Gestão & Produção
https://gestaoeproducao.com/article/doi/10.1590/1806-9649-2022v29e06
Gestão & Produção
Artigo Original

Climate analysis using neural networks as supporting to the agriculture

Lucas de Carvalho Borella; Margareth Rodrigues de Carvalho Borella; Leandro Luís Corso

Downloads: 0
Views: 79

Abstract

Abstract: The aim of this study is to conduct climate forecasting with models of artificial neural networks as a tool in the decision-making process for the planting of some types of agricultural products. A database with the main climate elements was built from the National Institute of Meteorology (INMET), and those elements that influenced the average temperature value the most were found at a significance level of 0.05. Models of Artificial Neural Networks were developed and tested using Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root-Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE), before being linked to the best agricultural cultivation forecast value. Twelve neural networks were elaborated, eight of them are related to the temperature forecast and the other four are related to the precipitation forecast. The networks that showed the best performance are those that consider all the elements of climate. It is possible to conclude that the artificial neural networks showed an adequate performance in predicting chaotic time series, and that their results were therefore linked to the optimum cultivation to use for each forecast. A schedule is supplied at the end, indicating the ideal time to plant each of the crops evaluated. Carrot is found to be the best suited crop for the forecasted range over the next five years.

Keywords

Artificial neural networks, Climate forecasting, Apple crops, Grape crops, Carrot crops, Tomato crops, Cultivation schedule

Referências

Abhishek, K., Singh, M. P., Ghosh, S., & Anand, A. (2012). Weather forecasting model using Artificial Neural Network. Procedia Technology, 4, 311-318. http://dx.doi.org/10.1016/j.protcy.2012.05.047.

Braga, H. J., Silva, V. P., Pandolfo, C., & Pereira, E. S. (2001). Zoneamento de riscos climáticos da cultura da maçã no estado de Santa Catarina. Revista Brasileira de Agrometeorologia, 9(3), 439-445. Retrieved in 2018, October 4, from http://www.cnpt.embrapa.br/pesquisa/agromet/pdf/revista/cap7.pdf

Carleo, G., & Troyer, M. (2017). Solving the quantum many-body problem with artificial neural networks. Science, 355(6325), 602-606. http://dx.doi.org/10.1126/science.aag2302. PMid:28183973.

Caxias do Sul. Prefeitura. (2018). Apresentação. Retrieved in 2018, September 3, from https://caxias.rs.gov.br/cidade

Dantas, D., Luz, T. M. O., Souza, M. J. H., Barbosa, G. P., & Cunha, E. G. S. (2016). Uso de Redes Neurais Artificiais na previsão da precipitação de períodos chuvosos. Revista Espinhaço, 5(1), 10-17. Retrieved in 2018, August 22, from http://revistaespinhaco.com/index.php/journal/article/view/96/90

Fávero, L. P., Belfiore, P., Silva, F. L., & Chan, B. L. (2009). Análise de dados: modelagem multivariada para tomada de decisões (2ª ed.). Rio de Janeiro: Elsevier.

Fei, Y., Hu, J., Li, W. Q., Wang, W., & Zong, G. Q. (2017). Artificial neural networks predict the incidence of portosplenomesenteric venous thrombosis in patients with acute pancreatitis. Journal of Thrombosis and Haemostasis, 15(3), 439-445. http://dx.doi.org/10.1111/jth.13588. PMid:27960048.

Fioravanço, J. C., & Santos, R. S. S. (2013). Maçã: o produtor pergunta, a Embrapa responde. Brasília: Embrapa. Retrieved in 2018, October 4, from https://ainfo.cnptia.embrapa.br/digital/bitstream/item/122887/1/Maca-o-produtor-pergunta-a-Embrapa-responde.pdf

Fiorin, T. T., & Ross, M. (2015). Climatologia agrícola. Santa Maria: Rede E-tec Brasil. Retrieved in 2018, September 25, from http://estudio01.proj.ufsm.br/cadernos_fruticultura/terceira_etapa/arte_climatologia_agricola.pdf

Hair, J. F., Black, W. C., Babin, B. J., Anderson, R. E., & Tatham, R. L. (2005). Análise multivariada de dados (5ª ed.). Porto Alegre: The Bookman.

Haykin, S. (2001). Redes neurais princípios e prática (2ª ed.). Porto Alegre: The Bookman.

Instituto Brasileiro de Geografia e Estatística – IBGE. (2017). Caxias do Sul. Retrieved in 2018, September 4, from https://cidades.ibge.gov.br/brasil/rs/caxias-do-sul/panorama

Instituto de Economia Agrícola – IEA. Secretaria de Agricultura e Abastecimento. (2020). Balança comercial dos agronegócios paulista e brasileiro, janeiro a maio de 2020. Retrieved in 2020, July 17, from http://www.iea.sp.gov.br/out/TerTexto.php?codTexto=14812

Instituto Nacional de Meteorologia – INMET. (2018b). Sobre o INMET. Retrieved in 2018, October 25, from http://www.inmet.gov.br/portal/index.php?r=home/page&page=sobre_inmet

Jacóbsen, L. O., Fontana, D. C., & Shimabukuro, Y. E. (2004). Efeitos associados a El Niño e La Niña na vegetação do Estado do Rio Grande do Sul observados através do NDVI/NOAA. Revista Brasileira de Meteorologia, 19(2), 129-140.

