O conhecimento das exigências agroclimáticas das culturas é uma ferramenta que auxilia o planejamento agrícola, visando maior produtividade, rentabilidade e diminuição de perdas por fatores climáticos. Dentre os elementos climáticos que afetam o desenvolvimento da cultura do feijão, a temperatura e precipitação pluviométrica ganham maior destaque. O Brasil é o maior produtor e consumidor de feijão-comum (Phaseolus vulgaris L.) no mundo, destacando-se o Paraná como o estado com a maior produção. Neste contexto, o objetivo deste trabalho é de reunir informações sobre as exigências agroclimáticas para a cultura do feijão, com base na bibliografia disponível.
Soil reflectance spectroscopy has become an innovative method for soil property quantification supplying data for studies in soil fertility, soil classification, digital soil mapping, while reducing laboratory time and applying a clean technology. This paper describes the implementation of a Graphical User Interface (GUI) using R named AlradSpectra. It contains several tools to process spectroscopic data and generate models to predict soil properties. The GUI was developed to accomplish tasks such as perform a large range of spectral preprocessing techniques, implement several multivariate calibration methods, generate statistics assessment and graphical output, validate the models using independent dataset, and predict unknown variables using soil spectral data. AlradSpectra has four main modules: Import Data, Spectral Preprocessing, Modeling, and Prediction. The implementation of AlradSpectra is demonstrated by applying visible near-infrared reflectance spectroscopy for soil organic carbon (SOC) prediction. The data contains the value of SOC and Vis-NIR reflectance for 595 soil samples. The prediction statistic assessment of SOC was performed applying all spectral preprocessing and methods. The R 2 considering all models ranged from 0.54 to 0.80. In the partial least squares regression (PLSR) models, the performances were similar to multiple linear regression (MLR) and support vector machines (SVM). The lowest error in the SOC prediction was achieved by PLSR method with standard normal variate (SNV) preprocessing reaching an R 2 of 0.80, the smallest root mean square error (RMSE) of 0.47 %, and ratio of performance to inter-quartile distance (RPIQ) of 3.12. The capacity of performing multiple tasks, being free and open-source, easy to operate, and requiring no initial knowledge of R programming language are features that make AlradSpectra a useful tool to perform different modeling approaches and predict the desired soil variable.
O objetivo deste estudo consistiu na avaliação de sistemas de irrigação por gotejamento com aplicação de água limpa e água residuária de processamento de mandioca com diferentes concentrações de sólidos suspensos. O experimento foi instalado em uma agroindústria no município de Terra Roxa-PR, sendo montados 12 sistemas. O delineamento experimental foi um fatorial 4 x 3 x 2 considerando-se como fatores: tipo de água aplicada (água limpa e água residuária de processamento de mandioca com 03 concentrações distintas de sólidos suspensos), carga hidráulica (1,5; 2,0 e 2,5 m) e metodologia de coleta (Keller e Karmeli e Denículi), totalizando 24 tratamentos com 30 repetições cada. Previamente foi realizada uma caracterização físico-química da água residuária nas diferentes concentrações de sólidos suspensos para verificar o risco de entupimento das mesmas. A partir dos dados de vazão coletados determinou-se o coeficiente de uniformidade de distribuição (CUD). A concentração de sólidos suspensos presente na água residuária afetou os valores, sendo que com o aumento destes houve pequeno decréscimo na vazão. Os valores de CUD variaram entre duas classificações, sendo dois tratamentos classificados como uma irrigação boa e 22 tratamentos apresentaram valores excelentes.
Ciência do solo. 2. Solos e nutrição de plantas. 3. Solos-Pesquisa-Brasil. I. Tullio, Leonardo. CDD 625.7 Elaborado por Maurício Amormino Júnior-CRB6/2422 O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores. 2019 Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.
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.