Estimativa da Área Foliar da Alface Repicada Por Meio de Redes Neurais Artificiais

Sabrina D.  Oliveira; Frank F.  Capuchinho; Diogo S.  Sousa; Gustavo H. B.  Pinheiro; Carlos E. B.  Barbosa; Sueli M. F.  Alves; Francisco R.  Melo

doi:10.19142/rpq.v17i33.678

Sabrina D. Oliveira Universidade Estadual de Goiás
Frank F. Capuchinho Universidade Estadual de Goiás https://orcid.org/0000-0001-7491-361X
Diogo S. Sousa Universidade Estadual de Goiás https://orcid.org/0009-0008-4116-3830
Gustavo H. B. Pinheiro Universidade Estadual de Goiás https://orcid.org/0000-0002-5023-0918
Carlos E. B. Barbosa Universidade Estadual de Goiás https://orcid.org/0000-0001-6143-9621
Sueli M. F. Alves Universidade Estadual de Goiás https://orcid.org/0000-0003-2413-4807
Francisco R. Melo Universidade Estadual de Goiás https://orcid.org/0000-0001-9490-9386

DOI: https://doi.org/10.19142/rpq.v17i33.678

Palavras-chave: imagej, neurônios artificiais, lactuca sativa

Resumo

As redes neurais artificiais (RNA’s) são modelos matemáticos e existem diversas aplicações desta ferramenta na agricultura. Objetivou-se com este estudo avaliar a eficiência da RNA na estimativa da área foliar da alface. Utilizou-se folhas de alface e para o desenvolvimento da MLP foram inseridas como variáveis de entrada a largura e o comprimento das folhas determinados utilizando uma régua, e como saída a área foliar estimada pelo software ImageJ. Para comparação dos dados estimados e observados foram calculados indicadores estatísticos. A rede mostrou-se um método rápido e promissor na estimativa da área foliar para a cultura da alface.

Referências

1. SILVA, C. B. da; SANTOS, M. A. L. dos; SANTOS, D. P. dos; SANTOS, C. G. dos; SANTOS, V. R. dos; SÁ, M. B. de. Productivity of lettuce grown in field and environment protected in response the irrigation blades and saline levels. Research, Society and Development, 2020, 9, 10, 8549109143.

2. COSTA, J. do N.; FERNANDES, R. N.; A. MARIA, M. de; ALMEIDA, C. L. de; LIMA, J. S.; VALNIR JÚNIOR, M. Métodos para estimativa da área foliar em alface. IN: V INOVAGRI International Meeting. QUITO: 2019.

3. MEIRA, L. A.; PEREIRA, L. E. T.; SANTOS, M. E. R.; TECH, A. R. B. USPLeaf: Automatic leaf area determination using a computer vision system. Revista Ciênc. Agron., 2020, 51, 4, 20207300.

4. GUIMARÃES, M. J. M.; COELHO FILHO, M. A.; GOMES JUNIOR, F. de A.; SILVA, M. A. M.; ALVES, C. V. O.; LOPES, I. Modelos matemáticos para a estimativa da área foliar de mandioca. Revista de Ciências Agrarias, 2019, 62.

5. SCHWAB, N. T.; STRECK, N. A.; REHBEIN, A.; RIBEIRO, B. S. M. R.; ULHMANN, L. O.; LANGNER, J. A.; BECKER, C. C. Dimensões lineares da folha e seu uso na determinação do perfil vertical foliar de gladíolo. Bragantia, Campinas, 2014, 73, 2, (97- 105).

6. PINHEIRO. F. S.; LYRA, G. B.; ABREU, M. C.; ARTHUT JUNIOR, J. C.; SILVA, L. D. B.; LYRA, G. B.; SANTOS, E. O. Área foliar de mudas de urucum (Bixa orellana L.) estimada por diferentes métodos: uma análise comparativa. Ciênc. Florest., 2020, 30, 3.

7. AZEVEDO, A. M.; ANDRADE JÚNIOR, V. C.; SOUSA JÚNIOR, A. S.; SANTOS, A. A.; CRUZ, C. D.; PEREIRA, S. L.; LIVEIRA, A. J. M. Eficiência da estimação da área foliar de couve por meio de redes neurais artificiais. Horticultura brasileira, 2017, 35, 1.

8. AZEVEDO, A.M.; SILVEIRA, V.A.; OLIVEIRA, C.M.; PEDROSA, C.E.; LEMOS, V.T.; VALADARES, N.R.; GUIMARÃES, A.G. Predição da área foliar em acerola por redes neurais e regressão múltipla. Revista Agrária Acadêmica, 2019, 2, 3, (96-105). Jan/Jun de 2023 Revista Processos Químicos 25

9. ROCHA, I.J.F.; ALVES, G.R.; BARBOSA, C.E.B.; ALVES, S.M.; MELO, F.R. Redes neurais artificiais aplicadas nas estimativa do índice de área foliar utilizando imagens de sensoriamento remoto. Brazilian Journal of Development, Curitiba, 2022, 8, 5, (36460- 36478).

10. BRAGA, A.P.; CARVALHO, A.P.L.F.; LUDERMIR, T.B. Redes Neurais Artificiais: Teorias e Aplicações. Rio de Janeiro: LTC – Livros Técnicos e Científicos Editora S.A., 2014. 226p.

11. ALVES, G.R. Estimativa da produtividade da soja com redes neurais artificiais 2016. 76p. Dissertação Mestrado em Engenharia Agrícola), Universidade Estadual de Goiás, Anápolis, 2016.

12. SCHNEIDER, P.R. Análise de regressão aplicada à Engenharia Florestal. Santa Maria: UFSM/CEPEF, 1998. 236p.

13. WILLMONT, C.J. On the validation of models. Physical Geography, Palm Beach, v.2, n. 2, p.184-194, 1981.

14. CAMARGO, Â. P.; SENTELHAS, P. C. Avaliação do desempenho de diferentes métodos de estimativa da vapotranspiração potencial no Estado de São Paulo, Brasil. Revista Brasileira de Agrometeorologia, 1997, 5, 1,(87–97).

15. MARTINS, E. dos R. BINOTI, M. L. M. da S.; LEITE, H. G.; BINOTI, D. H. B.; DUTRA, G. C. Configuração de redes neurais artificiais para estimação do afilamento do fuste de árvores de eucalipto. Revista Brasileira de Ciênc. Agrárias, 2016, 11, 1, (33-38).

16. SOARES, F. C.; ROBAINA, A. D.; PEITER, M. X.; RUSS, J. L. Predição da produtividade da cultura do milho utilizando rede neural artificial. Ciênc. Rural, Santa, 2015, 45, 11, (1987-1993).