Tratamentos pré-germinativos, volume de tubetes e redes neurais artificiais na propagação de saboneteira
pdf

Palavras-chave

Germinação
Inteligências artificial
Mudas
Sementes

Como Citar

Souza, G. S. S., Alves, L. L., Oliveira, A. G. de, Lafetá, B. O., Fonseca, N. R., & Santos, R. C. dos. (2022). Tratamentos pré-germinativos, volume de tubetes e redes neurais artificiais na propagação de saboneteira. ForScience, 9(2), e01086. https://doi.org/10.29069/forscience.2021v9n2.e1086

Resumo

Pesquisas que relacionam a propagação de plantas e o uso de inteligência artificial permitem melhor planejamento de técnicas silviculturais e aspectos logísticos em viveiros florestais. O objetivo do presente trabalho foi avaliar o efeito de diferentes volumes de tubetes e de pré-tratamentos na germinação e crescimento de Sapindus saponaria, além da possibilidade de aplicação de redes neurais artificiais (RNA) na estimativa da biomassa de mudas. Adotou-se delineamento inteiramente casualizado no esquema fatorial 3 × 2, sendo estudado três volumes de tubetes e dois tratamentos pré-germinativos. Realizaram-se análise de variância, teste Tukey e modelagem por RNA. Os tubetes de 53 cm3 foram os mais operacionalmente apropriados para a produção de mudas até os 250 dias de idade. A escarificação mecânica favoreceu a velocidade de germinação (IVG = 1,47), embora tenha apresentado estatisticamente o mesmo percentual de sementes germinadas da testemunha na contagem final. A rede de múltiplas camadas (MLP) forneceu as estimativas mais precisas da massa seca de parte aérea, com perda de qualidade preditiva para o componente radicular. Conclui-se que a escarificação de sementes com esmeril elétrico e tubetes de 53 cm3 podem ser recomendados para maximizar a homogeneidade, velocidade da germinação e produção de mudas da espécie. A arquitetura MLP de RNA pode ser recomendada para estimar de forma simultânea as massas secas de parte aérea e do sistema radicular de mudas de S. saponaria.

Palavras-chave: Germinação. Inteligência artificial. Mudas. Sementes.

 

Pre-germinative treatments, tubes volume and artificial neural networks in soap propagation

Abstract

Researches relating plant propagation and use of artificial intelligence allow for better planning of silvicultural techniques and logistical aspects in forest nurseries. This work aimed to evaluate the effect of different tubes volumes and pre-treatments on the germination and growth of Sapindus. saponaria, in addition to the possibility of applying artificial neural networks (ANN) to estimate seedlings biomass. Completely randomized design in a 3 × 2 factorial scheme was adopted, being studied three tubes volumes and two pre-germinative treatments. Analysis of variance, Tukey test and RNA modeling were performed. The 53 cm3 tubes were the most operationally appropriate for the production of seedlings up to 250 days of age.  Mechanical scarification favored germination speed (IVG = 1.47), although it presented statistically the same percentage of germinated seeds as the control in the final count. Multilayer network (MLP) provided the most accurate estimates of shoot dry mass, with loss of predictive quality of the root component. It is concluded that seed scarification with electric grinding and 53 cm3 tubes can be recommended to maximize the homogeneity, germination speed and seedling production of the species. RNA MLP architecture can be recommended to simultaneously estimate the dry masses of aerial part and root system of S. saponaria seedlings.

 Keywords: Germination. Artificial intelligences. Seedlings. Seeds.

https://doi.org/10.29069/forscience.2021v9n2.e1086
pdf

Referências

ALBUQUERQUE, K. S. et al. Métodos para a superação da dormência em sementes de sucupira-preta. Ciência e Agrotecnologia, Lavras, v. 31, n. 6, p. 1716-1721, 2007.

BRADSHAW, C. J. A. et al. Using artificial neural network to model the suitability of coastline for breeding by New Zealand fur-seals (Arctocephalus forsteri). Ecological Modelling, Amsterdã, v. 148, p. 111-131, 2002. https://www.sciencedirect.com/science/article/pii/S0304380001004252?via%3Dihub. Acesso em: 10 dez. 2020.

BRAGA, A. P.; CARVALHO, A. P.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. 2 ed. Rio de Janeiro: LTC, 2007. 226p.

BRASIL. Regras para análise de sementes. Ministério de Agricultura, Pecuária e Abastecimento. Secretaria Nacional de Defesa Agropecuária, Brasília, DF: Mapa/ACS, 2009. 395p.

HAYKIN, S. Redes neurais: princípios e prática. 2 ed. Porto Alegre: Bookman, 2001. 900p.

INMET – INSTITUTO NACIONAL DE METEOROLOGIA. Banco de dados meteorológicos para ensino e pesquisa. Brasília. Disponível em: http://www.inmet.gov.br/. Acesso: 10 dez. 2020.

KÖPPEN, W. Das geographische system der klimate. Berlin: Gerbrüder Bornträger, 1936. 44p.

LAFETÁ, B. O. et al. Fitotoxicidade do mercúrio sobre a qualidade fisiológica em sementes de saboneteira (Sapindus saponaria L.) submetidas à escarificação mecânica. Caderno de Ciências Agrárias, Montes Claros, v. 11, p. 1-6, 2019. Disponível em: https://periodicos.ufmg.br/index.php/ccaufmg/article/view/15972. Acesso em: 10 dez. 2020.

