biblioteca do CCTA/UENF 008/2009
Sugawara, Márcio Takeshi
Sistema automatizado para estimação da evapotranspiração de referência e
do balanço hídrico para região Norte Fluminense utilizando redes neurais
artificiais (RNA`s) / Márcio Takeshi Sugawara – 2008. 61 f.: il.
Orientador: Elias Fernandes de Sousa
Tese (Doutorado em Produção Vegetal) – Universidade Estadual do Norte
Fluminense Darcy Ribeiro, Centro de Ciências e Tecnologias Agropecuárias.
Campos dos Goytacazes, RJ, 2008. Bibliografia: f. 56 - 61.
1. Microcontroladores 2. Sensores 3. Evapotranspiração 4. Redes neurais
artificiais 5. Estações meteorológicas automáticas I. Universidade Estadual
do Norte Fluminense - Darcy Ribeiro. Centro de Ciências e Tecnologias
Agropecuárias. II. Título.
CDD – 630.2515
ads:
SISTEMA AUTOMATIZADO PARA ESTIMAÇÃO DA
EVAPOTRANSPIRAÇÃO DE REFERÊNCIA E DO BALANÇO
HÍDRICO PARA REGIÃO NORTE FLUMINENSE UTILIZANDO
REDES NEURAIS ARTIFICIAIS (RNA’s)
MÁRCIO TAKESHI SUGAWARA
“Tese apresentada ao Centro de Ciências e
Tecnologias Agropecuárias da Universidade
Estadual do Norte Fluminense Darcy Ribeiro,
como parte das exigências para obtenção do
título de Doutor em Produção Vegetal”
Aprovada em 05 de março de 2008
Comissão Examinadora:
_________________________________________________________________
Prof. Gilberto Chohaku Sediyama (Ph. D., Engenharia Agrícola) – Purdue
University
_________________________________________________________________
Dr. Sidney Sára Zanetti (D. Sc., Produção Vegetal) – UENF
_________________________________________________________________
Prof. Vicente de Paulo Santos de Oliveira (D. Sc., Engenharia Agrícola) – UFV
_________________________________________________________________
Prof. Elias Fernandes de Sousa (D. Sc., Produção Vegetal) – UENF
Orientador
AGRADECIMENTO
A Deus, por me dar condições de vencer os obstáculos e subir mais um
degrau em minha carreira profissional e pela proteção e saúde, que foram
essenciais para a conclusão deste trabalho.
Aos meus pais, Yoichi Sugawara e Fumie Mihara Sugawara, pelo apoio,
incentivo e confiança.
À minha noiva Daniela Mayumi Sakuraoka, pela paciência, apoio e
compreensão em todos os momentos.
À minha família Reiko, Márcia, Isamu, Kaname, Marisa, Lyoh, Ken, Hisami,
Harumi, Yoichi, Minoru, Lídia, Cristiane, Renato e Batian, pelo apoio e incentivo.
À Universidade Estadual do Norte Fluminense Darcy Ribeiro, pela
oportunidade de realizar este curso.
À Faperj/UENF pela bolsa de estudos.
Ao meu orientador, Elias Fernandes de Sousa, meus especiais
agradecimentos pela valiosa orientação e pelo apoio incondicional. E ainda por
sua dedicação e exemplo de profissionalismo.
Ao Sidney Sara Zanetti, pelo apoio irrestrito, e em particular, pelo auxílio na
execução da parte prática deste trabalho.
Ao professor Gilberto Chohaku Seidyama e sua família pelas valiosas
orientações e sugestões; grande responsável pela minha formação profissional.
Ao professor Gustavo Bastos Lyra (UFAL), Vicente de Paulo Santos de
Oliveira (CEFET-Campos) e Luiz Maurício de Oliveira Monteiro (UCAM-Campos)
pelo apoio técnico e valiosas sugestões.
Aos companheiros de república, Sidney Zanetti e Guilherme Lyra, pelo
companheirismo e apoio pelas valiosas sugestões, companheirismo e apoio em
todos os momentos dessa jornada.
Aos amigos Marcela Campanharo, André Assis, Poliana Daré, Elton
Moisés, Regiane, Derliane, Leandro Marelli pelo excelente convívio e apoio
nesses anos de estudos.
A todos os meus colegas do corpo administrativo da UENF e PESAGRO-
RIO que muito contribuíram para que este trabalho fosse concluído com êxito.
Aos colegas do curso de mestrado e doutorado pela amizade, momentos
de descontração e longas horas de convívio.
Aos demais professores do Centro de Ciências e Tecnologias
Agropecuárias, UENF/CCTA pelo apoio e valiosas sugestões.
Aos professores do CEFET-Campos dos cursos de Técnico em
Telecomunicações e Tecnólogo em Sistemas Elétricos pelo apoio incondicional
durante o curso.
A todos que, de alguma forma, contribuíram na realização deste trabalho.
SUMÁRIO
LISTA DE SÍMBOLOS ..........................................................................................viii
LISTA DE FIGURAS...............................................................................................x
LISTA DE QUADROS........................................................................................... xii
RESUMO ..............................................................................................................xiii
ABSTRACT...........................................................................................................xv
1. INTRODUÇÃO....................................................................................................1
2. REVISÃO DE LITERATURA...............................................................................4
2.1. Evapotranspiração e manejo de irrigação ....................................................4
2.2. Evapotranspiração de referência (ETo)........................................................7
2.3. Monitoramento Automatizado.......................................................................8
2.4. Microcontrolador.........................................................................................10
2.5. Redes Neurais Artificiais (RNA’s)...............................................................13
2.6. ETo e Redes Neurais Artificiais (RNA’s).....................................................22
3. MATERIAL E MÉTODOS..................................................................................27
3.1. Localização da Área...................................................................................27
3.2. Caracterização Local..................................................................................28
3.3. Protótipo do Equipamento..........................................................................28
3.3.2. Microcontrolador ..................................................................................30
3.3.3. Módulo display LCD.............................................................................31
3.3.4. Sensor de temperatura ........................................................................32
3.3.5. Sensor de precipitação pluvial .............................................................33
3.3.6. Descrição do Circuito...........................................................................34
3.3.7. Descrição do Programa .......................................................................36
3.3.8. Abrigo meteorológico ...........................................................................38
3.4. Evapotranspiração de referência (ETo)......................................................39
3.5. Estimativa de ETo usando a Rede Neural..................................................40
Página
3.6. Balanço hídrico...........................................................................................41
3.7. Avaliação dos resultados............................................................................42
4. RESULTADOS E DISCUSSÃO ........................................................................45
4.1. Desempenho do Protótipo para estimação das temperaturas máxima e
mínima...............................................................................................................45
4.2. Desempenho do Protótipo para estimação da evapotranspiração .............48
4.3. Desempenho do Protótipo para estimação do Balanço Hídrico .................51
4.4. Custo do Protótipo......................................................................................52
5. RESUMO E CONCLUSÕES.............................................................................54
6. REFERÊNCIAS BIBLIOGRÁFICAS..................................................................56
viii
LISTA DE SÍMBOLOS
a = Intercepto;
ARM = lâmina de armazenamento da água sobre a superfície do solo, mm;
b = Declividade;
b
1
= bias das camadas de neurônios ocultas;
b
2
= bias das camadas de neurônios de saída;
C = coeficiente de escoamento superficial, adimensional;
c = índice de confiança, adimensional;
CC = umidade do solo na capacidade de campo, cm
3
cm
-3
;
CPU = unidade central de processamento;
d = índice de concordância, adimensional;
d
s
= densidade do solo, g cm
-3
;
EMA’s = estações meteorológicas automáticas;
EMC’s = estações meteorológicas convencionais;
EAM = erro absoluto médio, unidade da variável em análise;
EQMs = erro quadrado médio sistemático ;
EQMns = erro quadrado médio não sistemático;
E
i
= valor estimado pelo modelo;
ET
o
= evapotranspiração de referência – Penman-Monteith, mm;
ET
H
= evapotranspiração de referência - Hargreaves & Samani, mm;
ET
r
= evapotranspiração real da cultura , mm;
ix
HS = Modelo de Hargreaves & Samani;
I/O = portas de entradas e saídas;
K
c
= coeficiente da cultura, adimensional;
K
p
= coeficiente do tanque classe “A”, adimensional;
LCD = display de cristal líquido;
MBE = erro sistemático;
MLP = perceptron de múltiplas camadas;
n = número de observações;
O
i
= valor observado experimentalmente, unidade da variável em análise;
O
= média dos valores observados experimentalmente, unidade da variável
em análise;
P = probabilidade de significância do teste F, adimensional;
P
(j)
= precipitação ocorrida no dia j, mm;
PMP = umidade do solo no ponto de murcha permanente, cm
3
cm
-3
;
PM = Modelo de Penman-Monteith;
REQM = raiz do erro quadrado médio, unidade da variável em análise;
RMSEs = erro sistemático;
RMSEns = erro não sistemático;
RNA’s = redes neurais artificiais;
RAM = memória de acesso aleatório;
ROM = memória de leitura;
r
2
= coeficiente de determinação, adimensional;
s
2
d
= variância do MBE;
sO = Desvio padrão dos valores observados;
sE = Desvio Padrão dos valores estimados;
u
k
= junção aditiva;
ULA = unidade lógica aritmética;
w
(k,j)
= pesos sinápticos;
w
i
= peso associado à entrada;
w
1
= matriz de pesos w1;
w
2
= matriz de pesos w2;
x
j
= limiar x
i
do neurônio;
y
k
= sinal de saída do neurônio k;
θ = limiar θ do neurônio.
x
LISTA DE FIGURAS
Figura 1 = Modelos de microcontroladores;
Figura 2 = Arquitetura geral dos microcontroladores;
Figura 3 = Procedimento básico para programação e utilização de
microcontroladores;
Figura 4 = Pesos e sinais de disparo que ocorrem na conexão;
Figura 5 = Exemplos de funções de ativação;
Figura 6 = Exemplos de arquiteturas de RNA;
Figura 7 = Dados ajustados adequadamente;
Figura 8 = Dados ajustados em excesso;
Figura 9 = RNA desenvolvida por Zanetti et al. (2007);
Figura 10 = Detalhe do neurônio de saída no modelo não linear utilizado;
Figura 11 = Vista parcial da área experimental PESAGRO-RIO;
Figura 12 = Protótipo instalado em campo;
Figura 13 = Microcontrolador PIC-18F452 da marca MICROCHIP-TM;
Figura 14 = Microcontrolador PIC-18F452 com identificação geral dos pinos e as
respectivas funções;
Figura 15 = Módulo de display de LCD;
Figura 16 = Controlador HD44780 do módulo de display LCD;
Figura 17 = Sensor de temperatura LM-35 da National Semiconductors;
Figura 18 = Sensor de precipitação pluvial eletrônico Rain Collector II;
Figura 19 = Modelo simplificado do esquema eletrônico do protótipo;
xi
Figura 20 = Placa mãe do Protótipo;
Figura 21 = Fluxograma utilizado na programação do microcontrolador;
Figura 22 = Abrigo do sensor de temperatura;
Figura 23 = Protótipo do abrigo do sensor de temperatura;
Figura 24 = Gráfico de desempenho do protótipo para estimativa da temperatura
máxima;
Figura 25 = Gráfico de desempenho do protótipo para estimativa da temperatura
mínima;
Figura 26 = Gráfico de desempenho do protótipo para estimativa da ETo pelo
modelo de Hargreaves-Samani;
Figura 27 = Gráfico de desempenho do protótipo para estimativa da ETo;
Figura 28 = Gráfico do balanço hídrico do período.
xii
LISTA DE QUADROS
Quadro 1 = Microcontroladores encontrados no mercado.
Quadro 2 = Dados de entrada propostos para estimação da ETo usando redes
neurais artificiais;
Quadro 3 = Matrizes de pesos e bias;
Quadro 4 = Resultados do desempenho do Protótipo em relação às
temperaturas máxima e mínima;
Quadro 5 = Resultados do desempenho do Protótipo em relação à ETo_PM e
ETo_HS;
Quadro 6 = Tabela com os valores dos componentes utilizados.
xiii
RESUMO
SUGAWARA, Márcio Takeshi, D. Sc.; Universidade Estadual do Norte Fluminense
Darcy Ribeiro; Março de 2008. Sistema automatizado para estimação da
evapotranspiração de referência e do balanço hídrico para região Norte
Fluminense utilizando redes neurais artificiais (RNA’s). Professor Orientador: Elias
Fernandes de Sousa.
Desenvolveu-se e testou-se um sistema automatizado de baixo custo para
a estimação da evapotranspiração de referência (ETo) e do balanço hídrico do
solo. No desenvolvimento do Protótipo, foram utilizados um microcontrolador
(PIC18F452), um sensor de temperatura (LM35), abrigo de sensor, pluviômetro
eletrônico, outros componentes eletrônicos e um modelo de Rede Neural Artificial
(RNA). A RNA tem como dados de entrada as temperaturas máximas e mínimas
do ar, a radiação solar extraterrestre e o fotoperíodo máximo diário. Os dados
coletados pelo protótipo foram as temperaturas máximas e mínimas do ar e a
precipitação pluviométrica. Para cada dia, o microcontrolador foi programado para
calcular as variáveis climatológicas, a ETo (via RNA) e o balanço hídrico,
mostrando os resultados no visor de cristal líquido (LCD). Comparou-se os
valores de ETo estimados pelo equipamento desenvolvido com os valores de ETo
calculados pelo modelo de Penman-Monteith (PM) e pelo método de Hargreaves
& Samani (HS), utilizando-se os dados de uma estação meteorológica automática
(EMA) Adolf Thies-Clima. A análise do resultado obtido para os dados de
temperatura máxima e mínima demonstrou que o sensor de temperatura LM-35
teve desempenho satisfatório para todas as ferramentas de análise utilizadas.
Para estimativa da esvapotranspiração, os resultados indicaram que o modelo de
RNA utilizado teve um melhor desempenho do que o modelo de HS, para todas
as ferramentas de análise utilizadas. Os cálculos de Balanço hídrico calculados
xiv
pelo microcontrolador foram similares aos calculados pela planilha de dados. O
custo total do Protótipo, incluindo o pluviômetro importado, foi de
aproximadamente R$ 2000,00. Considerando-se o dólar a R$ 2,00 este valor
representa apenas 20% do custo de uma estação meteorológica automática
comercial, sendo mais viável a aquisição e o uso do protótipo pela maioria dos
produtores agrícolas.
xv
ABSTRACT
SUGAWARA, Márcio Takeshi, D. Sc.; Universidade Estadual do Norte Fluminense
Darcy Ribeiro; March, 2008. Automated system to estimating the reference
evapotranspiration and the water balance to the North Fluminense region using
artificial neural network (RNA); Advisor: Elias Fernandes de Sousa.
A low-cost automated system was developed and tested towards estimating
the reference evapotranspiration rates (ETo) and the soil water balance. A
microcontroller (PIC18F452), a temperature sensor (LM35), a sensor shield, an
electronic rainfall gauge, others electronics components, and an Artificial Neural
Network (RNA) model algorithm were used in developing the automated prototype.
The RNA used the air maximum and minimum temperatures, extraterrestrial solar
radiation and maximum daily photoperiod as input. The data collected by the
prototype were the maximum and minimum air temperatures and rainfall. The
microcontroller was programmed to calculate the each day climatological
variables, such as the ETo and soil water balance (via RNA), showing the results
in a liquid crystal display (LCD). The estimated ETo values obtained by the
developed equipment were regressed with the values of calculated ETo by the
Penman-Monteith (PM) model and the Hargreaves & Samani (HS) method using
the data from an Adolf Thies-Clima automatic weather station (EMA) as
comparison criterion. The analysis of the results obtained from the data of
maximum and minimum temperature showed that the LM-35 temperature sensor
performance was reliable to all the analysis tools used. The results of the
xvi
evapotranspiration rates estimates indicated that the RNA model algorithm used
performed a better output values than the HS model, for all the tools of analysis
used. The estimated water balance results obtained from the microcontroller were
similar to those calculated by the spreadsheet data. The total cost of the prototype,
including the imported overseas rainfall gauge, was approximately R$ 2000.00,
considering an exchange rate of R$ 2.00 per dollar, which represents only 20% of
the cost of a brand new automated meteorological station. It can be said that the
developed microcontroller is feasible for most farmers to acquire and use it
routinely.
1
1. INTRODUÇÃO
A água tem valor inestimável para o homem. Por outro lado,
gradativamente, vem se tornando um recurso natural escasso. A diminuição da
disponibilidade de água para as atividades antrópicas deve-se principalmente a
duas razões: a contaminação dos mananciais com elementos tóxicos e o aumento
da utilização da água na atividade agrícola.
Para suprir a demanda crescente de alimentos, devido ao intenso
crescimento populacional, há a necessidade de utilização de técnicas que
permitam a potencialização da produção agrícola, sendo a irrigação uma delas.
Porém, a irrigação é uma prática que consome uma elevada parcela da água
doce do planeta.
Segundo Sousa et al. (2002), um sistema de irrigação é bem projetado e
manejado quando a aplicação de água é feita em bases racionais, em quantidade
e freqüência desejável para o pleno desenvolvimento da cultura, utilizando-se de
forma criteriosa os recursos hídricos disponíveis. Para tanto, é crucial quantificar a
evapotranspiração dos cultivos.
No manejo racional de qualquer projeto de irrigação, deve-se considerar
aspectos sociais e ambientais, procurando maximizar tanto a produtividade
quanto a eficiência do uso da água e minimizar os custos, quer de mão-de-obra,
quer de capital, mantendo-se as condições de umidade do solo e de sanidade
favoráveis ao satisfatório desenvolvimento das culturas.
Para o adequado manejo da irrigação é necessário o monitoramento da
2
evapotranspiração durante o ciclo da cultura. Para tanto, é indispensável o
conhecimento de parâmetros relacionados à planta, ao solo e ao ambiente, para
se determinar o turno de rega e a lâmina de água a ser aplicada.
No Brasil, de modo geral, o investimento aplicado para monitorar os
parâmetros necessários à irrigação é escasso, conseqüentemente, seu manejo é
inadequado, ou mesmo inexistente, particularmente nas pequenas e médias
propriedades agrícolas. Estes problemas são agravados pelo fato de a maioria
dos equipamentos utilizados no monitoramento serem de tecnologia importada,
tanto para o monitoramento da planta quanto do solo e do ambiente.
O monitoramento do consumo de água, tendo como referência o solo e a
planta, ainda não é muito aplicável às condições de campo, seja pela falta de
representatividade de alguns métodos, por utilizar sistemas pontuais de medição,
seja devido ao custo elevado dos equipamentos, ou pela demanda elevada de
mão de obra para realizar as medições.
Atualmente, o monitoramento do consumo de água pelas plantas, baseado
nas condições ambientais, tem sido adotado com maior freqüência. Isto se deve
ao fato de que essa abordagem mostra representatividade superior aos métodos
baseados apenas no solo, ou na planta, sendo economicamente viável para o
manejo da irrigação. Para o monitoramento do ambiente, pode-se utilizar desde o
termômetro (de máxima e mínima) até uma estação meteorológica automática. O
primeiro pode ser utilizado por pequenos produtores, mas a segunda apenas por
grandes produtores, em função do custo elevado dos equipamentos.
As variáveis meteorológicas necessárias para aplicação de métodos mais
sofisticados de estimação da evapotranspiração de referência (ETo), como o de
Penman-Monteith (PM), nem sempre são disponíveis, particularmente, as
relacionadas à demanda evaporativa da atmosfera (velocidade do vento e déficit
de pressão do vapor d’água do ar).
Segundo Pereira et al. (1997), as técnicas mais complexas para estimar a
evapotranspiração de referência quase sempre se restringem à pesquisa, devido
aos altos custos dos equipamentos. Com isso, tornam-se importantes os métodos
para estimar a ETo em função dos elementos climáticos que podem ser obtidos
de forma prática, como por exemplo, a temperatura do ar e a radiação solar
extraterrestre (Hargreaves & Samani, 1985).
Visto o elevado custo do monitoramento do ambiente em relação ao
3
consumo de água no sistema agrícola, torna-se necessário o desenvolvimento de
técnicas que ofereçam aos produtores alternativas para o manejo da irrigação.
Diante da necessidade de facilitar a estimativa da ETo para o manejo de
irrigação, os objetivos deste trabalho foram:
- Desenvolver e avaliar um equipamento para o monitoramento do
ambiente, com vista a estimação da ETo e do balanço hídrico;
- Utilizar o modelo gerado por rede neural com um número mínimo de
sensores necessários à estimação da ETo;
- Comparar os valores medidos da ETo com o equipamento
desenvolvido com os valores calculados pelos modelos de PM e HS;
- Calcular o balanço hídrico seqüencial utilizando a ETo obtida pelo
equipamento de baixo custo e a ETo estimada pelo modelo de PM; e
- Verificar o desempenho do protótipo em relação aos valores de
temperatura (máxima e mínima) e de ETo estimada pela rede neural (Zanetti et
al., 2007).
4
2. REVISÃO DE LITERATURA
2.1. Evapotranspiração e manejo de irrigação
Com o aumento dos conflitos de setores que utilizam os recursos hídricos
disponíveis, a cobrança pelo uso da água e as exigências do mercado exterior por
produtos certificados, decorrentes de uma atividade agrícola sustentável, têm
aumentado a importância do manejo da irrigação (Coelho Filho et al., 2002).
Uma irrigação não pode e não deve ser entendida, única e exclusivamente,
como um procedimento artificial para atender às exigências de umidade de solo,
visando à melhoria da produção agrícola, tanto em quantidade quanto em
qualidade. Na realidade, ela constitui um conjunto de operações (compondo um
sistema) necessário tanto para atender às necessidades hídricas das plantas,
quanto para eliminar os excessos que transcendem à relação solo-água-planta
(Espindula Neto, 2002).
O manejo racional de qualquer projeto de irrigação deve considerar os
aspectos sociais e ecológicos envolvidos, procurar maximizar a produtividade e a
eficiência do uso da água, bem como minimizar os custos com mão-de-obra
capital, mantendo as condições de umidade do solo favoráveis ao bom
desenvolvimento da cultura irrigada, incluindo os aspectos fitossanitários. Além
disso, é necessário que o projetista tenha em mente a necessidade de melhorar
ou, no mínimo, manter as condições físicas, químicas e biológicas do solo, o que
afetará bastante a vida útil do projeto (Bernardo, 1996).
5
Para o manejo adequado da água de irrigação é necessário o
monitoramento da umidade do solo e/ ou da evapotranspiração durante a maior
parte do ciclo de desenvolvimento da cultura. Para tanto, é indispensável o
conhecimento de parâmetros relacionados às plantas, ao solo e ao clima, para
determinar o momento oportuno de irrigar e a quantidade de água a ser aplicada
(Marouelli e Silva, 1998).
A quantidade de água a ser aplicada pode ser baseada em critérios
relacionados ao status da água no solo e nas plantas, taxa de evapotranspiração
da cultura ou na combinação de dois ou mais critérios ou parâmetros. A escolha
do critério vai depender da disponibilidade de informações e do nível tecnológico
da produção (Marouelli e Silva, 1998).
Sediyama et al. (1998) recomendam no manejo de irrigação, que os
resultados de pesquisa de campo devem ser utilizados diretamente na estimação
das exigências hídricas das culturas. Entretanto, tais informações não estão
disponíveis ou, muitas vezes, não são aplicáveis a todos os locais.
A evapotranspiração pode ser determinada por métodos diretos, com o
emprego de lisímetros, ou estimada indiretamente, utilizando-se evaporímetros ou
modelos matemáticos. Tais modelos podem variar de uma simples relação
empírica, baseada em dados de temperatura, a relações complexas, baseadas
em processos físicos que envolvem vários elementos do clima.
Existem muitas maneiras de medir a evapotranspiração, mas, devido aos
altos custos dos equipamentos, tais técnicas quase sempre se restringem à
pesquisa (Pereira et al., 1997).
Para as áreas irrigadas, é de grande importância o conhecimento dos
métodos simples de estimativa da evapotranspiração, que demandam dados de
fácil obtenção e de baixo custo, porém com confiabilidade local razoável para a
adoção de um manejo adequado de irrigação (Bonomo, 1999).
Vários métodos de estimativa da evapotranspiração têm sido
desenvolvidos e testados, os quais vão desde métodos simples, que requerem
apenas dados de temperatura mensal (Thornthwaite, 1948), até métodos
baseados em processos físicos, que requerem vários dados de entrada, como o
modelo de PM FAO-56 (Allen et al., 1998).
Na ausência de equipamentos para medição da evapotranspiração dos
cultivos, os pesquisadores, muitas vezes, lançam mão de estimativas baseadas
6
na evapotranspiração de referência e no coeficiente de cultura (Kc) (Medeiros et
al., 2003).
A estimação da evapotranspiração das culturas (ETc), normalmente,
envolve um processo que se desenvolve em duas etapas. Na primeira, estima-se
a evapotranspiração de uma cultura de referência, (grama batatais) utilizando
uma equação empírica ou semi-empírica. Na segunda etapa, a ETc é obtida
multiplicando-se ETo por um coeficiente de cultura (Kc) que integra as
características da cultura e do clima local (Doorenbos & Pruitt, 1977).
Ao longo dos anos tem sido desenvolvido um grande número de métodos
para o cálculo da ETo a partir de dados meteorológicos, realizando-se testes em
diferentes condições climatológicas e geográficas.
Em 1990, especialistas de vários países concluíram que o conceito de
evapotranspiração de referência, até então empregado, apresentava problemas,
principalmente relacionados com a variabilidade das culturas de referência
atualmente em uso, levando a erros de sub e superestimações dos principais
métodos indiretos utilizados para estimar a ETo, além da existência de
dificuldades experimentais para contrastá-los (Bonomo, 1999).
Essas condições dificultavam a determinação padronizada da ETo em
grande escala; por isso, os pesquisadores decidiram propor um novo conceito de
cultura de referência, baseado na equação de Penman-Monteith padronizada
para os termos de resistência aerodinâmica e da cultura às perdas no processo
evaporativo (Smith et al.,1991).
Estudos conduzidos por diferentes pesquisadores, em diferentes
localidades e condições climáticas, indicam que o modelo de Penman-Monteith
tem apresentado estimativas de ETo para a grama de forma consistente e bem
correlacionadas com os valores medidos em lisímetros, tanto na escala diária e
decendial, quanto na mensal, indicando que este modelo pode ser utilizado com
sucesso na determinação das necessidades de água das culturas como padrão
para calibração de outros modelos empíricos, na ausência de dados de lisímetros
(Allen, 1986; Jensen et al., 1990).
Embora numerosos estudos tenham mostrado que o método de PM seja o
mais apropriado para estimativa da ETo, a obtenção dos dados é difícil e o custo
é elevado. Em condições em que se dispõe apenas de dados de temperatura
máxima e mínima do ar, freqüentemente são usados os métodos de Hargreaves
7
& Samani (1985) ou de Thornthwaite (1948) para estimar a ETo (Amatya et al.,
1995). Entretanto, o primeiro método superestima a ETo e o segundo a subestima
para locais de clima úmido, segundo observaram Jensen et al. (1990).
Assim, a comissão Internacional de Irrigação e Drenagem (ICID) e a
Organização das Nações Unidas para Agricultura e Alimentação (FAO)
consideram o método de Penman-Monteith (PM) como padrão de cálculo da
evapotranspiração de referência, a partir de dados meteorológicos (Smith, 1991;
Allen et al., 1998).
2.2. Evapotranspiração de referência (ETo)
A evapotranspiração é um dos principais componentes do ciclo hidrológico.
A taxa de evapotranspiração refere-se ao total da perda de água para a
atmosfera, da superfície do solo e das plantas pela combinação simultânea da
evaporação com a transpiração (Sediyama, 1998).
