Please use this identifier to cite or link to this item: http://repositorio.ufersa.edu.br/handle/prefix/6677
metadata.dc.type: Tese
Title: Uso de regresão linear múltipla e redes neurais artificiais na estimativa da interferência de plantas daninhas em cultivos agrícolas
metadata.dc.creator: Monteiro, Alex Lima
metadata.dc.contributor.advisor1: Barros Júnior, Aurélio Paes
metadata.dc.contributor.advisor-co1: Silva, Daniel Valadão
metadata.dc.contributor.referee1: Souza, Matheus de Freitas
metadata.dc.contributor.referee2: Pinho, Camila Ferreira de
metadata.dc.contributor.referee3: Melo, Stefeson Bezerra de
metadata.dc.description.resumo: A eficiência no controle das plantas daninhas nos cultivos agrícolas depende da adoção do método de controle na época correta, minimizando a interferência da comunidade infestante. Todavia, a definição do início e fim da época de controle é de difícil mensuração pelo produtor devido às particularidades da comunidade infestante, das culturas e das condições de manejo e edafoclimáticas de cada local de cultivo. Uma das alternativas para a solução deste problema é o uso de modelos baseados em métodos estatísticos ou métodos de aprendizado de máquina desenvolvidos no campo da inteligência artificial que possam ser adequados para fazer previsões da perda de rendimento de culturas agrícolas em virtude da interferência de plantas daninhas. Dessa forma, este estudo tem como objetivo comparar a eficácia de modelos matemáticos empíricos como as Regressões Lineares Múltiplas (RLM) com modelos de Redes Neurais Artificiais (RNAs) para modelagem da interferência de plantas daninhas em estimar o início do controle de plantas daninhas em diferentes classes de perdas de produtividades aceitáveis de culturas agrícolas. Os experimentos foram realizados durante os anos de 2016, 2017 e 2018, usando para o estudo as culturas do melão, gergelim e cebola. O delineamento utilizado foi em blocos ao acaso, com três repetições. Os tratamentos do primeiro experimento, referente à cultura da cebola foram compostos por seis períodos para o início do controle de plantas daninhas (0, 7, 14, 21, 28, 32 e 42) e expressos em dias após a emergência (DAE), ao passo que no segundo experimento, para as culturas do gergelim e do meloeiro, os períodos foram (130, 260, 390, 520, 650, 1300 e (130, 260, 390, 520, 972), respectivamente, expressos em graus dias (GD) após a semeadura do gergelim e o transplantio das mudas de melão. Os resultados demonstraram que modelos RLM baseados em entradas não destrutivas e destrutivas sobre a comunidade de plantas daninhas são capazes de estimar as perdas de produtividade da cebola, porém com baixa precisão. Os modelos de RNAs considerando apenas o período de convivência e sistema de irrigação possuem desempenho similar a modelos de Regressão Linear Múltipla. No entanto, a inserção das variáveis relacionadas à densidade de plantas daninhas (não destrutiva) e a matéria fresca (destrutiva) nos modelos de RNAs eleva a capacidade preditiva das redes para valores próximos a 99% de acerto. O modelo de RNAs que fizeram a combinação de entradas não-destrutiva (Densidade) e destrutiva (Matéria Fresca) dispensa outras entradas mais específicas, como a relação de espécies C3/C4 e Monocotiledôneas/Eudicotiledôneas (M/E). O período de interferência de plantas daninhas é o principal fator para inferir o grau de interferência das plantas daninhas nas culturas do gergelim e meloeiro. Os modelos de RNAs com melhor performance podem indicar o início do controle de plantas daninhas, uma vez que são capazes de estimar com precisão as perdas causadas pela interferência das plantas daninhas
Abstract: The efficiency of weed control in agricultural crops depends on the adoption of the control method at the right time, minimizing the interference of the weed community. However, a definition of the beginning and end of the control season is difficult to measure by the producer due to the particularities of the weed community, the crops, and the management and edaphoclimatic conditions of each cultivation site. One of the alternatives to solve this problem is the use of models based on statistical methods or methods of machine learning developed in the field of artificial intelligence that can be adequate to predict the loss of yield of agricultural cultures due to the interference of weeds. Thus, the objective was to verify if the RLM and RNAs models can predict the beginning of weed control, compare the effectiveness of RNAs with traditional sigmoidal models and also evaluate the ability of RNAs to estimate weed control for different crops and acceptable productivity loss classes and thereby validate a new alternative for modeling and predicting competition between weeds and agricultural crops. The experiments were conducted at the Rafael Fernandes Experimental Farm, Mossoró, RN. The design used was in randomized blocks, with three replications. The treatments consisted of six periods for the beginning of weed control (0, 7, 14, 21, 28, 32 and 42) days after emergence (DAE) for the onion culture and for the sesame and the melon foramen (130, 260, 390, 520, 650, 1300) and (130, 260, 390, 520, 972) degrees days (GD) after sowing sesame and transplanting melon seedlings, respectively. The RLM models based on non-destructive and destructive inputs on the weed community are able to estimate losses of onion productivity, however with low precision. The ANN models considering only the coexistence period and the irrigation system have similar performance to the Multiple Linear Regression models. However, the inclusion of variables related to weed density (non-destructive) and fresh matter (destructive) in RNA models raises the predictive capacity of networks to values close to 99% correct. The RNA model, which made a combination of non-destructive (density) and destructive (Matter Fresh) inputs, dispenses with other more specific inputs such as the C3 / C4 and Monocotyledons / Eudicotyledons (M / E) species. The weed interference period is the main factor to infer the degree of weed interference in the Sesame and Melon cultures. The models of RNAs with the best performance can indicate the beginning of weed control, since they are able to accurately estimate losses caused by weed interference
Keywords: Modelagem
Período crítico
Inteligência artificial
Modeling
Critical period
Artificial intelligence
metadata.dc.subject.cnpq: CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::FITOTECNIA
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal Rural do Semi-Árido
metadata.dc.publisher.initials: UFERSA
metadata.dc.publisher.department: Centro de Ciências Agrárias - CCA
metadata.dc.publisher.program: Programa de Pós-Graduação em Fitotecnia
Citation: Monteiro (2020) (MONTEIRO, 2020)
metadata.dc.rights: Acesso Aberto
Attribution-NonCommercial-NoDerivs 3.0 Brazil
metadata.dc.rights.uri: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI: http://repositorio.ufersa.edu.br/handle/prefix/6677
Issue Date: 18-Dec-2020
Appears in Collections:MESTRADO EM FITOTECNIA

Files in This Item:
File Description SizeFormat 
AlexLM_TESE.pdf2.1 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons