RESUMO -Com o objetivo de obter uma equação que, através de parâmetros lineares dimensionais das folhas, permita a estimativa da área foliar de Typha latifolia, estudaram-se relações entre a área foliar real (Sf) e parâmetros dimensionais do limbo foliar, como o comprimento ao longo da nervura principal (C) e a largura máxima (L), perpendicular à nervura principal. As equações lineares simples, exponenciais e geométricas obtidas podem ser usadas para estimação da área foliar da taboa. Do ponto de vista prático, sugere-se optar pela equação linear simples que envolve o produto C x L, usando-se a equação de regressão Sf = 0,9651 x (C x L), que equivale a tomar 96,51% do produto entre o comprimento ao longo da nervura principal e a largura máxima, com um coeficiente de determinação de 0,9411.Palavras-chave: planta daninha, área foliar, taboa. ABSTRACT -This study aimed to obtain a mathematical equation to estimate the leaf area of Typha latifolia, using leaf blade linear dimensions. Correlation studies were carried out involving real leaf area and leaf length (C), maximum leaf width (L) and C * L. The linear and geometric equations involving the parameter C provided good estimates of leaf area. From a practical viewpoint, it is
RESUMO -As análises de agrupamento e de componentes principais e as redes neurais artificiais foram utilizadas na determinação de padrões de comportamento das populações de macrófitas aquáticas que colonizaram o reservatório de Santana, Piraí-RJ, durante o ano de 2004. As análises de agrupamento dividiram o comportamento das populações durante o ano em dois grupos distintos, apresentando um padrão no primeiro semestre que difere daquele observado no segundo semestre do ano. A análise de componentes principais demonstrou que esse comportamento da comunidade (grupo de populações) é influenciado principalmente pelas espécies S. montevidensis, Heteranthera reniformis, Ludwigia sp., Rhynchospora aurea, C. iria, C. ferax e Aeschynomene denticulata no primeiro grupo e por Echinochloa polystachya, Polygonum lapathifolium, Alternanthera phyloxeroides, Pistia stratiotes, Eichhornia azurea, Brachiaria arrecta e Oxyscarium cubense no segundo grupo. As redes neurais artificiais agruparam as populações de macrófitas aquáticas em nove grupos, conforme sua densidade nos diferentes meses do ano. A aplicação da análise de componentes principais (ACP) nos valores de frequência das populações presentes nos primeiros três grupos de Kohonen permitiu discriminar três grupos de meses, cujas populações apresentaram características diferentes de colonização. A aplicação das redes neurais artificiais permitiu melhor discriminação dos meses e das espécies que compõem as comunidades correspondentes, quando utilizada a análise de componentes principais.Palavras-chave: análise multivariada, macrófitas aquáticas, redes neurais artificiais.ABSTRACT -Cluster analysis, principal components analysis and Kohonen artificial neural networks were tested to determine the behavior patterns of aquatic macrophyte colonization on Santana reservoir, Piraí-RJ, 2004. The colonization behavior of the populations was divided into two groups, representing the two year semesters. The principal components analysis showed that the behavior of the first group (first semester) was mainly influenced by S. montevidensis, Heteranthera reniformis, Ludwigia sp., Rhynchospora aurea, C. iria, C.ferax e Aeschynomene denticulate and the second group by Echinochloa polystachya, Polygonum lapathifolium, Alternanthera phyloxeroides, Pistia stratiotes, Eichhornia azurea, Brachiaria arrecta e Oxyscarium cubense. The artificial neural networks (ANN) grouped the aquatic macrophyte populations into nine groups according to their colonization behavior during the year. The application of principal components analysis (PCA) on frequency values of the population determined by the artificial neural networks for the first three groups allowed to discriminate three groups of populations with different colonization behaviors. The application of artificial neural networks allowed a better discrimination of communities (months) and species colonization behavior than the application of PCA on raw data.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.