Search

O Estado de Minas Gerais tem uma área de 588.384 km² que corresponde a um percentual de 6,9% do território brasileiro e de 63,5% da região sudeste do Brasil. Minas Gerais apresenta uma grande diversidade geológica. Essa variedade geológica sugere que os solos derivados desses materiais possuem elementos químicos nos mais diferentes teores no Estado. Nesse sentido, o objetivo desta pesquisa foi gerar mapas dos teores de metais e metaloides na camada superficial dos solos do Estado de Minas Gerais, utilizando-se de técnicas de aprendizado de máquina e krigagem Ordinária e comparar os resultados dos métodos. Os mapas de teores de 13 elementos traço (Al, As, B, Ba, Cd, Co, Cr, Cu, Fe, Hg, Mn, Mo, Ni, Pb, Sr, V e Zn) foram gerados a partir da Krigagem Ordinária desse elementos e de 5 outros constituintes do solo. Foi utilizado neste estudo um total de 648 amostras de solos georreferenciadas obtidas do „Banco de Solos‟ do Estado de Minas Gerais. A seleção das variáveis para a predição do teor de metais e metaloides seguiu procedimentos que visaram identificar as covariáveis com maior relevância, sendo usados métodos correlação linear e não linear. Para identificar a dependência espacial dos dados, foram realizados os seguintes testes de modelos teóricos de semivariograma: esférico, exponencial, estável e gaussiano. Seis algoritmos de predição dos teores foram usados neste estudo para o aprendizado de máquina, sendo estes: Cubist, SVMRadialSigma, Random Forest, ExtraTree, Ranger e Rborist. A verificação do desempenho desses algoritmos foi executada pela validação cruzada. Os resultados da seleção de covariáveis para o aprendizado de máquinas mostram coeficiente de determinação do algoritmo de treinamento (R 2 ) utilizado na seleção de covariáveis variaram de 0,03 a 0,43. As covariáveis categóricas litologia, geomorfologia e classe de solo apresentaram a maior importância na predição de 17 elementos. Covariáveis bioclimáticas foram importantes na predição dos teores de 16 elementos. Enquanto que, As covariáveis relacionadas à gamaespectrometria auxiliaram na predição dos teores de dez dos elementos analisados. Por sua vez, a magnetometria apresentou baixa importância para a predição do teor da maioria dos elementos nos solos, sendo importante somente para predição do Sr. Em geral, a transformação dos dados não promoveu um aumento na capacidade de predição dos elementos pelos modelos de aprendizado de máquinas, exceto para três elementos (Al, Sr e Zn). Na Krigagem Ordinária houver aumento do número de elementos com boa capacidade preditiva em alguns dos métodos de krigagem (Al, As, Co, Hg, Mn, Sb, Se, Sr e Zn. OS resultados de nRMSE variam entre 10% e 20%, obtendo resultados considerados bons, exceto por B e Mo. Os melhores resultados de nRMSE foram obtidos na predição com os dados sem transformações. A transformação dos dados em log1p gerou melhores resultados de treinamento apenas para Al e Zn. Para os elementos com os melhores resultados no método de aprendizado de máquinas foram: Ranger, SVMRadialSigma, RandomFlorest, Extratree. Os algoritmos Cubist e Rborist não alcançaram desempenho satisfatório na predição para nenhum elemento analisado. Os mapas espacializados pelos métodos de krigagem e aprendizado de máquinas apresentaram características similaridades para os elementos avaliados, com estimativas dos teores próximos. Os mapas especializados mostram maiores teores de As, Cd, Cr e Ni estão localizados na região do Quadrilátero Ferrífero, enquanto os elementos Cu, Fe, Mn, V e Zn apresentaram os maiores teores na região do triângulo mineiro. O elemento Co apresentou teores altos nas duas regiões, Quadrilátero Ferrífero e Triângulo mineiro. Os resultados mostraram que 11 elementos demostraram melhores pelos algoritmos de aprendizado de máquinas (Al, As, B, Co, Fe, Hg, Mn, Ni, Pb, Se e Zn). A espacialização dos teores dos metais e metaloides pelos algoritmos de aprendizado de máquinas, gerou mapas de 11 elementos com desempenhos superiores à krigagem. Os mapas gerados pelo método de espacialização por krigagem apresentam teores máximos superiores aos apresentados todos os elementos tirando o Pb. Os métodos de aprendizado de máquinas geram mapas com maior nível de detalhamento quando comparados com mapas gerados pela krigagem. The State of Minas Gerais has an area of 588,384 km² which corresponds to a percentage of 6.9% of Brazilian territory and 63.5% of the southeastern region of Brazil. Minas Gerais presents a wide lithological diversity, which suggests that the soils derived from these materials have large variation of chemical elements content in this State. In this sense, the goal of this research was to generate prediction maps of metals and metalloids contents in the surface layer of the soils of the State of Minas Gerais, using techniques of machine learning and Ordinary kriging and compare the results of these methods. The maps of 13 trace elements (Al, As, B, Ba, Cd, Co, Cr, Cu, Fe, Hg, Mn, Mo, Ni, Pb, Sr, V, Zn) was