Banca de DEFESA: DIEGO BEDIN MARIN

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: DIEGO BEDIN MARIN
DATA: 23/06/2021
HORA: 09:00
LOCAL: Remotamente via Google Meet
TÍTULO:

Aeronave Remotamente Pilotada na modelagem espacial multispectral de estressores em lavouras cafeeiras

PALAVRAS-CHAVES:

Sensoriamento Remoto. Agricultura de Precisão. Veículo Aéreo Não Tripulado. Índices de Vegetação. Aprendizado de Máquina. Árvore de Decisão.

PÁGINAS: 100
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
SUBÁREA: Máquinas e Implementos Agrícolas
RESUMO:

A utilização do Sensoriamento Remoto por meio de Aeronaves Remotamente Pilotadas, pode auxiliar o cafeicultor a identificar estratégias de manejo a serem adotadas, tornando a atividade mais competitiva, aumentando a produtividade e reduzindo o impacto ambiental. Nesse contexto, objetivou-se com esse estudo desenvolver uma metodologia para avaliar e monitorar a variabilidade espacial dos estressores bióticos e abióticos do cafeeiro (Coffea arabica L.), usando dados de Sensoriamento Remoto multiespectral obtidos a partir de Aeronave Remotamente Pilotada. No primeiro estudo, foram utilizados 09 índices de vegetação para avaliar os danos por geada em uma lavoura cafeeira. Os resultados obtidos demonstraram que os índices de vegetação têm forte relação e alta precisão com os danos da geada nos cafeeiros. Dentre os índices estudados, o Índice de Vegetação por Diferença Normalizada (NDVI) apresentou os melhores desempenhos (r = -0,89, R² = 0,79, MAE = 10,87 e RMSE = 14,35). Além disso, a distribuição espacial dos índices de vegetação permitiu a constatação da influência da topografia na ocorrência de geadas na cafeicultura. No segundo estudo, foi avaliado o potencial do método de aprendizado de máquina Random Forest aplicado a índices de vegetação para mensurar o conteúdo de nitrogênio nas folhas dos cafeeiros. O modelo sugerido apresentou acurácia global e coeficiente kappa de até 0,91 e 0,86, respectivamente. Os melhores resultados foram alcançados com os índices Green Normalized Difference Vegetation Index (GNDVI) e Green Optimal Soil Adjusted Vegetation Index (GOSAVI). Além disso, esses índices permitiram verificar que apenas 22% de toda a área da lavoura apresentava plantas com sintomas de deficiência de nitrogênio (N), o que resultaria em uma redução de 78% na quantidade de N aplicada pelo produtor. E por fim, no terceiro estudo, 63 índices de vegetação foram combinados com diferentes métodos de aprendizado de máquina e árvores de decisão para detectar a severidade da ferrugem em cafeeiros. Concluiu-se que o método Logistic Model Tree (LMT) foi o que mais contribuiu para a previsão precisa da doença. Esse método alcançou overall precision, recall e f-measure de 0,672, 0,747 e 0,695, respectivamente. No entanto, para as classes 1 e 4, retornou valores de medida F de 0,915 e 0,875, sendo um bom indicador de Coffee Leaf Rust (CLR) precoce (entre 2 e 5%) e de estágios posteriores de CLR (entre 20 e 40%). Concluiu-se também que este modelo pode auxiliar nas práticas de agricultura de precisão, pois oferece o monitoramento eficiente não invasivo e espacialmente contínuo da doença

MEMBROS DA BANCA:
Externo ao Programa - RAFAEL DE OLIVEIRA FARIA - DEG/ESCOLAENG (Suplente)
Externo à Instituição - MARLEY LAMOUNIER MACHADO - EMBRAPA (Membro)
Externo à Instituição - GIUSEPPE ROSSI - UF (Membro)
Presidente - GABRIEL ARAUJO E SILVA FERRAZ (Membro)
Externo ao Programa - FELIPE SCHWERZ - DEA/ESCOLAENG (Membro)
Externo à Instituição - BRENON DIENNEVAN SOUZA BARBOSA - klabin (Suplente)
Externo ao Programa - ADAO FELIPE DOS SANTOS - DAG/ESAL (Membro)