Redes Neurais Artificiais na estimação de variáveis biométricas de mudas de espécies florestais produzidas em diferentes substratos

Autores

  • Milton Marques Fernandes Universidade Federal de Sergipe
  • Francisco Luis Sousa Universidade Federal do Piauí
  • Jeferson Pereira Martins Silva Universidade Federal do Espírito Santo
  • Emanuel França Araújo Universidade Federal do Espírito Santo
  • Márcia Rodrigues de Moura Fernandes Universidade Federal do Espírito Santo
  • Rafaela Simão Abrahão Nóbrega Universidade Federal do Recôncavo da Bahia

DOI:

https://doi.org/10.5965/223811711812019047

Palavras-chave:

recuperação de áreas degradadas, inteligência artificial, substratos orgânicos

Resumo

O objetivo do trabalho foi avaliar o crescimento em diâmetro do coleto e altura, e a produção de matéria seca total de mudas de Myracrodruon urundeuva, Jacaranda brasiliana e Mimosa caesalpiniaefolia. Concomitantemente, desenvolveu-se uma Rede Neural Artificial (RNA) do tipo Multilayer Perceptron que seria capaz de estimar a H e a MST das mudas das espécies estudadas. As mudas foram cultivadas em ambiente protegido com 50% de sombra. Assim, os tratamentos foram considerados com cinco proporções do material orgânico (0, 20, 40, 60 e 80% v/v) na composição do substrato final (solo da área desertificada). Aos 120 dias após a semeadura, as mudas foram coletadas para determinação das variáveis biométricas. A rede MLP foi utilizada empregando-se o algoritmo de treinamento Levenberg-Marquardat. As variáveis utilizadas como entrada da MLP para a estimação da altura e massa seca das mudas foram: diâmetro do coleto, diâmetro mínimo, médio e máximo do coleto, as espécies e fontes de resíduos orgânicos (esterco bovino, esterco caprino e palha de arroz), totalizando dez entradas. Foi utilizada a função de ativação tangente hiperbólica. Como resultados, recomenda-se a proporção 80:20% (esterco bovino e/ou esterco caprino:solo da área degradada) ao substrato de cultivo para o crescimento das mudas das espécies. A adição de doses de esterco bovino e esterco caprino influenciaram o DC do Jacaranda brasiliana, sendo constatado o efeito linear crescente com valor estimado de 2,66 mm planta-1. Para a H a adição de esterco bovino e caprino influenciou no crescimento das mudas de Myracrodruon urundeuva. A produção de MST das mudas das três espécies foi igualmente distribuída em função das proporções crescentes de resíduo orgânico incorporado ao substrato de cultivo. O uso da Rede Neural Artificial do tipo Multilayer Perceptron mostrou-se eficiente para a estimação da altura e da massa total seca das mudas das espécies estudadas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Milton Marques Fernandes, Universidade Federal de Sergipe

Professor Doutor do Departamento de Ciências Florestais.

Francisco Luis Sousa, Universidade Federal do Piauí

Mestre em Solos e Nutrição de Plantas pela UFPI

Jeferson Pereira Martins Silva, Universidade Federal do Espírito Santo

Mestrando em Ciências Florestais da UFES

Emanuel França Araújo, Universidade Federal do Espírito Santo

Doutorando em Ciências Florestais

Márcia Rodrigues de Moura Fernandes, Universidade Federal do Espírito Santo

Doutoranda em Ciências Florestais da UFES

Rafaela Simão Abrahão Nóbrega, Universidade Federal do Recôncavo da Bahia

Professora doutora da UFRB

Referências

ARAÚJO EF et al. 2017. Crescimento e qualidade de mudas de paricá produzidas em substratos à base de resíduos orgânicos. Nativa 5: 16-23.

ASHRAF MI et al. 2015. A novel modelling approach for predicting forest growth and yield under climate change. PloS one 10: 1-18.

BINOTI MLMS et al. 2013. Aplicação de redes neurais artificiais para estimação da altura de povoamentos equiâneos de eucalipto. Revista Árvore 37: 639-645.

BINOTI MLMS et al. 2014. Redes neurais artificiais para estimação do volume de árvores. Revista Árvore 38: 283-288.

BINOTI MLMS et al. 2015. Prognose em nível de povoamento de clones de eucalipto empregando redes neurais artificiais. Cerne 21: 97-105.