Segundo Pereira et al. (1997), o consumo de água pela cultura é
denominado de evapotranspiração da cultura (ETc), que é a ocorrência
simultânea de dois processos importantes no cultivo das plantas, a evaporação da
água do solo e a transpiração das plantas .
Burman et al. (1983) revisaram vários métodos de determinação da
evapotranspiração, adotados em diversas partes do mundo. Estes autores
classificaram os métodos em dois grandes grupos: o primeiro grupo inclui os
métodos onde a evapotranspiração potencial pode ser determinado a partir de
medidas diretas, como ocorrem com os lisímetros. No segundo grupo estão os
métodos determinados através de dados climáticos, também chamados de
métodos indiretos, nos quais a evapotranspiração de referência é estimada por
fórmulas empíricas e racionais, sendo, posteriormente, correlacionadas com a
evapotranspiração da cultura por meio de coeficientes de proporcionalidade, tais
como o coeficiente do tanque classe “A” (Kp) e o coeficiente de cultura (Kc).
Visando padronizar a definição de evapotranspiração dada por diversos
autores, entre eles Thornthwaite (1948) e Penman (1948), surgiu a necessidade
de se definir a evapotranspiração potencial para uma cultura de referência (ETo).
Essa, segundo Smith (1991), é a taxa de evapotranspiração de uma cultura
hipotética, com altura de 12 cm, resistência aerodinâmica da superfície de 70 s.m
-
8
1
e albedo de 0,23.
Allen et al. (1994) apresentaram considerações teóricas e práticas no
intuito de encorajar a adoção do novo conceito da cultura de referência, em que a
ETo é redefinida como a taxa de evapotranspiração de uma cultura hipotética,
proposta por Smith (1991), sendo a equação de Penman-Monteith recomendada
como representante do novo conceito de ETo.
Segundo Sediyama (1996), essa evapotranspiração de referência
assemelha-se, bem de perto, à evapotranspiração de uma superfície extensa
coberta com grama de altura uniforme, em crescimento ativo e cobrindo
completamente a superfície do solo e sem restrição hídrica.
A estimativa da ETo é de fundamental importância para o
dimensionamento e manejo dos sistemas de irrigação, o que requer a adoção de
estudos, avaliações e ajustes para sua correta utilização.
A escolha de um método de estimativa da ETo depende de uma série de
fatores, tais como a disponibilidade de dados meteorológicos e a escala de tempo
desejada.
Métodos complexos, como o de Penman-Monteith, exigem grande número
de variáveis meteorológicas e, por isso, têm aplicação limitada, somente sendo
utilizados quando há disponibilidade de todos os dados necessários, o que, na
prática, só é viável em situações específicas, como órgãos de pesquisa.
Como alternativa para solucionar este problema, destaca-se o uso dos
métodos empíricos de estimativa da ETo, os quais, por serem desenvolvidos e
calibrados com dados locais, não podem ter aplicação universal, porém
apresentam melhores resultados do que aqueles mais genéricos e fisicamente
mais reais (Pereira et al., 1997).
2.3. Monitoramento Automatizado
Automação pode ser definida como sendo o sistema automático pelo qual
mecanismos controlam seu próprio funcionamento, quase sem a interferência do
homem. Podemos ter automação de processos, que envolve o controle e
instrumentação de etapas dos sistemas de produção; e a automação do
gerenciamento e tomada de decisões através de sistemas de informação (Alencar
et al., 2007).
9
Atualmente, entende-se por automação qualquer sistema, apoiado em
processadores, que substitua o trabalho humano e que vise soluções rápidas e
econômicas, a fim de alcançar os complexos objetivos das indústrias, da
agricultura e serviços.
Nas duas últimas décadas os avanços tecnológicos na área de eletrônica e
automação apresentaram substancial desenvolvimento, permitindo o
monitoramento das mais diversas variáveis em tempo real e com níveis de
precisão até então não experimentados; e os sensores eletrônicos passaram a
apresentar duas características distintas: maior resolução/precisão e menor
tamanho (Souza et al., 2002).
O monitoramento automático na agricultura pode contribuir, segundo Torre
Neto (1995), para o aumento da produtividade, para a melhoria da qualidade dos
produtos e na preservação dos recursos naturais.
Os autores Hubbard et al. (1983); Hubbard (1994); Hubbard & Klocke
(1996); Fernandes et al. (1995); Curry et al. (1981); Cockerham & Ortega (1989),
em estudos agrometeorológicos, observaram que os sensores eletrônicos
permitem a obtenção de variáveis do clima praticamente em tempo real e a
tomada de decisões com relação ao manejo de irrigação, à aplicação de
defensivos, ao risco de incêndios, à previsão de geadas, à ocorrência de pragas e
doenças, à classificação climática, ao zoneamento agrícola, entre outras
aplicações.
Ashraf et al. (1996) definem dois tipos de Estações Meteorológicas
Automáticas (EMA’s), a primeira, aquela denominada de “full weather station”,
porque monitora todas as variáveis necessárias para estimativa de
evapotranspiração pelo método de PM (Allen, 1998), e a segunda, denominada
de “partial weather station”, por não monitorar todas as variáveis necessárias para
o tal fim.
Nos últimos anos, na agricultura irrigada, tem sido observado um avanço
da automação nos sistemas. A automação implica na implantação de sistemas
interligados e assistidos por redes de comunicação, compreendendo Sistemas
Supervisórios e Interfaces Homem-Máquina (IHM), que podem auxiliar os
operadores no exercício de supervisão e análise dos problemas que porventura
venham a ocorrer (Alencar et al., 2007).
Nos diversos setores produtivos, a automação decorre de necessidades,
10
tais como: maiores níveis de qualidade de conformação e de flexibilidade,
menores custos de operação, menores perdas de materiais, menores custos de
capital, maior controle das informações relativas ao processo, maior qualidade
das informações e melhor planejamento e controle da produção (Moraes e
Castrucci, 2001).
2.4. Microcontrolador
O microcontrolador é um componente eletrônico programável, utilizado no
controle de processos lógicos (Souza, 2003; Pereira, 2004).
Atualmente, é um componente indispensável na vida moderna; está
presente em agendas eletrônicas, telefones celulares, máquinas fotográficas
digitais, alarmes, controladores lógico-programáveis (CLP), veículos, caixas
eletrônicos, impressoras e em muitos outros produtos de uso cotidiano, inclusive
na agricultura.
Diferentemente dos processadores, os microcontroladores integram em um
único CHIP; o processador, uma memória RAM (dados), uma memória ROM
(programa) e outros recursos (Souza, 2003; Pereira, 2004; Exsto Tecnologia,
2003).
Estes componentes são conhecidos como Sistemas Embutidos, do inglês
Embedded System, pois é embutido dentro de um sistema fechado e com funções
bem específicas. Em geral, esses sistemas exigem um controle preciso do tempo,
uma vez que trabalham em tempo real. A capacidade de processamento e
memória variam de acordo com a aplicação. A aplicação pode ser um simples
relógio ou um equipamento industrial complexo que envolve até vários sistemas
operacionais executados sobre o microcontrolador (Souza, 2003; Pereira, 2004).
Na Figura 01, temos alguns modelos de microcontroladores disponíveis
para aquisição.
Figura 01 – Modelos de microcontroladores.
11
Em sua parte interna, são constituídos de uma arquitetura semelhante a
apresentada na Figura 02, sendo composta por uma memória de programa e
dados, uma unidade lógica aritmética (ULA), processador central (CPU),
periféricos e linhas de entrada ou saída (I/O) (Souza, 2003; Pereira, 2004).
Figura 02 – Arquitetura geral dos microcontroladores.
A arquitetura é a forma como estão organizadas as partes internas de um
chip. Essas partes internas possuem funções que são utilizadas para diversas
tarefas (Souza, 2003; Pereira, 2004; Exsto Tecnologia, 2003).
A memória de programa é o local onde são armazenadas as instruções que
o microcontrolador deve executar, ou seja, as linhas de programa que foram
digitadas e compilados em um microcomputador (PC). A memória de dados é o
local onde são armazenados dados que o programa em execução tem a
possibilidade de escrever ou ler sempre que necessário (Souza, 2003; Pereira,
2004).
A ULA é responsável por todos os cálculos e a lógica matemática para a
tomada de decisão das tarefas a serem realizadas (Souza, 2003; Pereira, 2004).
Os I/O´s são os considerados "braços" dos microcontroladores, onde, por
meio deles, conseguimos enviar e receber dados e informações do chip, bem
como controlar dispositivos externos. Em outras palavras, são os caminhos que
fazem a interligação do microcontrolador com o mundo externo (Souza, 2003;
Pereira, 2004).
Os periféricos são circuitos que permitem ao microcontrolador realizar
controle de dispositivos, tais como: portas de conversão analógico/digital, timers
para a temporização de operações, timer para evitar travamentos (Watchdog)
12
reiniciando a CPU ao ocorrer um surto, portas para comunicação serial
(USART´s), portas I2
C
para interligar memória externa, outros microcontroladores
e osciladores (Souza, 2003; Pereira, 2004).
A CPU, conhecida como unidade central de processamento, é responsável
por todo o processamento de dados da unidade, onde interpreta os comandos e
ativa os dispositivos de entrada e saída do microcontrolador (Souza, 2003;
Pereira, 2004).
Estes dispositivos, diferente dos outros tipos de componentes eletrônicos
dedicados, precisa de um conhecimento avançado de programação, pois são
dispositivos programáveis, e, sem o programa interno, o microcontrolador é um
componente sem função (Souza, 2003; Pereira, 2004).
Para se fazer uso deste recurso é essencial que o usuário tenha um projeto
para execução e desenvolvimento, pois existem inúmeros tipos, modelos e
marcas disponíveis no mercado que atendem com melhor custo/benefício (Souza,
2003; Pereira, 2004; Exsto Tecnologia, 2003).
Dentre os mais famosos, podemos citar a série de PIC da Microchip
(www.microchip.com), AVR da ATMEL (www.atmel.com), Basic Step da Tato
Equipamentos (www.tato.com.br), entre outros (Souza, 2003; Pereira, 2004;
Rueda, 2005), (Quadro 01).
Quadro 01 – Microcontroladores encontrados no mercado.
Microcontrolador Fabricante
Família 8051
PIC
AVR
Basic Stemp
Basic Step
Intel
Microchip
Atmel
Parallax
Tato Equipamentos
Fonte: Rueda (2005)
A programação de um microcontrolador exige que o usuário tenha um PC,
porta de comunicação livre no PC, dispositivo de gravação, CHIP e softwares
específicos (Souza, 2003; Pereira, 2004; Exsto Tecnologia, 2003).
A Figura 03 ilustra um esquema de procedimento básico para programação
e utilização de microcontroladores.
13
Figura 03 – Procedimento básico para programação e utilização de
microcontroladores (http://www.mecatronicafacil.com.br/).
O PC é o microcomputador de uso doméstico, com uma porta de
comunicação livre, contendo softwares de programação que gerem códigos
hexadecimais ou linguagem de máquina (Souza, 2003; Pereira, 2004).
O dispositivo de gravação é um equipamento específico utilizado para
inserir o código hexadecimal implementado no PC, dentro do microcontrolador
(Souza, 2003; Pereira, 2004; Exsto Tecnologia, 2003).
Normalmente, o dispositivo é conectado a porta de entrada-saída do
microcomputador. Tais portas podem ser paralela, serial ou USB (Universal Serial
Bus). Neste caso, foi utilizado gravador de microcontrolador utilizando a porta
USB.
Os microcontroladores podem ser vistos em várias aplicações, tais como:
CLP (controladores lógicos programáveis), celulares, robôs industriais, processos
de automação, eletrônica automotiva, equipamentos agrícolas, entre outros
(Souza, 2003; Exsto Tecnologia, 2003).
2.5. Redes Neurais Artificiais (RNA’s)
As redes neurais artificiais (RNA’s) têm sido aplicadas na solução de uma
infinidade de problemas. O adjetivo “neural” é usado porque muito da inspiração
de tais redes vem da neurociência (Hertz et al., 1991). As RNA’s empregam como
unidade de processamento fundamental o neurônio artificial, inspirado no
funcionamento básico dos neurônios biológicos (Tinós, 1999).
Recentes avanços em neurofisiologia têm desvendado vários mecanismos
sobre o fluxo e o processamento de informações que ocorrem no cérebro
humano. Alguns desses mecanismos foram modelados matematicamente,
14
permitindo a elaboração de algoritmos computacionais que simulam, ainda que de
modo simplificado, a mais básica das estruturas cerebrais: o neurônio (Bueno,
2006).
O cérebro humano é responsável pelo que se chama de emoção,
pensamento, percepção e cognição, assim como a execução de funções
sensoriomotoras e autônomas. Os neurônios são divididos em três seções: corpo
da célula, dendritos e o axônio. Os dendritos têm a função de receber as
informações ou impulsos nervosos oriundos de outros neurônios e conduzir os
sinais via axônio até o corpo celular. O ponto de contato do axônio e os dendritos
são chamados de sinapse. As sinapses funcionam como válvulas e são capazes
de controlar a transmissão de impulsos, ou seja, fluxo de informação entre os
nodos na rede neural (Braga et al., 2000; Haykin, 2001; Kovács et al., 2002;
Bueno, 2006).
As RNA’s tentam reproduzir as funções das redes biológicas, buscando
implementar seu comportamento básico e sua dinâmica. No entanto, do ponto de
vista físico, as redes artificiais se diferem bastante das redes biológicas. Como
características comuns, pode-se citar que os dois sistemas são baseados em
unidades de computação paralela e distribuída que se intercomunicam por meio
de conexões sinápticas. Apesar da pouca similaridade, do ponto de vista biológico
entre os dois sistemas, estas características comuns permitem às RNA’s
reproduzir com fidelidade várias funções somente encontradas nos seres
humanos (Braga et al., 2000; Haykin, 2001; Kovács et al., 2002; Bueno, 2006).
