Banca de DEFESA: LUCRECIA PACHECO BATISTA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCRECIA PACHECO BATISTA
DATA : 25/02/2022
HORA: 13:30
LOCAL: Google Meet
TÍTULO:

USO DE REDES NEURAIS NA PREDIÇÃO DA CAPACIDADE MÁXIMA DE ADSORÇÃO DO HERBICIDA METRIBUZIN EM SOLOS BRASILEIROS

PALAVRAS-CHAVES:

Inteligência computacional. Controle químico. Retenção

PÁGINAS: 58
RESUMO:

A interação entre os herbicidas e o solo afeta a eficiência do controle de plantas daninhas e o
potencial de impacto ambiental. A magnitude desta interação é dependente das propriedades do
solo e do próprio herbicida e, por isso, é considerada complexa. Para solucionar isso, a
inteligência computacional pode ser utilizada para estimar os processos de retenção dos
herbicidas no solo e, consequentemente, auxiliar na tomada de decisão sobre a dose de aplicação
visando o menor impacto ambiental associado ao melhor manejo das plantas daninhas. Desta
forma, neste trabalho foi avaliado o potencial do uso de redes neurais artificiais (RNAs) para
estimar a capacidade máxima de adsorção (Qmax) do herbicida metribuzin em solos brasileiros.
O Qmax do herbicida metribuzin foi o determinado em ensaios laboratoriais para 42 diferentes
solos brasileiros. Para a predição do Qmax foi usada uma RNAs perceptron multicamadas
(MLP). Foram feitas duas seleções de variáveis de entrada, sendo que, no primeiro teste, as
variáveis selecionadas para entrada foram aquelas consideradas pela literatura como as mais
relevantes para os processos de sorção. No segundo teste, as variáveis foram selecionadas
utilizando a ferramenta de feature selection. Em ambos os testes foram utilizadas as
características físico-químicas dos solos, havendo variações no número de entradas. A saída
das RNAs utilizada foi a capacidade máxima de adsorção (Qmax). Para avaliar os modelos,
foram utilizados o erro médio de estimativa (MBE), o erro absoluto médio (MAE) a raiz
quadrada do erro médio (RMSE) o coeficiente da correlação de Pearson (r) e o coeficiente de
determinação (R2). Todos os modelos de rede neural artificial (RNAs) do primeiro teste
sofreram overfitting, com isso nenhuma MPL conseguiu uma predição de Qmax. No segundo
teste a feature selection (FS) se mostrou uma ótima ferramenta para sanar o problema do
primeiro teste, pois a capacidade de predição das redes foi melhorada, obtendo dois modelos
com bom desempenho, especialmente a RNAs com 3 entradas. O problema de overfitting foi
resolvido pela FS, porém é necessário fazer mais estudo para aprimorar os modelos obtidos e
aumentar sua eficiente na predição do Qmax.

MEMBROS DA BANCA:
Externo à Instituição - Alcinei Mistico Azevedo
Presidente - 2213033 - DANIEL VALADAO SILVA
Externo à Instituição - MATHEUS DE FREITAS SOUZA
Externo ao Programa - 2578617 - STEFESON BEZERRA DE MELO
Externa à Instituição - TALIANE MARIA DA SILVA TEÓFILO - PESQUISADOR