Artificial neural networks employment in the prediction of evapotranspiration of greenhouse-grown sweet pepper

Abstract

constituting 135 days of daily meteorological data, referring to the following variables: temperature and relative air humidity, wind speed and solar radiation (input variables), as well as evapotranspiration (output variable), determined using data obtained by load-cell weighing lysimeter. The recorded data were divided into three sets for training, testing and validation. The ANN learning model recognized the evapotranspiration patterns with acceptable accuracy, with mean square error of 0.005, in comparison to the data recorded in the lysimeter, with coefficient of determination of 0.87, demonstrating the best approximation for the 4-21-1 network architecture, with multilayers, error back-propagation learning algorithm and learning rate of 0.01. Uso de redes neurais artificiais para predição da evapotranspiração no cultivo protegido de pimentão R E S U M O Este trabalho foi conduzido com o objetivo de investigar a aplicabilidade das redes neurais artificiais (RNAs) para estimar a evapotranspiração do cultivo protegido de pimentão. Os dados utilizados compreenderam o segundo ciclo da cultura, cultivado de setembro de 2013 a fevereiro de 2014, constituindo 135 dias de dados meteorológicos diários: temperatura e umidade relativa do ar, velocidade do vento e radiação solar global, utilizadas como variáveis preditoras e evapotranspiração, determinada a partir de dados obtidos por lisímetro de pesagem, usada como variável resposta. Os dados registrados no período foram divididos em três conjuntos para treinamento, teste e validação. O processo de aprendizado da RNA foi estabelecido com precisão aceitável, com erro médio quadrático de 0,005, em que os padrões de evapotranspiração no ambiente protegido estimado pela rede, em comparação àqueles gerados a partir dos dados de lisimetria, apontaram coeficiente de determinação da ordem de 0,87 para uma arquitetura de rede 4-21-1, de múltiplas camadas, algoritmo de aprendizagem de retropropagação do erro e taxa de aprendizagem de 0,1.

Precision Irrigation Management Using Machine Learning and Digital Farming Solutions

“…In addition, considering the importance of accurate estimation of evapotranspiration in guiding precision irrigation management, the use of ANN for estimation and modeling the non-linear features of reference evapotranspiration has been proposed [94][95][96][97][98][99]. This approach was able to effectively estimate the crop water requirement that could be used to guide irrigation decisions using temperature, solar radiation, humidity, and wind speed.…”