Made available in DSpace on 2017-07-21T14:19:37Z (GMT). No. of bitstreams: 1
CLAUDIO KAPP JUNIOR.pdf: 1815678 bytes, checksum: d0a947fefc0e6b1b5a0242eb975f3cb7 (MD5)
Previous issue date: 2013-03-18 / No-till systems with diversified crop rotations have stood out of the most effective strategies to improve the sustainability of farming in tropical and subtropical regions. Wheat (Triticum aestivum L.) is one of the most important crops used in this rotation during the autumn-winter season. Nitrogen (N) is uptake in larger amounts by plants, it is essential for the structure and functions in the cell, for all enzymatic reactions and is part of the chlorophyll molecules. Nitrogen fertilizers represent a significant part of the costs of production and due to the dynamics of N in soil, losses of N occur and cause economic and environmental damages. In the same agricultural area may exist changing demands for this nutrient. The attributes of the plant commonly used as indicators of N are NO3- content in stem, leaf chlorophyll content, the intensity of the green color and the N foliar content, dry biomass, and the extraction of N by plants. Lower levels of N can cause chlorophyll deficiency that is recognized by whitish or pale foliar coloration, and this changing in plant color can be identified using remote sensing techniques. This study aimed to evaluate the correlations between spectral reflectance data obtained by commercial ground sensors (Clorofilog 1030, GreenSeeker, and Crop Circle ACS-470) and attributes of wheat crop in response to N rates in top dressing under a no-till system. The efficiency of the sensors was evaluated in two ways: (i) by classical statistical methods, and (ii) through the application of Artificial Neural Networks, a machine learning technique. For the use of Artificial Neural Networks, this study compared the performance of the algorithms Resilient Propagation and Backpropagation. Because wheat plants exhibited adequate nutritional status, even without N application in top dressing, Clorofilog 1030 readings were not sensitive to variations of N rates. Thus, this sensor also did not correlate significantly with the N foliar content, dry biomass, and the extraction of N by wheat plants. The indices obtained by reflectance sensors Crop Circle and GreenSeeker had close correlation with the rates of N in top dressing, dry biomass, and the extraction of N by wheat plants. The Crop Circle and GreenSeeker sensors showed weaker correlation with the N content in leaves, and especially with the wheat grain yield. In this way, it was evident that grain yield has not followed the dry biomass production when high wheat grain yields were obtained. The correlation coefficients obtained by the Resilient Propagation and Backpropagation algorithms were similar to those found by statistical analysis. The Artificial Neural Networks technique had satisfactory behavior similar to classical statistical methods. / O sistema plantio direto com rotação diversificada de culturas tem sido apontado como uma das melhores estratégias para aumentar a sustentabilidade da agricultura em regiões tropicais e subtropicais. Uma das culturas de maior importância nessa rotação durante a estação de outono–inverno é o trigo (Triticum aestivum L.). O nitrogênio (N) é um dos nutrientes extraídos em maior quantidade pelas plantas, sendo essencial para a estrutura e funções nas células, para todas as reações enzimáticas e faz parte das moléculas de clorofila. Os fertilizantes nitrogenados representam parte significativa dos custos da produção agrícola e, em razão da dinâmica do N no solo, perdas consideráveis de N podem ocorrer e causar prejuízos econômicos e ambientais. Em uma mesma área agrícola podem existir demandas variáveis por este nutriente. Os atributos da planta mais utilizados como indicadores de N são o teor de NO3- no colmo, o teor de clorofila, a intensidade da cor verde e o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas. Níveis baixos de N podem ocasionar deficiência de clorofila que é reconhecida pela coloração pálida ou mesmo esbranquiçada da folha, e esta variação de coloração da planta pode ser identificada por meio de técnicas de sensoriamento remoto. Este trabalho teve o objetivo de estudar as correlações entre dados de refletância espectral obtidos por sensores terrestres comerciais (Clorofilog 1030, GreenSeeker e Crop Circle ACS-470) e atributos de desempenho da cultura do trigo em resposta à doses de N aplicadas em cobertura no sistema plantio direto. A eficiência dos sensores foi avaliada de duas maneiras: (i) por meio de métodos estatísticos clássicos e (ii) por meio da aplicação de Redes Neurais Artificiais com uso da técnica de aprendizado de máquina, software MatLab. Para a utilização de Redes Neurais Artificiais, este trabalho comparou o desempenho dos algoritmos Backpropagation e Resilient Propagation. Os resultados mostraram que as leituras do Clorofilog 1030 não foram sensíveis às variações das doses de N aplicadas em cobertura na cultura do trigo, pois as plantas de trigo apresentaram bom estado nutricional, mesmo sem aplicação de N em cobertura. Logo, este sensor também não teve correlação significativa com o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os índices obtidos pelos sensores de refletância Crop Circle e GreenSeeker tiveram estreita correlação com as doses de N aplicadas em cobertura, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os sensores Crop Circle e GreenSeeker apresentaram correlação mais fraca com o teor de N no tecido foliar e, principalmente, com a produtividade de grãos de trigo. Isso aconteceu porque ficou bem evidenciado que a produtividade de grãos não acompanhou os ganhos de matéria seca da parte aérea do trigo, quando os rendimentos de grãos de trigo foram elevados. Os coeficientes de correlação obtidos pelos algoritmos Backpropagation e Resilient Propagation foram semelhantes aos encontrados pelas análises estatísticas. A técnica de Redes Neurais Artificiais teve comportamento satisfatório e similar aos métodos estatísticos clássicos.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/161 |
| Date | 18 March 2013 |
| Creators | Kapp Junior, Claudio |
| Contributors | Caires, Eduardo Fávero, Guimarães, Alaine Margarete, Mathias, Ivo Mario, Povh, Fabrício Pinheiro |
| 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 | English |
| 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 0.0029 seconds