Predição de produtividade do mamoeiro (Carica Papaya L.) por Redes Neurais Artificiais
DOI:
https://doi.org/10.33448/rsd-v10i12.20692Palavras-chave:
Inteligência Artificial; Mamão; Planejamento rural; Predição.Resumo
A estimativa da produtividade do mamoeiro é importante para o planejamento de produtores rurais, tornando-se uma ferramenta eficiente e estratégica na tomada de decisões da produção agrícola, sobretudo no que diz respeito ao planejamento de pós colheita, armazenamento e transporte. O objetivo desse estudo foi selecionar modelos de Redes Neurais Artificiais com maior capacidade preditiva da colheita para cultura do mamoeiro CNPMF-L78. Foram mensuradas 352 plantas em uma área útil de 2.112 m², com os descritores de planta e os caracteres relacionados à qualidade do fruto. Os dados foram submetidos a análise por Redes Neurais Artificiais, utilizando-se o software R. Os melhores ajustes para a estimativa da produtividade do mamoeiro foram considerados três camadas das RNAs: entrada, intermediária e a camada de saída, testando-se a composição com um a 10 neurônios na camada intermediária. Esses modelos apresentaram os menores erros quadráticos médios, o que corresponde a maior proximidade entre os dados preditos e os reais, e, por conseguinte, maior eficiência das redes na predição da produtividade. Pelo coeficiente de determinação, verificaram-se os melhores ajustes para caracteres reprodutivos R² = 0,99, os caracteres vegetativos proporcionaram R²= 0,54, enquanto que os caracteres de qualidade e rendimento viabilizou R²= 0,24. Previsões de produtividade para o mamoeiro CNPMF-L78 foram obtidas com alta eficiência para os caracteres reprodutivos por meio de redes neurais artificiais.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Leila Verena da Conceição; Cristina Ferreira Nepomuceno; Bruno Vinícius Castro Guimarães; Sebastião de Oliveira e Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