LAFETÁ, B. O. et al. Tratamentos térmicos para a superação da dormência em sementes de Caesalpinia ferrea Mart. ex Tul. Revista de Ciências Ambientais, Canoas, v.15, n. 1, 2021. Disponível em: https://revistas.unilasalle.edu.br/index.php/Rbca/article/view/6914. Acesso em: 10 mar. 2021.

LIMA, J. D. et al. Efeito da temperatura e do substrato na germinação de Caesalpinia ferrea Mart. ex Tul. (Leguminosae, Caesalpinoideae). Revista Árvore, Viçosa, v. 30, n. 4, p. 513-518, 2006. Disponível em: https://www.scielo.br/j/rarv/a/3Z6m9jhJrMBgf7RrNwfqbKb/?lang=pt. Acesso em: 10 dez. 2020.

MAEDA, E. E. et al. Predicting forest fire in the brazilian amazon using MODIS imagery and artificial neural networks. International Journal of Applied Earth Observation and Geoinformation, Amsterdã, v. 11, p. 265-272, 2009. Disponível em: https://www.sciencedirect.com/science/article/pii/S0303243409000233?via%3Dihub. Acesso em: 10 dez. 2020.

MAGUIRE, J. D. Speed of germination aid in selection and evaluation for seedling and vigour. Crop Science, New Jersey, v. 2, n. 2, p. 176-177, 1962. Disponível em: https://acsess.onlinelibrary.wiley.com/doi/abs/10.2135/cropsci1962.0011183X000200020033x. Acesso em: 10 dez. 2020.

MARTINS, C. C.; ZUCARELI, C; COIMBRA, R. A. Procedimentos de colheita dos frutos na qualidade fisiológica de sementes de Sapindus saponaria Mart. Semina, Londrina, v. 32, n. 1, p. 1825-1830, 2011. Disponível em: http://www.uel.br/revistas/uel/index.php/semagrarias/article/view/5656/9141. Acesso em: 10 dez. 2020.

MEDEIROS FILHO, S.; SILVA, M. A. P.; SANTOS FILHA, M. E. C. Germinação de sementes e desenvolvimento de plântulas de Caesalpinia ferrea Mart. ex Tul var. ferreaem casa de vegetação e germinador. Revista Ciência Agronômica, Fortaleza, v. 36, n. 2, p. 203-208, 2005.

MONJEZI, M.; BAHRAMI, A.; VARJANI, A. Y. Simultaneous prediction of fragmentation and flyrock in blasting operation using artificial neural networks. International Journal of Rock Mechanics & Mining Sciences, Amsterdã, v. 47, p. 476-480, 2010. Disponível em: https://www.sciencedirect.com/science/article/pii/S1365160909001476?via%3Dihub. Acesso em: 10 dez. 2020.

NOVAIS, R. F. et al. Fertilidade do solo. 1 ed. Viçosa: Sociedade Brasileira de Ciência do Solo, 2007. 1017p.

OLIVEIRA, L. M. et al. Germinação e vigor de sementes de Sapindus saponaria L. submetidas a tratamentos pré-germinativos, temperaturas e substratos. Ciência Rural, Santa Maria, v. 42, n. 4, p. 638-644, 2012. Disponível em: https://www.scielo.br/j/cr/a/ZdcGsNPqJYBLkKndjF8gkKJ/?lang=pt. Acesso em: 10 dez. 2020.

PANDORFI, H. et al. Uso de redes neurais artificiais para predição de índices zootécnicos nas fases de gestação e maternidade na suinocultura. Revista Brasileira de Zootecnia, Viçosa, v. 40, n. 3, p. 676-681, 2011. Disponível em: https://www.scielo.br/j/rbz/a/XkSKvX9fpqKKQ8F84x9DqTk/?lang=pt. Acesso em: 10 dez. 2020.

SCALON, S. P. Q. et al. Germinação e crescimento de Caesalpinia ferrea Mart. ex Tul. em diferentes substratos. Revista Árvore, Viçosa, v. 35, n. 3, p. 633-639, 2011. Disponível em: https://www.scielo.br/j/rarv/a/JSXwfDzPFbqfLnqcwJcPDrw/?lang=pt. Acesso em: 10 dez. 2020.

SCHORN, L. A. et al. Definição de idades ótimas para expedição de mudas de Araucaria angustifolia (Bertol.) Kuntze (Araucariaceae) em função de sua qualidade e volume de recipientes. Revista Biotemas, Florianópolis, v. 32, n. 4, p. 19-27, 2019. Disponível em: https://periodicos.ufsc.br/index.php/biotemas/article/view/2175-7925.2019v32n4p19. Acesso em: 10 dez. 2020.

SCRINZI, G.; MARZULLO, L.; GALVAGNI, D. Development of a neural network model to update forest distribution data for managed alpine stands. Ecological Modelling, Amsterdã, v. 206, p. 331-346, 2007. Disponível em: https://www.sciencedirect.com/science/article/pii/S0304380007001950?via%3Dihub. Acesso em: 10 dez. 2020.

STATSOFT. Statistica (Data analysis software system), version 7. Disponível em: http: //www.statsoft.com, 2007. Acesso em: 10 dez. 2020.

TAIZ, L. et al. Fisiologia e desenvolvimento vegetal. 6. ed. Porto Alegre: Artmed, 2017. 888 p.

Creative Commons License

Este trabalho está licensiado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.

Copyright (c) 2022 Array