Qualidade pós-colheita de banana 'Maçã' tratada com ácido giberélico avaliada por redes neurais artificiais

Abstract

Resumo -O objetivo deste trabalho foi avaliar o efeito de doses de ácido giberélico (GA 3 ) sobre a extensão da vida pós-colheita em banana 'Maçã' e a aplicabilidade de uso de redes neurais artificiais. Utilizou-se o delineamento inteiramente casualizado, em arranjo de parcelas subdivididas, com cinco doses de GA 3 , nas parcelas, e tempos de avaliação, nas subparcelas, e quatro repetições, com um buquê de três frutos por unidade amostral. Os frutos, colhidos com a casca totalmente verde, foram imersos por 10 min, à temperatura ambiente, nos seguintes tratamentos: 0 (controle), 25, 50, 75 e 100 mg L -1 de GA 3 . Os buquês foram armazenados em câmara de refrigeração (20±1ºC, com 91% de umidade relativa do ar). As redes neurais artificiais são eficientes, proporcionando estimativas do coeficiente de determinação maiores às obtidas por modelos de regressão linear múltipla. Após 19 dias de armazenamento, a dose de 100 mg L -1 de GA 3 é mais favorável à conservação pós-colheita de banana 'Maçã', em todas as características avaliadas ao longo do armazenamento.Termos para indexação: Musa, inteligência computacional, qualidade do fruto, regulador de crescimento. Gibberellic acid on postharvest quality of banana 'Maçã' evaluated by artificial neural networksAbstract -The objective of this work was to evaluate the effect of gibberellic acid doses on the extent of banana 'Maçã' postharvest life and the applicability of the use of artificial neural networks. A completely randomized design was carried out in a split-plot arrangement, with five doses of GA 3 in the plots and evaluation times in the subplots, with four replicates, with a three-fruit bunch by sample unit. Fruit were harvested with totally green peel and were immersed for 10 min, at room temperature, in the following treatments: 0 (control), 25, 50, 75, and 100 mg L -1 GA 3 . The bunches were stored in a cold chamber (20±1°C, with 91% air relative humidity). Artificial neural networks are effective, providing estimates of the coefficient of determination higher than those obtained by multiple linear regression models. After 19 days of storage, the dose of 100 mg L -1 GA 3 is more favorable to banana 'Maçã' postharvest conservation, in all the evaluated traits during storage.

Prediction of ‘Gigante’ cactus pear yield by morphological characters and artificial neural networks

“…The artificial neural networks (ANN) is a successful tool to describe, substantiate, and elucidate high-complexity issues in the field of modeling Azevedo et al, 2015;Brasileiro et al, 2015;Soares et al, 2015;Aquino et al, 2016aAquino et al, , 2016bAzevedo et al, 2017). Thus, the use of ANN in agronomic modeling for the cactus pear crop can be efficient for predicting yield.…”

Rede Neural Artificial e Modelagem matemática na hidratação de cereais matinais com leite

“…It was observed that the modeling by Artificial Neural Network was efficient in adjusting the obtained data, having good correlation coefficients (with the exception of crude fiber analysis), and low values of relative mean error (P) and standard error of the estimate (SE). This tool has been used by many authors because of their effectiveness in data fitting [8,25,26]. It can be noticed that the modeling by Artificial Neural Network was also efficient in adjusting the data obtained for the milk analysis, having good correlation coefficients, and low values of mean relative error (P) and standard error of the estimate (SE).…”

Vida útil pós-colheita de bananas ‘Prata’ armazenadas sob refrigeração

“…Ainda estudando a qualidade pós-colheita de banana 'Prata Rio' refrigerada, Santos (2017) observou perda de massa de 9,37% no 30° dia de armazenamento à temperatura de 13 °C. A mudança de cor da casca do estádio de cor 1 (casca totalmente verde) para 6 (casca totalmente amarela) observada na Figura 2, é caracterizada pelo decréscimo dos teores de clorofila, o que evidencia o aparecimento da coloração amarela (Aquino et al, 2016;Silva Campelo et al, 2020). A aparência externa é uma variável de importância em frutos, pois ela define a intenção de compra pelo consumidor.…”