Assim, as RNA’s são sistemas paralelos distribuídos, compostos por
unidades de processamento simples (nodos) que calculam determinadas funções
matemáticas (normalmente não lineares). Tais unidades são dispostas em uma
ou mais camadas e interligadas por um grande número de conexões, geralmente
unidirecionais. Na maioria dos modelos estas conexões estão associadas a
pesos, os quais, após o processo de aprendizagem, armazenam o conhecimento
representado no modelo e servem para ponderar a entrada recebida por cada
neurônio da rede. O funcionamento dessas redes é inspirado numa estrutura
biológica concebida pela natureza: o cérebro humano (Braga et al., 2000; Haykin,
2001; Kovács et al., 2002; Bueno, 2006).
O modelo artificial de um neurônio biológico foi fruto do trabalho pioneiro de
Warren McCulloch (Psiquiatra e Neuroanatomista) e Walter Pitts (matemático) em
15
1943, sendo representado por [MCP43]. Esses autores apresentam uma
discussão sofisticada de redes lógicas de nodos (nodos MCP) e novas idéias de
máquinas de estados finitos, elementos de decisão de limiar lineares e
representações lógicas de várias formas de comportamento e memória. Parte da
discussão gira em torno dos métodos de aprendizado para que os nodos possam
ser capazes de executar uma determinada função. O trabalho se concentra muito
mais em descrever um modelo artificial de um neurônio e apresentar as
capacidades computacionais do que apresentar técnicas de aprendizado (Braga
et al., 2000; Haykin, 2001; Kovács et al., 2002; Bueno, 2006).
O aprendizado de redes biológicas e artificiais veio a ser objeto de estudo
anos depois com o trabalho de Donald Hebb, sendo representado por [Heb49].
Esse autor apresentou como a plasticidade da aprendizagem de redes neurais é
conseguida através da variação dos pesos de entrada dos nodos. Propôs uma
teoria para explicar o aprendizado em nodos biológicos baseado no esforço das
ligações sinápticas entre os nodos excitados. Essa teoria foi interpretada do ponto
de vista matemático e hoje é utilizada em vários algoritmos de aprendizado. Mais
tarde, Widrow e Hoff sugeriram uma regra de aprendizado conhecida como
Widrow-Hoff ou regra delta, que ainda é bastante utilizada. Essa regra é baseada
no método do gradiente para minimização do erro na saída de um neurônio com
resposta linear (Braga et al., 2000; Haykin, 2001; Kovács et al., 2002; Bueno,
2006).
Em 1958, Frank Rosenblatt [Ros58] demonstrou, com seu novo modelo, o
perceptron, que, se fossem acrescidas sinapses ajustáveis, a RNA com nodos
MCP poderiam ser treinadas para classificar certos tipos de padrões. Esse autor
descreveu uma topologia de RNA com estruturas de ligação entre os nodos e, o
mais importante, propôs um algoritmo para treinar a rede para executar
determinados tipos de funções (Braga et al., 2000; Haykin, 2001; Kovács et al.,
2002; Bueno, 2006).
O perceptron simples descrito por Rosenblatt possui três camadas: a
primeira camada recebe as entradas do exterior e possui conexões fixas (retina);
a segunda camada recebe impulsos da primeira através de conexões cuja
eficiência de transmissão (peso) é ajustável e, por sua vez, envia as saídas para a
terceira camada (resposta). Este tipo elementar de perceptron comporta-se como
classificador de padrões, dividindo o espaço de entrada em regiões distintas para
16
cada uma das classes existentes. Inicialmente, a saída da rede é aleatória, mas,
pelo ajuste gradual dos pesos, o perceptron é treinado para fornecer saídas de
acordo com os dados do conjunto de treinamento (Braga et al., 2000; Haykin,
2001, Kovács et al., 2002, Bueno, 2006).
Em 1969, Minsky e Papert [MP69], chamaram atenção para algumas
tarefas que o perceptron não era capaz de executar, já que este só resolve
problemas linearmente separáveis, ou seja, problemas cuja solução pode ser
obtida dividindo-se o espaço de entrada em duas regiões através de uma reta. O
perceptron, por exemplo, não conseguem detectar paridade, conectividade e
simetria, que são problema não lineares separáveis. Estes são exemplos de
“problemas difíceis de aprender” (hard learning problems). Problemas difíceis de
aprender formam uma classe grande de funções que não pode ser desprezada. O
principal argumento desses autores era de que o problema do crescimento
explosivo, tanto de espaço ocupado como do tempo requerido para a solução de
problema complexos, afetaria as RNA’s, inclusive os perceptrons (Braga et al.,
2000, Haykin, 2001, Kovács et al., 2002, Bueno, 2006).
Em 1982, John Hopfield [Hop82] chamou a atenção para as propriedades
associativas das RNA’s. O grande feito desse autor foi, sem dúvida, mostrar a
relação entre as redes recorrentes auto-associativas e sistemas físicos, o que
abriu espaço para a utilização de teorias correntes da Física para estudar tais
modelos (Braga et al., 2000, Haykin, 2001, Kovács et al., 2002).
A solução de problemas através de RNA’s é bastante eficiente, já que a
forma como estes são representados internamente pela rede e o paralelismo
natural inerente à arquitetura das RNA’s criam possibilidade de um desempenho
superior ao dos modelos convencionais (Braga et al., 2000; Haykin, 2001; Kovács
et al., 2002; Bueno, 2006).
Em RNA, o procedimento usual na solução de problemas passa
inicialmente por uma fase de aprendizagem, em que um conjunto de exemplos é
apresentado para a rede, a qual extrai automaticamente as características
necessárias para representar a informação fornecida. Estas características são
utilizadas posteriormente para gerar respostas para o problema. A capacidade de
aprender através de exemplos e de generalizar a informação aprendida é, sem
dúvida, o atrativo principal da solução de problemas através das RNA’s (Braga et
al., 2000; Haykin, 2001; Kovács et al., 2002; Bueno, 2006).
17
O modelo de neurônio proposto por McCulloch e Pitts [MCP43] é uma
simplificação do que se sabia a respeito do neurônio biológico. Sua descrição
matemática resultou em um modelo de n terminais de entrada x
1
, x
2
, ..., x
n
(que
representam os dendritos) e apenas um terminal de saida y (representando o
axônio). Para emular os comportamentos das sinapses, os terminais de entrada
dos neurônios têm pesos acoplados w
1
, w
2
,..., w
n,
cujos valores podem ser
positivos ou negativos, dependendo de as sinapses correspondentes serem
inibitórias ou excitatórias. O efeito de uma sinapse particular i no neurônio pós-
sináptico é dado por x
i
w
i
. Os pesos determinam em que grau o neurônio deve
considerar sinais de disparo que ocorrem naquela conexão, (Figura 04), (Braga et
al., 2000; Haykin, 2001; Kovács et al., 2002; Bueno, 2006).
Figura 04 – Pesos e sinais de disparo que ocorrem na conexão.
Um neurônio biológico dispara quando a soma dos impulsos que ele
recebe ultrapassa o limiar de excitação (threshold). O corpo do neurônio é
emulado por um mecanismo simples que faz a soma ponderada dos valores x
i
w
i
recebido pelo neurônio e decide se o deve ou não disparar (0 ou 1), comparando
a soma obtida ao limiar ou threshold do neurônio (Braga et al., 2000; Haykin,
2001; Tinós, 1999; Bueno, 2006).
No modelo MCP, a ativação do neurônio é obtida através de uma “função
de ativação”, que ativa ou não a saída, dependendo da soma ponderada das suas
18
entradas. A função de ativação é dada pela função de limiar descrita na Equação
01. O nodo MCP terá a saída ativa quando:
θ
≥
∑
=
n
i
ii
1
wx
(01)
Onde n é o número de entradas, w
i
é o peso associado à entrada x
i
e θ é o
limiar do neurônio (Braga et al., 2000; Haykin, 2001; Tinós, 1999; Bueno, 2006).
A partir do modelo de McCulloch e Pitts, foram derivados vários outros
modelos que permitem a produção de uma saída qualquer, e com diferentes
funções de ativação, (Figura 05). São elas: linear (a), passo (b) ou rampa (c) e
sigmoidal ou S-Shape (d), (Braga et al., 2000; Haykin, 2001; Tinós, 1999; Bueno,
2006).
Figura 05 – Exemplos de funções de ativação: (a) linear, (b) rampa, (c) passo e
(d) sigmoidal ou S-Shape.
A maneira pela qual os neurônios de uma rede neural estão estruturados
está intimamente ligada com o algoritmo de aprendizagem usado para treinar a
rede. Em uma rede neural em camadas, os neurônios estão organizados na forma
de camadas (Haykin, 2001; Tinós, 1999).
As camadas são definidas como camada única, múltiplas camadas ou
recorrentes (Braga et al., 2000; Haykin, 2001; Bueno, 2006). A rede em camada
única é a mais simples, onde uma camada de entrada de nós de fonte se projeta
19
a uma camada de neurônio de saída. A rede em múltiplas camadas distingue da
primeira pelo fato da presença de uma ou mais camadas ocultas, cujos nós
computacionais são chamados de neurônios ocultos. E a rede recorrente
diferencia das anteriores por ter pelo menos um laço de realimentação, esta pode
ser de única camada ou múltiplas camadas com neurônios ocultos, conforme
apresentado na Figura 6 (Haykin, 2001).
Os nodos podem ter conexões do tipo feedforward ou acíclica, onde a
saída de um neurônio na i-ésima camada da rede não pode ser usada como a
entrada de nodos anteriores; esta configuração é mostrada na Figura 6 (a), (b) e
(c). O tipo feedback ou cíclica, onde a saída de algum neurônio da i-ésima
camada da rede pode ser usada como a entrada de nodos anteriores; esta
configuração é mostrada na Figura 06 (d) e (e) (Braga et al., 2000; Haykin, 2001;
Bueno, 2006).
Figura 06 – Exemplos de arquiteturas de RNA’s: (a) camada única, (b) e (c)
múltiplas camadas, (d) e (e) redes recorrentes; (a), (b) e (c)
feedforward, (d) e (e) feedback.
A aprendizagem é o processo pelo qual os parâmetros de uma rede são
ajustados através de uma forma continuada de estímulo pelo ambiente no qual a
rede está operando (Braga et al., 2000; Bueno, 2006).
20
Diversos métodos de treinamento de redes foram desenvolvidos podendo
ser agrupados em dois paradigmas principais: aprendizado supervisionado e não
supervisionado (Braga et al., 2000; Haykin, 2001; Oliveira, 2007).
O método supervisionado é o mais comum no treinamento das RNA’s,
sendo assim denominado pelo fato de as entradas e saídas desejadas serem
fornecidas para a rede por meio de um supervisor externo. Tem como resultado o
ajuste dos parâmetros da rede, de forma a encontrar uma ligação entre os pares
de entrada e saída. A rede tem sua saída corrente comparada com a saída
desejada, recebendo informações do supervisor sobre o erro da resposta atual, e
a cada padrão de entrada a rede compara a resposta desejada ajustando-se os
pesos das conexões para minimizar o erro (Braga et al., 2000).
O MLP com backpropagation é o exemplo mais bem sucedido de uma rede
neural, com a maioria das aplicações industriais (exemplo: controle e robótica)
implementando esta arquitetura, a despeito de haver um grande número
alternativo de arquiteturas (AZOFF, 1994).
Os exemplos mais conhecidos são; regra delta [WH60] e a sua
generalização para redes de múltiplas camadas conhecido como backpropagation
[RHW86] (Braga et al., 2000; Haykin, 2001;
Kovács et al., 2002; Oliveira, 2007).
No aprendizado não supervisionado não há um supervisor para
acompanhar o processo de aprendizado. Para este tipo de aprendizado, existem
apenas os padrões de entrada. A rede inicialmente estabelece uma harmonia com
as regularidades estatísticas da entrada dos dados, desenvolvendo-se nela uma
habilidade de formar representações internas para codificar características de
entrada e criar novas classes ou grupos automaticamente. Isto é possível
somente quando existe redundância nos dados de entrada para que a rede
encontre quaisquer padrões ou características desses dados (Braga et al., 2000).
Os exemplos mais comuns são: feedforward de camada única e feedforward de
múltiplas camadas, onde o processo de aprendizado consiste em modificar
repetidamente o peso sináptico de todas as conexões dos sistemas em resposta
às entradas (Braga et al., 2000; Haykin, 2001;
Kovács et al., 2002).
Quando uma rede neural artificial é implementada, isso não significa que
ela terá 100% de acerto nas situações em que trabalha. Este foi e continua sendo
motivo de pesquisas e certamente terá ainda muitas inovações. O sonho de se ter
uma máquina tão poderosa quanto o cérebro humano é o que certamente
21
idealizou este assunto, mas ainda há muito trabalho a ser feito (Braga et al., 2000;
Haykin, 2001;
Kovács et al., 2002).
Haykin (2001) destacou um problema comum ocorrido na aprendizagem
por retropropagação para calcular os pesos sinápticos de um perceptron de
múltiplas camadas.
A generalização na rede neural é inicialmente estabelecida a partir de uma
fase de treinamento, onde entradas de exemplo são apresentadas à rede que é
treinada para extrair informações relevantes desses padrões. Subseqüentemente,
a rede tem a capacidade de generalizar, ou seja, uma entrada ainda não vista e
não utilizada também poderá ser processada (Oliveira, 2007).
Uma RNA projetada para generalizar bem produzirá um mapeamento de
entrada-saída correto, mesmo que a entrada seja relativamente diferente dos
exemplos usados para treinar a rede (Figura 07).
Figura 07 – Dados ajustados adequadamente (boa generalização).
Entretanto, quando uma rede é treinada em excesso, essa pode acabar
perdendo a habilidade de generalizar entre padrões de entrada-saída similares,
(Figura 08) (Haykin, 2001; Oliveira, 2007).
22
Figura 08 – Dados ajustados em excesso (generalização pobre).
