Redes Neurais artificias para ajuste de modelo de predição da produtividade em clones de Café Canéfora da Região Amazônica

Abstract

O agronegócio é uma atividade de grande importância na economia brasileira e modelos de predição de produção se tornaram essenciais para este seguimento. O objetivo inicial neste estudo foi a apresentação de uma aplicação da metodologia de inteligência computacional de Redes Neurais Artificias para fins de ajuste de modelo de predição em dados simulados e posterior aplicação em um conjunto de dados de café canéfora. A Rede Neural Artificial consiste em um modelo não paramétrico que pode ser aplicado a diversas áreas de conhecimento, incluindo estudos de predição, e seu grande diferencial quando comparada a outros modelos é a capacidade de aprender e generalizar o conhecimento, além da não exigência de pressupostos. No estudo de simulação, foram simulados 130 genótipos sob o delineamento de blocos casualizados com 4 repetições e 6 variáveis com base em parâmetros estatísticos de média e variância da cultura de café canéfora. A Rede Neural Artificial ajustada foi a Perceptron de multicamadas (MLP) com algoritmo de treinamento de retropropagação dos erros (Rprop+). A melhor rede obtida apresentou um coeficiente de determinação (R 2 ) de 94,85% na fase de treinamento e R 2 de 83,47% na fase de validação do modelo. A variável V5 exerceu maior importância relativa sobre a variável dependente V1. Os resultados demostraram o bom desempenho das redes MLP para ajuste de modelo de predição da variável dependente considerando características das variáveis preditoras. No estudo de dados reais, foram avaliados 130 genótipos de café canéfora da safra 2014/2015. Estudou-se 11 variáveis relacionadas aos caracteres morfológicos da planta. Realizada a análise descritiva dos dados, observou-se um elevado coeficiente de variação em todas as variáveis. O ajuste da Rede Neural Artificial consistiu nas mesmas configurações dos dados simulados obtendo um coeficiente de determinação de 27%.