Made available in DSpace on 2017-07-21T14:19:28Z (GMT). No. of bitstreams: 1
Rafael Poltronieri.pdf: 2210390 bytes, checksum: 4bb89feff6e817b81339fcf4e8908fb6 (MD5)
Previous issue date: 2015-12-23 / The models based on the method of Chance Mathematics (ChM), Diagnosis and Recommendation Integrated System (DRIS) and Compositional Nutrient Diagnosis (CND) have been used to assess the nutritional status of plants through foliar diagnosis. However, some factors may interfere on the leaves mineral composition, as the variety of species or cultivar, plant age, soil type and management, climate conditions, and the attack of pests and diseases. We hypothesized that the assessment of soybean nutritional status can be performed through diagnosis both on leaves and grains. The objectives were (i) to evaluate the efficiency of the ChM, DRIS, and CND models in assessing the soybean nutritional status through diagnosis in leaves and grains, and (ii) using the computational methods Support Vector Machine (SVM) and Artificial Neural Networks (ANN) as an alternative to evaluating the soybean nutritional status. The study was carried out from a database consisting of 212 leaf samples and 216 grain samples of soybean collected in 2013–2014 from five field experiments under no-till systems installed in the Central-South region of Paraná State, Brazil. The leaf samples were collected at flowering period and the grain samples were collected after harvest. The levels of N, P, K, Ca, Mg, S, Cu, Fe, Mn, and Zn in leaves and grains were determined, and grain yields were evaluated. The ChM, DRIS, and CND methods were satisfactory when applied to the nutrient content in leaves and grains. However, the DRIS model showed greater consistency, especially when applied to the nutrient content in grains. Computational methods SVM and ANN showed values close to those extracted by DRIS and CND. The results suggest that the DRIS method could be used to assess the soybean nutritional status through diagnosis in grains, and the computational methods SVM and ANN would be an alternative to DRIS and CND models in evaluating the soybean nutritional status through diagnosis in leaves and grains. / Os modelos baseados nos métodos de Chance Matemática (ChM), Sistema Integrado de Diagnose e Recomendação (DRIS) e Diagnose da Composição Nutricional (CND) têm sido utilizados para avaliar o estado nutricional das plantas por meio da diagnose foliar. Porém, alguns fatores podem interferir na composição mineral das folhas, como a variedade da espécie ou cultivar, a idade das plantas, o tipo e o manejo do solo, as condições climáticas e o ataque de pragas e doenças. Considerando a hipótese que a avaliação do estado nutricional da cultura da soja pode ser realizada por meio de diagnose tanto nas folhas como nos grãos, o presente trabalho foi realizado com os objetivos de (i) avaliar a eficiência dos modelos ChM, DRIS e CND na avaliação do estado nutricional da soja por meio de diagnose em folhas e grãos, e (ii) utilizar os métodos computacionais de Máquina de Vetor de Suporte (SVM) e Redes Neurais Artificiais (RNA) como alternativa para avaliação do estado nutricional da soja. O trabalho foi realizado a partir de um banco de dados formado com 212 amostras de folhas e 216 amostras de grãos de soja coletadas em 2013–2014 de cinco experimentos de campo instalados em sistema plantio direto na região Centro-Sul do Paraná. As amostras de folhas foram coletadas por ocasião do florescimento e as de grãos após a colheita. Determinaram-se os teores de N, P, K, Ca, Mg, S, Cu, Fe, Mn e Zn nas folhas e nos grãos, e avaliou-se a produtividade de grãos. Os métodos de ChM, DRIS e CND apresentaram resultados satisfatórios quando aplicados aos teores de nutrientes nas folhas e nos grãos de soja, mas o DRIS apresentou maior consistência, especialmente quando aplicado aos teores de nutrientes nos grãos. Os métodos computacionais SVM e RNA apresentaram valores próximos dos extraídos pelo DRIS e CND. Os resultados sugerem que o método DRIS pode ser utilizado na avaliação do estado nutricional da cultura da soja por meio de diagnose nos grãos, e que os métodos computacionais SVM e RNA podem ser usados como alternativa aos modelos do DRIS e CND na avaliação do estado nutricional da soja por meio de diagnose em folhas e grãos.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/138 |
| Date | 23 December 2015 |
| Creators | Poltronieri, Rafael |
| Contributors | Caires, Eduardo Fávero, Guimarães, Alaine Margarete, Rocha, Jose Carlos Ferreira da, Joris, Helio Antonio Wood |
| Publisher | UNIVERSIDADE ESTADUAL DE PONTA GROSSA, Programa de Pós Graduação Computação Aplicada, UEPG, BR, Computação para Tecnologias em Agricultura |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPG, instname:Universidade Estadual de Ponta Grossa, instacron:UEPG |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds