Yield prediction of 'Prata Anã' and 'BRS Platina' banana plants by artificial neural networks
Carregando...
Data
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Artigo de periódico
Título alternativo
Predição da produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’ por redes neurais artificiais
Primeiro orientador
Membros da banca
Resumo
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.
Abstract
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.
Assunto
Banana, Modelos matemáticos, Produtividade agrícola, Redes neurais (Computação)
Palavras-chave
Citação
Departamento
Curso
Endereço externo
https://www.scielo.br/j/pat/a/KF6KdHsHBhkT6LQ3FkvkCHJ/?format=pdf&lang=en