Please use this identifier to cite or link to this item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1186660
Full metadata record
DC FieldValueLanguage
dc.contributor.authorLUZ, A. L. G.
dc.contributor.authorFERNANDES, A. M. da R.
dc.contributor.authorCOELHO, F. V.
dc.contributor.authorOLIVEIRA, M. F. de
dc.contributor.authorALVARENGA, R. C.
dc.date.accessioned2026-05-07T16:29:20Z-
dc.date.available2026-05-07T16:29:20Z-
dc.date.created2026-05-07
dc.date.issued2026
dc.identifier.citationPesquisa Agropecuária Brasileira, v. 61, e03833, 2026.
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1186660-
dc.descriptionABSTRACT – The objective of this work was to investigate the use of machine learning algorithms to predict the crops most susceptible to weed occurrence in integrated crop-livestock systems, based on environmental factors of climate, soil, and cropping systems, to establish correlations between these elements and the occurrence of weeds. Three datasets were used for this purpose: the first provided quantitative information on the invasive species, the second contained data about the soil, and the last had records of the region’s climate. The algorithms used were Support Vector Machine, Decision Tree, Random Forest, and K-Nearest Neighbors. The application of machine learning algorithms to predict the susceptibility of crops to weed emergence is technically feasible and effective. The Decision Tree and Random Forest algorithms demonstrated the best performance, with both models achieving 99% accuracy. Robust relationships were established between environmental factors (climate, soil, and planting) and the appearance of invasive species in certain crops. The algorithms reproduced the patterns of weed emergence observed under field conditions. RESUMO –O objetivo deste trabalho foi investigar o uso de algoritmos de aprendizado de máquina para prever as culturas mais suscetíveis à ocorrência de plantas daninhas em sistemas de integração de lavoura-pecuária, com base em fatores ambientais de clima, solo e sistemas de cultivo para estabelecer correlações entre esses elementos e a incidência de plantas invasoras. Três conjuntos de dados foram utilizados para esse propósito: o primeiro forneceu informações quantitativas sobre as espécies invasoras, o segundo continha dados sobre o solo e o último possuía registros do clima da região. Os algoritmos utilizados foram Support Vector Machine, Decision Tree, Random Forest e K-Nearest Neighbors. A aplicação de algoritmos de aprendizado de máquina para prever a suscetibilidade das culturas à emergência de plantas daninhas é tecnicamente viável e eficaz. Os algoritmos Decision Tree e Random Forest demonstraram o melhor desempenho, com ambos os modelos atingindo 99% de acurácia. Relações robustas foram estabelecidas entre os fatores ambientais (clima, solo e plantio) e o surgimento de espécies invasoras em determinadas culturas. Os algoritmos reproduziram com sucesso os padrões de emergência de plantas daninhas observados em condições de campo.
dc.language.isoeng
dc.rightsopenAccess
dc.subjectInteligência artificial
dc.subjectAnalise de dado
dc.subjectControle de plantas daninhas
dc.subjectIntegração lavoura-pecuária (iLP)
dc.titleMachine learning algorithms to predict the crops most susceptible to weed occurrence in integrated crop-livestock systems.
dc.typeArtigo de periódico
dc.subject.thesagroRotação de Cultura
dc.subject.thesagroErva Daninha
dc.subject.nalthesaurusArtificial intelligence
dc.subject.nalthesaurusCrop rotation
dc.subject.nalthesaurusData analysis
dc.subject.nalthesaurusWeed control
riaa.ainfo.id1186660
riaa.ainfo.lastupdate2026-05-07
dc.identifier.doihttps://doi.org/10.1590/S1678-3921.pab2026.v61.03833
dc.contributor.institutionANA LETÍCIA GOMES LUZ, FUNDAÇÃO GETÚLIO VARGAS; ANITA MARIA DA ROCHA FERNANDES, UNIVERSIDADE DO VALE DO ITAJAÍ; FÁBIO VOLKMAN COELHO, UNIVERSIDADE DO VALE DO ITAJAÍ; MAURILIO FERNANDES DE OLIVEIRA, CNPMS; RAMON COSTA ALVARENGA, CNPMS.
Appears in Collections:Artigo em periódico indexado (CNPMS)

Files in This Item:
File SizeFormat 
Machine-learning-algorithms-to-predict-the-crops-most-susceptible-to-weed-occurrence.pdf785,07 kBAdobe PDFView/Open
Show simple item record

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace