Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks

Detalhes bibliográficos
Autor(a) principal: Bruno Vinícius Castro Guimarães
Data de Publicação: 2021
Outros Autores: Sérgio Luiz Rodrigues Donato, Ignacio Aspiazú, Alcinei Mistico Azevedo
Tipo de documento: Artigo
Idioma: eng
Título da fonte: Repositório Institucional da UFMG
Texto Completo: https://doi.org/10.1590/1983-40632021v5166008
http://hdl.handle.net/1843/53444
Resumo: Modelos de predição podem contribuir para a análise de dados e tomada de decisões no manejo de uma cultura. Objetivou-se avaliar a viabilidade da predição de produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’, por meio de redes neurais artificiais, bem como determinar os descritores morfológicos mais importantes para este fim. Foram mensurados a altura de planta; perímetro do pseudocaule ao nível do solo, a 30 e 100 cm de altura; número de folhas vivas na colheita; massa, comprimento e diâmetro do engaço; número de pencas e de frutos; massa do cacho e das pencas; massa média das pencas; e relação entre a massa do engaço e do cacho. Os dados foram submetidos a análise por redes neurais artificiais, utilizando-se o software R. Os melhores ajustes foram obtidos com dois e três neurônios na camada intermediária, respectivamente, para ‘Prata-Anã’ e ‘BRS Platina’. 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 ‘Prata-Anã’ (R2 = 0,99 para todas as composições de rede), enquanto, para ‘BRS Platina’, a adequação dos dados possibilitou R² com valores entre 0,97 e 1,00, aproximadamente. Previsões de produtividade para ‘Prata-Anã’ e ‘BRS Platina’ foram obtidas com alta eficiência por meio de redes neurais artificiais.
id UFMG_82d75677a6718a6a03da15987fdf1ef3
oai_identifier_str oai:repositorio.ufmg.br:1843/53444
network_acronym_str UFMG
network_name_str Repositório Institucional da UFMG
repository_id_str
spelling Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networksPredição da produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’ por redes neurais artificiaisBananaModelos matemáticosProdutividade agrícolaRedes neurais (Computação)Modelos de predição podem contribuir para a análise de dados e tomada de decisões no manejo de uma cultura. Objetivou-se avaliar a viabilidade da predição de produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’, por meio de redes neurais artificiais, bem como determinar os descritores morfológicos mais importantes para este fim. Foram mensurados a altura de planta; perímetro do pseudocaule ao nível do solo, a 30 e 100 cm de altura; número de folhas vivas na colheita; massa, comprimento e diâmetro do engaço; número de pencas e de frutos; massa do cacho e das pencas; massa média das pencas; e relação entre a massa do engaço e do cacho. Os dados foram submetidos a análise por redes neurais artificiais, utilizando-se o software R. Os melhores ajustes foram obtidos com dois e três neurônios na camada intermediária, respectivamente, para ‘Prata-Anã’ e ‘BRS Platina’. 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 ‘Prata-Anã’ (R2 = 0,99 para todas as composições de rede), enquanto, para ‘BRS Platina’, a adequação dos dados possibilitou R² com valores entre 0,97 e 1,00, aproximadamente. Previsões de produtividade para ‘Prata-Anã’ e ‘BRS Platina’ foram obtidas com alta eficiência por meio de redes neurais artificiais.Prediction models may contribute to data analysis and decision-making in the management of a crop. This study aimed to evaluate the feasibility of predicting the yield of ‘Prata-Anã’ and ‘BRS Platina’ banana plants by means of artificial neural networks, as well as to determine the most important morphological descriptors for this purpose. The following characteristics were measured: plant height; perimeter of the pseudostem at the ground level, at 30 cm and 100 cm; number of live leaves at harvest; stalk mass, length and diameter; number of hands and fruits; bunches and hands masses; hands average mass; and ratio between the stalk and bunch masses. The data were submitted to artificial neural networks analysis using the R software. The best adjustments were obtained with two and three neurons at the intermediate layer, respectively for ‘Prata-Anã’ and ‘BRS Platina’. These models presented the lowest mean square errors, which correspond to the higher proximity between the predicted and the real data, and, therefore, a higher efficiency of the networks in the yield prediction. By the coefficient of determination, the best adjustments were found for ‘Prata-Anã’ (R² = 0.99 for all the network compositions), while, for ‘BRS Platina’, the