UNIVERSIDADE FEDERAL DO CEAR

CENTRO DE CINCIAS AGRRIAS

DEPARTAMENTO DE ENGENHARIA AGRCOLA
DISCIPLINA LGICA FUZZY E REDES NEURAIS

UTILIZAO DO CONHECIMENTO DE REDES NEURAIS PARA

AVALIAO DA EVAPOTRANSPIRAO

ALUNO: Berthyer Peixoto Lima

PROFESSOR: Renato Ribeiro

Fortaleza - CE
Julho - 2013

APRESENTAO

Rede neural pode ser entendida como toda estrutura de

processamento paralelo que utiliza o conexionismo como paradigma. Foram as
pesquisas na rea de inteligncia artificial que originaram tanto o conhecimento
das redes neurais como a lgica fuzzy. A principal e mais relevante
caractersticas desses sistemas inteligentes proporcionar a esses sistemas a
capacidade de aprender e se adaptar ou a ambientes desconhecidos ou a
situaes novas.

INTRODUO

Como parte da disciplina de Sistemas Inteligentes: lgica fuzzy e

redes neurais, foram disponibilizados dados agrometeorolgicos do ano de
1998 da estao meteorolgica da UFC no campus do Pici para que fosse
possvel efetuar testes com a rede neural em ambiente MATLAB.

O parmetro estudado e avaliado foi a evapotranspirao (ETo), e

como esse parmetro influenciado por alguns outros parmetros de entrada,
tais como a umidade relativa do ar (UR), a radiao solar (RS), a velocidade do
vento (V) e a temperatura (T).

Treinar a rede para que ela pudesse entender e aprender como

estes parmetros de entrada se correlacionam com o parmetro de sada,
evapotranspirao, de forma a possibilitar novos questionamentos, bem como
efetuar algumas inferncias futuras a partir de prognsticos e construes de
cenrios.

TREINANDO A REDE NEURAL

A partir dos dados disponibilizados em planilha EXCEL conforme

figura 01, iniciou-se a tarefa de treinar a rede a aprender como a
evapotranspirao afetada por outros parmetros agrometeorolgicos.

Figura 01 Dados agrometeorolgicos disponibilizados em EXCEL.

No ambiente MATLAB possvel ento exportar tanto os dados

de entrada como os dados de sada que se encontram na planilha EXCEL,
apenas efetuando os comandos CTRL C, CRTL V.

Inicialmente sero utilizados como dados de entrada apenas a UR

(umidade relativa) e a RS (radiao solar) para a anlise do comportamento da
ETo (evapotranspirao). Numa segunda etapa o parmetro V (velocidade do
vento) ser acrescida e finalmente na ltima etapa ser acrescentado o
parmetro T (temperatura).
Os dados de entrada sero representados pela letra P e os
dados de sada pela letra T.

Sendo assim no ambiente MATLAB definiremos os dados de

entrada exportados da planilha EXCEL referentes s colunas UR e RS,
conforme figura 02.

Figura 02 Definindo as matrizes P e T no ambiente MATLAB a partir da

planilha EXCEL.

Aps essa etapa na aba APPS, no MATLAB, abre-se a janela

NEURAL NETWORK FITTING conforme ilustrado na figura 03.

Figura 03 Acessando a janela Neural Network Fitting.

Aps esse passo abre-se a janela a seguir, conforme figura 04.

Nesta fase apenas clica-se na tecla Next.

Figura 04 Iniciando os trabalhos para treinar a rede neural.

Aps clicar a tecla Next da janela anterior aberta uma outra

nova janela que mostrar informaes sobre a validao e os testes dos dados.
Nesta etapa a rede escolhe alguns valores e no fornece para a prpria rede,
mas joga para que ela treina e verificar se conseguiu aprender. Esses so
valores utilizados no momento do training. Aqui no se faz necessrio efetuar
qualquer comando ou mudana, apenas clicar novamente em Next e
prosseguir com o processo de aprendizagem da rede, conforme figura 05.

Figura 05 Demonstrativo dos dados utilizados no training.

