Uso de inteligência artificial para recomendação do clomazone e s-metolachlor aplicados em pré-emergência

Abstract

O uso de herbicidas no solo, em aplicações em pré-emergência, tem sido fundamental para o manejo de plantas daninhas no Brasil. Todavia, a escolha da dosagem correta do herbicida para cada tipo de solo ainda é um desafio e problemas causados pela sub ou super-dosagem de herbicidas tem sido comum, acarretando em prejuízos agronômicos e ambientais. Uma alternativa para este problema seria considerar as propriedades físicas e químicas do solo para recomendação destes herbicidas, uma vez que sua interação é dependente das propriedades do solo e do próprio herbicida e, por isso, é considerada complexa. Os coeficientes de sorção (Kfs) de herbicidas estão diretamente correlacionados com as propriedades do solo. Assim, a modelagem matemática pode prever a capacidade de retenção do herbicida em cada solo e, consequentemente, estimar a dose necessária para o manejo eficiente das plantas daninhas, possibilitando menor risco ambiental. Diante disso, os objetivos deste trabalho foram: i) selecionar possíveis variáveis preditoras para compor redes neurais artificiais (RNAs) capazes de estimar o coeficiente de sorção do clomazone e S-metolachlor nos solos; ii) avaliar o desempenho de RNAs para predizer o coeficiente de sorção do clomazone e S-metolachlor nos solos; iii) avaliar quais as propriedades do solo possuem maior importância para predição dos coeficientes de sorção do clomazone e S-metolachlor a partir de RNAs. Os coeficientes de sorção dos herbicidas foram determinados em laboratório com 45 solos provenientes de diferentes estados brasileiros. Modelos de RNAs perceptron multicamadas (MLP) foram utilizados para predição da sorção do clomazone e S-metolachlor. As RNAs foram capazes de estimar a capacidade de sorção do clomazone e S-metolachlor nos solos estudados. Quando selecionado as variáveis representativas e estruturas adequadas, as RNAs atingem altos valores de precisão e acurácia para determinar o valor estimado de Kfs do clomazone e S-metolachlor no solo. As variáveis foram selecionadas eficientemente com a ferramenta de feature selection utilizando as propriedades físicas e químicas dos solos para o herbicida clomazone. As variáveis de entrada que determinaram a rede de melhor desempenho para predição do Kfs, foram: CTC, Silte, Mg e K+. As variáveis que apresentaram maior importância relativa na análise de sensibilidade na construção do modelo para o Kfs do clomazone, foram: K+ (37%) e Silte (29%). O modelo com melhor performance para predizer o coeficiente de sorção do S-metolachlor foi aquele com 7 entradas: Ca+2 > MO > CTC > V > K+ > Argila > m, pela RNA MLP 7-10-1. Na análise de sensibilidade para atribuir a importância relativa de cada variável, o teor de Ca+2 e MO se destacaram para predizer o Kfs do S-metolachlor. A seleção de variáveis pelo método bootstrap forest partitioning para compor as entradas das RNAs foi eficiente para obter modelos bem treinados e com alta capacidade de generalização para predizer Kfs do S-metolachlor. Esse procedimento para recomendação de doses aplicadas em pré-emergência comparado ao método via bula comercial, variou em 2% na quantidade aplicada para o herbicida S-metolachlor