Aptidão agrícola através de Redes Neurais Artificiais

David Morosini de Assumpção#1, Gustavo Santos Araújo*2

Universidade Federal do Espírito Santo - UFES
São Mateus, ES - Brasil 2017
1david.morosinineto@gmail.com

3gwga@hotmail.com

Resumo— Este documento apresenta uma proposta de solução
para um problema de classificação de solos com o objetivo de
encontrar a aptidão agrícola do mesmo, apresentando algumas
funcionalidades como estimativa de lucros a partir da
potencialidade do solo para uma determinada cultura que seja
apta a ser implantada neste. Baseando-se em uma técnica de
Inteligência artificial junto às redes neurais artificiais
denominada Multilayer Perceptron e uma breve análise de
mercado sobre o assunto.
Palavras Chave— Inteligência artificial, Redes Neurais
Artificiais, Multilayer Perceptron, Aptidão agrícola.
sendo a estrutura de dados que representa o neurônio junto à
sua função de ativação, que é responsável pelo cálculo
matemático dos inputs.
3) Axônio: Responsável por fazer a transmissão do sinal
de um neurônio para outro, no caso dos artificiais, a conexão de
output com outros neurônios.
4) Sinapse: Não é de fato uma parte do neurônio, mas o
produto deste, sendo biologicamente um estímulo elétrico e
matematicamente o resultado numérico das chamadas funções
de ativação (𝑓(𝑎) ou também 𝛴).

I. INTRODUÇÃO
Redes Neurais artificiais consistem em técnicas
computacionais baseadas em modelos matemáticos
os quais se espelham no comportamento de
indivíduos que possuem inteligência. Dentre as
técnicas existentes iremos abordar sobre a Multilayer
Perceptron que é definida como sistemas inspirados
em neurônios biológicos e em seu comportamento
junto ao cérebro, com a capacidade de adquirir,
armazenar e utilizar conhecimento por meio de Fig. 1 Representação de um neurônio artificial [6]
experimentos [1].
O problema aqui descrito consiste em apresentar
informações obtidas de um determinado solo, as As Redes Neurais Artificiais (RNAs) são
quais sofrerão um processo de normalização e construídas por meio da união de múltiplos
seleção e em seguida às apresentando ao software neurônios, sendo estes através da combinação em
construído tendo a capacidade de inferir resultados camadas ou de forma autônoma. Os RNAs por
relacionados à aptidão agrícola do solo em questão. padrão, passam por um procedimento de ajuste,
chamado de fase de aprendizado ou treinamento,
II. REDES NEURAIS ARTIFICIAIS onde a rede usa um algoritmo determinado
Uma rede neural artificial é baseada em métodos previamente, em nosso caso o backpropagation, para
matemáticos que simulam a função de uma rede adquirir conhecimento com base em dados
neural biológica, absorvendo conhecimento através fornecidos à mesma [3].
de experiências realizadas, porém por meio da A fase de aprendizado cria dois paradigmas de
interconexão de neurônios artificiais. Neurônios classificação das RNAs:
artificiais, de forma análoga são inspirados em
neurônios biológicos e representados através de
modelos matemáticos. Os principais componentes A. Aprendizado Supervisionado
que podem conter em um neurônio biológico e suas
representações artificiais podem ser sucintamente É utilizado um fator externo, onde é indicado a
apresentados como: rede a resposta desejada para a entrada padrão, ou
seja, o algoritmo de aprendizado utiliza as
1) Dendritos: Responsável por receber os sinais
transmitidos de outros neurônios, sendo a representação dos informações externas cedidas para ajustar suas
inputs de cada neurônio artificial. classificações até que a mesma esteja considerável
ou aconteça alguma outra condição de parada, ao
2) Corpo Central: Responsável por combinar as
informações vindas de outros neurônios, computacionalmente exemplo da quantidade de interações [3].
B. Aprendizado Não Supervisionado Existem diversos fatores que influenciam no destino
Usa o conceito da auto-organização. É quando não dado a uma determinada área, Relevo e Geologia,
existe um fator externo para indicar a rede a resposta Solos, Vegetação, Clima e Hidrografia [3]. Fatores
desejada para a entrada padrão, ou seja, a rede deve sociais apesar de não encontrados em literatura
ser capaz de reconhecer os padrões e características tendem a ser influenciáveis.
de entrada para criar novos agrupamentos [3]. C. Influência econômica
Outro fator que tende a ser pertinente, é uma forma
de se ter noção do preço pago pelo produto de acordo
III. MULTILAYER PERCEPTRON com o tempo de colheita deste. Um exemplo de
Nas redes Perceptron Multicamadas (Multilayer simples entendimento pode ser descrito a seguir.
Perceptron - MLP) os neurônios são dispostos em Supondo que um determinado terreno possui
camadas, as quais tendo quantidades variadas de condições as quais minimizem os custos de
neurônios. A primeira camada é comumente implantação de duas determinadas culturas
chamada camada de entrada, a última sendo a quaisquer A e B, sendo ambos custos muito
camada de saída e as demais (caso haja) comumente parecidos, neste caso como tomar a decisão correta?.
denominadas camadas internas (Hidden Layer). Na Uma solução, estimar o valor dos produtos
implementação de uma MLP os neurônios possuem provenientes das culturas A e B, em um cenário onde
apenas ligação com neurônios de camadas o preço pago pelo produto final da cultura B é X
adjacentes, às anteriores fornecem as entradas, e as vezes maior que o da cultura A, é fácil ver que se
seguintes recebem o sinal produzido. Considerando torna preferível a implantação da cultura B.
uma MLP com K camadas onde cada uma destas Deste modo, a partir de análises estatísticas sobre
possui 1 ≤ 𝑁 ≤ 𝛺 neurônios, os sinais preços anteriores, área produtiva atual e outros
propagados pelos N neurônios de cada camada Ki fatores pode ser possível estimar valores de comércio
são dispostos como entradas para cada neurônio da dos produtos finais, seguindo seus respectivos
camada Ki + 1 [1]. tempos de colheita.
D. Aplicação Alternativa
Em contato com Ivoney Gontijo, Professor
Adjunto I da Universidade Federal do Espírito Santo,
foi possível observar uma aplicação que tende a ser
interessante, diz respeito a uma avaliação de
rentabilidade de um dado terreno, por exemplo
quando um banco realiza empréstimos a um produtor
rural, deve ser realizado uma prévia análise do
potencial econômico desta área a fim de se ter
garantias para o banco.
Fig. 2 Representação de uma Multi Layer Perceptron [4]

