|
|
Registro Completo |
Biblioteca(s): |
Embrapa Roraima. |
Data corrente: |
14/11/2008 |
Data da última atualização: |
07/02/2020 |
Autoria: |
SCHWENGBER, D. R.; ARCO-VERDE, AM. F.; DUARTE, O. R.; OLIVEIRA, J. M. F. de; O, W. C. R. do. |
Afiliação: |
DALTON ROBERTO SCHWENGBER, CPAF-RR; OTONIEL RIBEIRO DUARTE, CPAF-RR; JANE MARIA FRANCO DE OLIVEIRA, CPAF-RR; WELLINGTON COSTA RODRIGUES DO O, CPAF-RR. |
Título: |
Desenvolvimento de sistemas agroflorestais em área de floresta alterada de Roraima. |
Ano de publicação: |
2004 |
Fonte/Imprenta: |
Boa Vista, RR: Embrapa Roraima, 2004. |
Série: |
(Embrapa Roraima. Circular Técnica, 5). |
Idioma: |
Português |
Palavras-Chave: |
Sistemas agroflorestais. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/210453/1/cit0052004-saf-dalton.pdf
|
Marc: |
LEADER 00541nam a2200169 a 4500 001 1693706 005 2020-02-07 008 2004 bl uuuu u0uu1 u #d 100 1 $aSCHWENGBER, D. R. 245 $aDesenvolvimento de sistemas agroflorestais em área de floresta alterada de Roraima. 260 $aBoa Vista, RR: Embrapa Roraima$c2004 490 $a(Embrapa Roraima. Circular Técnica, 5). 653 $aSistemas agroflorestais 700 1 $aARCO-VERDE, AM. F. 700 1 $aDUARTE, O. R. 700 1 $aOLIVEIRA, J. M. F. de 700 1 $aO, W. C. R. do
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Roraima (CPAF-RR) |
|
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. |
|
|