Árvore de regressão para previsão da produtividade de matéria fresca da parte aérea de teosinto em função de variáveis meteorológicas

Autores/as

  • Mikael Brum dos Reis Universidade Federal de Santa Maria
  • Alberto Cargnelutti Filho Universidade Federal de Santa Maria
  • Murilo Vieira Loro Universidade Federal de Santa Maria
  • João Augusto Andretta Universidade Federal de Santa Maria
  • Vithória Morena Ortiz Universidade Federal de Santa Maria
  • Bruno Raul Schuller Universidade Federal de Santa Maria

Palabras clave:

Zea mays ssp. mexicana, radiação solar global, soma térmica, árvore de regressão

Resumen

O objetivo deste trabalho foi verificar se é possível predizer a produtividade de matéria fresca da parte aérea de teosinto em função de variáveis meteorológicas. Foi conduzido um experimento com nove datas de semeadura (08/10/2021 a 01/01/2022). As semeaduras foram realizadas em uma fileira de 5 m de comprimento, espaçadas em 0,80 m entre fileiras e 0,20 m entre plantas na fileira. Em cada fileira, foram selecionadas, aleatoriamente, cinco plantas, totalizando 45 plantas. Em 28/03/2022, nas cinco primeiras datas de semeadura, e em 22/04/2022, nas últimas quatro datas de semeadura, determinou-se a produtividade de massa fresca da parte aérea da planta (MFPA, em g). Calculou-se a radiação solar global acumulada e a soma térmica dos subperíodos semeadura ao florescimento masculino (estádio vegetativo) e florescimento masculino à colheita (estádio reprodutivo). Aplicou-se o algoritmo de análise de árvore de regressão para previsão da MFPA em função das variáveis meteorológicas. A árvore de regressão foi realizada com os dados de todas as plantas e datas de semeadura (n=45). A radiação solar global acumulada no florescimento masculino à colheita foi o principal nó de divisão. No segundo nó hierárquico, os critérios de divisão foram soma térmica da semeadura ao florescimento masculino e radiação solar global acumulada da semeadura ao florescimento masculino. O maior desempenho produtivo (MFPA = 1162 g planta-1) foi observado em plantas com radiação solar global acumulada no estádio reprodutivo menor que 494 MJ m-2 e radiação solar global acumulada no estádio vegetativo inferior a 3257 MJ m-2 (33% das observações).

Biografía del autor/a

Mikael Brum dos Reis, Universidade Federal de Santa Maria

Discente do curso de Agronomia

Alberto Cargnelutti Filho, Universidade Federal de Santa Maria

Docente do curso de Agronomia

Murilo Vieira Loro, Universidade Federal de Santa Maria

Técnico em Agropecuária pela Escola Estadual Técnica Guaramano (2014). Engenheiro Agrônomo pela Universidade Regional do Noroeste do Estado do Rio Grande do Sul (2020). Especialista em Biotecnologia pela Universidade Estadual de Maringá (2022). Mestre em Agronomia pela Universidade Federal de Santa Maria (2023). Doutorando em Agronomia e graduando em Estatística na Universidade Federal de Santa Maria. Atuação na área de melhoramento genético de plantas, machine learning, experimentação vegetal e aplicação de métodos estatísticos para análise de dados agronômicos. Conteudista na plataforma Elevagro.

João Augusto Andretta, Universidade Federal de Santa Maria

Discente do curso de Agronomia

Vithória Morena Ortiz, Universidade Federal de Santa Maria

Discente de mestrado em Agronomia

Bruno Raul Schuller, Universidade Federal de Santa Maria

Discente do curso de Agronomia

Citas

ALVARES, C. A. et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013.

ARNOLD, C. Y. Maximum-minimum temperatures as a basis for computing heat units. Journal of the American Society for Horticultural Sciences, v. 76, n. 1, p. 682-692, 1960.

BRETAS, I. L. et al. Prediction of aboveground biomass and dry‐matter content in Brachiaria pastures by combining meteorological data and satellite imagery. Grass and Forage Science, v. 76, n. 3, p. 340-352, 2021.

COELHO, A. E. et al. Nitrogen use efficiency and grain yield of corn hybrids as affected by nitrogen rates and sowing dates in subtropical environment. Revista Brasileira de Ciência do Solo, v. 46, e0210087, p. 1-21, 2022.

DJAMAN, K. et al. Planting date and plant density effects on maize growth, yield and water use efficiency. Environmental Challenges, v. 6, e100417, p. 1-11, 2022.

JEONG, J. H. et al. Random forests for global and regional crop yield predictions. Plos One, v. 11, n. 6, e0156571, 2016.

JHA, A. K. et al. Impact of irrigation method on water use efficiency and productivity of fodder crops in Nepal. Climate, v. 4, n. 1, p. 1-13, 2016.

KUMAR, B. et al. Herbage production, nutritional composition and quality of teosinte under Fe fertilization. International Journal of Agriculture & Biology, v. 18, n. 2, p. 319-329, 2016.

LOH, W. Y. Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 1, n. 1, p. 14-23, 2011.

MILBORROW, S. _rpart.plot: Plot ´rpart` Models: an Enhanced Version of ´plot.rpart`_. R package version 3.1.1, 2022. <https://CRAN.R-project.org/package=rpart.plot>.

MOHAN, S.; DAR, E. A.; SINGH, M. Fodder quality of teosinte fodder as influenced by nitrogen, phosphorus and zinc application. International Journal of Pure and Applied Bioscience, v. 5, p. 596-604, 2017.

R CORE TEAM. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2023. Disponível em: https://www.R-project.org/.

SANTOS, H. G. et al. Sistema Brasileiro de Classificação de Solos. 5. ed. Brasília: Embrapa. p. 356, 2018.

THERNEAU, T.; ATKINSON, B. _rpart: Recursive Partitioning and Regression Trees_. R package version 4.1.19, 2022. Disponível em: https://CRAN.R-project.org/package=rpart.

YANG, Y. S. et al. The effect of solar radiation change on the maize yield gap from the perspectives of dry matter accumulation and distribution. Journal of Integrative Agriculture, v. 20, n. 2, p. 482-493, 2021.

Publicado

30-12-2023

Cómo citar

Reis, M. B. dos, Cargnelutti Filho, A., Loro, M. V., Andretta, J. A., Ortiz, V. M., & Schuller, B. R. (2023). Árvore de regressão para previsão da produtividade de matéria fresca da parte aérea de teosinto em função de variáveis meteorológicas. Sigmae, 12(3), 24–31. Recuperado a partir de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/2217

Número

Sección

Data Science & Machine Learning