Kopiler, A. A., Silva, V. N. A. L., Oliveira, L. A. A., Linden, R., Silva, L. R. A. A., & Fonseca, B. L. C. (2019). Redes Neurais Artificiais e suas aplicações no setor elétrico. Revista de Engenharias da Faculdade Salesiana, 1(9), 27-33.

Krose, B., & Smagt, P. D. (1996). An introduction to neural networks. Amsterdam: The University of Amsterdam.

Leão, P. C. S., Silva, D. J., & Bassoi, L. H. (2009). Uva. In: J. A. S. Serejo, J. L. L. Dantas, C. V. Sampaio & Y. S. Coelho (Eds.),Fruticultura tropical (Chap 22, pp. 477-509). Brasília: Embrapa.

Liao, Z., & Wang, J. (2010). Forecasting model of global stock index by stochastic time effective neural network. Expert Systems with Applications, 37(1), 834-884. http://dx.doi.org/10.1016/j.eswa.2009.05.086.

Liu, P., Zeng, Z., & Wang, J. (2016). Multistability of recurrent neural networks with nonmonotonic activation functions and mixed time delays. IEEE Transactions on Systems, Man, and Cybernetics. Systems, 46(4), 512-523. http://dx.doi.org/10.1109/TSMC.2015.2461191.

Marouelli, W. A., Oliveira, R. A., & Silva, W. L. C. (2007). Irrigação da cultura da cenoura. Circular Técnica, 48, 1-14. Retrieved in 2018, November 10, from https://ainfo.cnptia.embrapa.br/digital/bitstream/CNPH/33070/1/ct_48.pdf.

Muntaser, J. G. S., Silva, V. P., & Penedo, A. S. T. (2017). Aplicação de redes neurais na previsão das ações do setor de petróleo e gás da Bm & FBovespa. Revista FSA, 14(6), 49-71. http://dx.doi.org/10.12819/2017.14.6.3.

Nachtigal, J. C., & Mazzarolo, A. (2008). Uva: o produtor pergunta, a Embrapa responde. Brasília: Embrapa. Retrieved in 2018, October 4, from https://www.embrapa.br/busca-de-publicacoes/-/publicacao/125503/uva-o-produtor-pergunta-a-embrapa-responde

Neves, S. M. A. S., Seabra, S., Araújo, K. L., Neto, E. R. S., Neves, R. J., Dallacort, R. & Kreitlow, J. P. (2013). Análise climática aplicada à cultura do tomate na região Sudoeste de Mato Grosso: subsídios ao desenvolvimento da agricultura familiar regional.Ateliê Geográfico, 7(2), 97-115. https://doi.org/10.5216/ag.v7i2.23866.

Norvig, P., & Russell, S. (2013). Inteligência artificial (3ª ed.). Rio de Janeiro: Elsevier.

Rabuñal, J. R., & Dorado, J. (2006). Artificial neural networks in real-life applications.Hershey: Idea Group Publishing.

Radin, B., & Matzenauer, R. (2016). Uso das informações meteorológicas na agricultura do Rio Grande do Sul. Revista da Sociedade Brasileira de Agrometeorologia, 24(1), 41-54. http://dx.doi.org/10.31062/agrom.v24i1.24880.

Sampaio, G., & Dias, P. L. S. (2014). Evolução dos modelos climáticos e de previsão de tempo e clima. Revista USP, 103(103), 41-54. http://dx.doi.org/10.11606/issn.2316-9036.v0i103p41-54.

Silva, J. B. C., Giordano, L. B., Furumoto, O., Boiteux, L. S., França, F. H., Boas, G. L. V., Branco, M. C., Medeiros, M. A., Marouelli, W., Silva, W. L. C., Lopes, C. A., Ávila, A. C., Nascimento, W. M., & Pereira, W. (2006). Cultivo de tomate para industrialização. Retrieved in 2010, November 8, from https://sistemasdeproducao.cnptia.embrapa.br/FontesHTML/Tomate/TomateIndustrial_2ed/clima.htm

Souza, A. F., Lopes, C. A., França, F. H., Reifschneider, F. J. B., Pessoa, H. B. S. V., Viera, J. V., Charchar, J. M., Mesquita, M. V., Fo., Makishima, N., Fontes, R. R., Marouelli, W. A., & Pereira, W. (1999). A cultura da cenoura. Brasília: Embrapa. Retrieved in 2010, November 10, from https://ainfo.cnptia.embrapa.br/digital/bitstream/item/162021/1/A-cultura-da-cenoura.pdf

Teixeira, A. H. C., Souza, R. A., Ribeiro, P. H. B., Reis, V. C. S., & Santos, M. G. L. (2002). Aptidão agroclimática da cultura da videira no Estado da Bahia, Brasil da videira no Estado da Bahia, Brasil da videira no Estado da Bahia, Brasil. Revista Brasileira de Engenharia Agrícola e Ambiental, 6(1), 107-111. http://dx.doi.org/10.1590/S1415-43662002000100019.

Vieira, J. V., & Pessoa, H. B. S. V. (2008). Cenoura (Daucus carota). Retrieved in 2010, November 10, from https://sistemasdeproducao.cnptia.embrapa.br/FontesHTML/Cenoura/Cenoura_Daucus_Carota/clima.html

Wang, F., Mi, Z., Su, S., & Zhao, H. (2012). Short-term solar irradiance forecasting model based artificial neural network using statistical feature parameters. Energies, 5(5), 1355-1370. http://dx.doi.org/10.3390/en5051355.
 

622a1091a95395752c1abc13 gp Articles

Gest. Prod.

Share this page
Page Sections