Visto a grande atividade agrícola no Brasil e tendo

O algoritmo utilizado é o backpropagation que
consiste em a cada iteração, o sinal ser propagado em
direção à camada de saída onde é feito o cálculo de
erro, e caso não seja satisfeito um critério de parada,
o erro é retro propagado até a camada de entrada e
após é feito o reajuste dos pesos em direção à camada
de saída, reforçando as ligações entre os neurônios e
“esquecendo” outras [1].
IV. DESCRIÇÃO DO PROBLEMA
É notório que no cenário atual, os produtores ao
aplicarem um uso a um determinado terreno
precisem se preocupar com fatores que dizem
respeito aos custos ambientais para então pensarem
em lucratividade e ganhos econômico-financeiro [3].
em vista que é necessário minimizar os custos
necessários para a implantação de uma determinada
cultura, visando assim maximizar os lucros obtidos,
ou então verificando a inviabilidade de um
determinada área é apresentada uma proposta para
isto, cuja se baseia no fato de utilizar um sistema
especialista, capaz de inferir o quão potencial um
determinado solo é para uma determinada cultura,
um breve exemplo, considerando que a cultura do
Café tenha N requisitos para maximizar sua
produção, um produtor ao decidir em qual cultura
investir, realiza uma coleta de informações do
terreno ao qual deseja implantar a cultura, com
auxílio de um profissional, informações estas ainda
não exatamente definidas, mas tendo como base os
fatores descritos anteriormente no início desta seção.
Sendo um exemplo prático, análises provenientes de
amostragens de solo em conjunto com informações
meteorológicas.
V. PSEUDOCÓDIGO
1) Inicialização da rede, com pesos sinápticos
aleatórios;
2) Os dados de treino são lidos e apresentados à
rede;
3) Os dados são propagados da camada de
entrada até a camada de saída;
4) Até que a condição de parada seja satisfeita o
erro obtido através do sinal propagado e a
saída esperada é retropropagada até a camada
inicial e os pesos sinápticos são reajustados.
VI. TECNOLOGIAS EXISTENTES
Analisando atributos de solo como pH, CTC
(Capacidade de troca de cátions), V% (Índice de
saturação por bases) dentre outros, objetivando-se
identificar a produtividade na qual atributos do solo,
da parte inicial da microbacia hidrográfica do Rio
Pardo, localizada em Pardinho, SP, foram analisados
e classificados nas classes que as delimitam
(produtividade muito alta, alta, média, baixa, muito
baixa) através de RNAs utilizando-se MLPs com
algoritmo de backpropagation [7].
Pode-se situar a citricultura em termos de geração
de emprego, ocupação de terra, formação de renda,
ativação dos elos da cadeia produtiva, captação de
divisas e desenvolvimento regional de outros setores
da economia como, prestação de serviços,
transportes, comércio, etc. Com o intuito de
contribuir e agilizar processos dessa natureza, a
adesão de tecnologias computacionais no
desenvolvimento destas atividades, através de
Sistemas de Especialistas, torna-se uma ferramenta
poderosa no prognóstico e auxílio na tomada de
decisões. Diante deste contexto, foi descrito o
desenvolvimento de um sistema especialista para
avaliação econômica do ciclo produtivo da laranja.
Neste sistema são utilizadas técnicas de Inteligência
Artificial e Redes Neurais Artificiais e como
ferramenta computacional [8].
VII. EXPERIMENTOS COMPUTACIONAIS
Os parâmetros definidos inicialmente para testes
computacionais são reduzidos, a rede neural
implementada leva em consideração fatores
