Simulação do Progresso de doenças Foliares da Aveia por Redes Neurais Artificiais à Redução de Uso de Agrotóxicos
DOI:
https://doi.org/10.5540/03.2023.010.01.0097Palabras clave:
Avena sativa L., segurança alimentar, modelagem, inteligência artificialResumen
Uma ferramenta que possui aplicabilidade em diversas áreas e representa uma possibili- dade eficiente de simulação e otimização é a modelagem computacional. As redes neurais artificias podem contribuir na simulação eficiente do progresso de doenças foliares da aveia e contribuir em estratégias à redução de uso de agrotóxicos na aveia direcionada a alimentação humana. O objetivo do estudo é simular por redes neurais artificias o progresso de doenças foliares de aveia envolvendo o ciclo de desenvolvimento, variáveis meteorológicas e o número de aplicações de fungicida. O de- lineamento experimental foi de blocos casualizados em esquema fatorial 3 x 5 para 3 cultivares de aveia branca e 5 condições de aplicação de fungicida, respectivamente, com três repetições. As redes neurais artificiais mostraram alta capacidade de aprendizado na expressão da área foliar necrosada e simulam com eficiência o progresso das doenças foliares ao longo do ciclo da aveia, oportunizando direcionar manejos que reduzam o uso do agrotóxico fungicida na garantia de produtividade com segurança alimentar.
Descargas
Citas
O. Acar et al. Comparison of short and long milling ows on yield and physicochemical pro- perties of brans from bioforti ed and nonbioforti ed hull-less oats . Em: Cereal Chemistry 97.4 (2020), pp. 859 867. doi: https://doi.org/10.1002/cche.10308.
O. Alessi. Modelagem do progresso de doen as foliares e produtividade em cultivares de aveia redu o no uso de fungicida . Tese de doutorado. UNIJU , 2022.
O. Alessi et al. Aplica o de Modelos de Regress o e de Adaptabilidade e Estabilidade na Identi ca o de Cultivares de Aveia Branca com Maior Resist ncia Gen tica a Doen as Foliares . Em: Proceeding Series of the Brazilian Society of Computational and Applied Mathematics 6.2 (2018).
G. F. Alves et al. Stability of the hypocotyl length of soybean cultivars using neural networks and traditional methods . Em: Ciência Rural 49 (2019). doi: https://doi.org/10.1590/ 0103-8478cr20180300.
N. R. Bhardwaj, D. K. Banyal e A. K. Roy. Prediction model for assessing powdery mildew disease in common Oat (Avena sativa L.) Em: Crop Protection 146 (2021). doi: https://doi.org/10.1016/j.cropro.2021.105677.
L. V.a da Concei o et al. Predi o de produtividade do mamoeiro (Carica Papaya L.) por Redes Neurais Artificiais . Em: Research, Society and Development 10.12 (2021). doi: https://doi.org/10.33448/rsd-v10i12.20692.
E. F. Dornelles et al. Artificial intelligence in seeding density optimization and yield simulation for oat . Em: Revista Brasileira de Engenharia Agr cola e Ambiental 22 (2018), pp. 183 188. doi: https://doi.org/10.1590/1807-1929/agriambi.v22n3p183-188.
E. F. Dornelles et al. Artificial Intelligence in the Simulation of Fungicide Management Scenarios for Satisfactory Yield and Food Safety in oat Crops . Em: Revista de Gest o Social e Ambiental-RGSA 17.1 (2023).
E. F. Dornelles et al. The eficiency of Brazilian oat cultivars in reducing fungicide use for greater environmental quality and food safety . Em: Australian Journal of Crop Science 15.7 (2021), pp. 1058 1065. doi: 10.21475/ajcs.21.15.07.p3175.
L. Fleck et al. Redes neurais artificiais: Princípios básicos . Em: Revista Eletrônica Cientca Inova o e Tecnologia 1.13 (2016), pp. 47 57.
R. Hecht-Nielsen. Theory of the backpropagation neural network . Em: Neural networks for perception. 1992, pp. 65 93. doi: https://doi.org/10.1016/B978- 0- 12- 741252- 8.50010-8.
A. M. Magalh es Junior, P. R. Santos e T. S fadi Utiliza o de Redes Neurais Artifi iais na classifica o de danos em sementes de girassol. Em: Sigmae 8.2 (2019), pp. 564 575.
A. T. W de Mamann et al. Artificial intelligence simulating grain productivity during the wheat development considering biological and environmental indicators . Em: Journal of Agricultural Studies 7.3 (2019), p. 197.
V. P. Martins et al. Modelagem tecnica-comercial de peças automotivas com rede neural arti cial . Em: Brazilian Journal of Business 3.1 (2021), pp. 413 427.
J. M. Nerbass Junior et al. Controle de doenças foliares na aveia branca e danos na produção em resposta dose e ao n mero de aplica es de fungicida . Em: Revista de Ciências Agroveterinárias 7.2 (2014), pp. 127 134.
A. B. Neto et al. Interface gráfica via redes neurais artificiais: um estudo de caso na estimativa da produção de capim marandu em sistemas integrados . Em: Revista Brasileira de Engenharia de Biossistemas 15 (2021).
P. A. Paul e G. P. Munkvold. Regression and arti cial neural network modeling for the prediction of gray leaf spot of maize . Em: Phytopathology 95.4 (2005), pp. 388 396. doi: https://doi.org/10.1094/PHYTO-95-0388.
L. M. Pereira et al. A utiliza o de fungicida no cultivo de aveia: uma revisão integrativa da literatura . Em: Research, Society and Development 9.8 (2020).
J. A. da Rosa et al. Redes Neurais Artificiais na Previsibilidade da Produtividade de Gr os da Aveia pelo uso do Nitrogênio e Condições do Ciclo de Desenvolvimento da Cultura . Em: Proceeding Series o f the Brazilian Society of Computational and Applied Mathematics 9.1 (2022). doi: https://doi.org/10.5540/03.2022.009.01.0296.
O. B. Scremin et al. Arti cial intelligence by arti cial neural networks to simulate oat (Avena sativa L.) grain yield through the growing cycle . Em: Journal of Agricultural Studies 4 (2020), pp. 610 628. doi: https://doi.org/10.5296/jas.v8i4.17711.
A. H. Screminn et al. Aptitude of Brazilian oat cultivars for reduced fungicide use while maintaining satisfactory productivity . Em: Genetics and molecular research 22 (2023). doi: http://dx.doi.org/10.4238/gmr19034.
F. C. Soares et al. Predio da produtividade da cultura do milho utilizando rede neural artificial . Em: Ciência Rural 45 (2015), pp. 1987 1993. doi: https://doi.org/10.1590/ 0103-8478cr20141524.
J. Wolfrann et al. Simula o da irrigação o por aspersão utilizando redes neurais artificiais treinadas com e sem termo momentum . Em: Revista de Computa o Aplicada ao Agronegócio 1.2 (2019), pp. 44 55.