data adjustment enabled an R² with values between 0.97 and 1.00, approximately. Yield predictions for ‘Prata-Anã’ and ‘BRS Platina’ were obtained with high efficiency by using artificial neural networks.Universidade Federal de Minas GeraisBrasilICA - INSTITUTO DE CIÊNCIAS AGRÁRIASUFMG2023-05-16T15:10:05Z2023-05-16T15:10:05Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttps://doi.org/10.1590/1983-40632021v51660081983-4063http://hdl.handle.net/1843/53444engPesquisa Agropecuária TropicalBruno Vinícius Castro GuimarãesSérgio Luiz Rodrigues DonatoIgnacio AspiazúAlcinei Mistico Azevedoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMG2023-05-16T20:11:09Zoai:repositorio.ufmg.br:1843/53444Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oairepositorio@ufmg.bropendoar:2023-05-16T20:11:09Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
dc.title.none.fl_str_mv Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
Predição da produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’ por redes neurais artificiais
title Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
spellingShingle Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
Bruno Vinícius Castro Guimarães
Banana
Modelos matemáticos
Produtividade agrícola
Redes neurais (Computação)
title_short Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
title_full Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
title_fullStr Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
title_full_unstemmed Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
title_sort Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
author Bruno Vinícius Castro Guimarães
author_facet Bruno Vinícius Castro Guimarães
Sérgio Luiz Rodrigues Donato
Ignacio Aspiazú
Alcinei Mistico Azevedo
author_role author
author2 Sérgio Luiz Rodrigues Donato
Ignacio Aspiazú
Alcinei Mistico Azevedo
author2_role author
author
author
dc.contributor.author.fl_str_mv Bruno Vinícius Castro Guimarães
Sérgio Luiz Rodrigues Donato
Ignacio Aspiazú
Alcinei Mistico Azevedo
dc.subject.por.fl_str_mv Banana
Modelos matemáticos
Produtividade agrícola
Redes neurais (Computação)
topic Banana
Modelos matemáticos
Produtividade agrícola
Redes neurais (Computação)
description Modelos de predição podem contribuir para a análise de dados e tomada de decisões no manejo de uma cultura. Objetivou-se avaliar a viabilidade da predição de produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’, por meio de redes neurais artificiais, bem como determinar os descritores morfológicos mais importantes para este fim. Foram mensurados a altura de planta; perímetro do pseudocaule ao nível do solo, a 30 e 100 cm de altura; número de folhas vivas na colheita; massa, comprimento e diâmetro do engaço; número de pencas e de frutos; massa do cacho e das pencas; massa média das pencas; e relação entre a massa do engaço e do cacho. Os dados foram submetidos a análise por redes neurais artificiais, utilizando-se o software R. Os melhores ajustes foram obtidos com dois e três neurônios na camada intermediária, respectivamente, para ‘Prata-Anã’ e ‘BRS Platina’. 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 ‘Prata-Anã’ (R2 = 0,99 para todas as composições de rede), enquanto, para ‘BRS Platina’, a adequação dos dados possibilitou R² com valores entre 0,97 e 1,00, aproximadamente. Previsões de produtividade para ‘Prata-Anã’ e ‘BRS Platina’ foram obtidas com alta eficiência por meio de redes neurais artificiais.
publishDate 2021
dc.date.none.fl_str_mv 2021
2023-05-16T15:10:05Z
2023-05-16T15:10:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://doi.org/10.1590/1983-40632021v5166008
1983-4063
http://hdl.handle.net/1843/53444
url https://doi.org/10.1590/1983-40632021v5166008
http://hdl.handle.net/1843/53444
identifier_str_mv 1983-4063
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv Pesquisa Agropecuária Tropical
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Minas Gerais
Brasil
ICA - INSTITUTO DE CIÊNCIAS AGRÁRIAS
UFMG
publisher.none.fl_str_mv Universidade Federal de Minas Gerais
Brasil
ICA - INSTITUTO DE CIÊNCIAS AGRÁRIAS
UFMG
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFMG
instname:Universidade Federal de Minas Gerais (UFMG)
instacron:UFMG
instname_str Universidade Federal de Minas Gerais (UFMG)
instacron_str UFMG
institution UFMG
reponame_str Repositório Institucional da UFMG
collection Repositório Institucional da UFMG
repository.name.fl_str_mv Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)
repository.mail.fl_str_mv repositorio@ufmg.br
_version_ 1816829749882781696

Registros relacionados