Resumo: Análise do comportamento e expressão da planta são as respostas que o pesquisador precisa para construir modelos preditivos que minimizem os efeitos das incertezas da produção em campo. O objetivo dessa videoaula foi comparar didaticamente os métodos de regressão linear simples e múltipla e as redes neurais artificiais para permitir aos profissionais e educandos a máxima compreensão acerca das ferramentas estatísticas associadas à previsão da produtividade da palma forrageira ‘Gigante’. Foi demonstrado como mensurar as variáveis preditivas em campo, sendo as principais variáveis: altura da planta (ALT); comprimento do cladódio (CC), largura (LC) e espessura (EC); número de cladódio (NC); área total de cladódios (ATC); área de cladódio (AC) e a variável resposta rendimento do cladódio (Prod.). Para a comparação entre as redes neurais artificiais (RNA) e os modelos de regressão (simples e múltiplos – SLR e MLR), consideramos o erro médio de predição (EMP), o erro quadrático médio (EQM), o quadrado médio do desvio (QMD) e o coeficiente de determinação (R2). Na apresentação dos modelos, os valores estimados pela RNA 7-5-1 mostraram a melhor proximidade com os dados obtidos em condições de campo, seguidos pela RNA 6-2-1, MLR (ATC e EC), RLS ( ATC) e RLS (NS). Dessa forma, os modelos de RNA com as topologias 7-2-1 e 6-2-1, RLM com as variáveis área total do cladódio e espessura do cladódio e RLS com os descritores isolados área total do cladódio e número do cladódio, explicam 85,1; 81,5; 76,3; 74,09 e 65,87%, respectivamente, da variação do rendimento. As RNAs foram mais eficientes em prever o rendimento da palma forrageira ‘Gigante’ quando comparadas aos modelos de regressão linear simples e múltipla.
Home
Videoaulas Modelos biomatemáticos para predição da produtividade da palma forrageira cv. Gigante
