DESENVOLVIMENTO DE APLICATIVO COM APRENDIZADO DE MÁQUINA PARA PREDIÇÃO DO IMPACTO DE RIZOBACTÉRIAS NO CRESCIMENTO DE PLANTAÇÕES DE ARROZ

Abstract

O uso de rizobactérias promotoras de crescimento de plantas (RPCPs) apresenta-se como alternativa sustentável para a agricultura, porém a predição de seus efeitos envolve múltiplas variáveis. Este trabalho teve como objetivo desenvolver um aplicativo móvel apoiado por aprendizado de máquina para análise preditiva do impacto de RPCPs no crescimento de arroz. A metodologia abrangeu quatro fases: levantamento de requisitos com especialista, análise exploratória de uma base de dados com 6.038 registros experimentais, desenvolvimento e avaliação de modelos de classificação e implementação do sistema. Foram comparados os algoritmos KNN, Random Forest e XGBoost, sendo este último selecionado por apresentar maior acurácia (0,945) e menor desvio padrão (0,010) na validação cruzada. A arquitetura Cliente-Servidor integrou um aplicativo Android em Kotlin com Jetpack Compose a uma API RESTful em FastAPI, operando em duas modalidades: não destrutiva, baseada em medições de campo, e destrutiva, com métricas de biomassa seca. Os resultados indicam que a ferramenta pode auxiliar a tomada de decisão ao reduzir a necessidade de coletas destrutivas em determinadas situações, contribuindo para práticas agrícolas mais sustentáveis.

Plant phenotyping relevance

イネの生育影響という植物形質を、非破壊測定および乾物バイオマスから機械学習で予測するアプリケーションの開発・評価が研究の中心であり、単なる生育実験ではない。

Code and data availability

The paper describes a machine-learning app (Biogrow) trained on 6,038 biometric records of rice plants inoculated with rhizobacteria, but the dataset was privately 'cedida ao projeto' (ceded to the project) with no public deposit, and no code, model, or supplement availability statement or URL is provided anywhere in a

No evidence-backed public reproduction asset is currently recorded.