Por curiosidade, as RNA’s podem ser aplicadas para resolver uma grande
quantidade de problemas. Um bom exemplo de aplicação são softwares de
reconhecimento de voz, que precisam aprender a conhecer a voz de
determinadas pessoas; robôs que desarmam bombas e fazem serviços gerais;
scanner para extração de textos a partir de figuras, os quais são para reconhecer
caracteres da imagem, entre outros.
2.6. ETo e Redes Neurais Artificiais (RNA’s)
Atualmente as RNA’s estão presentes em diversas áreas, como citadas
anteriormente. Entretanto, na agricultura, essa ferramenta está sendo inserida
significativamente, por vários pesquisadores de diversas áreas (Pacheco et al.,
2004; Varella et al., 2002; Stammer, 2006).
Vários pesquisadores realizaram trabalhos utilizando RNA’s com a
finalidade de estimar a evapotranspiração em função de elementos climáticos
(Odhiambo et al., 2001; Kumar et al., 2002; Silva, 2002; Sudheer et al., 2003;
Trajkovic et al., 2003; Arca et al., 2004 e Zanetti et al., 2007). Estes encontraram
resultados satisfatórios, inclusive melhores do que os obtidos com o método
23
convencional de Penman-Monteith (Kumar et al., 2002), citado por Zanetti et al.,
2008.
Embora tenham conseguido bons resultados, os autores que utilizaram
RNA’s para estimar a ETo, com exceção de Sudheer et al. (2003), Arca et al.
(2004) e Zanetti et al. (2007), não se empenharam em simplificar as variáveis de
entrada, utilizando, em vários trabalhos, os mesmos dados climáticos requeridos
para aplicação do método de Penman-Monteith, Zanetti et al., 2007 e 2008,
conforme apresentado no Quadro 02.
Quadro 02 – Dados de entrada propostos para estimação da ETo usando redes
neurais artificiais.
Autor Dados de entrada
Odhiambo et al.,
2001
-
Radiação solar, diferença entre a temperatura máxima e
mínima diária, umidade relativa do ar e velocidade do vento.
Kumar et al., 2002
-
Radiação solar, temperatura máxima e mínima, umidade
relativa máxima e mínima e velocidade do vento.
Silva, 2002
-
Não revelou.
Sudheer et al.,
2003
-
Média da temperatura, umidade relativa, velocidade do
vento e duração do brilho solar.
-
Média da temperatura, umidade relativa e velocidade do
vento.
-
Média da temperatura.
Trajkovic et al.,
2003
-
Temperatura, umidade relativa, velocidade do vento e
duração do brilho solar.
Arca et al. 2004
-
Combinação da ETo estimada por Hargreaves, Hargreaves-
Samani e Blaney-Criddle, deficit de pressão de vapor,
velocidade do vento, radiação solar extraterrestre e
temperatura.
Zanetti et al., 2007
-
Temperaturas máxima e mínima do ar, radiação solar
extraterrestre e fotoperíodo máximo diário.
Zanetti et al., 2008
-
Latitude, longitude, altitude, temperatura média do ar,
amplitude térmica e dia do ano.
Sudheer et al. (2003) utilizaram três opções de dados de entrada para
estimar a ETo, a partir de dados de temperatura média, umidade relativa,
velocidade do vento, e duração do brilho solar. Na opção mais simplificada, a ETo
foi estimada em função apenas da temperatura média do ar e da data
correspondente à sua ocorrência.
Arca et al. (2004) testaram onze combinações dos seguintes dados de
entrada: ETo estimada pelo método de Hargreaves, Hargreaves-Samani e
Blaney-Criddle, déficit de saturação de vapor, velocidade do vento, radiação solar
extraterrestre e temperatura do ar. Na combinação mais simplificada, a ETo foi
24
estimada em função de duas variáveis: radiação solar extraterrestre e
temperatura do ar.
Zanetti et al. (2007) desenvolveram uma rede neural artificial para estimar a
ETo em função das temperaturas máxima e mínima do ar em Campos dos
Goytacazes, RJ. A rede foi configurada com uma camada de entrada (com quatro
variáveis), uma camada intermediária (com 10 neurônios) e uma camada de saída
(com um neurônio), conforme a Figura 09. Os pesquisadores concluíram que,
levando em consideração apenas as temperaturas máxima e mínima do ar, pode-
se estimar a ETo (valores diários e médios de 3, 7, 15 e 30 dias).
Figura 09 – RNA desenvolvida por Zanetti et al. (2007).
Como variáveis de entrada para a RNA foram adotadas as temperaturas
máxima e mínima do ar (ºC), a radiação solar extraterrestre (MJ.m
-2
.d
-1
) e a
duração máxima de insolação diária (horas). Estas duas últimas foram calculadas
em função da latitude local e da data juliana, conforme as equações apresentadas
por Allen et al. (1998).
Todos os neurônios presentes na RNA utilizada foram configurados
baseando-se no modelo apresentado por Haykin (2001), Figura 10.
25
Figura 10 – Detalhe dos neurônios de saída do modelo não linear utilizados por
Zanetti et al. (2007).
Nos pesos sinápticos (w
k,j
) o índice k se refere ao neurônio em questão,
enquanto o índice j se refere ao sinal de entrada da sinapse à qual o peso se
refere.
A junção aditiva possui o propósito de somar todos os sinais de entrada (x
j
)
ponderados pelos pesos sinápticos de cada neurônio. O bias tem o papel de
aumentar ou diminuir a influência do valor da entrada líquida para a ativação do
neurônio. Já a função de ativação funciona restringindo a amplitude de saída de
um determinado neurônio e adicionando não-linearidade no modelo.
Para os neurônios da camada oculta foi adotada a função de ativação
sigmóide logística, Equação 02.
1
). 2exp(1
2
)( −
υ−+
=υϕ
(02)
Matematicamente, o neurônio apresentado na Figura 10 pode ser descrito
pelas Equações 03, 04 e 05:
∑
=
=
n
1 j
jj,kk
x . wu
(03)
kkk
bu +=
υ
(04)
)( y
kk
υ
ϕ
=
(05)
26
Em que, u
k
é a saída do combinador linear (junção aditiva); w
(k,1)
, w
(k,2)
, ...,
w
(k,n)
são os pesos sinápticos; x
1
, x
2
, ...x
n
são os sinais de entrada;
υ
k é o
potencial de ativação; b é o bias; y
k
é o sinal de saída do neurônio k, e φ é a
função de ativação. No neurônio de saída da rede a ETo corresponde ao seu
respectivo sinal y
k
.
O modelo proposto por Zanetti et al. (2007), diferentemente dos modelos
propostos por outros autores, necessita somente de registros diários das
temperaturas máxima e mínima do ar para a estimação da ETo. Por ter
apresentado desempenho satisfatório para estimar a ETo, utilizou-se no protótipo
a RNA ajustada por Zanetti et al. (2007).
27
3. MATERIAL E MÉTODOS
3.1. Localização da Área
O experimento foi conduzido na estação evapotranspirométrica do Centro
de Ciências e Tecnologias Agropecuárias (CCTA) da Universidade Estadual do
Norte Fluminense Darcy Ribeiro (UENF), Latitude 21°44’47”S, Longitude
41°18’24”W, Altitude 11 m, localizada na estação ex perimental PESAGRO-RIO,
no município de Campos dos Goytacazes, Rio de Janeiro.
Na estação experimental encontra-se instalada uma estação meteorológica
automática (DL-15, marca: Adolf Thies e modelo: Thies Clima, UK) composta por
sensores de temperatura e umidade relativa do ar, temperatura do solo, radiação
solar, velocidade e direção do vento e chuva em um ambiente cercado com
grama batatais em crescimento ativo com altura aproximada de 15 cm
(
Figura 11).
28
Figura 11 – Vista parcial da área experimental PESAGRO-RIO.
O protótipo ficou instalado neste local no período de 18 de abril a 26 de
junho de 2007. Neste período o índice pluviométrico foi aproximadamente de 190
mm.
3.2. Caracterização Local
Segundo a classificação climática de Köppen, o clima da região é
classificado como Aw, isto é, clima tropical úmido, com verão chuvoso e inverno
seco. A temperatura média anual está em torno de 24 °C, sendo a amplitude
térmica muito pequena, com a temperatura média do mês mais frio em torno de
21 °C. A precipitação pluviométrica anual média é 1 .023 mm (Daher et al., 2002;
Mendonça et al., 2007).
3.3. Protótipo do Equipamento
Para o desenvolvimento do protótipo foi utilizado um microcontrolador (PIC-
18F452, Microchip-TM, USA), display de LCD (Liquid Cristal Display), sensor de
29
temperatura (LM-35, National Semiconductors-TM, USA), memória (I²C,
Microchip-TM, USA), comunicador serial (RS-232, MAXIM, USA), botões, caixa
plástica de circuito, placa de fenolite, fios, cabos, parafusos, porcas, hastes,
braçadeiras, abrigo para sensor confeccionado com discos de alumínio cru e
outros componentes adicionais. Para o sensor de precipitação pluvial, foi utilizado
pluviômetro de conchas da Davis Rain Collector II (USA), que mede a lâmina
precipitada com precisão de 0,2 mm.
A Figura 12 mostra o protótipo instalado em campo, com a altura total de 2
m, da superfície do solo até o abrigo de sensor de temperatura; e o pluviômetro,
com altura total de 1,5 m da superfície do solo até a borda.
Figura 12 – Protótipo instalado em campo, com abrigo de sensor de temperatura,
painel coletor de energia solar, caixa hermeticamente fechada com
sistema eletrônico, pluviômetro eletrônico e as hastes de tubo
galvanizado.
30
3.3.2. Microcontrolador
O microcontrolador PIC-18F452 é um chip de baixo custo com uma série
de funções semelhantes a um microcomputador de tamanho reduzido. Nele está
contido uma unidade lógica aritmética (ALU - processador), oscilador interno e
externo, memória ROM, memória RAM, memória EEPROM, conversores
analógico digital de 10 bits, portas de comunicação serial, portas I/O (digitais e
analógicas), timers (relógio), contadores e outras funções específicas (Pereira,
2004)(Figura 13 e 14).
Figura 13 – Microcontrolador PIC-18F452 da marca MICROCHIP-TM.
Figura 14 – Microcontrolador PIC-18F452 com identificação geral dos pinos e as
respectivas funções.
A linguagem de programação básica de todos os microcontroladores,
independentemente da marca, é o assembler (assembly), de baixo nível ou
linguagem de máquina. Neste caso, a programação interna utilizada foi baseada
31
na linguagem “C”, específica para microcontrolador da série PIC-Microchip, com
compilador CCS-C PCW
®
(Custom Computer Services, USA) que converte a
programação anterior em linguagem de máquina.
Após compilar o código fonte do programa, foi utilizado o gravador de
microcontrolador da marca MOSAICO ICD-2 USB, conectado com o software
Microchip MpLab 7.0 (Microchip, USA). Através dese gravador, juntamente com o
software MpLab, foi inserido o código, convertido em linguagem de máquina, para
o PIC-18F452 executar as tarefas pré-determinadas.
3.3.3. Módulo display LCD
Os módulos de display LCD são componentes de alto desempenho e
praticidade para apresentar informações internas de um dispositivo
microcontrolado, pois sem esse as informações contidas somente poderão ser
vistas por meio de um microcomputador (Pereira, 2004).
Existem dois tipos de módulos LCD: os caracteres e os gráficos. Os
módulos caracteres são capazes de apresentar somente caracteres como letras,
números e símbolos, e tem seu custo reduzido e fácil de programar. Os módulos
gráficos podem apresentar virtualmente qualquer tipo de informação na tela,
podendo ser desde os caracteres até uma animação. Estes têm o seu custo um
pouco alto e a programação é mais complexa (Figura 15).
Figura 15 – Módulo de display de LCD.
O módulo que foi utilizado é o tipo gráfico, onde as informações são
32
mostradas em forma de linha e colunas, pelo auxílio de um controlador HD44780
MITSUI/HITACHI-TM, padrão para este tipo de módulo. Esses controladores
permitem uma interface simples com sistemas microcontrolados, permitindo a
comunicação selecionável de 4 ou 8 bits, pelos pinos D0, D1, D2, D3, D4, D5, D6
e D7, e com auxílio de três linhas de sinalização pelos pinos EANABLE, RS e
R/W. No modo 4 bits, utilizam-se os pinos D4 ao D7 e, no modo 8 bits, utilizam-se
os pinos D0 ao D7.
Todos os comandos e funções estão ligados ao conjunto de 8 bits enviados
pelo microcontrolador, que será decodificado pela interface do módulo LCD
(HD44780), apresentando o tal comando e a função na tela (Figura 16).
Figura 16 – Controlador HD44780 do módulo de display LCD.
3.3.4. Sensor de temperatura
O sensor para monitorar a temperatura do ambiente foi o LM-35, da marca
National Semiconductors-TM, que é um sensor de baixo custo e alta precisão
(0,1ºC). Esse sensor opera em uma faixa de 0 a 100 °C (invólucro TO-92, Plastic
Package, USA), com escala linear de saída do sinal elétrico. O LM-35 tem
desempenho comparável aos sensores de temperatura de estações
convencionais e os de estações meteorológicas automáticas (Sugawara, 2003),
Figura 17.
33
Figura 17 – Sensor de temperatura LM-35 da National Semiconductors.
A base física de funcionamento do sensor consiste na mudança da sua
resistência ôhmica em função da variação da temperatura. Essa propriedade
permite converter a variação da temperatura em variação do potencial elétrico nos
terminais do sensor. Os potenciais elétricos variam de 0,0 V para 0 °C e 1,0 V
para 100 °C. Existem formas diferentes de configura ção que torna esse sensor
capaz de medir temperaturas negativas.
Esse sensor, por ter uma saída de sinal analógico, foi ligado em uma porta
analógico/digital do microcontrolador.
Para a fixação do sensor foi confeccionado um invólucro de resina acrílica,
que dará forma ao sensor e o tornará impermeabilizado.
