Redes neurais artificiais aplicadas à predição da curva de retenção de água de substratos para plantas | Artificial neural networks applied to the prediction of the water retention curve of plant substrates

The use of artificial intelligence has stood out as a powerful tool in predicting outcomes through machine learning, especially when dealing with large volumes of data. The integration of artificial intelligence techniques, such as neural networks, with traditional statistical methods, like principal component analysis (PCA) and clustering algorithms, such as k-means, in developing predictive models to understand hydrological processes in plant substrates, proves to be a promising approach to comprehend the relationship between volumetric moisture and different matrix potentials. By training these models with comprehensive and representative datasets, capturing complex patterns in the data and making more accurate predictions about water behavior is expected. Additionally, the combination of neural networks with clustering algorithms, such as k-means, allows for identifying patterns in the data that may not be easily perceptible to the naked eye, which is useful for grouping moisture data, enabling a detailed analysis of variations in water distribution. Principal component analysis (PCA) complements this process by aiding in reducing data dimensionality and identifying the main variables that influence water retention, facilitating result interpretation and identifying important relationships between variables. In the context of agriculture, these techniques can have broad applications, from efficient irrigation and drainage management to crop planning and yield prediction. Thus, the main objective of this work is to present methodological approaches with advanced artificial intelligence techniques to accurately predict the water retention curve of plant substrates, aiming to contribute to the advancement of precision agriculture and the development of more sustainable and efficient agricultural practices. The analysis of the prediction results conducted on the five clusters (K1 to K5) revealed valuable information about the relationship between matrix potentials and the moisture of formulations. Neural networks demonstrated an impressive ability to model and predict moisture under different conditions, as represented by the various matrix potentials. The coefficients of determination (R²) obtained for the training, testing, and validation data reflect the model's effectiveness in explaining variability in the data and providing accurate predictions. Identifying consistent patterns between observed and predicted values, even with small databases (LI et al., 2016), highlights the robustness and generalization capability of neural networks in generating the water retention curve in plant substrates. These results suggest that neural networks are a powerful and versatile tool for understanding and modeling moisture in different waste materials, providing important information for producers, aiding in water management, and environmental conservation. This study convincingly emphasizes the vital role of neural networks in advancing sciences related to irrigation, drainage, and agricultural practices by offering a deeper and more accurate understanding of the processes involved in substrate formulation, as well as the neural networks that promote a promising approach. Therefore, with this innovative tool, we have the ability to significantly improve our agricultural practices, driving efficiency, productivity, and sustainability.

O uso da inteligência artificial tem se destacado como uma ferramenta poderosa na previsão de resultados através da aprendizagem de máquina, especialmente quando lidamos com grandes volumes de dados. A integração de técnicas de inteligência artificial, como redes neurais, com métodos estatísticos tradicionais, como análise de componentes principais (ACP) e algoritmos de agrupamento, como k-means, no desenvolvimento de modelos preditivos para compreender os processos hidrológicos em substratos para plantas, mostra-se uma abordagem promissora para entender a relação da umidade volumétrica em diferentes potenciais matriciais. Ao treinar esses modelos com conjuntos de dados abrangentes e representativos, espera-se capturar padrões complexos nos dados e fazer previsões mais precisas sobre o comportamento da água. Além disso, a combinação de redes neurais com algoritmos de agrupamento, como k-means, permite identificar padrões nos dados que podem não ser facilmente perceptíveis a olho nu, o que é útil para agrupar dados de umidade, permitindo uma análise detalhada das variações na distribuição da água. A análise de componentes principais (ACP) complementa esse processo ao ajudar na redução da dimensionalidade dos dados e na identificação das principais variáveis que influenciam na retenção de água, facilitando a interpretação dos resultados e a identificação de relações importantes entre variáveis. No contexto da agricultura, essas técnicas podem ter amplas aplicações, desde o manejo eficiente da irrigação e drenagem até o planejamento de cultivos e a previsão de safras. Assim, o objetivo principal deste trabalho é apresentar abordagens metodológicas com técnicas avançadas de inteligência artificial para prever com precisão a curva de retenção de água de substratos para plantas, visando contribuir para o avanço da agricultura de precisão e o desenvolvimento de práticas agrícolas mais sustentáveis e eficientes. A análise dos resultados da predição realizada nos cinco clusters (K1 a K5) revelou informações valiosas sobre a relação entre os potenciais matriciais e a umidade das formulações. As redes neurais mostraram uma notável capacidade de modelar e prever a umidade em diferentes condições, representadas pelos diversos potenciais matriciais. Os coeficientes de determinação (R²) obtidos para os dados de treinamento, teste e validação refletem a eficácia do modelo em explicar a variabilidade nos dados e fornecer previsões precisas. A identificação de padrões consistentes entre os valores observados e previstos, mesmo com bases de dados pequenas (LI et al., 2016), destaca a robustez e a capacidade de generalização das redes neurais na geração da curva de retenção de água em substratos para plantas. Esses resultados sugerem que as redes neurais são uma ferramenta poderosa e versátil para entender e modelar a umidade em diferentes materiais oriundos de descarte, fornecendo informações importantes para os produtores, auxiliando na gestão hídrica e na conservação do meio ambiente. Este estudo ressalta o papel vital das redes neurais no avanço das ciências relacionadas à irrigação, drenagem e práticas agrícolas, oferecendo uma compreensão mais profunda e precisa dos processos que envolvem a formulação de substratos, bem como das redes neurais que promovem uma abordagem promissora. Com essa ferramenta inovadora, temos a capacidade de melhorar significativamente nossas práticas agrícolas, impulsionando a eficiência, produtividade e sustentabilidade.