Título: Estudo do potencial hídrico em cafeeiros utilizando técnicas de Aprendizado de Máquina
Autores: Pedro Henrique Nunes, Danton Diego Ferreira, Eduardo V. Pierangeli, Margarete Volpato and Vânia Aparecida Silva.
Resumo:
O potencial hídrico é um dos principais indicadores utilizados no estudo das relações hídricas nas plantas e mostra o nível de hidratação do tecido das mesmas. É medido de forma direta por um equipamento denominado bomba de Scholander, entretanto, este processo é complexo e demorado. Existem na literatura diversas variáveis numéricas capazes de descrever algumas propriedades das plantas por meio dos índices de refletância das folhas, que apresentam relações diretas e indiretas com o potencial hídrico. Este trabalho tem como objetivo explorar tais variáveis para estudar o potencial hídrico em cafeeiros através do uso de ferramentas de inteligência computacional e reconhecimento de padrões, utilizando amostras espectrais de duas lavouras de café, na região de Santo Antônio do Amparo e Diamantina, ambas localizadas no estado de Minas Gerais, nos anos de 2014 a 2018. Dessa forma, foram projetadas e treinadas, utilizando o conjunto de ferramentas NNTool do software MatLab, uma rede neural do tipo MLP (Multi-Layer Perceptron) para estimar o potencial hídrico e outra para fazer a classificação das amostras de acordo com o seu status hídrico, baseado em variáveis espectrais. Foram desenvolvidos ainda um classificador e um estimador baseados em árvore de decisão utilizando a ferramenta Decision and Regression Tree, também do software MatLab. Os resultados mostraram que as redes neurais artificias foram superiores como estimador, com um índice de confiança médio de 0,8550, porém as árvores de decisão obtiveram um desempenho ligeiramente superior como classificador, com uma acurácia global de 88,8\% e um coeficiente de Kappa de 70,07%.
Palavras-chave:
Redes Neurais Artificiais, Arvores de Decisão, Potencial Hídrico Foliar, Cafeeiros.
Páginas: 8
Código DOI: 10.21528/CBIC2021-33
Artigo em pdf: CBIC_2021_paper_33.pdf
Arquivo BibTeX: CBIC_2021_33.bib