RESUMO
Com a crescente produção de soja no Brasil e a demanda por grãos de soja com alto teor de proteína e óleo, é fundamental o estudo aprofundado dos constituintes desse grão, os quais podem variar de acordo com os genótipos e as condições de cultivo. Com isso, o objetivo desse estudo foi realizar a classificação de genótipos de soja, cultivados em diferentes ambientes e épocas de semeadura, de acordo com a composição química e o espectro gerado por infravermelho próximo (NIRs). Para isso, foi empregada a inteligência artificial e sua técnica de aprendizado de máquina. Foram utilizados 10 genótipos de soja, semeados em duas épocas de semeadura e em 7 cidades do Rio Grande do Sul. A composição química das amostras foi analisada através do equipamento FOSS NIRS DS2500, selecionando a banda entre 807 e 817nm. Os algoritmos aplicados foram J48, Random Forest, CVR, lBk, MLP, utilizando o filtro Resample. Foi empregado o software Weka, versão 3.8.6, para mineração de dados. O algoritmo IBk conseguiu o melhor desempenho, alcançando 89% de classificação correta dos atributos. A partir da Matriz de Confusão, observou-se que todos os genótipos obtiveram resultados superiores a 60/70 para os valores preditos corretamente, destacando o bom desempenho dos algoritmos. Nas métricas, o IBk obteve 0,89 de Precisão, Recall e F-Measure, e 0,94 de ROC Area. Foi possível classificar os genótipos, de acordo com a sua composição química relacionada aos dados obtidos na curva espectral, época e ambiente de semeadura, a partir da inteligência artificial e aprendizado de máquina.
Termos para indexação:
Glycine max (L.); aprendizado de máquina; tecnologia agroindustrial; agricultura 4.0
Thumbnail
