RESUMO Modelos de predição podem contribuir para a análise de dados e tomada de decisões no manejo de uma cultura. Objetivou-se avaliar a viabilidade da predição de produtividade de bananeiras ‘Prata-Anã’ e ‘BRS Platina’, por meio de redes neurais artificiais, bem como determinar os descritores morfológicos mais importantes para este fim. Foram mensurados a altura de planta; perímetro do pseudocaule ao nível do solo, a 30 e 100 cm de altura; número de folhas vivas na colheita; massa, comprimento e diâmetro do engaço; número de pencas e de frutos; massa do cacho e das pencas; massa média das pencas; e relação entre a massa do engaço e do cacho. Os dados foram submetidos a análise por redes neurais artificiais, utilizando-se o software R. Os melhores ajustes foram obtidos com dois e três neurônios na camada intermediária, respectivamente, para ‘Prata-Anã’ e ‘BRS Platina’. Esses modelos apresentaram os menores erros quadráticos médios, o que corresponde a maior proximidade entre os dados preditos e os reais, e, por conseguinte, maior eficiência das redes na predição da produtividade. Pelo coeficiente de determinação, verificaram-se os melhores ajustes para ‘Prata-Anã’ (R2 = 0,99 para todas as composições de rede), enquanto, para ‘BRS Platina’, a adequação dos dados possibilitou R² com valores entre 0,97 e 1,00, aproximadamente. Previsões de produtividade para ‘Prata-Anã’ e ‘BRS Platina’ foram obtidas com alta eficiência por meio de redes neurais artificiais.
ABSTRACT Prediction models may contribute to data analysis and decision-making in the management of a crop. This study aimed to evaluate the feasibility of predicting the yield of ‘Prata-Anã’ and ‘BRS Platina’ banana plants by means of artificial neural networks, as well as to determine the most important morphological descriptors for this purpose. The following characteristics were measured: plant height; perimeter of the pseudostem at the ground level, at 30 cm and 100 cm; number of live leaves at harvest; stalk mass, length and diameter; number of hands and fruits; bunches and hands masses; hands average mass; and ratio between the stalk and bunch masses. The data were submitted to artificial neural networks analysis using the R software. The best adjustments were obtained with two and three neurons at the intermediate layer, respectively for ‘Prata-Anã’ and ‘BRS Platina’. These models presented the lowest mean square errors, which correspond to the higher proximity between the predicted and the real data, and, therefore, a higher efficiency of the networks in the yield prediction. By the coefficient of determination, the best adjustments were found for ‘Prata-Anã’ (R² = 0.99 for all the network compositions), while, for ‘BRS Platina’, the data adjustment enabled an R² with values between 0.97 and 1.00, approximately. Yield predictions for ‘Prata-Anã’ and ‘BRS Platina’ were obtained with high efficiency by using artificial neural networks.