Trautmann, Ana Paula Brezolin2020-08-042020-04-232020-08-042020-08-04https://bibliodigital.unijui.edu.br/items/47b398fb-7393-472b-a9e7-7e01e6f4d644323 f.Modelos matemáticos que busquem simulações eficientes, descrevendo interações complexas junto aos efeitos não-lineares dos agroecossistemas vem sendo cada vez mais usados. Neste sentido, destaca-se o manejo da cultura do trigo, onde o nitrogênio é o elemento mais requerido, tendo forte influência sobre a produtividade e qualidade química dos grãos. A maior eficiência do nitrogênio está diretamente ligada às condições adequadas de solo e clima, condições nem sempre obtidas no momento da adubação. Neste contexto, surge a possibilidade de uso de doses de nitrogênio ajustadas por condição de ano agrícola e aplicadas de forma cheia ou fracionada em função das condições de cultivo. Estratégias de simulação e otimização da produtividade e qualidade do trigo pelo uso do nitrogênio envolvendo de modo simultâneo, variáveis ligadas a planta, elementos meteorológicos do ano agrícola e de manejos importantes sobre a espécie pode contribuir no desenvolvimento de modelos eficientes na previsibilidade de safras e validação de novas tecnologias. O objetivo do estudo é o desenvolvimento de modelos matemáticos eficientes na simulação da produtividade do trigo por lógica fuzzy, redes neurais artificiais e do híbrido neuro-fuzzy, com otimização do uso do nitrogênio via algoritmos genéticos pelas relações que envolvem as formas de fornecimento do nutriente, associado aos estímulos fenológicos e ambientais nos principais sistemas de cultivo do noroeste do Rio Grande do Sul. O estudo foi realizado no Instituto Regional de Desenvolvimento Rural (IRDeR/UNIJUÍ), em Augusto Pestana, RS, nos anos de 2012 a 2018. O delineamento experimental foi o de blocos casualizados com quatro repetições em esquema fatorial 4 x 3, para doses de N-fertilizante (0, 30, 60, 90, 120 kg ha-1) e formas de fornecimento do nutriente [condição cheia (100%) no estádio fenológico V3 (terceira folha expandida); fracionada (70%/30%) no estádio fenológico V3/V6 (terceira e sexta folha expandida); e fracionada (70%/30%) no estádio fenológico V3/R1 (terceira folha expandida e diferenciação da espiga)], no sistema soja/trigo e milho/trigo. Os modelos de regressão expressaram com eficiência o comportamento da produtividade e qualidade química dos grãos de trigo em função do nutriente, seja pela dose cheia ou fracionada, influenciada pela condição de ano agrícola e sistema de sucessão de alta e reduzida liberação de N-residual. A contribuição relativa, correlação e análise de trilha permitem conhecer a dinâmica do nitrogênio sobre os caracteres da produtividade e qualidade química dos grãos de trigo, além da interação dos elementos meteorológicos sobre estas variáveis, permitindo identificar as reais relações. O modelo múltiplo é eficiente para simulação da produtividade e qualidade química dos grãos de trigo, sob efeito cumulativo entre ano favorável, aceitável e desfavorável nos sistemas de sucessão e condições de fornecimento do N-fertilizante, considerando variáveis controladas ou não-controladas. A lógica fuzzy, redes neurais artificiais e neuro-fuzzy são ferramentas que preveem com eficiência a produtividade e a qualidade química dos grãos de trigo pelo uso de nitrogênio com elementos meteorológicos. Destaca-se a neuro-fuzzy como a mais eficiente na simulação da produtividade e qualidade química dos grãos de trigo. O algoritmo genético permite otimizar a dose do nitrogênio nas condições de fornecimento, cheio e fracionado, nas variáveis controladas e não-controladas, com simulações da produtividade de grãos, biológica, teor de proteína total e amido. De modo geral, em V3 o uso do nitrogênio promove maior expressão da produtividade de grãos, torna-se a condição mais viável ao produtor por ser mais lucrativa, por diminuir custos operacionais.pt-BRCiências exatas e da terraModelagem matemáticaTriticum aestivum L.dosesfracionamentoelementos meteorológicosregressãofuzzyredes neuraisneuro-fuzzyalgoritmo genéricoInteligência artificialTese