Mostrar registro simples

dc.contributor.advisorRozane, Danilo Eduardopt_BR
dc.contributor.authorCremonesi, Marcus Viniciuspt_BR
dc.contributor.otherPauletti, Volneipt_BR
dc.contributor.otherSilva, Silvia Helena Modenese Gorla dapt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Ciência do Solopt_BR
dc.date.accessioned2018-01-08T18:13:47Z
dc.date.available2018-01-08T18:13:47Z
dc.date.issued2016pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/47398
dc.descriptionOrientador : Prof. Dr. Danilo Eduardo Rozanept_BR
dc.descriptionCoorientadores : Prof. Dr. Volnei Pauletti, Prof. Dra. Silvia Helena Modenese Gorla da Silvapt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Ciência do Solo. Defesa: Curitiba, 26/02/2016pt_BR
dc.descriptionInclui referênciaspt_BR
dc.descriptionArea de concentração : Solo e Ambientept_BR
dc.description.abstractResumo: O Brasil e o 4o pais em produção de bananas do mundo (FAO, 2014), sendo uma cultura altamente exigente em nutrientes para sustentação de copa e frutos. Os elementos cálcio e magnésio são essenciais a bananeira e sua aplicação se da via calcário. A calagem mal executada ou negligenciada pode acarretar na deficiência destes elementos na planta, sendo de difícil identificação, quando ocorrendo em conjunto, e remedição no mesmo ciclo produtivo, acarretando perdas em produtividade. A identificação correta e precoce de deficiências nutricionais pode ser feita a partir de imagens digitais analisadas por ferramentas computacionais com capacidade de notar pequenas e características mudanças de coloração das folhas, muito antes de serem notadas por olhos humanos. Em função disto, foi realizada uma sequencia de experimentos em casa de vegetação com cinco épocas de coleta e cinco variações nutricionais visando gerar uma base de dados com as características das deficiências de cálcio, magnésio e ambos conjuntamente a partir de imagens das folhas. Para a analise da base de dados e seleção dos parâmetros de classificação foi utilizada a técnica de redes neurais artificiais, o classificador obteve precisão de 90 % para omissão de cálcio, 73,3 % para omissão de magnésio, 96,7 % para omissão de cálcio e magnésio, 88,3 % para solução nutritiva completa e 96,7 % para cultivo em solo, após seleção dos atributos nas melhores épocas de coleta, com melhora de 29% na media. Após os resultados, foi conduzido um experimento a campo, em local com baixa concentração de nutrientes no solo, com cinco doses de calcário, variando de 0 a 13,82 t ha-1. Foi verificado se os classificadores gerados seriam capazes de identificar deficiências nutricionais de cálcio e magnésio a partir das folhas dos tratamentos de campo com o aprendizado obtido pela base de dados gerada em casa de vegetação. O classificador demonstrou que os tratamentos com menores doses de calcário se enquadraram na classe omissão de cálcio e magnésio (-Ca/Mg) e a medida que as doses cresceram os tratamentos migraram para a classe correspondente a solução nutritiva completa (Comp.) obtida em casa de vegetação. Palavras-chave: PDI. Redes neurais artificiais. Nutrição da bananeira. Deficiência de cálcio. Deficiência de magnésio.pt_BR
dc.description.abstractAbstract: Brazil is 4th country in the world of bananas production (FAO, 2012), it is extremely exigent in nutrition culture to maintain leafs and fruits. The calcium and magnesium elements are essentials to banana's plants and his applications are made by limestone. The poorly executed or neglected liming may result in deficient of those elements on plant, it is difficult to identify, when occurring together, and to remedy in the same production cycle, taking to yield losses. The premature and correct identification of nutritional deficiencies can be done using digital images analyses by computational tools with capacity to identify little and particulars color changes in leafs, long before human eyes. Due to this, was made a sequence of experiments on a greenhouse with five collection times and five nutritional variations aimed at generating a deficient characteristic database of calcium, magnesium and both with leafs images. For the database analysis and selection of classification parameters were used the Artificial Neural Networks (ANN), the classifier obtained 90 % of precision to identify calcium's omission, 73.3 % of magnesium's omission, 96.7 % of calcium and magnesium's omission, 88.3% of complete nutrient solution and 96.7 % of soil cultivation, after selection of attributes in the best collect times, with 29 % improvement in man. After those results, was leading a field experiment, in low nutrient's concentration area, with five limestone doses, ranging from 0 to 13.82 t ha-1. Was checked the capacity of generated classifiers to identify nutritionals deficient of calcium and magnesium from leafs of field treatments with the learning obtained by greenhouse database. The classifier manifested that the treatments of lower limestone doses were framed in calcium and magnesium omission class (-Ca/Mg), and as the limestone doses increases the treatments were fits in complete nutritional solution class (Comp.) Key-Words: DIP. Artificial Neural Networks. Banana nutrition. Calcium deficiente. Magnesium deficient.pt_BR
dc.format.extent[72] p. : il., tabs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectCiencia do solopt_BR
dc.subjectBanana - Adubos e fertilizantespt_BR
dc.subjectBanana - Nutriçãopt_BR
dc.subjectProcessamento de imagens - Tecnicas digitaispt_BR
dc.titleProcessamento digital de imagens para identificação de deficiências de cálcio e magnésio na cultura da bananapt_BR
dc.typeDissertaçãopt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples