Made available in DSpace on 2014-07-29T14:42:44Z (GMT). No. of bitstreams: 1 Rosmary Aires Cunha.pdf: 811607 bytes, checksum: 37675c904b954048b34612362bb4c3d2 (MD5) Previous issue date: 2009-07-23 / The objective of the present work was to evaluate the effect of lecithin, starch and silicon may have in the efficiency of foliar feeding, that is: Can these products really contribute to the absorption and translocation of minor nutrients? Can the source of nutrient, sulfate and chelate, influence the result? The experiment was carried out under greenhouse condition at Univerdidade Federal de Goiás (Jataí unit)/GO, set in a completely randomized design, with six replications, four factors in study and two levels each, making a 2x2x2x2 factorial arrangement , totalizing 16 treatments. Moreover, it was added a control as an additional treatment, totalizing then, 102 experimental units. Each experimental unit was constituted by a vase of collard green plant. The treatments consisted of 2 minor nutrient sources (sulfate and chalate) and of absence and presence of three substance added to the spray solution: lecithin dewaxed (L), a commercial silicon surfactant (S), and stanch (A). After analyses of the leaves, 30 days after de pulverization, it was clear that the amount of zinc and manganese was influenced by the adjutants and kind of fertilizer. The use of lecithin increased the absorption of zinc sulfate whereas the use of silicon increased only the absorption of zinc chalate. Both chelate and sulfate increased the absorption of manganese. The starch drove to a reducing absorption of zinc chelate. / O presente trabalho teve por objetivo avaliar os efeitos da lecitina, amido e silicone sobre a eficiência da adubação foliar, utilizando-se sais e quelatos como fonte de micronutrientes. Para isso foi realizado um experimento onde se avaliou os efeitos da adição de diferentes adjuvantes em relação à absorção e translocação de zinco e manganês na forma de sais e quelatos. O delineamento utilizado foi o inteiramente casualizado, com seis repetições, com quatro fatores em estudo e dois níveis cada, perfazendo um fatorial 2x2x2x2, totalizando dezesseis tratamentos. Além dos tratamentos, foi adicionado testemunha como tratamento adicional, perfazendo, assim, um total de 102 parcelas. Cada parcela foi constituída por um vaso contendo uma planta de couve manteiga. Os tratamentos constaram de combinações entre 2 fontes (sulfato e quelato) e de presença ou ausência de três substâncias na calda de pulverização: lecitina de soja desengordurada (L), um siliconado comercial (S) e gel de amido de mandioca (A). A determinação dos efeitos constituiu-se na análise do teor de zinco e manganês nas folhas novas 30 dias após a pulverização. A adição de lecitina aumentou a absorção do zinco aplicado na forma de sulfato ao passo que o produto siliconado aumentou a absorção apenas do zinco quelatizado. Tanto a lecitina quanto o produto siliconado, quando adicionados a calda de pulverização, aumentaram o teor de manganês. O gel de amido não aumentou a absorção de nenhum micronutriente, levando até mesmo a uma redução do da absorção do quelato de zinco.

