O Nariz eletrônico (E-nose) e a inteligência artificial, aplicados para monitorar de forma não invasiva o nível de estresse hídrico da soja.

Vista sencilla de ítem
dc.contributorPAULO SERGIO DE P HERRMANN JUNIOR, CNPDIA; EDNALDO JOSE FERREIRA, CNPDIA; ANDRE TORRE NETO, CNPDIA.
dc.creatorLUCCAS, M. dos S.
dc.creatorHERRMANN JUNIOR, P. S. de P.
dc.creatorFERREIRA, E. J.
dc.creatorTORRE NETO, A.
dc.date2021-10-14T16:00:24Z
dc.date2021-10-14T16:00:24Z
dc.date2021-10-14
dc.date2021
dc.date.accessioned2026-07-07T04:28:43Z
dc.descriptionA intensidade e a severidade do déficit hídrico são consideradas indicadores de fundamental importância, relacionado ao estresse abiótico, e que limitam a produção agrícola mundial. Neste trabalho apresenta-se os estudos na investigação do estresse com o uso do Nariz Eletrônico (“Enose”) e aprendizado de máquina (“machine learning”). O objetivo deste trabalho foi realizar medidas com o “E-nose” e do monitoramento de CO2 (ppm), da temperatura (oC), umidade relativa (%) e iluminação (Lux) para a cultura da soja em crescimento e em ambiente controlado, observando as alterações de níveis desses dados de maneira continuada ao longo da submissão do estresse hídrico. Os dados obtidos foram aplicados no aprendizado de máquina para estudar a detecção de níveis de severidade do estresse (ausência de estresse, estresse moderado ou estresse severo). A aplicação de técnicas de inteligência artificial permite a identificação antecipada do estresse na planta, de maneira não invasiva, não destrutiva e que pode vir a ser utilizado para apoiar a tomada de decisão. Durante as medições, as plantas foram mantidas em uma câmara instrumentada e o monitoramento dos dados de temperatura, de umidade relativa e CO2 foi feito a cada 5 minutos. Dados esses que compuseram uma base de dados maior, junto a análise gasosa do “E-nose” e as medidas da intensidade luminosa, onde ambas foram realizadas duas vezes ao dia. Após esse processo, realizou-se a mineração de dados visando classificar o nível de severidade do estresse hídrico na planta. Amostras de 500 µl de gases da câmara foram obtidas em triplicata, sendo utilizado o método de “headspace”, para análise global dos compostos orgânicos voláteis (COVs). Um “E-nose” comercial da Alpha Moss foi utilizado. As curvas de sensibilidade (η(%)) obtidas alimentaram a base de dados junto ao monitoramento da câmara. As técnicas de mineração de dados foram utilizadas, por intermédio do software “WekaTM” e utilizou-se a estratégia de árvore de decisão, “K-nearest neighbors (KNN)” e análise de discriminantes lineares (LDA). Testes de validação foram aplicados nos aprendizados, considerando plantas distintas para o treino e o teste, o que representou bons resultados para o aprendizado sobre o comportamento da medida de amostra de planta através do conjunto de outras plantas. Ao final de 27 testes, obteve-se um classificador capaz de detectar com bom índice de acerto a ausência de irrigação e, com uma menor eficiência, a severidade do estresse, usando o monitoramento de uma planta para predição do comportamento de outra. Nos trabalhos futuros pretende-se investigar essa aplicação metodológica em condições experimentais adversas e os seus níveis de severidade.
dc.format54
dc.identifierIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 13., 2021, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2021. Editores técnicos: Alexandre Berndt, Ana Rita de Araujo Nogueira, Lea Chapaval Andri, Marcelo Mattos Cavallari, Manuel Antonio Chagas Jacinto.
dc.identifier1980-6841
dc.identifierhttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1135328
dc.identifier.urihttp://hdl.handle.net/123456789/462798
dc.languagepor
dc.rightsopenAccess
dc.subjectEstresse abiótico
dc.subjectCultura da soja
dc.titleO Nariz eletrônico (E-nose) e a inteligência artificial, aplicados para monitorar de forma não invasiva o nível de estresse hídrico da soja.
dc.typeResumo em anais e proceedings

Archivos

Colecciones

Embrapa Instrumentación (CNPDIA)