BRAGA AP et al. 2007. Redes neurais artificiais: teoria e aplicações. 2.ed. Rio de Janeiro: LTC. 248p.

BRASIL. 2010. Política nacional de resíduos sólidos, Lei 12.305, de 2 de agosto de 2010. Institui a Política Nacional de Resíduos Sólidos. DOU 3/10/2010. Seção 1. p.3.

CABACINHA CD & LAFETÁ BO 2017. Floristic diversity and equitability in forest fragments using artificial neural networks. Ciência Florestal 27: 143-152.

CABREIRA GV et al. 2017. Biossólido como componente de substrato para produção de mudas florestais. Floresta 47: 165-176.

CARNEIRO JGA. 1995. Produção e controle de qualidade de mudas florestais. 1.ed. Curitiba: UFPR. 451p.

CRUZ CAF et al. 2006. Efeito da adubação nitrogenada na produção de mudas de Sete-Cascas (Samanea inopinata (Harms) Ducke). Revista Árvore 30: 537-546.

CRUZ CAF et al. 2011. Efeito de macronutrientes sobre o crescimento e qualidade de mudas de canafístula cultivadas em Latossolo Vermelho-Amarelo distrófico. Revista Árvore 35: 983-995.

DONAGEMA GK et al. 2011. Manual de métodos de análise do solo. 2.ed. Rio de Janeiro: Embrapa Solos. 225p.

FERNANDES MM et al. 2014. Aspectos biológicos e espécies potenciais para restauração ecológica de áreas em desertificação no Sul do Piauí - Brasil. Revista Verde de Agroecologia e Desenvolvimento Sustentável 9: 6-13.

FERREIRA JCB et al. 2014. Altura de mudas de Tibouchina granulosa Cogn. (melastomataceae) estimada por redes neurais artificiais. Revista da Sociedade Brasileira de Arborização Urbana 9: 151-160.

GASPARIN E et al. 2014. Influência do substrato e do volume de recipiente na qualidade das mudas de Cabralea canjerana (Vell.) Mart. em viveiro e no campo. Ciência Florestal 24: 553-563.

GOMES JM & PAIVA HN. 2012. Viveiros florestais: propagação sexuada. Viçosa: UFV. 116p.

HAYKIN S. 2001. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman. 900p.

LARCHER W. 2000. Ecofisiologia vegetal. 1.ed. São Carlos: RIMA Artes e Textos. 532p.

LEITE HG et al. 2011. Estimation of inside-bark diameter and heart wood diameter for Tectona grandis Linn. trees using artificial neural networks. European Journal of Forest Research 130: 263-269.

LUSTOSA FILHO JF et al. 2015. Influence of organic substrates on growth and nutrient contents of jatobá (Hymenaea stigonocarpa). African Journal of Agricultural Research 10: 2544-2552.

MAEDA EE et al. 2009. Predicting forest fire in the Brazilian Amazon using MODIS imagery and artificial neural networks. International Journal of Applied Earth Observation and Geoinformation 11: 265-272.

NUNES MH & GÖRGENS EB. 2016. Artificial Intelligence Procedures for Tree Taper Estimation within a Complex Vegetation Mosaic in Brazil. PloS one 11: 1-16.

RECKNAGEL F. 2001. Applications of machine learning to ecological modelling. Ecological Modelling 146: 303-310.

SILVA MLM et al. 2009. Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto. Revista Árvore 33: 1133-1139.

Downloads

Publicado

2019-02-08

Como Citar

FERNANDES, Milton Marques; SOUSA, Francisco Luis; SILVA, Jeferson Pereira Martins; ARAÚJO, Emanuel França; FERNANDES, Márcia Rodrigues de Moura; NÓBREGA, Rafaela Simão Abrahão. Redes Neurais Artificiais na estimação de variáveis biométricas de mudas de espécies florestais produzidas em diferentes substratos. Revista de Ciências Agroveterinárias, Lages, v. 18, n. 1, p. 47–58, 2019. DOI: 10.5965/223811711812019047. Disponível em: https://periodicos.udesc.br/index.php/agroveterinaria/article/view/11414. Acesso em: 23 nov. 2024.

Edição

Seção

Artigo de Pesquisa - Ciência de Plantas e Produtos Derivados

Artigos mais lidos pelo mesmo(s) autor(es)