A taxonomia vegetal atualmente exige um grande esforço dos botânicos, desde o processo de aquisição do espécime até a morosa comparação com as amostras já catalogadas em um herbário. Nesse contexto, o projeto TreeVis surge como uma ferramenta para a identificação de vegetais por meio da análise de atributos foliares. Este trabalho é uma ramificação do projeto TreeVis e tem o objetivo de identificar vegetais por meio da análise do corte transversal de uma folha ampliado por um microscópio. Para tanto, foram extraídas assinaturas da cutícula, epiderme superior, parênquima paliçádico e parênquima lacunoso. Cada assinatura foi avaliada isoladamente por uma rede neural pelo método leave-one-out para verificar a sua capacidade de discriminar as amostras. Uma vez selecionados os vetores de características mais importantes, os mesmos foram combinados de duas maneiras. A primeira abordagem foi a simples concatenação dos vetores selecionados; a segunda, mais elaborada, reduziu a dimensionalidade (três atributos apenas) de algumas das assinaturas componentes antes de fazer a concatenação. Os vetores finais obtidos pelas duas abordagens foram testados com rede neural via leave-one-out para medir a taxa de acertos alcançada pelo sinergismo das assinaturas das diferentes partes da folha. Os experimentos consitiram na identificação de oito espécies diferentes e na identificação da espécie Gochnatia polymorpha nos ambientes Cerrado e Mata Ciliar, nas estações Chuvosa e Seca, e sob condições de Sol e Sombra / Currently, taxonomy demands a great effort from the botanists, ranging from the process of acquisition of the sample to the comparison with the species already classified in the herbarium. For this reason, the TreeVis is a project created to identify vegetal species using leaf attributes. This work is a part of the TreeVis project and aims at identifying vegetal species by analysing cross-sections of leaves amplified by a microscope. Signatures were extract from cuticle, adaxial epiderm, palisade parenchyma and sponge parenchyma. Each signature was analysed by a neural network with the leave-one-out method to verify its ability to identify species. Once the most important feature vectors were selected, two different approachs were adopted. The first was a simple concatenation of the selected feature vectors. The second, and more elaborated approach, consisted of reducing the dimensionality (three attributes only) of some component signatures before the feature vector concatenation. The final vectors obtained by these two approaches were tested by a neural network with leave-one-out to measure the correctness rate reached by the synergism of the signatures of different leaf regions. The experiments resulted in the identification of eight different species and the identification of the Gochnatia polymorpha species in Cerradão and Gallery Forest environments, Wet and Dry seasons, and under Sun and Shadow constraints

A taxonomia vegetal atualmente exige um grande esforço dos botânicos, desde o processo de aquisição do espécime até a morosa comparação com as amostras já catalogadas em um herbário. Nesse contexto, o projeto TreeVis surge como uma ferramenta para a identificação de vegetais por meio da análise de atributos foliares. Este trabalho é uma ramificação do projeto TreeVis e tem o objetivo de identificar vegetais por meio da análise do corte transversal de uma folha ampliado por um microscópio. Para tanto, foram extraídas assinaturas da cutícula, epiderme superior, parênquima paliçádico e parênquima lacunoso. Cada assinatura foi avaliada isoladamente por uma rede neural pelo método leave-one-out para verificar a sua capacidade de discriminar as amostras. Uma vez selecionados os vetores de características mais importantes, os mesmos foram combinados de duas maneiras. A primeira abordagem foi a simples concatenação dos vetores selecionados; a segunda, mais elaborada, reduziu a dimensionalidade (três atributos apenas) de algumas das assinaturas componentes antes de fazer a concatenação. Os vetores finais obtidos pelas duas abordagens foram testados com rede neural via leave-one-out para medir a taxa de acertos alcançada pelo sinergismo das assinaturas das diferentes partes da folha. Os experimentos consitiram na identificação de oito espécies diferentes e na identificação da espécie Gochnatia polymorpha nos ambientes Cerrado e Mata Ciliar, nas estações Chuvosa e Seca, e sob condições de Sol e Sombra / Currently, taxonomy demands a great effort from the botanists, ranging from the process of acquisition of the sample to the comparison with the species already classified in the herbarium. For this reason, the TreeVis is a project created to identify vegetal species using leaf attributes. This work is a part of the TreeVis project and aims at identifying vegetal species by analysing cross-sections of leaves amplified by a microscope. Signatures were extract from cuticle, adaxial epiderm, palisade parenchyma and sponge parenchyma. Each signature was analysed by a neural network with the leave-one-out method to verify its ability to identify species. Once the most important feature vectors were selected, two different approachs were adopted. The first was a simple concatenation of the selected feature vectors. The second, and more elaborated approach, consisted of reducing the dimensionality (three attributes only) of some component signatures before the feature vector concatenation. The final vectors obtained by these two approaches were tested by a neural network with leave-one-out to measure the correctness rate reached by the synergism of the signatures of different leaf regions. The experiments resulted in the identification of eight different species and the identification of the Gochnatia polymorpha species in Cerradão and Gallery Forest environments, Wet and Dry seasons, and under Sun and Shadow constraints