Predicción de la productividad de la papaya (Carica Papaya L.) por Redes Neuronales Artificiales
DOI:
https://doi.org/10.33448/rsd-v10i12.20692Palabras clave:
Inteligencia artificial; Papaya; Planificación rural; Predicción.Resumen
La estimación de la productividad de la papaya es importante para la planificación de los productores rurales, convirtiéndose en una herramienta eficiente y estratégica en la toma de decisiones en la producción agrícola, especialmente en lo que respecta a la planificación de la poscosecha, el almacenamiento y el transporte. El objetivo de este estudio fue seleccionar los modelos de Redes Neuronales Artificiales con mayor capacidad de predicción de la cosecha para el cultivo de papaya CNPMF-L78. Se midieron 352 plantas en una superficie útil de 2.112 m², con los descriptores de la planta y los caracteres relacionados con la calidad del fruto. Los datos se sometieron a un análisis de redes neuronales artificiales utilizando el software R Los mejores ajustes para estimar la productividad de la papaya se consideraron en tres capas de la RNA: de entrada, intermedia y de salida, probando la composición con una a 10 neuronas en la capa intermedia. Estos modelos presentaron los errores cuadrados medios más bajos, lo que corresponde a la mayor proximidad entre los datos predichos y los reales, y por tanto a una mayor eficacia de las redes en la predicción de la productividad. Por el coeficiente de determinación, los mejores ajustes se encontraron para los caracteres reproductivos R² = 0,99, los caracteres vegetativos proporcionaron R²= 0,54, mientras que los caracteres de calidad y rendimiento permitieron R²= 0,24. Las predicciones de productividad para la papaya CNPMF-L78 se obtuvieron con alta eficiencia para los caracteres reproductivos utilizando redes neuronales artificiales.
Citas
Aggelopoulou, A. D., Bochtis, D., Fountas, S., Swain, K. C., Gemtos, T. A., & Nanos, G. D. (2011). Previsão de rendimento em pomares de maçã com base no processamento de imagens. Agricultura de precisão, 12 (3), 448-456.
Azevedo, A. M. de, Silveira, V. A. da, Oliveira, C. M., Pedrosa, C. E., Lemos, V. T., Valadares, N. R., & Guimarães, A. G. (2019). Predição da área foliar em acerola por redes neurais e regressão múltipla. Revista Agrária Acadêmica, 2 (3), 96-105.
Bergmeir, C. N., & Benítez Sánchez, J. M., (2012). Redes neurais em R usando o simulador de redes neurais de Stuttgart: RSNNS. American Statistical Association, 46 (7), 1-26.
Donato, S. L. R., Arantes, A. D. M., Coelho, E., & Rodrigues, M. G. V. (2015). Considerações ecofisiológicas e estratégias de manejo da bananeira. In Embrapa Mandioca e Fruticultura-Artigo em anais de congresso (ALICE). In: Simpósio Brasileiro Sobre Bananicultura, 8, 2015, Montes Claros. Palestras e resumos... Belo Horizonte: Epamig, 2015. 1, 45-110.
Empresa Brasileira de Pesquisa Agropecuária (2020). VII Plano Diretor da Embrapa: 2020–2030 / Embrapa, (1), 31. autor.
Estação Meteorológica da Embrapa Mandioca e Fruticultura. (2020). Série Documentos (CNPMF). Recuperado de: https://www.embrapa.br/busca-de-eventos/-/evento/150188/estacao-meteorologica-da-embrapa-mandioca-e-fruticultura#sec-locais.
Garson, G. D. (1991). Interpretando pesos de conexão de redes neurais. International Journal of Artificial Intelligence and Expert Systems, 6 (1), 47-51.
Gemici, E., Yucedag, C., Ozel, H. B, & Imren, E. (2019). Predição da produção de cones em pomar de sementes clonais de pinheiro negro da Anatólia com rede neural artificial. Ecologia Aplicada e Pesquisa Ambiental, 17 (2), 2267-2273.
Gil, C. A. (2017). Como Elaborar Projetos de Pesquisa. 6, 192. Atlas.
Gholipoor, M., & Nadali, F. (2019). Previsão da produção de frutos de pimenta por meio de rede neural artificial. Scientia Horticulturae, 250, 249-253.
Guimarães, B. V. C., Donato, S. L. R., Aspiazú, I., & Azevedo, A. M. (2021). Predição da produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’ por redes neurais artificiais. Pesquisa Agropecuária Tropical, 51, e66008-e66008.
