| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Algodão. |
|
Data corrente: |
27/05/1994 |
|
Data da última atualização: |
27/05/1994 |
|
Autoria: |
FONSECA, J. P. da. |
|
Título: |
Brocas. |
|
Ano de publicação: |
1949 |
|
Fonte/Imprenta: |
Revista da Sociedade Rural Brasileira, v.29,n.340,p.28-31,1949. |
|
Idioma: |
Português |
|
Palavras-Chave: |
Brocas; Pragas. |
|
Thesagro: |
Algodão. |
|
Categoria do assunto: |
-- |
|
Marc: |
LEADER 00352naa a2200145 a 4500
001 1265800
005 1994-05-27
008 1949 bl --- 0-- u #d
100 1 $aFONSECA, J. P. da
245 $aBrocas.
260 $c1949
650 $aAlgodão
653 $aBrocas
653 $aPragas
773 $tRevista da Sociedade Rural Brasileira$gv.29,n.340,p.28-31,1949.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Algodão (CNPA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Instrumentação. |
|
Data corrente: |
14/10/2021 |
|
Data da última atualização: |
10/06/2022 |
|
Tipo da produção científica: |
Resumo em Anais de Congresso |
|
Autoria: |
LUCCAS, M. dos S.; HERRMANN JUNIOR, P. S. de P.; FERREIRA, E. J.; TORRE NETO, A. |
|
Afiliação: |
PAULO SERGIO DE P HERRMANN JUNIOR, CNPDIA; EDNALDO JOSE FERREIRA, CNPDIA; ANDRE TORRE NETO, CNPDIA. |
|
Título: |
O Nariz eletrônico (E-nose) e a inteligência artificial, aplicados para monitorar de forma não invasiva o nível de estresse hídrico da soja. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
In: 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. |
|
Páginas: |
54 |
|
ISSN: |
1980-6841 |
|
Idioma: |
Português |
|
Conteúdo: |
A 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. MenosA 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 severid... Mostrar Tudo |
|
Palavras-Chave: |
Cultura da soja; Estresse abiótico. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/226957/1/P-O-Nariz-eletronico-E-nose-e-a-inteligencia-artificial-aplicados-para-monitorar-de.pdf
|
|
Marc: |
LEADER 03718nam a2200193 a 4500
001 2135328
005 2022-06-10
008 2021 bl uuuu u00u1 u #d
022 $a1980-6841
100 1 $aLUCCAS, M. dos S.
245 $aO Nariz eletrônico (E-nose) e a inteligência artificial, aplicados para monitorar de forma não invasiva o nível de estresse hídrico da soja.$h[electronic resource]
260 $aIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 13., 2021, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2021. Editores técnicos: Alexandre Berndt, Ana Rita de Araujo Nogueira, Lea Chapaval Andri, Marcelo Mattos Cavallari, Manuel Antonio Chagas Jacinto.$c2021
300 $a54
520 $aA 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.
653 $aCultura da soja
653 $aEstresse abiótico
700 1 $aHERRMANN JUNIOR, P. S. de P.
700 1 $aFERREIRA, E. J.
700 1 $aTORRE NETO, A.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