genéricos como Solo, Clima, Vegetação, Relevo e
Geologia para efeitos de criação de uma estrutura
genérica que representasse a rede neural artificial,
inicialmente contávamos com a disponibilização de
um banco de dados contendo amostragens de solo
munidas de informações com pelo menos dois anos
de amostragens diárias de solos e também dados
meteorológicos. Após conversa com o professor
Ivoney Gontijo, observamos que seria interessante
ampliar o horizonte previamente concebido,
fundamentado em análises de características
minerais e químicas do solo, para uma estrutura de
análise de aptidão agrícola ao qual será necessário
uma reformulação nas estruturas de dados existentes.
O novo contexto requer uma prévia análise
indicando a aptidão do solo para um determinado
fim, seja comercial ou não e caso haja viabilidade
econômica no local, este poderá então ser
recomendado uma ou mais culturas adequadas ao
local.
Pela falta de dados para treino e testes da rede,
buscamos por alternativas em repositórios na
internet locais de busca como o repositório UCI
(http://archive.ics.uci.edu/ml/index.php) não
continham bases de dados adequadas ao problema
aqui tratado. Para efeitos de treinamento e teste da
implementação feita da rede neural, optou-se por
usar um repositório cujo se aproximasse do
problema, foi escolhido então o repositório Abalone
data set
(https://archive.ics.uci.edu/ml/datasets/abalone)
pela quantidade de classes presentes e número de
instâncias contidas.
Os experimentos foram realizados inicialmente
sobre o conjunto de dados original retirado do site,
porém após observar a concentração de possíveis
ruídos, a base de dados foi minimizada com o auxílio
de um algoritmo de RBC (Raciocínio baseado em
casos) responsável por eliminar os ruídos,
inicialmente contando com 3295 instâncias e após
passar pelo algoritmo do RBC (utilizando 0.2 como
parámetro de corte) ficando 107 instâncias.
Foram retiradas 12 instâncias para testes, de forma
aleatória. Estes que iniciaram analisando a
quantidade de camadas, a priori utilizando três, a
partir disso a rede se mostrou extremamente
ineficiente para quaisquer quantidades de neurônios
por camada. Com três, se mostrou mediana em
relação às melhores taxas de acerto, com cerca de
20,83% utilizando entre três e seis neurônios. Após
com testes realizados com duas camadas
inicialmente com quantidades de neurônios
inferiores a cinco na camada de entrada, a taxa de
acertos não aumentou muito, porém com
quantidades maiores que seis e menores que 12, a
rede obteve seu melhor desempenho nos testes
realizados, obtendo marcas entre 50 e 60% de acertos
do mesmo conjunto de testes. É válido destacar que
foi implementado uma forma de detectar uma
condição de parada diferente somente da quantidade
de ciclos, sendo um erro médio absoluto dos sinais
[2] (2010) The Redes Neurais Artificiais. [Online]. Disponível em:
http://conteudo.icmc.usp.br/pessoas/andre/research/neural/
[3] ZURADA, J. M. Introduction to Neural Networks. West Pub. Co., 1992.
[4] (2010) The ABDELRAHMAN ELOGEEL'S BLOG. [Online].
Disponível em: https://elogeel.wordpress.com/2010/05/05/multilayer-
perceptron/
[5] Lauro Charlet Pereira, Francisco Lombardi Neto, (2004). Avaliação da
Aptidão Agrícola das Terras: proposta metodológica. Embrapa,
Documentos 43, Jaguariúna, SP, 2004.
[6] (2013) The PET ENGENHARIA CIVIL UFJF. [Online]. Disponível
em: https://blogdopetcivil.com/2013/07/05/redes-neurais-artificiais/