Guimarães, B. V., Donato, S. L., Azevedo, A. M., Aspiazú, I., & Junior, S. (2018). Predição da produtividade da palma forrageira 'Gigante' por caracteres morfológicos e redes neurais artificiais. Revista Brasileira de Engenharia Agrícola e Ambiental, 22, 315-319.
Heidari, P., Rezaei, M., & Rohani, A. (2020). Soft computing-based approach on prediction promising pistachio seedling base on leaf characteristics. Scientia Horticulturae, 274, 109647.
Cidades, I. B. G. E. (2020). Conheça cidades e Estados do Brasil. É o sistema agregador de informações do IBGE sobre os municípios e Estados do Brasil. Recuperado de https://cidades. ibge. gov. br.
Wrb, I. W. G. (2015). World Reference Base for Soil Resources 2014, update 2015 International soil classification system for naming soils and creating legends for soil maps. World Soil resources reports, (106), 192.
Liu, L. W., Ma, X., Wang, Y. M., Lu, C. T., & Lin, W. S. (2021). Usando algoritmos de inteligência artificial para prever a taxa de crescimento do arroz (Oryza sativa L.) para agricultura de precisão. Computadores e Eletrônicos na Agricultur, 187, 106286.
Mamann, A. T. W., da Silva, J. A. G., Binelo, M. O., Scremin, O. B., Kraisig, A. R., Carvalho, I. R., & Argenta, C. V. (2019). Inteligência artificial simulando a produtividade de grãos durante o desenvolvimento do trigo considerando indicadores biológicos e ambientais. Journal of Agricultural Studies, 7 (3), 197-212.
Merladete, A. (2021). Digitalização da cadeia agrícola já é realidade Brasil afora. Agrolink. Recuperado de: https://www.agrolink.com.br/noticias/digitalizacao-
da-cadeia-agricola-ja-e-realidade-brasil-afora_454406.html.
Mishra, R., Varun, P., Hans, A. L, & Saxena, S. (2021). Análise da diversidade de begomovírus que infectam o mamão e seus mecanismos de resistência. Em Plant Virus-Host Interaction (pp. 507-524). Academic Press.
Niedbala, G. (2019). Modelo simples baseado em rede neural artificial para previsão antecipada e simulação de safra de colza de inverno. Journal of Integrative Agriculture,18 (1) 54-61.
Oliveira, A. M. G., Souza, L. D., & Coelho, E. F. (2010). Recomendações de calagem e adubação para mamoeiro. Embrapa Mandioca e Fruticultura. Comunicado técnico 139, ISSN- 1809- 502X.
Paliwal, M., & Kumar, U. A. (2011). Avaliando a contribuição das variáveis na rede neural feedforward. Applied Soft Computing, 11 (4), 3690-3696.
Pant, J., Pant, R. P., Singh, M. K., Singh, D. P., & Pant, H. (2021). Analysis of agricultural crop yield prediction using statistical techniques of machine learning. Materials Today: Proceedings.
Team, R. C. (2018). R: A language and environment for statistical computing; 2018.
Santos, H. G., Jacomine, P. K. T., Dos Anjos, L. H. C., Oliveira, V. A., Lumbreras, J. F., Coelho, M. R., & Cunha, T. J. F. (2018). Sistema brasileiro de classificação de solos. Brasília, DF: Embrapa, 2018.
Santos, J. F. S. (2020). Produção de soja, desigualdades no campo e mudanças climáticas na região do Matopiba. DRd-Desenvolvimento Regional em debate, 10, 535-561.
Soares, F. C., Robaina, A. D., Peiter, M. X., & Russi, J. L. (2015). Predição da produtividade da cultura do milho utilizando rede neural artificial. Ciência Rural, 45, 1987-1993.
Soares, J. D. R., Pasqual, M., Lacerda, W. S., Silva, S. O., & Donato, S. L. R. (2014). Comparação de técnicas utilizadas na predição da produtividade em bananeira. Scientia Horticulturae, 167 (1), 84-90.
Smith, D. W. (2014). Soil survey staff: keys to soil taxonomy. Washington: Natural Resources Conservation Service.
Vitor, A.B., Diniz, R. P., Morgante, C. V., Antônio, R. P., & de Oliveira, E. J. (2019). Modelos precoces de predição da produtividade de raízes de mandioca em diferentes regimes hídricos. Field Crops Research, 239, 149-158.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Leila Verena da Conceição; Cristina Ferreira Nepomuceno; Bruno Vinícius Castro Guimarães; Sebastião de Oliveira e Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