generated from Ordinary kriging of these elements and other soil constituents. A total of 648 geo-referenced soil samples obtained from the „Soil data bank‟ of the State of Minas Gerais, were used in this study. The selection of variables for the prediction of metal and metalloid contents followed procedures that aimed to identify covariates with great relevance, using linear and nonlinear correlation methods for removal of collinearity. After confirmation of data spatial dependence, the following tests of theoretical semivariogram models, such as: spherical, exponential, stable and Gaussian were performed. Six predicting algorithms of machine learningwere used in this study: Cubist, SVMRadialSigma, Random Forest, ExtraTree, Ranger and Rborist. The algorithms performance was verified by cross validation. The results of the covariates selection by machine learning showed coefficient of the training algorithm (R2) used in the selection of covariates ranged from 0.03 to 0.43. The categorical covariates lithology, geomorphology and soil class presented the highest importance in the prediction of 17 elements. Bioclimatic covariates were important in predicting the contents of 16 elements. Meanwhile, covariates related to gamma spectrometry helped to predict the contents of ten elements analyzed. In addition, magnetometry was low importance for the content prediction of most elements in soils, being important only for the prediction of Sr. In general, the transformation of the data did not promote an increase in the prediction capacity of the elements at using machines learning , except for three elements (Al, Sr, Zn). With Ordinary kriging there was an increase in the number of elements with “good” predictive capacity in some of the kriging methods (Al, As, Co, Hg, Mn, Sb, Se, Sr and Zn). In general, the best results (nRMSE) range from 10% to 20%. These results are considered good, except for B and Mo. The best results of nRMSE were obtained for data, without transformations. The best results using machine learning method were obtained with the algorithms: Ranger, SVMRadialSigma, Random Forest and Extratree. The algorithms Cubist and Rborist did not reach satisfactory performance in the prediction for any element analyzed. The spatialized maps by kriging and machine learning methods presented similar characteristics for the evaluated elements, with estimates of the next levels. The Cu, Fe, Mn, V and Zn elements presented the highest levels in the “Triângulo Mineiro” region. The element Co, presented high levels in the two regions, “Quadrilátero Ferrífero” and “Triângulo Mineiro”. The spatialization of metal and metalloid contents by machine learning algorithms generated 11 elements with higher performance than kriging. The maps generated by the kriging spatialisation method have higher maximum levels than all the elements showing Pb. Machine learning methods generate maps with a greater level of detail when compared to maps generated by kriging.

Conselho Nacional de Desenvolvimento Científico e Tecnológico Coffee is one of the most important products exported by Brazil, it is responsible for many employments, and keeps a positive balance of trade, as well. The harvest is the most complex and expensive operation on grain production process, principally in relation to the labor. As a result, it is increasing the necessity of mechanizing.There are three types of harvest: manual, semi-manual and mechanical. The mechanical coffee harvesting decreases the labor necessary on the process, which causes reduction of production costs. However, there is not fully executable solution for mechanical harvesting in mountainous region. For this reason, the costs related to the manual harvesting are transferred to the consumers in these regions. In order to reduce the harvesting costs, many researches have been developed to adjust coffee harvesters to this type of relief. The biggest obstacles are the risk of coffee harvester tipping and the difficult to maneuver the machine.Therefore, it is necessary to build a machinery system adapted to the terrain slope and it will demand an innovative steering wheel system. The concept of automatic vehicle guidance has already happened in other types of monocrops, using electronic components associated to the agricultural machinery. All machine control systems are connected to the central command, which applies algorithms stored in the memory, to perform pre-established tasks by the operator. For example, functions of the machine such as guidance and control on the harvesting area. For this reason, there are PLC systems (Programmable Logic Controller) that use microcontrollers to control the guidance systems of agricultural machinery. Among the microcontrollers systems, the Arduino platform is highlighted due to its low cost of components and simplicity of programming language. The main objective of this work was to develop two control systems to the coffee harvester guidance, based on PCL