Eficácia de rede neural artificial na predição de massa de frutos de pessegueiro por método não-destrutivo

As características de massa e diâmetro são parâmetros importantes para avaliar a qualidade visual dos frutos, planejar e gerenciar a produção de pêssego tanto em programas de melhoramento quanto em áreas de produção comercial. O objetivo deste trabalho foi testar a eficácia de redes neurais artificiais perceptron multicamadas (ANN-MLP) para estimar a massa de frutos de pessegueiro utilizando as variáveis de diâmetros de fruto. Foram utilizados frutos das cultivares de pessegueiro, ‘Tropic Beauty’ (G1’), ‘BRS Kampai’ (G2) e ‘BRS Rubimel’ (G3) na safra de 2017, e as cultivares (G1) e (G2) na safra 2018. Foram coletados aleatoriamente no momento da colheita comercial 123, 121 e 115 frutos dos genótipos G1, G2 e G3 na safra 2017, e 150 frutos dos genótipos G1 e G2 safra 2018, todos em estádio de maturação. Os frutos foram mensurados individualmente quanto a sua massa fresca (variável dependente), e diâmetros sutural (SD), equatorial (SE), altura de fruto (FH) (variáveis independentes). Foi realizada análise de regressão linear múltipla (R-MLM) e ANN-MLP envolvendo o conjunto de variáveis independentes SD, SE e FH todas expressas em função da variável dependente massa fresca do fruto de pêssego (FM). A ANN-MLP foi realizada utilizando as rotinas disponíveis no software MATLAB R2012a® em integração com o software Genes®. As variáveis de entrada foram apresentadas à ANN_MLP e seus pesos foram ajustados. Do total de frutos amostrados foram usados 80% para treinamento e 20% para validação dos modelos, tanto para a R-MLM como para as ANN-MLP. Foram treinadas 30 redes neurais. A comparação entre as metodologias de R-MLM e ANN-MLP foi realizada por meio dos valores preditos versus o observado, eficácia relativa do R2 e MSE. Em todos os cenários, observamos que as ANN_MLP foram mais eficazes do que R-MLM em predizer a FM. Como a ANN-MLP foi eficaz em todos os cenários para predizer a FM foi possível ajustar a melhor ANN-MLP e utiliza-la como padrão para predizer a média da FM dos genótipos G1, G2, G3 e suas combinações na safra 2017 e 2018. O modelo de predição baseado em ANN-MLP foi mais eficaz do que os baseados em R-MLM.