3.3.5. Sensor de precipitação pluvial
O sensor de precipitação pluvial utilizado foi o pluviômetro eletrônico Rain
Collector II (Davis USA, fornecido pela Spectrum Technologies, USA). Esse tem
um diâmetro de 20,5 cm, e quantifica a lâmina de chuva por meio de pulsos
elétricos com a precisão de 0,2 m, (Figura 18).
34
Figura 18 – Sensor de precipitação pluvial eletrônico Rain Collector II.
Esse sensor, por ter uma saída de sinal digital, foi ligado diretamente a
uma porta digital do microcontrolador, onde cada pulso recebido indica uma
lâmina de 0,2 mm de chuva.
3.3.6. Descrição do Circuito
O esquema eletrônico implementado teve como entrada de dados a
temperatura do ar e a precipitação. Um teclado e um display de LCD foram
utilizados para a interação do equipamento com o usuário. A memória foi utilizada
para auxiliar o microcontrolador nos cálculos e armazenar os dados. A porta serial
permitiu a comunicação do microcontrolador com o computador para transferência
de dados (Figura 19).
35
Figura 19 – Modelo simplificado do esquema eletrônico do protótipo com seus
principais componentes (sensor de temperatura, sensor de
pluviosidade, memória de dados, teclado, display de LCD,
comunicador de dados serial e microcontrolador).
O microcontrolador foi alimentado pela tensão estabilizada de 5V (CC –
corrente contínua), por meio de um regulador LM7805 da National Instruments-
TM. Esse componente regula a tensão de saída constante a 5V, caso haja, em
sua entrada, uma voltagem mínima de 2,5V acima da tensão de saída e, no
máximo, 35V.
A tensão de alimentação foi ligada aos pinos 11, 12, 31, e 32 (VCC e VSS).
Os pinos 12 e 31 para o negativo e 11 e 32 para o positivo. O pino 1 (MCLR) será
ligado por meio de um resistor de 10 KΩ para o positivo.
O cristal quartzo ressonador utilizado foi de 4 MHz, que irá fornecer a
contagem do tempo para cada instrução que será executada pela unidade lógica
aritmética e processamento. Isto envolve também os contadores e o relógio
interno. Esse foi conectado por meio de um arranjo paralelo aos pinos 13 e 14
(OSC1 e OSC2).
O sensor de temperatura foi conectado ao pino 2 (AN0), ou porta
analógico/digital, que irá converter a voltagem em números binários e conversão
em valores de temperatura.
Microcontrolador
Display LCD
Porta Serial
Teclado
Sensor
Temperatura
Memória de
dados
Precipitação
36
O sensor de chuva foi conectado por meio de um circuito divisor de tensão
(com resistor de 10 KΩ) ao pino 33 (RB0), ou porta digital de interrupção, que irá
ler os pulsos 0 e 1 e os convertem em lâmina de precipitação.
O display de LCD foi conectado aos pinos 8, 9, 27, 28, 29 e 30 (RE0, RE1,
RD4, RD5, RD6 e RD7). Os pinos 8 e 9 foram ligados aos pinos E e RS do LCD,
respectivamente, e 27, 28, 29 e 30 nos pinos D4, D5, D6 e D7, respectivamente.
Este tipo de ligação é conhecida como modo 4 bits, como foi comentado
anteriormente.
O teclado foi conectado por meio de um circuito divisor de tensão (com
resistor de 10 KΩ) ao pino 34, 35, 36, 37 e 38 (RB1, RB2, RB3, RB4 e RB5), ou
portas digitais, que lê pulsos 0 e 1 e executa as sub-rotinas pré-estabelecidas.
A Figura 20 mostra os detalhes da placa mãe do protótipo, onde estão
soldados os componentes eletrônicos na placa de fenolite.
Figura 20 – Placa mãe do Protótipo com os detalhes dos componentes eletrônicos
utilizados.
3.3.7. Descrição do Programa
A programação seguiu o mesmo fluxograma utilizado em outros programas
compiladores, como mostra a Figura 21.
37
A programação foi feita com base em bibliotecas inerentes ao
microcontrolador escolhido, fazendo com que o código ficasse mais enxuto e
dinâmico. Essas bibliotecas podem ser criadas ou pode-se utilizar as que estão
disponíveis no programa compilador. Neste caso, foram utilizadas as bibliotecas
fornecidas pelo compilador CCS-C PCW e as criadas para resolver as equações
cosmológicas, o modelo de RNA (Zanetti et al., 2007), e outras atribuições.
Figura 21 – Fluxograma utilizado na programação do microcontrolador.
A partir do momento em que o microcontrolador é alimentado, uma etapa de
verificação é inicializada. Primeiro, o sistema verifica se há um sinal positivo ou 1
no pino MCLR antes de qualquer execução.
38
Verificado a operação anterior, inicia-se a execução das linhas de comando
“main( )”, verificando todas as configurações iniciais do dispositivo como ciclo do
oscilador, tipo de timer, conversores, portas I/O, interrupções, variáveis
constantes, entre outros.
Executado o “main( )”, começa o processo de loop infinito, onde estão
todos os comando para a chamada das sub-rotinas que executarão os processos
como relógio, calendário, contador de tempo, comparadores, conversor da
temperatura, conversor da chuva, cálculos de variáveis cosmológicas, execução
da RNA e a ETo, conforme mostrado na Figura 20.
3.3.8. Abrigo meteorológico
Segundo Varejão Silva (2000), as medições de temperatura e umidade
relativa do ar, de acordo com a OMM (Organização Meteorológica Mundial),
devem ser feitas em abrigos meteorológicos, para evitar que a luz do sol incida
diretamente sobre o sensor. Assim, esses abrigos fazem com que os valores de
temperatura medidos representem a condição térmica do ar local.
O abrigo meteorológico foi confeccionado com discos de alumínio de 15 cm
de diâmetro, sem pintura, placas de aço de 0,28”, montados em espaçadores com
cilindro de TEFLON de 3,0 cm de comprimento e 1,3 cm de diâmetro, prensa
cabo e parafusos, conforme Sugawara (2003) (Figura 22).
Figura 22 – Abrigo do sensor de temperatura.
39
Esse tipo de abrigo foi testado juntamente com o abrigo de estações
meteorológicas automáticas comerciais e obtiveram-se resultados satisfatórios
(Sugawara, 2003).
A Figura 23 mostra o protótipo do abrigo de sensores construído com disco
de alumínio, espaçadores de TEFLON e placas de aço, com os detalhes das
dimensões.
Figura 23 – Abrigo de sensor de temperatura construído com discos de alumínio,
espaçadores de TEFLON, suporte de aço com os detalhes das
dimensões.
3.4. Evapotranspiração de referência (ETo)
A ETo diária (mm d
-1
) estimada pelo Protótipo utilizando a RNA foi
confrontada com a ETo determinada pelo modelo de Penman-Monteith (Equação
06), na forma parametrizada pelo boletim 56 da Organização para Agricultura e
Alimentos (FAO-56) (Allen et al., 1998) e pelo modelo de Hargreaves-Samani
(Equação 07) (Hargreaves-Samani, 1985), obtido a partir dos dados coletados
pela estação Thies-Clima.
40
( )
)u 0,34(1 γs
)ee( u
273T
900
γG
R
s 0,408
ET
2
as2
méd
n
o
++
−
+
+−
=
(06)
em que,
Rn =
Saldo de radiação à superfície da cultura, MJ m
-2
d
-1
;
G =
Fluxo de calor no solo, MJ m
-2
d
-1
;
T
méd
=
Temperatura média diária do ar a 2 m de altura, [T
méd
=(T
máx
+ T
mín
)/2],
ºC;
T
máx
e T
mín
=
temperaturas máxima e mínima diária do ar, ºC;
s =
Declividade da curva de pressão de vapor no ponto de Tméd, kPa ºC
-1
;
γ
=
Coeficiente psicrométrico, kPa ºC
-1
;
u
2
=
Velocidade do vento a 2 m de altura, m s
-1
;
e
s
e e
a
=
Pressão de vapor de saturação e parcial de vapor d’água no ar, kPa;
Detalhes dos procedimentos para determinação das variáveis supracitadas
são descritas no boletim FAO-56 (Allen et al., 1998).
+−=
(07)
ETo
H
= evapotranspiração de referência calculada pelo método de Hargreaves,
mm/d;
Ra = radiação solar extraterrestre, mm/d;
T
max
= temperatura máxima do ar, ºC; e
T
min
= temperatura mínima do ar, ºC.
3.5. Estimativa de ETo usando a Rede Neural
A estimativa da ETo pelo Protótipo foi feito utilizando o modelo de RNA’s
desenvolvido por Zanetti et al. (2007). O modelo de RNA desenvolvido por esse
autor consiste em uma operação algébrica dos dados de entrada (temperaturas
máxima e mínima do ar (ºC), radiação solar extraterrestre (MJ.m
-2
.d
-1
) e duração
máxima de insolação diária (horas)) em relação às matrizes de pesos (w1 e w2),
bias (b1 e b2), das camadas de neurônios oculta e de saída. Estes dados estão
apresentados na Quadro 03.
41
Quadro 03. Matrizes de pesos (w1 e w2) e bias (b1 e b2), referentes à rede neural
artificial desenvolvida por Zanetti et al. (2007), para estimar a ETo em
Campos dos Goytacazes-RJ.
b
1
w
1
b
2
-197,2160 1,6286 -1,3474 3,0568 4,1851 -2,1121
-9,4286 3,5874 -2,6413 5,4744 -26,1476
29,8265 0,2155 -0,3568 1,4024 -6,2655
-36,0609 0,2438 -0,2883 0,4021 1,9509
147,2884 -2,0417 3,9917 4,7098 -25,5648
38,6812 0,0952 -0,0782 0,4521 -4,7161
-21,6602 -1,0142 0,5724 -1,7732 8,7299
-11,2148 -17,5969 36,8220 -3,5751 -1,4962
-2,4016 0,0424 0,8396 -0,6630 -3,9742
-0,9182 0,1034 -0,0650 -0,0026 -0,0399
w
2
0,1696 0,4113 -1,1756 1,3648 0,0430 -1,4045 -0,2447 0,0229 -4,6324 3,8754
3.6. Balanço hídrico
O balanço hídrico é a contabilização da água no solo, resultante da
aplicação do princípio da conservação de massa em um volume de solo
vegetado, ou seja, representa a quantificação do que entrou e saiu de água do
volume de controle (Pereira et al., 2002).
Estimando-se a quantidade de água extraída do solo pela
evapotranspiração, conhecendo-se a quantidade de água que entrou no sistema
por intermédio da chuva, medida pelo pluviômetro, e da irrigação, e tendo os
valores dos coeficientes de cultura (Kc) tabelados para diferentes estágios de
desenvolvimento da cultura, pode-se estimar o quanto irrigar baseado nas
equações (08) e (09), com suas respectivas condições.
(
)
ZDa
10
PMCC
CTA
−
=
(08)
(
)
iii1-ii
IPETcDD
+
−
+
=
(09)
tendo-se que,
D
i
= 0 para: D
i
< 0
D
i
= CTA para: D
i
> CTA
42
em que,
CTA
=
Capacidade total de água no solo, mm;
CC =
Capacidade de campo do solo, % em peso;
PM =
Ponto de murcha permanente do solo, % em peso;
Da =
Densidade aparente do solo, g cm
-3
;
Z =
Profundidade efetiva das raízes, cm;
D
i
=
Déficit de água do solo no final do período i;
D
i-1
=
Déficit de água do solo no final do período i – 1;
ETc
i
=
Evapotranspiração ocorrida no período i;
P
i
=
Precipitação ocorrida no período i; e
I
i
=
Irrigação realizada no período i.
Para cálculo da CTA, foram coletadas amostras de solo visando a
identificar a curva característica de retenção de água. A partir dessa, obteve-se o
PMP (23,2%) e a CC (35%) necessária para a realização do referido cálculo.
Assim, os parâmetros solo foram inseridos nas variáveis do programa,
onde, com os dados de ETo, precipitação e lâmina de irrigação, o sistema simulou
o balanço hídrico, mostrando a quantidade real de água no solo.
3.7. Avaliação dos resultados
Os resultados foram avaliados por meio da análise de regressão, do índice
de concordância de Willmott (Willmott et al., 1981) apresentado por Camargo e
Sentelhas (1997).
Sobre a análise do desempenho de dados da estação meteorológica,
encontram-se na literatura diversos trabalhos relatando a utilização de diferentes
indicadores estatísticos (Sentelhas et al., 1997; Souza et al., 2002; Blanco e
Sentelhas, 2002; Sentelhas e Camargo, 1996).
Diante destas evidências foram calculados alguns dos índices estatísticos
atualmente mais utilizados para avaliação do desempenho de dados de estações
meteorológicas, já que não se conhece um método que possa ser utilizado como
padrão.
Camargo e Sentelhas (1997) recomendam que, ao comparar valores
observados e estimados, sejam considerados o coeficiente de correlação de
Pearson e o índice de concordância (d), proposto por Willmott (1981).
43
Segundo os pesquisadores, a precisão do modelo é dada pelo coeficiente
de correlação e a sua exatidão está relacionada ao afastamento dos valores
estimados em relação aos observados. Matematicamente, essa aproximação é
dada pelo índice de concordância (d), Equação 10.
O índice d é um valor adimensional, variando entre 0 e 1, sendo que o
completo ajustamento é representado pelo valor 1 e o valor 0 indica o oposto.
( )
( )
∑
∑
=
=
−+−
−
−=
n
1 i
2
ii
n
1 i
2
ii
OOOE
OE
1d
(10)
em que:
n =
número de observações;
E
i
=
valor estimado pelo modelo;
O
i
=
valor observado experimentalmente; e
O
=
média dos valores observados experimentalmente.
Além das modificações nos índices anteriores, Legates e Mccabe Jr.