system and Arduino platform. Both systems were evaluated and compared in laboratory. The systems were assembled in the coffee harvester and potentiometric sensors were used to control the steering wheel. The steering wheel angle run from algorithm was the criterion used to evaluate the developed system. This study considered two movements of the machine. The first was realized with tires in parallel while the second was with tires in curvilinear motion. It was considered twelve angles of execution to the parallel system motion and to the curvilinear motion was considered eight angles of execution. The entire random delineation was applied with four replications to the parallel motion and five to the curvilinear motion. Both steering wheel systems were compared through their results in each tire and motion (parallel and curvilinear). The steering wheel systems of coffee harvesters were developed and the results showed great accuracy for both systems, as much to the parallel motion as to all tires. The systems obtained great precision and were practically equals statistically on the curvilinear motion. However, the PLC system was more accurate than the Arduino system. O café é um dos principais itens de exportação do Brasil, como um dos líderes na balança comercial, e responsável por gerar um grande número de empregos. A colheita é a operação mais complexa e dispendiosa dentro do processo produtivo deste grão, principalmente em relação à mão de obra. Assim, cada vez mais, se faz necessário mecanizar esse processo. A colheita pode ser realizada de três formas: a manual, a semi- mecanizada e a mecanizada. A mecanização da coleta do café promove a diminuição da mão-de-obra necessária, que incorre na redução dos custos de produção. Entretanto, não há uma solução plenamente executável para a mecanização da colheita do café em regiões montanhosas. Assim sendo, os altos custos associados com a colheita manual, nestas regiões, são repassados ao consumidor. Para reduzir os custos da colheita, pesquisas estão sendo realizadas para o desenvolvimento de colhedoras adaptadas para este tipo de relevo. O grande empecilho está relacionado à manobrabilidade e ao risco de tombamento da colhedora. Assim, há a necessidade da construção de um sistema de máquina adaptado à declividade do terreno, e isso irá demandar o desenvolvimento de um sistema de direção das rodas desta máquina em questão que seja inovador. Em outras monoculturas, o conceito de orientação automática já vem sendo realizado, com o uso de componentes eletrônicos associados com o maquinário agrícola. Todos os sistemas de controle da máquina são ligados uma central de comando. Por sua vez, a central utiliza algoritmos armazenados em sua memória, para executar funções preestabelecidas pelo operador. Como, por exemplo, a execução as funções de direção e controle da máquina na área de colheita. Para isso existem sistemas CLP (controlador lógico programável) que empregam microcontroladores responsáveis pelos controles dos sistemas de direção de máquinas agrícolas. Entre os sistemas microcontrolados, tem-se a plataforma Arduino, que vem ganhando força devido ao seu baixo custo de aquisição dos componentes e a simplicidade de programação. Desse modo, o objetivo desse trabalho foi desenvolver dois sistemas de controle da direção de uma colhedora de café para regiões montanhosas, com base em CLP e Arduino. Os dois sistemas de controle da colhedora foram avaliados e comparados em laboratório. Os sistemas foram montados na colhedora de café, e foram utilizados sensores potenciométricos para controlar a direção das rodas. O ângulo de esterçamento das rodas executado a partir de do algoritmo foi o critério utilizado para avaliação dos sistemas desenvolvidos. Durante o estudo foram considerados dois tipos de movimentos da máquina. O primeiro foi realizado com as rodas em paralelo, enquanto o segundo com as rodas em movimento curvilíneo. Para o sistema de movimentação em paralelo, foram considerados doze (12) ângulos de execução e para o sistema em movimento curvilíneo, foram considerados oito (8) ângulos de execução. O delineamento inteiramente casualizado foi aplicado na realização desse estudo, com quatro repetições para a movimentação em paralelo e cinco repetições para o curvilíneo. Para os dois sistemas foram feitas validações, sendo comparados os resultados em cada roda e em cada movimento (paralelo e curvilíneo). Os resultados mostraram uma grande exatidão para os dois sistemas desenvolvidos, quanto ao movimento em paralelo, para todas as rodas. Sendo que, o sistema CLP foi mais preciso que o sistema Arduino. Para o movimento curvilíneo, os dois sistemas apresentaram grande exatidão, praticamente iguais estatisticamente. Os resultados nos movimento em paralelo mostram que o sistema CLP e mais preciso que o sistema Arduino, sendo mais recomendado para aplicação na colhedora. Para o movimento em curvilíneo não ouve diferença estatística, assim poderá ser usado qual um dos dois sistemas.