INTEGRAÇÃO DE TECNOLOGIAS DE AGRICULTURA DE PRECISÃO E DIGITAL APLICADAS NA GESTÃO DA CAFEICULTURA
cafeicultura de precisão; variabilidade; aeronaves remotamente pilotadas; índices de vegetação; aprendizado de máquina; previsão de produtividade.
Os fatores que mais influenciam o rendimento das lavouras, estão interligados e abrangem aspectos climáticos, agronômicos e tecnológicos. A avaliação e monitoramento desses fatores tornam-se necessários, uma vez que, quando bem investigados, podem trazer retornos como uma maior produtividade e qualidade dos frutos, além de tornarem o ciclo produtivo mais sustentável. Este trabalho tem como objetivo investigar o uso de tecnologias de Agricultura de Precisão (AP) e Agricultura Digital (AD) na cafeicultura, aplicadas em um campo experimental da EPAMIG, situado em Três Pontas, MG. A área de estudo possui 1,2 ha com cafeeiros da espécie Coffea arabica, cultivar Topázio MG1190. No período compreendido entre 2020 e 2022, foram coletados dados de produtividade, umidade do solo, potencial hídrico foliar, fertilidade do solo, nutrição das folhas, além da realização de voos com Aeronave Remotamente Pilotada (ARP). A partir desse conjunto de dados, esta pesquisa foi dividida em três partes. A primeira parte oferece uma revisão de literatura sobre a importância da cafeicultura no Brasil, os desafios da produção e o papel das tecnologias emergentes, como a AP e a AD, para otimizar a produtividade e sustentabilidade. Na segunda parte, são apresentados três artigos. O primeiro artigo avaliou a variabilidade espacial e temporal da produtividade de cafeeiros ao longo de três safras, utilizando métodos geoestatísticos. Os resultados revelaram uma alta heterogeneidade na produtividade, com variações significativas tanto no espaço quanto no tempo, mesmo em uma área relativamente pequena. Essa variabilidade foi atribuída a fatores como bienalidade e manejo agrícola. O segundo artigo analisou a variabilidade espacial do índice de vegetação NDVI e da clorofila, obtidos por sensores ativos e passivos do sensoriamento remoto. Pela análise geoestatística foi possível constatar a variabilidade espacial dos atributos avaliados. Através da análise do coeficiente de Pearson (R) foi possível quantificar o nível de correlação entre os dados obtidos pelos diferentes sensores e através do teste t foi possível encontrar correlações significativas entre eles. No terceiro artigo, foram testados os algoritmos de aprendizado de máquina Random Forest (RF), Gradient Boosting (GB), Multi-Layer Perceptron (MLP), K-Nearest Neighbors (KNN) e Decision Tree (DT) para a previsão da produtividade dos cafeeiros. Os modelos preditivos foram construídos utilizando como variáveis de entrada dados de umidade do solo, potencial hídrico foliar, fertilidade do solo, nutrição foliar, índices de vegetação, diâmetro e altura das plantas, além do índice de área foliar. Já a variável de saída corresponde à produtividade observada para os anos 2021 e 2022. A implementação e manipulação dos modelos foram realizadas na linguagem Python, e a avaliação do desempenho dos algoritmos foi conduzida por meio das métricas R² (coeficiente de determinação) e MAPE (erro percentual absoluto médio), permitindo analisar a precisão das previsões geradas. Na terceira parte deste trabalho foi apresentada uma consideração final em relação aos trabalhos desenvolvidos destacando a importância da agricultura de precisão e digital na cafeicultura.