Adequação de funções de pertinência via lógica fuzzy para a simulação da produtividade de grãos de aveia pelo manejo do nitrogênio e as condições ambientais
DOI:
https://doi.org/10.5540/03.2025.011.01.0336Keywords:
Avena Sativa L., inovação, inteligência artificial, sustentabilidadeAbstract
A busca por tecnologias avançadas na agricultura com o propósito de reduzir os impactos, otimizar a produtividade e melhorar a sustentabilidade são cada vez mais importantes. Na área de biossistemas a lógica fuzzy vem sendo buscada dentro destas tecnologias, auxiliando na tomada de decisões sobre o desenvolvimento das culturas, permitindo envolver o manejo do nitrogênio com os efeitos não lineares das condições ambientais. O objetivo deste estudo é adequar funções de pertinência na simulação da produtividade de grãos de aveia por lógica fuzzy, em conjunto com as doses de nitrogênio e os efeitos dos elementos meteorológicos em sistema de cultivo de milho/aveia. O estudo foi realizado nos anos de 2019 e 2020, em delineamento de blocos casualizados com quatro repetições seguindo um esquema fatorial 2x7, para a forma de aplicação da ureia (sólida e dissolvida) e suas doses (0, 44, 88, 132, 176, 220 e 264 kg ha1), que correspondem as doses 0, 20, 40, 60, 80, 100 e 120 kg ha1 de nitrogênio, considerando o percentual de 45% de nitrogênio contido na ureia. As doses foram aplicadas em uma única condição de terceira e quarta folha expandidas. A aplicação de forma dissolvida, foi realizada com pulverizador costal em máxima pressão constante no volume de água de 300 L ha1. No desenvolvimento dos modelos, foram consideradas três funções de pertinência, sendo elas a triangular, a trapezoidal e a gaussiana. Os modelos de lógica fuzzy desenvolvidos se mostram eficientes na previsibilidade da produtividade de grãos, independente da função de pertinência considerada. Os modelos de lógica fuzzy representados pelas funções de pertinência triangular, trapezoidal e gaussiana são eficientes na simulação da produtividade de grãos de aveia pelo uso do nitrogênio e elementos meteorológicos.
Downloads
References
M. Amendola, A. L De Souza e L.C. Barros. “Manual do uso da teoria dos conjuntos Fuzzy no Matlab 6.5”. Em: FEAGRI IMECC/UNICAMP (2005), pp. 1–44.
L.C. Barros e R.C. Bassanezi. Tópicos de Lógica Fuzzy e Biomatemática. IMECC Textos didáticos, 2010.
K. Copetti, J.A.G. Da Silva, I.R. Carvalho, M.O. Binelo, J.A. Da Rosa, C.L. Peter, D.A. Magano, L.E. Panozzo, L.L. Schunemann e J.V. Bagolin. “Seeding density and lodging control using a calcium and potassium-based organomineral fertilizer in oat crops”. Em: Contribuciones a las Ciencias Sociales 17.1 (2024), pp. 3023–3049. doi: http://dx.doi.org/10.33448/rsd-v9i10.8938.
J.S.P. Costa, R.D. Mantai, J.A.G. Da Silva, O.B. Scremin, E.G. Arenhardt e A.R.C. De Lima. “Dose única e fracionada do nitrogênio nos indicadores de produtividade do trigo”. Em: Revista Brasileira de Engenharia Agrícola e Ambiental 22 (2018), pp. 16–21.
J. A. Da Rosa, R.D. Mantai, C.L. Peter, N.C.F. Basso, C.M. Babeski, L.L. Schunemann, I.R. Carvalho e J.A.G. Da Silva. “Lógica Fuzzy na Previsão da Produtividade de Grãos de Aveia pelo Nitrogênio e Condições Meteorológicas”. Em: Proceeding Series of the Brazilian Society of Computational and Applied Mathematics 9.1 (2022).
A. R. De Oliveira, J.G. De Jesus J.H. Da Silva, L. Ferreira e F.C. Dos Santos. “O uso da ureia na nutrição de ruminantes”. Em: Revista Científica da Faculdade de Educação e Meio Ambiente 16 (2022).
E. Z. Godinho, F. L. Caneppele e S. D. M. Hasan. “Lógica fuzzy aplicada na produtividade da cenoura”. Em: SODEBRAS 17.197 (2022).
L. Henrichsen, J. A. G. Da Silva, N. C. F. Basso, J. A. Da Rosa, O. Alessi, I. R Carvalho, D. A. Magano e C. M. Babeski. “Liquid source nitrogen as a more sustainable technology for oat fertilization with computational simulation resource”. Em: RGSA – Revista de Gestão Social e Ambiental 17.2 (2024), pp. 1–19.
A. R. Kraisig, J.A.G. Da Silva, I.R. Carvalho, A.T.W. De Mamann, J.S. Corso e L. Norbert. “Time of nitrogen supply in yield, industrial and chemical quality of oat grains”. Em: Revista Brasileira de Engenharia Agrícola e Ambiental 24.10 (2023), pp. 700–706.
T.Y Lee, M.N. Reza, S. Chung, D. U. Kim, S.Y. Lee e D.H. Choi. “Application of fuzzy logics for smart agriculture: A review”. Em: Precis. Agric 5.1 (2023), p. 1.
P. Moreti M, T. Oliveira, R. Sartori e W. Caetano. “Inteligência Artificial no Agronegócio e os Desafios para a Proteção da Propriedade Intelectual”. Em: Cadernos de Prospecção 14.1 (2021), p. 60.
R. K. Mortate, E.F. Nascimento, E.G. S. Gonçalves e M.W.P. Lima. “Resposta do milho (Zea mays L.) à adubação foliar e via solo de nitrogênio”. Em: Revista de Agricultura Neotropical 5.1 (2018), pp. 1–6.
F. de Oliveira e R. Immich. “Desenvolvimento de um controlador de lógica fuzzy para irrigação por gotejamento”. Em: Anais do XIV Congresso Brasileito de Agroinformática (2023), pp. 88–95.
G. N. Patel, T.V. Reddy e B.R. Patel. “Management of N levels and time of cut in rabi forage oat (Avena sativa L.)” Em: Journal of Crop and Weed 18 (2022), pp. 284–22. doi: 10.22271/09746315.2022.v18.i2.1602.
G. Prabakaran, D. Vaithiyanathan e M. Ganesan. “Fuzzy decision support system for improving the crop productivity and efficient use of fertilizers”. Em: Computers and electronics in agriculture 150 (2018), pp. 88–97.
L.A Zadeh. “Fuzzy sets”. Em: Information and Control 3 (1995), pp. 338–353. doi: https://doi.org/10.1016/S0019-9958(65)90241-X.
