Development of soft computing and applications in agricultural and biological engineering

Huang, Yanbo; Lan, Yubin; Thomson, Steven J.; Fang, Alexander W.; Hoffmann, W. C.; Lacey, R. E.

doi:10.1016/j.compag.2010.01.001

Cited by 258 publications

(148 citation statements)

References 155 publications

Supporting

Mentioning

142

Contrasting

Unclassified

Order By: Relevance

“…Em agronomia e biologia, pesquisadores e engenheiros têm desenvolvido métodos utilizando lógica nebulosa, redes neurais artificiais, algoritmos genéticos, árvores de decisão e máquinas de vetor de suporte para estudos do solo e regimes da água, relacionados com o crescimento de culturas, para o processamento de alimentos e para a tomada de decisão na agricultura de precisão (Huang et al, 2010). O modelo neuro fuzzy já foi aplicado na análise da auto-hidrólise da Paulownia spp.…”

Section: Introductionunclassified

Estimativa da produtividade de trigo em função da adubação nitrogenada utilizando modelagem neuro fuzzy

Silva¹,

Silva²,

Filho

et al. 2014

Rev. bras. eng. agríc. ambient.

View full text Add to dashboard Cite

R E S U M OAtualmente, novas técnicas de processamento de dados, tais como redes neurais, lógica nebulosa (fuzzy) e sistemas híbridos, são utilizadas para elaborar modelos de predição em sistemas complexos e estimar parâmetros desejados. Neste artigo investigou-se a habilidade de se desenvolver um modelo de inferência adaptativo neuro fuzzy para estimação da produtividade de trigo utilizando-se uma base de dados da combinação dos seguintes tratamentos: cinco doses de N (0, 50, 100, 150 e 200 kg ha -1 ); três fontes (Entec, sulfato de amônio e ureia); duas épocas de aplicação de N (na semeadura ou em cobertura) e dois cultivares de trigo (E21 e IAC 370), avaliados durante dois anos, em Selvíria, MS. Através dos dados de entrada e saída o sistema de inferência neuro fuzzy adaptativo apreende e posteriormente pode estimar um novo valor de produção de trigo com base em doses diferenciadas de N. O erro de predição da produtividade de trigo em função das cinco doses de N, obtido com o sistema neuro fuzzy, foi menor que o valor obtido utilizando-se uma aproximação quadrática. Os resultados mostraram que o sistema neuro fuzzy é viável para desenvolver um modelo de predição visando estimar a produtividade de trigo em função da dose de N.Estimate of wheat grain yield as function of nitrogen fertilization using neuro fuzzy modeling A B S T R A C TCurrently new techniques for data processing, such as neural networks, fuzzy logic and hybrid systems are used to develop predictive models of complex systems and to estimate the desired parameters. In this article the use of an adaptive neuro fuzzy inference system was investigated to estimate the productivity of wheat, using a database of combination of the following treatments: five N doses (0, 50, 100, 150 and 200 kg ha -1 ), three sources (Entec, ammonium sulfate and urea), two application times of N (at sowing or at side-dressing) and two wheat cultivars (IAC 370 and E21), that were evaluated during two years in Selvíria, Mato Grosso do Sul, Brazil. Through the input and output data, the system of adaptive neuro fuzzy inference learns, and then can estimate a new value of wheat yield with different N doses. The productivity prediciton error of wheat in function of five N doses, using a neuro fuzzy system, was smaller than that one obtained with a quadratic approximation. The results show that the neuro fuzzy system is a viable prediction model for estimating the wheat yield in function of N doses. Palavras-chave: IntroduçãoAs condições de solo, clima e topografia, favoráveis ao cultivo de trigo, tanto de sequeiro como irrigado em épocas e altitudes definidas pela pesquisa, fazem do Brasil Central uma região de enorme potencial para a expansão desta cultura com a perspectiva de propiciar, a médio prazo, a autossuficiência na produção nacional. Outrossim, a inserção do trigo no Cerrado contribui para diversificar os sistemas produtivos regionais agregando elementos para a sustentabilidade de produção nesse ecossistema brasileiro (RCCBPT, 2005).A utilização de cultivares de tr...

show abstract

Section: Introductionunclassified

Estimativa da produtividade de trigo em função da adubação nitrogenada utilizando modelagem neuro fuzzy

Silva¹,

Silva²,

Filho

et al. 2014

Rev. bras. eng. agríc. ambient.

View full text Add to dashboard Cite

show abstract

“…Algorithm begins with a set of solutions called sub-population and it creates certain number of random solutions. Suitability of those solutions based on criteria of performance is evaluated and used to select solutions making a new, better subset of potential solutions [23]. Bad solutions are disregarded and good solutions are kept.…”

Section: Genetic Algorithmmentioning

confidence: 99%

Role of Data Mining Techniques in Agriculture Improvement

Sindhu¹,

Sindhu²

2017

International Journal of Advanced Research in Computer and Comm

View full text Add to dashboard Cite

Data mining is the process of discovering and extracting of interesting patterns and knowledge from large amounts of data. The field of agriculture has to deal with large amounts of data and processing and retrieval of significant data from this abundance of agricultural information is necessary to help the farmers. Therefore, appropriate methods and techniques are required for managing and organizing this data to increase the efficiency and agricultural productivity. The application of data mining methods and techniques to discover new insights or knowledge is a relatively a novel approach in agriculture. Data mining can help to process and convert this raw data into useful information for improving agriculture. In this paper, various data mining techniques used for processing of agricultural information/data such as k-means clustering, k-nearest neighbour, artificial neural networks, support vector machine, naive Bayesian classifier and fuzzy c-means are described. With the advancement of novel and appropriate data mining techniques, different types of agricultural problems will be addressed to improve crop productivity.

show abstract

“…Large quantities of lignocellulosic pruning remain in the fields every year in early spring after pruning. Soft computing methods are often used in agricultural applications [11], [12] developed soft computing applications in agricultural and biological engineering. ANNs were used for corn and soybean yield prediction [13].…”

Section: Introductionmentioning

confidence: 99%

Yapay Si̇ni̇r Ağlari Kullanilarak Bağ Budama Artiklarindan Üreti̇len Yonga Levhalarin Özelli̇kleri̇ni̇n Tahmi̇n Edi̇lmesi̇

Gürüler¹,

Ballı²,

Yeniocak³

et al. 2015

Mugla Journal of Science and Technology

View full text Add to dashboard Cite

In this study, chips of vine pruning stalks and wood chips in five various proportions were used as the raw material for three-layer particleboards. Primarily, small size sample panels (56x56x2 cm) were manufactured. The physical (thickness swelling (TS), water absorption (WA), and mechanical (modulus of rupture (MOR), modulus of elasticity (MOE), internal bond (IB), screw holding (SH) properties of particleboards were determined. Although direct measurement is the most reliable method, it is very complex and time consuming. Also every proportion is not applicable. So that, soft computing methods which are the powerful tools for input-output mapping were preferred. Artificial neural networks (ANNs) were used to estimation. The results show that ANN system capable to predict properties of particleboards in a time and cost effective way. Keywords: Neural networks, Agricultural residue, Particleboard, Prediction of properties YAPAY SİNİR AĞLARI KULLANILARAK BAĞ BUDAMA ARTIKLARINDAN ÜRETİLEN YONGA LEVHALARIN ÖZELLİKLERİNİN TAHMİN EDİLMESİ ÖzetBu çalışmada, yonga levha hammaddesi olarak beş farklı oranda, bağ budama yongaları ve odun yongaları kullanılmıştır. Öncelikle küçük boyutlu numune paneller üç katmanlı olarak (56x56x2 cm) üretilmiştir. Bu levhaların; fiziksel (kalınlığına şişme, su alma) ve mekaniksel (eğilme direnci, elastikiyet modülü, iç yapışma ve vida tutma) özellikleri belirlenmiştir. Direk ölçüm alma metodu en güvenilir metot olmasına rağmen çok karmaşık ve zaman alıcıdır. Üstelik her oran uygulanabilir değildir. Bu nedenle girdi-çıktı haritalamada en güçlü araçlar olan esnek (yazılımsal) hesaplama yöntemleri tercih edilmiştir. Bu aşamada, yapay sinir ağları (YSA) tahmin amaçlı kullanıldı. Sonuçlar yapay sinir ağları sisteminin zamandan ve maliyetten kazanç sağlayarak yonga levhaların özelliklerinin belirlenmesinde yetkin olduğunu göstermektedir.

show abstract

Development of soft computing and applications in agricultural and biological engineering

Cited by 258 publications

References 155 publications

Estimativa da produtividade de trigo em função da adubação nitrogenada utilizando modelagem neuro fuzzy

Estimativa da produtividade de trigo em função da adubação nitrogenada utilizando modelagem neuro fuzzy

Role of Data Mining Techniques in Agriculture Improvement

Yapay Si̇ni̇r Ağlari Kullanilarak Bağ Budama Artiklarindan Üreti̇len Yonga Levhalarin Özelli̇kleri̇ni̇n Tahmi̇n Edi̇lmesi̇

Contact Info

Product

Resources

About