Portal de Pesquisa da BVS Veterinária

Tese em Português | VETTESES | ID: vtt-218863

Resumo

As concentrações de nutrientes no tecido vegetal têm estreita relação com a produção das plantas forrageiras, que manifestam desordens nutricionais através de um padrão simétrico. Em Urochloa brizantha cv. Marandu diagnosticar deficiências através de análise de imagens, baseadas na manifestação de sintomas visuais, e determinar a relação do estado nutricional com as características produtivas resultará em informações práticas sobre aspectos relativos a nutrição e produção da forrageiras bem como estratégias de manejo inovadoras para uso no campo. Esta pesquisa foi desenvolvida com o objetivo de avaliar a influência dos macronutrientes nitrogênio (N), potássio (K) e cálcio (Ca) sobre a composição química, crescimento e determinação da eficiência da análise de imagens no diagnóstico do status nutricional para N, K e Ca. A Urochloa brizantha cv. Marandu foi cultivada em casa de vegetação sob cultivo hidropônico. Os tratamentos foram as seguintes concentrações de cada nutriente na solução nutritiva: 6%, 20%, 100% e 200%. As avaliações foram realizadas durante 3 ciclos de crescimento. Ao final de cada ciclo foram determinados os seguintes parâmetros da cultura: altura, índice de vegetação (NDVI), índice SPAD, massa seca da parte aérea e número e tipo de perfilhos (aéreos ou basais). Em cada ciclo, as folhas diagnósticas (folha +1 e folha +2) foram escaneadas, avaliadas através de imagens para os macronutrientes estudados e quimicamente para macro e micronutrientes bem como clorofila através de SPAD. Foram calculados os níveis críticos dos nutrientes. Ao final da pesquisa foram realizadas as avaliações de desenvolvimento de raízes e determinados os teores de nutrientes nas mesmas. Conclue-se que a disponibilidade de N, K e Ca na solução nutritiva afeta a absorção de nutrientes no capim marandu, sendo possível quantificar um padrão de remoção de nutrientes. É possível detectar o estado nutricional de N, Ca e K em capim-marandu usando técnicas de classificação de aprendizado de máquina a partir de imagens RGB, com diferença de desempenho entre as metodologias e métodos utilizados.

---

Nutrient concentrations in plant tissue are closely related to the production of forage plants, which manifest nutritional disorders through a symmetrical pattern. In Urochloa brizantha cv. Marandu, diagnosing deficiencies through image analysis, based on the manifestation of visual symptoms, and determining the relationship of nutritional status with productive characteristics will result in practical information on aspects related to forage nutrition and production as well as innovative management strategies for use in the field. This research was developed with the objective of evaluating the influence of the macronutrients nitrogen (N), potassium (K) and calcium (Ca) on the chemical composition, growth and determination of the efficiency of image analysis in the diagnosis of nutritional status for N, K and Ca. Urochloa brizantha cv. Marandu was cultivated in a greenhouse under hydroponic cultivation. The treatments were the following concentrations of each nutrient in the nutrient solution: 6%, 20%, 100% and 200%. Evaluations were carried out during 3 growth cycles. At the end of each cycle, the following crop parameters were determined: height, vegetation index (NDVI), SPAD index, shoot dry mass and number and type of tillers (aerial or basal). In each cycle, the diagnostic sheets (leaf +1 and leaf +2) were scanned, evaluated through images for the studied macronutrients and chemically for macro and micronutrients as well as chlorophyll through SPAD. Critical nutrient levels were calculated. At the end of the research, root development evaluations were carried out and nutrient content was determined. It is concluded that the availability of N, K and Ca in the nutrient solution affects nutrient uptake in marandu grass, making it possible to quantify a nutrient removal pattern. It is possible to detect the nutritional status of N, Ca and K in marandu grass using machine learning classification techniques from RGB images, with a difference in performance between the methodologies and methods used.

Biblioteca responsável: BR68.1