"A Transversalidade da Ciência, Tecnologia e Inovações para o Planeta"

5 a 7 de outubro de 2021

Trabalho 15946

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Agrárias
Área temática Engenharia agrícola
Setor Departamento de Engenharia Agrícola
Bolsa PIBIC/CNPq
Conclusão de bolsa Sim
Apoio financeiro CNPq
Primeiro autor Emerson Carlos de Freitas
Orientador DOMINGOS SARVIO MAGALHAES VALENTE
Outros membros Thiago Furtado de Oliveira
Título Classificação do estado nutricional de nitrogênio foliar do café utilizando inteligência artificial e espectrometria vis-nir
Resumo A agricultura moderna tem como desafio o uso mais eficiente de insumos agrícolas. Por isso, obter altas taxas de produtividade, a correção da fertilidade do solo é importante. Para fazer uso destes insumos de maneira eficiente, é importante conhecer a variabilidade das características físico e químicas do solo e das plantas. Um método de categorizar a utilização dessas características é através da extração de nitrogênio foliar das plantas. Analisar culturas especificas de plantas, faz com que seja possível corrigir possíveis ausências de nutrientes no solo. Pensando nisso, o presente estudo teve como objetivo a identificação da deficiência de nitrogênio em talhões de café utilizando espectrometria e modelos de machine learning. Para isso foi utilizado um sistema embargado que conta com dois sensores de transmitância, totalizando 118 bandas compreendidas entre 410 e 1700 nm. Para o desenvolvimento dessas etapas foram coletadas cerca de 202 amostras de folhas de café, da cidade de Paula Cândido-MG, com o objetivo de avaliar o modelo de predição escolhido, através da coleta de transmitância. Na preparação, retirou-se cinco discos de 6 mm de diâmetro de cada folha e as colocou em cubetas de 4,5 ml com 2 ml de álcool etílico 96% durante 24 horas para a dispersão da clorofila existente na folha. Após a extração, foram obtidos 2 espectros de absorção por amostra. As folhas, por sua vez, foram destinadas ao laboratório de análises para determinação do nitrogênio foliar pelo método padrão. Para obtenção do padrão de absorção foi utilizado álcool etílico 96%. Além disso, foram usados modelos de classificação para predição das classes de nutrição foliar, com 75% dos dados para treinamento e os outros 25%, para teste, sendo selecionado o modelo de melhor score na classificação. Para isso, os valores de referência adequados, usados na classificação do diagnóstico foliar, são os de 2,68 kg/dag a 3,08 kg/dag para nitrogênio. Avaliando a classificação através de uma matriz de confusão, foi obtido a uma acurácia de aproximadamente 73,53%, em que cerca de 33,82% dos dados de teste foram identificadas como insuficiente e os outros 66,18% como adequado, já os verdadeiros positivos representam um total aproximado de 17,65% dos dados de teste, os verdadeiros negativos, 55,88% e os falsos positivos, 26,47%. Observando os resultados, verificamos a partir da acurácia que o modelo de predição não foi satisfatório devido a elevada taxa de falsos negativos. Estudos futuros devem levar em conta, a incompatibilidade de amostras analisadas pelos sensores e as analisadas em laboratório, ocasionando uma predição não tão precisa quanto o esperado. Pensando nisso, conclui-se que fatores como a quantidade de amostragem e o tempo de extração, enfatizam a necessidade do incremento de uma amostragem maior e também, precaver uma forma mais propicia de avaliar o tempo de extração dos dados.
Palavras-chave Mecanização agrícola, Machine learning, Inteligência artificial.
Forma de apresentação..... Painel
Link para apresentação Painel
Gerado em 0,67 segundos.