Use este identificador para citar ou linkar para este item: https://repositorio.ufms.br/handle/123456789/7602
Tipo: Trabalho de Conclusão de Curso
Título: Predição de Flavonoides com o uso de dados Hiperespectrais em plantas de milho submetidas a doses de nitrogênio
Autor(es): MEESSIAS ANTONIO DA SILVA
Primeiro orientador: CID NAUDI SILVA CAMPOS
Resumo: Devido à importância do milho na alimentação humana e animal, a pesquisa em práticas agrícolas e metabólitos secundários, como os flavonoides (FLV), tem aumentado. Esses pigmentos ajudam na proteção contra a oxidação causado por espécies reativas de oxigênio. O objetivo deste trabalho foi analisar a quantidade de FLV em plantas de milho submetidas a doses de nitrogênio (N) através da reflectância hiperespectral e algoritmo de aprendizagem de máquinas (ML). Foi conduzido um experimento em delineamento de blocos casualizados (DBC), com esquema fatorial 4x5. Foram avaliadas quatro doses de N aplicadas na adubação de cobertura, utilizando ureia como fonte de N. As doses de N foram as seguintes: N1 (sem adubação nitrogenada), N2 (30% da dose recomendada - 54 kg ha-1 de N), N3 (60% da dose recomendada - 108 kg ha-1 de N) e N4 (120% da dose recomendada - 216 kg ha-1 de N). Avaliações fisiológicas incluíram a extração de isoflavonas das folhas em diferentes estágios de desenvolvimento do milho (V6, V8, V10, V12 e V14). Foi utilizada a espectrorradiometria para medir a reflectância espectral das folhas de milho em diferentes faixas de comprimento de onda. Algoritmos de ML, como redes neurais artificiais, árvores de decisão e florestas aleatórias, foram usados para prever os níveis de flavonoides nas plantas com base nos dados espectrais. O estudo avaliou a relação entre a aplicação de N e os níveis de FLV nas plantas de milho usando espectroscopia hiperespectral e ML, destacando a importância desses fatores na produção de milho e oferecendo insights sobre como a tecnologia pode ser usada para otimizar a produção agrícola. Os resultados mostram que os diferentes algoritmos de ML tiveram desempenhos variados na previsão desses níveis com base nos dados espectrais. O algoritmo SVM desempenhou um papel de extrema relevância na previsão das variáveis D1, D2, G1, G2 e isoflavonas totais, superando os demais algoritmos em termos de desempenho, principalmente quando a entrada consistia no comprimento de onda (WL). Em geral, em relação ao coeficiente de correlação (r), o SVM apresentou melhor desempenho quando a entrada era o WL para todas as variáveis, e em relação ao Erro Médio Absoluto (MAE), o SVM se destacou quando o WL foi utilizado como entrada para todas as variáveis.
Abstract: Due to the importance of corn in human and animal nutrition, research into agricultural practices and secondary metabolites, such as flavonoids (FLV), has increased. These pigments help protect against oxidation caused by reactive oxygen species. The aim of this study was to analyze the amount of FLV in maize plants subjected to nitrogen (N) doses using hyperspectral reflectance and a machine learning (ML) algorithm. An experiment was conducted in a randomized block design (RBL), with a 4x5 factorial scheme. Four doses of N applied in top dressing were evaluated, using urea as the source of N. The N doses were as follows: N1 (no nitrogen fertilization), N2 (30% of the recommended dose - 54 kg ha-1 of N), N3 (60% of the recommended dose - 108 kg ha-1 of N) and N4 (120% of the recommended dose - 216 kg ha-1 of N). Physiological assessments included the extraction of isoflavones from leaves at different stages of corn development (V6, V8, V10, V12 and V14). Spectroradiometry was used to measure the spectral reflectance of maize leaves in different wavelength ranges. ML algorithms such as artificial neural networks, decision trees and random forests were used to predict flavonoid levels in plants based on spectral data. The study evaluated the relationship between N application and FLV levels in maize plants using hyperspectral spectroscopy and ML, highlighting the importance of these factors in maize production and offering insights into how the technology can be used to optimize crop production. The results show that the different ML algorithms had varying performances in predicting these levels based on the spectral data. The SVM algorithm played an extremely important role in predicting the variables D1, D2, G1, G2 and total isoflavones, outperforming the other algorithms, especially when the input consisted of wavelength (WL). In general, with regard to the correlation coefficient (r), the SVM performed best when the input was WL for all variables, and with regard to the Mean Absolute Error (MAE), the SVM stood out when WL was used as the input for all variables.
Palavras-chave: metabólitos secundários
compostos fenólicos
aprendizagem de máquinas
Zea mays L.
País: 
Editor: Fundação Universidade Federal de Mato Grosso do Sul
Sigla da Instituição: UFMS
Tipo de acesso: Acesso Restrito
URI: https://repositorio.ufms.br/handle/123456789/7602
Data do documento: 2023
Aparece nas coleções:Agronomia - Bacharelado (CPCS)

Arquivos associados a este item:
Não existem arquivos associados a este item.


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.