Banca de DEFESA: ORESTHES MÁRLON ALVES E SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ORESTHES MÁRLON ALVES E SILVA
DATA: 10/03/2025
HORA: 14:00
LOCAL: anfiteatro do DEN e online
TÍTULO:

Detecção e monitoramento de lepidópteros desfolhadores na cultura do eucalipto com sensores dos satélites Sentinel-1 e Sentinel-2

PALAVRAS-CHAVES:

Palavras-chave: Sensoriamento remoto, Aprendizagem de máquina, Entomologia florestal Manejo sustentável, Random Forest

PÁGINAS: 57
GRANDE ÁREA: Ciências Agrárias
ÁREA: Agronomia
SUBÁREA: Fitossanidade
ESPECIALIDADE: Entomologia Agrícola
RESUMO:

O cultivo de eucalipto é de suma importância no setor florestal brasileiro, sendo a principal fonte de matéria-prima para papel, celulose e carvão vegetal. Entretanto, a produtividade pode ser comprometida pela ação de insetos-praga, como os lepidópteros desfolhadores, tornando o monitoramento dessas infestações uma importante etapa para o manejo sustentável. Nesse contexto, o sensoriamento remoto se destaca como uma alternativa promissora para estimar os danos causados pela desfolha. Este trabalho utilizou imagens dos satélites Sentinel-1 e Sentinel-2 para avaliar a cobertura do dossel em áreas afetadas, aplicando algoritmos de aprendizado de máquina para prever a extensão do impacto das pragas. A seleção das variáveis preditoras foi realizada utilizando o método de correlação de Spearman (≥ 0,90), sendo escolhidas VV, VH, RATIO, B2, B3, B4, B8, GNDVI, PRI e SIPI, que representam bandas do Sentinel-1 e Sentinel-2, além dos índices espectrais mais relevantes para a modelagem. Os resultados indicaram que os modelos Support Vector Machine (SVM) e Random Forest (RF) foram os mais eficazes, apresentando os menores valores de erro médio absoluto (MAE médio entre 0,1 e 0,15), com alto desempenho na predição da cobertura do dossel. Entre as variações testadas, os modelos SVM_radial, SVM_polynomial e SVM_linear se destacaram estatisticamente, seguidos por configurações otimizadas de Random Forest, que também obtiveram bons resultados. Em contrapartida, os modelos baseados em Redes Neurais (NN) apresentaram os maiores valores de erro, sugerindo um desempenho inferior. Esse resultado pode estar relacionado à complexidade dos dados, necessidade de ajustes mais refinados nos hiperparâmetros e maior sensibilidade das ANN a ruídos nos dados de sensoriamento remoto. A distribuição da cobertura do dossel variou entre 0% e 100%, com maior concentração na faixa de 20% a 50%, garantindo um intervalo de dados adequado para a modelagem. A abordagem proposta permite a antecipação da tomada de decisão no controle de pragas, otimizando o manejo florestal, reduzindo perdas na produção e minimizando custos operacionais e impactos ambientais.

MEMBROS DA BANCA:
Presidente - RONALD ZANETTI BONETTI FILHO (Membro)
Externo ao Programa - FAUSTO WEIMAR ACERBI JUNIOR - DCF/ESAL (Membro)
Externo à Instituição - DIOGO NEPOMUCENO COSENZA - UFV (Suplente)
Externo à Instituição - BRUNA NASCIMENTO DE VASCONCELLOS - UFPR (Membro)
Externo ao Programa - ADAO FELIPE DOS SANTOS - DAG/ESAL (Suplente)