As Redes Neurais Artificiais (RNAs) são métodos de modelagem matemática capazes de estimar planos de respostas não lineares, tendo a vantagem sobre métodos estatísticos que apresentam respostas lineares ou quadráticas. Este trabalho teve como objetivo desenvolver e testar RNAs para estimaro índice de erosividade das chuvas (EI30) no Estado do Rio de Janeiro, em função da localização geográfica, e gerar um mapa temático para visualização. As características de latitude, longitude e altitude podem ser utilizadas para estimar o índice EI30, permitindogerar um mapa da variabilidade espacial desseíndice.

The Artificial Neural Networks (ANNs) are mathematical models method capable of estimating non-linear response plans. The advantage of these models is to present different responses of the statistical models. Thus, the objective of this study was to develop and to test ANNs for estimating rainfall erosivity index (EI30) as a function of the geographical location for the state of Rio de Janeiro, Brazil and generating a thematic visualization map. The characteristics of latitude, longitude e altitude using ANNs were acceptable to estimating EI30 and allowing visualization of the space variability of EI30. Thus, ANN is a potential option for the estimate of climatic variables in substitution to the traditional methods of interpolation.

Com o objetivo de comparar dois classificadores de imagens para a estimativa da cobertura vegetal do solo, foram avaliadas as coberturas proporcionadas pela semeadura de leguminosas e de gramíneas, sob diferentes espaçamentos, preparo do solo e condições de céu com e sem nuvens. O experimento foi conduzido em quatro parcelas experimentais de perda de solo, com 22 m x 3,5 m, instaladas em um Argissolo Vermelho-Amarelo. Os tratamentos consistiram: a) mucuna-cinza (Mucuna pruriens) em nível; b) crotalária (Crotalaria juncea) em sulcos dispostos em nível; c) milho (Zea mays L.) em sulcos dispostos em nível, e d) milho semeado no sentido do declive. Foram tomadas fotografias das parcelas dos 15 aos 85 dias após a semeadura para posterior análise, utilizando o Sistema Integrado para Análise de Raízes e Cobertura do Solo (SIARCS) e um algoritmo baseado na emissividade das bandas do verde e do vermelho (SEROBIN). A maior cobertura do solo foi obtida na parcela cultivada com crotálaria (85,8%), a qual também foi alcançada em menor tempo (56 dias após semeadura). Por outro lado, as menores coberturas foram proporcionadas pelos tratamentos milho em nível e milho morro abaixo (38,6 e 35,2%, respectivamente). As exatidões globais foram de 0,96 e 0,92, para as classificações realizadas com os programas SIARCS e SEROBIN, respectivamente, não havendo, no entanto, diferença estatística entre os dois classificadores utilizados, de acordo com o teste Z aplicado, a 5% de probabilidade.

In order to compare two image classifiers for soil cover estimation under both clear sky conditions and sky with clouds, it was evaluated the soil cover by grass and bean crops cultivated in different densities and tillage systems. The experiment was conducted in four soil loss experimental plots of 22.0 m by 3.5 m, in a Red-yellow argil soil. The four treatments consisted of sowing the velvet bean (Mucuna pruriens), sun hemp (Crotalaria juncea) and corn (Zea mays L.), all three following the contour lines, and corn following the slope line. The plot images were acquired from 15 to 85 days after sowing. The soil cover was estimated by off-shelf software (SIARCS) and a proposed algorithm based on green and red bad reflectance (SEROBIN). The highest soil cover was obtained in the sun hemp plot (85.8%), which was also obtained sooner (56 days after sowing). On the other hand, the lowest soil covers were obtained in both corn plots, following the contour lines and the slope line (38.6 and 35.2%, respectively). The overall classification accuracies were 0.96 for SIARCS and 0.92 for SEROBIN. There was no statistical difference between the classifiers using the Z test at the 5% significance level.

O objetivo deste trabalho foi desenvolver um algoritmo na linguagem computacional MATLAB para aplicações em sistemas de informações geográficas, visando ao mapeamento da renda líquida maximizada de cultivos irrigados. O estudo foi desenvolvido para as culturas do maracujá, da cana-de-açúcar, do abacaxi e do mamão, em área de aproximadamente 2.500 ha, localizada no município de Campos dos Goytacazes, norte do Estado do Rio de Janeiro. Os dados de entrada do algoritmo foram informações edafoclimáticas, funções de resposta das culturas à água, dados de localização geográfica da área e índices econômicos referentes ao custo do processo produtivo. Os resultados permitiram concluir que o algoritmo desenvolvido se mostrou eficiente para o mapeamento da renda líquida de cultivos irrigados, sendo capaz de localizar áreas que apresentam maiores retornos econômicos.

The objective of this work was to develop an algorithm in MATLAB computational language to be applied in geographical information systems to map net income irrigated crops to plan irrigated agriculture. The study was developed for the crops of passion fruit plant, sugarcane, pineapple and papaya, in an area of approximately 2,500 ha, at Campos dos Goytacazes, located at north of the State of Rio de Janeiro, Brazil. The algorithm input data were: information about soil, climate, crop water response functions, geographical location and economical cost indexes of the productive process. The results allowed concluding that developed algorithm was efficient to map net income of irrigated crops, been able to locate areas that present larger economical net income.

Neste trabalho, desenvolveu-se um programa computacional para estimar a cobertura do solo, utilizando-se redes neurais (RN) treinadas por retropropagação do erro. Os dados para treinamento das RN foram obtidos de imagens digitais coloridas. Utilizou-se a razão entre a banda do verde e do vermelho para o pré-processamento das amostras de treinamento. Foram testadas cinco RN com arquiteturas 25-n1-n2-2. A arquitetura 25-20-10-2 foi a que apresentou melhor resultado sendo, portanto, utilizada no programa computacional classificador. O classificador apresentou índice de exatidão global de 82,10%, cujo resultado mostra que redes neurais podem ser utilizadas em programas computacionais para separar feições onde a diferença entre a intensidade do brilho não permite a aplicação da técnica da limiarização.

An image classification algorithm was developed to estimate the soil cover based on artificial neural networks (ANN) trained by back-propagation algorithm. The learning data sets were obtained from digital normalized images. Five ANN architectures of the type 25-n1-n2-2 were tested. The architecture 25-20-10-2 presented the best result and therefore, it was used in the image classification program. The classification presented an overall accuracy of 82.10%. This result shows that ANN may be applied for separating features when the pixel brightness does not provide enough information to apply the threshold technique.