propagados até a camada de saída, este não se
mostrou muito eficiente em relação à somente
quantidade de ciclos.
[7] BUCENE, Luciana C. e RODRIGUES, Luiz H. A.. Utilização de redes
neurais artificiais para avaliação de produtividade do solo, visando
classificação de terras para irrigação. Rev. bras. eng. agríc.
ambient.[online]. 2004, vol.8, n.2-3, pp.326-329. ISSN 1415-4366.
http://dx.doi.org/10.1590/S1415-43662004000200025.

VIII. PONTOS POSITIVOS E NEGATIVOS ENCONTRADOS [8] Ariangelo Hauer Dias, Ivo Mário Mathias, Marco Antônio Biaggioni,
Ângelo catâneo, Andréa Regina Paes, Maura Seiko Tsutsui Esperancini,
As principais dificuldades encontradas na Jorim Sousa das virgens Filho. Avaliação econômica do ciclo produtivo
da laranja através de redes neurais artificiais. (2004) Bauru, SP.
realização deste trabalho estão ligadas a obtenção de
dados para treinos e testes da rede neural, em contato
com profissionais da área será possível a longo prazo
obter estes. Outro ponto bastante difícil é a escolha
dos parâmetros que dizem respeito ao
funcionamento interno da rede, como número de
camadas e suas respectivas quantidades de
neurônios.
Como pontos positivos destaca-se a tendência
desta solução apresentada no decorrer do texto ser
implementável e de fato usual, mesmo ainda não se
tendo certezas sobre estas afirmações.
Principalmente pelo fato de se encontrar poucos
trabalhos realizados na área, abrindo espaço para o
desenvolvimento desta. E sem dúvida o aprendizado
de criar uma rede neural artificial ainda que simples,
porém de forma independente com os
conhecimentos adquiridos em sala de aula na
disciplina de Inteligência Artificial (2017/1)
ministradas pelo Professor Dr. Luís Otávio Rigo,
Adjunto à Universidade Federal do Espírito Santo.
IX. CONCLUSÃO
De forma geral pode se concluir a potencialidade
apresentada neste texto que em conjunto da técnica
de aprendizagem de máquina descrita pode obter
bons resultados, lembrando que os testes foram
realizados em um conjunto de dados que não
pertence ao domínio do problema, ficando
encarregados de testar a potencialidade da rede
construída, mas que podem ser aplicados a partir do
momento que estes dados sejam disponibilizados. E
a viabilidade do projeto se tende a ser real abrindo
espaço para a implementação da mesma.
REFERENCIAS
[1] (2017) The Sites Google Prof. Luís O. Rigo. [Online]. Disponível em:
https://sites.google.com/view/luisrigo/disciplinas/inteligência-artificial/