ABSTRACT Leaf area data from coffee plants are important for studies and analyses of grain yield, physiology, adaptation to environmental conditions, and cultural management. The objective of this study was to predict leaf area of coffee plants using artificial neural networks and compare the efficiency of this methodology with multiple regression models. Forty-three genotypes of similar reproduction and age were evaluated, testing 14 types of multiple regression equations from combinations of leaf length and width. The backpropagation algorithm was used to develop multilayer perceptron neural networks; several combinations were tested between two activation functions of the intermediate layer (hidden layer) and the number of neurons in this layer. The best fitting results in the artificial neural network modeling were found with the sigmoid activation function and three neurons in the hidden layer (R² = 0.990 and RMSE = 2.855 in the training phase). Considering the errors (RMSE, MAE, and MAPE) and the coefficient of determination as criteria for best fit, the artificial neural network models better estimated the leaf area in the training and validation phases. Therefore, the artificial neural network methodology can be used as alternative for estimating leaf area of coffee plants. yield physiology conditions management Fortythree Forty evaluated 1 width R² R (R 0990 0 990 0.99 2855 2 855 2.85 phase. phase . phase) RMSE, (RMSE MAE MAPE fit phases Therefore 099 99 0.9 285 85 2.8 09 9 0. 28 8 2.
RESUMO Dados de área foliar de plantas de café são importantes para estudos e análises de produtividade, fisiologia, adaptação às condições ambientais e manejos culturais. O objetivo deste trabalho foi predizer a área foliar de plantas de café por meio de redes neurais artificiais e avaliar a eficiência dessa metodologia por meio de comparação com modelos de regressão múltipla. Foram avaliados 43 genótipos de reprodução e idade semelhantes e testados 14 tipos de equações de regressão múltipla a partir de combinações de comprimento e largura de folhas O algoritmo backpropagation foi utilizado para desenvolver redes neurais do tipo perceptron multicamadas, e foram testadas possíveis combinações entre duas funções de ativação da camada intermediária e o número de neurônios na camada intermediária. Na modelagem de redes neurais artificiais, os melhores resultados de ajuste foram encontrados com a função de ativação sigmoide e três neurônios na camada oculta (R² = 0,990; RMSE = 2,855 na fase de treinamento). Considerando os erros (RMSE, MAE e MAPE) e coeficientes de determinação como parâmetros estatísticos comparando os dois métodos utilizados, os modelos que utilizaram redes neurais artificiais apresentaram as melhores estimativas de área foliar nas fases de treinamento e validação. O método de redes neurais artificiais pode ser utilizado como alternativa ou modelo de apoio para estimativa de área foliar de cafeeiros. produtividade fisiologia culturais 4 1 multicamadas R² R (R 0,990 0990 0 990 2855 2 855 2,85 treinamento. . treinamento) RMSE, (RMSE MAPE utilizados validação cafeeiros 0,99 099 99 285 85 2,8 0,9 09 9 28 8 2, 0,