(1999), Fox (1981) sugerem que, adicionalmente, deve-se analisar o erro absoluto
médio (EAM), Equação 11, a raiz do erro quadrado médio (REQM), Equação 12,
e, ainda, gráficos representando os pontos observados e estimados, juntamente
com os coeficientes de ajuste de regressões lineares simples (Y =
β
0
+
β
1
X) entre
estes. Neste caso, optou-se também por calcular a probabilidade de significância
do teste “F” (P), visando analisar a significância da relação retilínea entre os
dados observados e estimados, em nível de 1% de probabilidade. O teste “t” foi
utilizado para avaliar estatisticamente o valor do intercepto (Ho:
β
o = 0) e da
inclinação da reta (Ho:
β
1 = 1), em nível de 1% de probabilidade.
n
OE
EAM
n
1 i
ii
∑
=
−
=
(11)
44
( )
∑
=
−
=
(12)
em que:
N =
número de observações;
E
i
=
valor estimado pelo modelo;
O
i
=
valor observado experimentalmente.
Camargo e Sentelhas (1997), Souza et al. (2002) e Steidle Neto e Zolnier
(2006), em estudos semelhantes envolvendo sensores eletrônicos, utilizaram
esses coeficientes para avaliação dos resultados e obtiveram resultados
satisfatórios.
Willmott (1981), propôs que erro sistemático pode ser descrito pelo erro
quadrado médio sistemático (EQMs); e o erro não sistemático pelo erro quadrado
médio não sistemático (EQMns), Equações 13 e 14, respectivamente.
∑
=
−
=
(13)
∑
=
−
=
^
Ei
(14)
O mesmo autor verificou que o sistema é conservativo, onde a soma dos
quadrados dos erros sistemáticos (EQMs) e não sistemáticos (EQMns) resultam
no erro quadrado médio (EQM), Equação 15.
+=
(15)
45
4. RESULTADOS E DISCUSSÃO
4.1. Desempenho do Protótipo para estimação das temperaturas máxima e
mínima
Os valores de temperatura medidas e coletadas no período foram divididos
em dois grupos de análises; o primeiro, em temperatura máxima, em que os
dados variaram de 21,3 a 33,4 °C e o segundo em tem peratura mínima, em que
os dados variaram de 12,3 a 22,5 °C.
Na Figura 24 é apresentada a dispersão dos dados de temperatura máxima
medida pelo Protótipo em relação aos dados coletados pela estação Thies-Clima.
Apresenta-se, ainda, a reta 1:1, a equação de ajuste, o intervalo de confiança de
99% e o respectivo coeficiente de determinação (r
2
).
46
y = 0,91x + 2,61
r
2
= 0,93
20
23
26
29
32
35
20 23 26 29 32 35
Tmáx Protótipo (°C)
Tmáx Thies-Clima (°C)
Figura 24 – Gráfico de desempenho do protótipo para estimativa da temperatura
máxima.
O resultado obtido para temperatura máxima mostrou que o sensor de
temperatura LM35 teve um bom desempenho, onde o valor do EAM foi de 0,52
para temperatura máxima, semelhante aos encontrados por outros pesquisadores
(Sentelhas et al., 1997; Souza et al., 2002; e Steidle Neto e Zolnier, 2006).
Na Figura 25 é apresentada a dispersão dos dados de temperatura mínima
medida pelo Protótipo em relação aos dados coletados pela estação Thies-Clima.
Apresenta-se, ainda, a reta 1:1, a equação de ajuste, o intervalo de confiança de
99% e o r
2
.
47
y = 0,97x + 1,04
r
2
= 0,92
11
14
17
20
23
11 14 17 20 23
Tmín Protótipo (°C)
Tmín Thies-Clima (°C)
Figura 25 – Gráfico de desempenho do protótipo para estimativa da temperatura
mínima.
No Quadro 04 estão apresentados os resultados estatísticos dos dados de
temperatura máxima e mínima coletados pela estação Thies-Clima e o Protótipo.
Os resultados indicam que os índices de comparação utilizados para os
dados de temperatura (máxima e mínima) estão semelhantes aos encontrados
por Steidle Neto e Zolnier (2006), Sentelhas el al. (1997).
Quadro 04 – Resultados do desempenho do Protótipo em relação à temperatura
(máxima e mínima).
Temperatura d EAM (°C ) REQM (°C )
r
2
P
Máxima
0,9791 0,522 0,78 0,93
2,15x10
-38
Mínima
0,9688 0,65 0,86 0,92
1,6x10
-40
As regressões lineares simples dos dados de temperaturas máximas e
mínimas coletados pelo protótipo e EMA apresentaram resultados significativos
pelo Teste F ao nível de 1% de probabilidade.
48
Observa-se que houve uma concordância entre os valores de temperatura,
onde a linha representativa da equação de regressão aproximou-se da reta 1:1.
O desempenho pode ser atestado tanto pela precisão, r
2
= 0,93, como pela
sua exatidão, d = 0,98 e o EAM = 0,52 ˚C para temperatura máxima; r
2
= 0,92, d =
0,97 e EAM = 0,66 ˚C para temperatura mínima. Observa-se que o sensor de
temperatura LM-35, montado no abrigo meteorológico teve um desempenho
melhor para a temperatura máxima.
Para a temperatura máxima, o teste t apresentou significância estatística,
ao nível de 1% de probabilidade, para intercepto, mostrando que difere
estatisticamente de zero e para o coeficiente angular difere estatisticamente de 1.
Apesar do menor desempenho comparativamente ao desempenho da
estimativa da temperatura máxima, para o modelo de estimativa da temperatura
mínima, o teste t, para os parâmetros das equações lineares, demonstrou que o
intercepto não diferiu de 0 e que a inclinação não diferiu de 1.
Este desvio sistemático pode estar ligado à dissipação do calor no material
utilizado para o abrigo de sensores. O mesmo pode ser corrigido via
programação, ou até mesmo no circuito condicionador de sinal do
microcontrolador.
4.2. Desempenho do Protótipo para estimação da evapotranspiração
Na Figura 26 é apresentada a dispersão dos valores estimados de
evapotranspiração pelo método de HS em relação aos valores de
evapotranspiração calculados pelo método de PM-FAO.
49
y = 0,52x + 1,77
r
2
= 0,33
0
1
2
3
4
5
0 1 2 3 4 5
ETo Hargreaves (mm)
ETo PM (mm)
Figura 26 – Gráfico de correlação entre os valores estimados pelo método de HS
(ETo Hargreaves), em relação ao método de PM-FAO (ETo_PM).
Os resultados obtidos mostraram que a ETo calculada pelo modelo de HS
superestima os valores de ETo calculados com os dados coletados pela estação
Thies-Clima, usando o modelo de PM-FAO.
A Figura 27 mostra os valores de ETo, via PM-FAO, e o Protótipo, em
relação à reta 1:1, a equação de ajuste e o respectivo r
2
.
50
y = 0,58x + 1,30
r
2
= 0,44
0
1
2
3
4
5
0 1 2 3 4 5
ETo Protótipo (mm)
ETo PM (mm)
Figura 27 – Gráfico de correlação entre os valores estimados pelo Protótipo (ETo
Protótipo), em relação ao método de PM-FAO (ETo_PM).
No Quadro 05 estão apresentados os resultados estatísticos dos dados de
ETo_PM estimados com os dados da estação Thies-Clima, comparados com os
valores de ETo calculados pela equação de Hargreaves & Samani e o Protótipo.
Quadro 05 – Resultados do desempenho do Protótipo em relação à ETo_PM e
ETo_HS.
Método ETo sO sE N a b EAM REQM EQMs EQMns d
r
2
P
ETo Protótipo 2,43 2,68 0,39 0,56 69 1,3** 0,58** 0,5 0,52 0,43 0,29 0,77 0,43 5,71x10-10
ETo Hargreaves 2,43 3,04 0,39 0,59 63 1,8** 0,52** 0,7 0,85 0,53 0,66 0,64 0,33 1,89x10-7
O
e , média dos valores observados e estimados respectivamente; sO e sE, desvio padrão dos valores observados e
estimados respectivamente; N, número de dados; “a” e “b”, intercepto e inclinação da regressão linear; EAM, erro absoluto
médio; REQM, raiz do erro quadrado médio; RMSEs, raiz do erro quadrado médio sistemático; RMSEns, raiz do erro
quadrado médio não sistemático; d, índice de concordância de Willmott (1981); r
2
, coeficiente de determinação; P,
probabilidade.
Examinando o resumo dos parâmetros de posição e escala ( e sE),
verifica-se que todos os métodos superestimaram os parâmetros de posição e
subestimaram os parâmetros de escala observados correspondentes ( e sO),
consistente com a interpretação gráfica (Figuras 26 e 27). A mE do método do
Protótipo superestima em aproximadamente 10 % o valor observado, enquanto
que o metodo de Hargreaves superestima em torno de 25 % o valor observado.
Os parâmetros da regressão “a” e “b”, para os métodos avaliados,
indicaram a necessidade de um melhor ajustamento em relação aos dados
51
observados. Isso pode ser explicado devido a uma faixa limitada de variação dos
valores observados em torno da média.
Em relação ao EAM e REQM, nota-se uma distinção entre os métodos,
indicando um melhor desempenho do método do Protótipo. Isto pode ser
confirmado pelo índice de concordância de Willmott (1981) e coeficiente de
determinação, onde o índice d para o método do Protótipo foi mais próximo de 1 e
o r
2
foi maior.
O melhor desempenho do método do Protótipo pode ser verificado pelo
menor erro sistemático (RMSEs) e menor erro não sistemático (RMSEns),
(Quadro5).
Para a estimativa da evapotranspiração, o método do Protótipo teve o
melhor desempenho comparado com o método de Hargreaves-Samani.
4.3. Desempenho do Protótipo para estimação do Balanço Hídrico
O balanço hídrico foi calculado pelo microcontrolador com os mesmos
dados da estação meteorológica automática. As variações apresentadas foram
similares, comparado ao programa computacional para verificar os erros.
Na Figura 28 é apresentado o gráfico da umidade disponível no solo, o
efeito conjunto da evapotranspiração da cultura, os parâmetros físicos do solo, a
disponibilidade total de água, o fator disponibilidade e a precipitação.
52
Figura 28 – Gráfico do balanço hídrico do solo no período estudado.
O resultado obtido mostrou que o Protótipo teve desempenho satisfatório
em calcular o balanço hídrico com os dados coletados de chuva e com os valores
de ETo, podendo ser uma boa referência para o monitoramento da disponibilidade
hídrica do solo e, conseqüentemente, para o manejo de irrigação.
4.4. Custo do Protótipo
O custo total do protótipo, incluindo o pluviômetro importado, foi de
aproximadamente, R$ 2143,00. Esse custo envolve o microcontrolador, caixa
hermeticamente fechada, bases de tubo de aço, componentes eletrônicos e não
eletrônicos, painel solar, bateria, pluviômetro, outros componentes adicionais e a
mão-de-obra, conforme apresentado no Quadro 06.
53
Quadro 06 – Quadro com os valores dos componentes utilizados
Materiais Quantidade Preço (R$) Total
Microcontrolador 1 28,00 28,00
Pluviômetro 1 1100,00 1100,00
Caixa 1 230,00 230,00
Base 2 30,00 60,00
Coponentes eletrônicos 1 90,00 90,00
Componentes não eletrônicos 1 200,00 200,00
Painel solar 1 380,00 380,00
bateria 1 55,00 55,00
Total Geral 2143,00
O custo total do Protótipo mostrou que o equipamento tem uma relação
custo/benefício muito aceitável, comparando-se com os equipamentos comerciais
existentes no mercado.
Isto implica que o custo de manutenção e reposição de componentes do
equipamento torna-se mais acessível para os pequenos produtores rurais, em
relação aos equipamentos importados.
54
5. RESUMO E CONCLUSÕES
O monitoramento do consumo de água pelas plantas, baseado nas
condições ambientais, tem sido adotado com maior freqüência, pelo fato de
que a representatividade espacial é superior aos métodos pontuais baseados
no conteúdo de água no solo.
As variáveis meteorológicas necessárias para aplicação de métodos
mais sofisticados de estimação da evapotranspiração de referência (ETo)
nem sempre estão disponíveis. Verifica-se a importância dos métodos
simplificados para estimar a ETo em função de elementos climáticos que
podem ser obtidos de forma prática, como a temperatura do ar.
Sendo assim, diante da necessidade de facilitar a estimativa da ETo
para o manejo de irrigação, foi realizado este estudo para desenvolver e
avaliar um equipamento para o monitoramento do ambiente, com vista a
estimação da ETo e do balanço hídrico do solo.
Foram feitos testes em campo do Protótipo, onde foram analisados o
desempenho dos sensores e a estimativa da ETo do equipamento.
A análise do resultado obtido para os dados de temperatura máxima e
mínima demonstrou que o sensor de temperatura LM-35 teve desempenho
satisfatório para todas as ferramentas de análise utilizadas.
Para estimativa da esvapotranspiração, os resultados indicaram que o
modelo de RNA desenvolvidos por Zanetti et al. 2007 teve um melhor
55
desempenho do que o modelo de Hargreaves & Samani (1985) para todas as
ferramentas de análise utilizadas.
Os cálculos de Balanço hídrico calculados pelo microcontrolador foram
similares aos calculados pela planilha de dados.
O custo total do Protótipo, incluindo o pluviômetro importado, foi de
aproximadamente R$ 2000,00. Considerando-se o dólar a R$ 2,00, este valor
representa apenas 20% do custo de uma estação meteorológica automática
comercial, sendo mais viável a aquisição e o uso do protótipo pela maioria
dos produtores agrícolas.
56
6. REFERÊNCIAS BIBLIOGRÁFICAS
Alencar, C. A. B., Cunha, F. F. da, Ramos, M. M., Soares, A. A., Pizziolo, T.
A., Oliveira, R. A. de,;
Análise da Automação em um Sistema de Irrigação
Convencional Fixo por Miniaspersão
.
Engenharia na Agricultura, Viçosa,
MG, v.15, n.2, 109-118, Abr./Jun., 2007.
Allen, R. G., Smith, M., Perrier, A., Pereira, L. S. An update for the definition
of reference evapotranspiration. ICID Bulletin . v. 43, n. 2, p.1-34, 1994.
