期刊名称：Revista Brasileira de Engenharia Agrícola e Ambiental
印刷版ISSN：1415-4366
电子版ISSN：1807-1929
出版年度：2016
卷号：20
期号：6
页码：507-512
DOI：10.1590/1807-1929/agriambi.v20n6p507-512
出版社：Departamento de Engenharia Agrícola - UFCG / Cnpq
摘要：RESUMO Este trabalho foi conduzido com o objetivo de investigar a aplicabilidade das redes neurais artificiais (RNAs) para estimar a evapotranspiração do cultivo protegido de pimentão. Os dados utilizados compreenderam o segundo ciclo da cultura, cultivado de setembro de 2013 a fevereiro de 2014, constituindo 135 dias de dados meteorológicos diários: temperatura e umidade relativa do ar, velocidade do vento e radiação solar global, utilizadas como variáveis preditoras e evapotranspiração, determinada a partir de dados obtidos por lisímetro de pesagem, usada como variável resposta. Os dados registrados no período foram divididos em três conjuntos para treinamento, teste e validação. O processo de aprendizado da RNA foi estabelecido com precisão aceitável, com erro médio quadrático de 0,005, em que os padrões de evapotranspiração no ambiente protegido estimado pela rede, em comparação àqueles gerados a partir dos dados de lisimetria, apontaram coeficiente de determinação da ordem de 0,87 para uma arquitetura de rede 4-21-1, de múltiplas camadas, algoritmo de aprendizagem de retropropagação do erro e taxa de aprendizagem de 0,1.
其他摘要：ABSTRACT This study aimed to investigate the applicability of artificial neural networks (ANNs) in the prediction of evapotranspiration of sweet pepper cultivated in a greenhouse. The used data encompass the second crop cycle, from September 2013 to February 2014, constituting 135 days of daily meteorological data, referring to the following variables: temperature and relative air humidity, wind speed and solar radiation (input variables), as well as evapotranspiration (output variable), determined using data obtained by load-cell weighing lysimeter. The recorded data were divided into three sets for training, testing and validation. The ANN learning model recognized the evapotranspiration patterns with acceptable accuracy, with mean square error of 0.005, in comparison to the data recorded in the lysimeter, with coefficient of determination of 0.87, demonstrating the best approximation for the 4-21-1 network architecture, with multilayers, error back-propagation learning algorithm and learning rate of 0.01.
