INTRODUÇÃO:A demanda mundial por alimentos vem crescendo cada vez mais ao longo dos anos, o que pode ser acentuado em função das mudanças climáticas atreladas à escassez de água, motivo pelo qual o setor agrícola é influenciado a procurar novas tecnologias para otimizar os sistemas de produção em ambientes sujeitos à restrição hídrica. Dentre as culturas de grande importância do mundo, destaca-se o milho pela sua relevância e pelo seu alto potencial de produção, devido à sua alta capacidade de absorção e assimilação de CO 2 inerente ao metabolismo fisiológico das plantas C4, embora a ocorrência de estresse hídrico possa limitar sua produção, havendo necessidade do emprego de tecnologias para diagnosticar o estresse hídrico em plantas dessas espécies. OBJETIVO: Objetivou-se realizar uma análise bibliométrica sobre inteligência artificial para diagnóstico de estresse hídrico em milho. METODOLOGIA: A pesquisa é classificada como quantitativa, aplicada, explicativa e do tipo bibliográfica. Foi realizada revisão sistemática no dia 06/12/2022, na base de dados Scopus, sem restrições de data e local e utilização de filtros, utilizando-se a seguinte estratégia de busca: (("Zea mays") AND ("water stress") AND ("artificial intelligence")). RESULTADOS: Foram localizadas 9 referências, das quais 6 são de acesso livre e 3 de acesso restrito; publicadas entre 2006 e 2020 na forma de artigo completo. As cinco áreas do conhecimento com maior número de publicações foram: Ciências Agrárias e Biológicas (7), Ciência Ambiental (7), Ciências da Terra e Planetárias (5), Ciência da Computação (1) e Engenharia (1). Os cinco países com maio número de publicações foram: Estados Unidos, China, Irã, Canadá e Índia, com 6, 2, 2, 1 e 1 publicações, respectivamente. CONCLUSÃO: Com base nessas informações, conclui-se que a inteligência artificial tem potencial para ser aplicada no diagnóstico de estresse hídrico em milho.

O feijão-caupi é uma cultura de grande importância mundial, motivo pelo qual muitas cultivares melhoradas são exploradas. As sementes desses materiais possuem características intrínsecas que os distinguem. Assim, o objetivou –se por meio deste trabalho ajustar os modelos de aprendizagem de máquina para identificação de feijão-caupi a partir do processamento de imagens digitais de sementes utilizando técnicas de inteligência artificial. A pesquisa é do tipo quali-quantitativas, e foi realizada no ambiente de professores, sala 03. Para tanto, imagens digitais de sementes de 10 (dez) cultivares foram obtidas e processadas utilizando-se dos vetorizadores InceptionV3, SqueezeNet, VGG16 e VGG19. Posteriormente, foram testados os algoritmos de aprendizado de Máquina K-Vizinhos Mais Próximos (KNN - number of nearest neighbors), Árvore de Decisão (Tree), Floresta Aleatória (RF - Random Forest), Aumento de Gradiente (GB - Gradient Boosting), Máquina de Suporte de Vetores (SVM - Support Vector Machines) e Rede Neural Artificial (MLP - Multi-Layer Perceptron). Os algoritmos de aprendizado de máquina Rede Neural Artificial e Máquina de Suporte de Vetores (SVM) tiveram melhores indicadores de performance para identificação de feijão-caupi a partir do processamento das imagens digitais de sementes. Esse trabalho vem a contribuir, tanto no âmbito acadêmico, quanto no aspecto prático, tento em vista que os dados disponíveis podem servir futuramente para criação de aplicativos mobile.