Erosividade das chuvas no Estado do Rio de Janeiro estimada por redes neurais artificiais

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.

[1]  Antonio Carlos Tadeu Vitorino,et al.  Atributos físicos, químicos e erosão entressulcos sob chuva simulada, em sistemas de plantio direto e convencional , 2005 .

[2]  Elenilson Moreira Franco,et al.  Variabilidade espacial do potencial erosivo das chuvas no Estado do Rio de Janeiro , 2007 .

[3]  J. Poesen,et al.  Rainfall erosivity and variability in the Northern Ethiopian Highlands , 2005 .

[4]  F. F. Pruski,et al.  Desenvolvimento e análise de uma rede neural artificial para estimativa da erosividade da chuva para o Estado de São Paulo , 2006 .

[5]  Daniel Fonseca de Carvalho,et al.  Distribuição, probabilidade de ocorrência e período de retorno dos índices de erosividade EI30 e KE>25 em Seropédica - RJ , 2010 .

[6]  F. F. Pruski,et al.  Índices e espacialização da erosividade das chuvas para o Estado do Rio de Janeiro , 2006 .

[7]  Roriz Luciano Machado,et al.  Análise da erosividade das chuvas associada aos padrões de precipitação pluvial na região de Ribeirão das Lajes (RJ) , 2008 .

[8]  Nerilson Terra Santos,et al.  Discriminação entre estágios nutricionais na cultura do trigo com técnicas de visão artificial e medidor portátil de clorofila , 2008 .

[9]  Daniel Fonseca de Carvalho,et al.  Estimação da evapotranspiração de referência no estado do Rio de Janeiro usando redes neurais artificiais , 2008 .

[10]  A. D. Silva,et al.  Rainfall erosivity map for Brazil , 2004 .

[11]  Elenilson Moreira Franco,et al.  Padrões de precipitação e índices de erosividade para as chuvas de Seropédica e Nova Friburgo, RJ , 2005 .

[12]  W. H. Wischmeier,et al.  Rainfall energy and its relationship to soil loss , 1958 .

[13]  Â. P. D. Camargo,et al.  Avaliação do desempenho de diferentes métodos de estimativa da evapotranspiração potencial no Estado de São Paulo, Brasil , 1997 .

[14]  P. Cecon,et al.  Desempenho do irrigâmetro na estimativa da evapotranspiração de referência , 2008 .

[15]  F. F. Pruski,et al.  REDES NEURAIS ARTIFICIAIS PARA ESTIMATIVA MENSAL DA EROSIVIDADE DA CHUVA NO ESTADO DE MINAS GERAIS , 2009 .

[16]  F. A. Gonçalves.  Erosividade das chuvas no Estado do Rio de Janeiro , 2002 .

[17]  Sidney Rosa Vieira,et al.  Topography and spatial variability of soil physical properties , 2009 .

[18]  Erol Sarigul,et al.  Rule-driven defect detection in CT images of hardwood logs , 2003 .