Allen, R. G., Pereira, L. S., Raes, D., Smith, M. (1998)
Crop
evapotranspiration - Guidelines for computing crop water requirements
.
Rome: FAO, 300p. (FAO Irrigation and Drainage Paper 56).
Amatya, D. M., Skaggs, R. W., Gregory, J. D. Comparison of methods for
estimating REF-ET.
Journal of Irrigation and Drainage Engineering
, v.
121, n. 6, p. 427-435, 1995.
Arca, B.; Beniscasa, F.; Vincenzi, M. Evaluation of neural network techniques
for estimating evapotranspiration.
National Research Council
, Sassari,
2004.Disponívelem:<http://server.ss.ibimet.cnr.it/~arca1/papers/Evaluatio
n%20of%20neural%20network%20techniques%20for%20estimating%20e
vapotranspiration_EANN_2001.pdf>.Acesso em: 22 jul. 2004.
Ashraf, M., Loftis, J. C., Hubbard, K. G. Application of geostatistics to evaluate
partial weather station networks.
Agricultural and Forest Meteorology
,
57
v.74, p. 225-271, 1997.
Azoff, E. M. Neural network time series forecasting of financial markets, John
Wiley & Sons Ltd., 1994.
Berlato, M. A., Molion, L. C. B.
Evaporação e Evapotranspiração
. IPAGRO –
Instituto de pesquisas Agronômicas, Boletim Técnico, Rio Grande do Sul,
maio de 1981, 95p.
Bernardo, S.
Manual de irrigação
. 6. ed. Viçosa, MG: Imprensa Universitária,
1996. 657 p.
Bonomo, R.
Análise da Irrigação na Cafeicultura em Áreas de Cerrado de
Minas Gerais
. Viçosa, MG, UFV, 1999. 224p. (Tese de doutorado).
Braga, A. P.; Ludemir, T. B.; Carvalho, A. C. P. L. F.
Redes neurais artificiais:
teoria e aplicações
. Rio de Janeiro: LTC, 262 p. 2000.
Bueno E. I
. Utilização de Redes Neurais Artificiais Na Monitoração e
Detecção de Falhas em Sensores do Reator IEA-R1
. Tese de Mestrado
(Mestre em Ciências da Área de Tecnologia Nuclear – Reatores), Instituto
de Pesquisas Energéticas e Nucleares da Universidade de São Paulo,
São Paulo, 98 p. 2006.
Camargo, A. P.; Sentelhas, P. C. Avaliação do desempenho de diferentes
métodos de estimativa da evapotranspiração potencial no Estado de São
Paulo, Brasil.
Revista Brasileira de Agrometeorologia
, Santa Maria, v.5,
n.1, p.89-97, 1997.
Carvalho, A. P. de Leon F. de.
Redes Neurais Artificiais
. Disponível em
(http://www.icmc.usp.br/~andre/research/neural/index.htm)
Coelho Filho, M. A.; Castro Neto, M. T. de; Coelho, E. F. Transpiração
máxima de plantas de mamão (Carica papaya L.) em pomares
fertirrigado, nas condições de cruz das almas BA. (Compact disc) In:
Congresso Brasileiro de Irrigação e Drenagem
, 12, 2002, Uberlândia -
MG. Anais... Uberlândia. ABID, 2002. (CD-Rom).
Cordeiro, E. A.
Influência do Tratamento de Água Ferruginosa no
Desempenho de Sistema de Irrigação por Gotejamento
Viçosa Minas
Gerais – Brasil 2002 91p (Tese de doutorado).
Daher, R. F., Maldonado, H., Gome, F. F., Fabregas, I. C. S., Soares, C. S.,
Fonseca, C. W., Introdução e Avaliação de 12 Gramíneas Forrageiras em
Campos Dos Goytacazes, RJ.
Ciênc. agrotec
., Lavras. Edição Especial,
58
p.1575-1579, dez., 2002.
Doorenbos, J., Pruitt, J. O.
Guidelines for predicting crop water requeriments.
Rome: FAO, 1977. 179 p. (FAO Irrigation and Drainage, 24).
Doorenbos, J., Kassam, A. H.
Yield response to water.
Roma: FAO, 1979.
193p. (irrigation and drainage Paper, 33).
Espindula Neto, D.
Uso racional de água e energia elétrica na cafeicultura
irrigada por pivô central e gotejamento
. Tese (Mestrado em Engenharia
Agrícola) - Universidade Federal de Viçosa, Conselho Nacional de
Desenvolvimento Científico e Tecnológico. Orientador: Everardo Chartuni
Mantovani, 2002.
Exsto Tecnologia.
Apostila de Programação C para PIC
. 2004. Disponível
em: www.exsto.com.br.
Hargreaves, G. H.; Samani, Z.
Reference crop evapotranspiration from
ambient air temperature
. Chicago, Amer. Soc. Agric. Eng. Meeting,
(Paper 85-2517) 1985.
Haykin, S.
Redes Neurais: princípios e prática
. 2.ed. Porto Alegre: Bookman,
900 p. 2001.
Hubbard, K. G. Spatial variability of daily weather variables in the high plains
of the USA.
Agricultural and Forest Meteorology
, v.68, p. 29-41, 1994.
Hubbard, K. G., Rosemberg, N. J., Nielsen, D. C. Automated weather data
network for agriculture.
Journal of Water Resources Planning an
Management
, v. 109, n.3, p.213-222, 1983.
Kovács, Z. L.;
Redes neurais artificiais: fundamentos e aplicações
. 3. ed. São
Paulo: Livraria da Física, 174 p. 2002.
Kumar, M.; Raghuwanshi, N. S.; Singh, R.; Wallender, W. W.; Pruitt, W. O.
Estimating evapotranspiration using artificial neural network.
Journal of
Irrigation and Drainage Engineering
, v.128, n.4, p. 224-233, 2002.
Legates, D. R., McCabe Jr., G. J. Evaluating the use of “goodness-of-fit”
measures in hydrologic and hydroclimatic model validation.
Water
Resources Research
, 35(1):233-241, 1999.
Marouelli, W. A.; Silva, W. L. C. Manejo de irrigação em hortaliças no campo
e em ambientes protegidos. In:
Congresso brasileiro de engenharia
agrícola/manejo de irrigação
, 27, Poços de Caldas. Anais. Poços de
Caldas, UFLA/SBEA, 378 p., 1998.
59
Medeiros, A. T., Sentelhas, P. C., Lima, R. N. de, Estimativa da
evapotranspiração de referência a partir da equação de penman-
monteith, de medidas lisimétricas e de equações empíricas, em
PARAIPABA - CE.
Eng. Agríc.,
Jaboticabal, v.23, n.1, p.31-40, jan. 2003.
Mendonça, J. C., Sousa, E. F., Bernardo, S., Sugawara, M. T., Pessanha,
A.L., Gottardo, R. D. Determinação do coeficiente cultural (Kc) do feijoeiro
(Phaseolus vulgaris L.), em Campos dos Goytacazes, RJ.
Revista
Brasileira de Engenharia Agrícola e Ambiental
, Campina Grande-PB,
UAEAg/UFCG, v.11, n.5, p.471–475, 2007.
Moraes, C. C.; Castrucci, P.L.
Engenharia de Automação Industrial
. São
Paulo: LTC, 2001. 295p.
Odhiambo, L. O.; Yoder, R. E.; Yoder, D. C.; Hines, J. W. Optimozation of
fuzzy evapotranspiration model through neural training with input-output
examples.
Transactions of the ASAE
, v.44, n.6, p. 1625-1633, 2001.
Oliveira, M. A de,
Aplicação de Redes Neurais Artificiais da Análise de Séries
Temporais Econômico-Financeiras
, Tese de Doutorado (Faculdade de
Economia, Administração e Contabilidade Departamento de
Administração), Universidade de São Paulo, São Paulo-SP 2007, 285 p.
Pacheco, D. F., Regueira, F. S., Lima Neto, F. B. de, Utilização de Redes
Neurais Artificiais em colheitas de cana-de açúcar para predição de PCC,
TCH e fibra ALCOOLBrás04]
Revista ALCOOLBrás Especial
. Editora
Valete, Edição 87 de Set/Out de 2004.
Paes, H. M. F.,
Demanda hídrica e função de produção da cultura do
quiabeiro
(
Abelmos chus esculentus
), UENF, 2003, tese mestrado, 57p.
Pereira, A. R.; Villa Nova, N.A.; Sediyama, G.C.
Evapo(transpi)ração
.
Piracicaba: FEALQ, 1997. 183 p.
Pereira, A. R.; Angelocci, L.R.; Sentelhas, P.C.
Agrometeorologia,
Fundamentos e aplicações práticas
. Piracicaba SP, Editora Agropecuária,
2002, 478p.
Pereira, F. PIC Programação C, Editora Erica, 3° ed . São Paulo, 2004, 359p.
Rodela, A. A., LQI-800 Métodos instrumentais de análise: texto auxilar para
aulas teóricas, 2003. Disponível em:
http://members.tripod.com/quimica_esalq/textunic.doc.
Rueda, T. C.
Controle automático do nível de poeira baseado em
60
microcontrolador.
Lavras: UFLA, 2005. 42 p.
Samani, Z., Estimating solar radiation and evapotranspiration using minimum
climatological data.
Journal of Irrigation and Drainage Engineering
, v.126,
n.4, p. 265-267, 2000.
Sediyama, G. C., Ribeiro, A., Leal, B. G. Relações clima-água-planta. In:
Faria, M. A., Silva, E. L., Vilela, L. A. A., Silva, A. M. (Eds.).
Manejo de
irrigação
. Poços de Caldas: UFLA/SBEA, 1998. p.46-85.
Sentelhas, P. C., Moraes, S. O., de Estefano Piedade, S. M. Pereira, A. R.,
Angelocci, L. R., Marin, F. R. Análise comparativa de dados
meteorológicos obtidos por estações convencional e automática.
Revista
Brasileira de Agrometeorologia
, v.5, n.2, p.215-221, 1997.
Silva, A. F.
Previsão da evapotranspiração de referência utilizando redes
neurais
. Viçosa, MG: UFV, 2002. 68 p. Tese (Mestrado em Engenharia
Agrícola). Universidade Federal de Viçosa, 2002.
Smith, M.
Report on the expert consultation on procedures for revision of FAO
guidelines for prediction of crop water requirements.
Rome: FAO, 1991.
54p.
Smith, M., Segeren, A., Pereira, L. S., Perrier, A., Allen, R.
Report on the
expert consultation on procedures for revision of FAO guideline for
prediction of crop water requirements.
Rome: FAO, 1991. 45 p.
Souza, I. de A., Galvani, E., Assunção, H. F. Avaliação de Elementos
Meteorológicos Monitorados por Estações Convencional e Automática.
XII Congresso Brasileiro de Meteorologia
, Foz de Iguaçu-PR, 2002.
Souza, D. J. de.
Desbravando
o
PIC
, Editora Erica, 6° ed. São Paulo, 2003,
265p.
Sousa, E. F. et al. Estimativa da demanda hídrica provável na região norte
fluminense. Engenharia Agrícola, Jaboticabal, v.22, n.3, p.322-331, 2002.
Steidle Neto, A. J., Zolnier, S. Avaliação de circuito eletrônico para medição
de temperatura em instalações agrícolas por meio da porta paralela de
um computador.
Eng. Agríc.,
Jaboticabal, v.26, n.2, p.335-343, mai/ago
2006.
Stemmer, M. R.
Redes Neurais Artificiais para Controle & Automação
.
DAS/CTC/UFSC,
Apostila de curso sobre redes neurais 2006
61
Sudheer, K. P.; Gosain, A. K.; Ramasastri, K. S. Estimating actual
evapotranspiration from limited climatic data using neural computing
technique.
Journal of Irrigation and Drainage Engineering
, v.129, n.3, p.
214-218, 2003.
Sugawara, M. T.,
Estudo de sensores de baixo custo para estação
meteorológica automática
. Viçosa, MG: UFV, 2003. 68 p. Tese (Mestrado
em Meteorologia Agrícola). Universidade Federal de Viçosa, 2003.
Tinós, R.,
Detecção e Diagnóstico de Falhas em Robôs Manipuladores Via
Redes Neurais Artificiais
,
Tese de Mestrado (Escola de Engenharia de
São Carlos da Universidade de São Paulo), Universidade de São Paulo,
São Paulo-SP 1999, 117 p.
Trajkovic, S.; Todorovic, B.; Stankovic, M. Forecasting of Reference
Evapotranspiration by Artificial Neural Networks.
Journal of Irrigation and
Drainage Engineering
, v.129, n.6, p. 454-457, 2003.
Varejão Silva, M. A.
Meteorologia e Climatologia
(INMET). Brasília DF, 2000,
515p.
Varella, C. A. A., Pinto, F. de A. C., Queiroz, D. M. de, Sena Júnior, D. G. de,
Determinação da cobertura do solo por análise de imagens e redes
neurais.
Revista Brasileira de Engenharia Agrícola e Ambiental
, v.6, n.2,
p.225-229, 2002
Campina Grande, PB, DEAg/UFCG -
http://www.agriambi.com.br
Willmott, C. J. On the validation of model.
Physical Geography
, v.2, n.2,
p.184-194, 1981.
Willmott, C. J. Some Comments on the Evaluation of Model Perfomance.
American Meteorological Society
, v.82, p.1309-1313, 1982.
Zanetti, S. S.; Sousa, E. F.; Oliveira, V. P. S.; Almeida, F. T.; Bernardo, S.
Estimating evapotranspiration using artificial neural network and minimum
climatological data.
Journal of Irrigation and Drainage Engineering
, v.33,
n.2, p.83-89, 2007.
Zanetti, S. S.; Sousa, E. F.; Carvalho, D, F. de e Bernardo, S. Estimação da
evapotranspiração de referência no Estado do Rio de Janeiro usando
redes neurais artificiais. Rev. bras. eng. agríc. ambient. [online]. 2008,
vol. 12, no. 2, pp. 174-180. ISSN 1415-4366.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