Logo aps disponibilizada a janela Network Architecture, onde

solicitada a definio do Number of Hidden Neurons. Ela inicialmente
sugere 10, mas podemos trabalhar com valores mais baixos e verificar a
capacidade da eficincia do treinamento e caso entenda que esse nmero
deve ser reavaliado ento retorna-se para esta janela e efetua a nova
modificao. Aps definir o Number of Hidden Neurons ento clica-se em
Next, conforme figura 06

Figura 06 Janela para a definio do Number of Hidden Neurons.

Vencida essa etapa, alcana-se a janela Train Network. A

ferramenta utilizada aqui a Levenberg-Marquardt backpropagacion, uma
ferramenta extremamente poderosa para essa finalidade. Efetua-se o primeiro
treinamento da rede clicando em Train e depois em Plot Regression,
conforme figura 07. Nesta fase possvel efetuar vrios Retrain seguidos de
respectivos Plot Regression at se chegar a um nvel satisfatrio de
treinamento.

Figura 07 Janela Train Network

O programa ento mostra o seu primeiro treinamento e validao,

indicando os valores de R conforme a figura 08. Caso o coeficiente R no
seja satisfatrio ou se mostre baixo repete-se ou Retrain ou muda-se o
Number of Hidden Neurons descrito anteriormente.

Figura 08 Janela que mostra os valores de R para o treinamento da rede e

para a sua devida validao.
No caso de se obter R satisfatrios tanto para o Training como
para a Validation, que neste caso esses os valores devem ser o mais prximo
possvel, ento segue-se para a prxima etapa clicando em Next.

Agora ser aberta uma nova janela, a Evaluate Network onde a

nica ao e confirma a tecla Next, conforme figura 09.

Figura 09 Janela Evaluate Network.

Aps essa etapa chega-se na janela Save Results, onde

possvel mudar o nome sugerido na linha Save network to MATLAB network
object named. Ento efetua-se a confirmao da tecla Save Results para
depois confirmar a tecla Simple Script e novamente confirmar em Next para
prosseguir o processo de treinamento da rede, conforme figura 10.
Em seguida aberta a janela Editor untitled, onde deve-se
proceder com a ao de salvar o projeto na tecla save, conforme figura 11.

Figura 10 Janela Save Results

Figura 11 Janela Editor untitled.

Depois de todas essas etapas volta-se para o ambiente MATLAB

e efetua-se os seguintes comandos:

Finalmente possvel ver o resultado da correlao entre a

evapotranspirao simulada (T1) com a evapotranspirao verificada em
campo (T) atravs do comando Curve Fitting Tool na aba APPS do MATLAB
conforme figura 12. Nesta nova janela define-se em X a varivel T e em Y a
varivel T1 conforme figura 13. O comando ento disponibiliza no somente o
grfico, mas a equao da reta com o seu respectivo valor de R, conforme
figura 14. Caso o coeficiente de correlao R no seja satisfatrio, deve-se
repetir as aes das janelas das figuras 06 e 07.

Figura 12 - Janela Curve Fitting Tool.

Figura 13 Definio das variveis X e Y na janela Curve Fitting Tool.

Figura 14 Resultado final da correlao R.

Para a primeira condio de entrada que foi utilizando a UR e a

RS obteve-se como melhor correlao R o valor de 0,6783 utilizando um
Number of Hidden Neurons de 100 com 10 Retrain, conforme figura 15.

Figura 15 Coeficiente R para a primeira condio utilizando como dados de

entrada a UR e a RS.

Para a segunda condio, ou seja, utilizando como dados de

entrada UR, RS e V, obteve-se um R no valor de 0,6896 para um Number of
Hidden Neurons de 10, conforme figura 16.

Figura 16 - Coeficiente R para os dados de entrada a UR, RS e V.

Para a terceira e ltima condio que foi lanando mo dos dados

de UR, RS, V e T como dados de entrada obteve-se como valor de R em
0,679, conforme figura 17.

Figura 17 - Coeficiente R para os dados de entrada a UR, RS, V e T.

CONCLUSO

possvel observar que os melhores valores de R foram

alcanados quando se utilizou um maior nmero de variveis de entrada.

A rede neural consegue aprender com mais consistncia quando

os coeficientes R tanto para o training como para validation apresentam
altos valores e prximos entre si.