Banca de QUALIFICAÇÃO: ANTONIO ALDISIO CARLOS JUNIOR

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : ANTONIO ALDISIO CARLOS JUNIOR
DATA : 19/12/2022
HORA: 14:00
LOCAL: DEFESA VIA PLATAFORMA GOOGLE MEET
TÍTULO:

ARTIGO 1: RELAÇÃO ENTRE ÍNDICES DE VEGETAÇÃO E PROPRIEDADES DO SOLO PARA PREDIÇÃO DA PRODUTIVIDADE DO MILHO POR MEIO DE APRENDIZAGEM DE MÁQUINA.

 

ARTIGO 2: PREDIÇÃO ESPAÇO-TEMPORAL DA PRODUTIVIDADE DO MILHO POR SENSORIAMENTO REMOTO ORBITAL.

PALAVRAS-CHAVES:

ARTIGO 1: Agricultura de precisão; sensoriamento remoto; inteligência artificial

 

ARTIGO 2: Agricultura de precisão; geoestatística; índices de vegetação.

PÁGINAS: 37
RESUMO:

ARTIGO 1: 

O monitoramento e previsão do potencial produtivo de uma cultura é um dos instrumentos mais importantes para tomadas de decisões na agricultura. Dessa forma, conhecer de forma antecipada e quais variáveis tem mais significância na predição da produtividade permite a otimização de recursos financeiros, com adoção de melhores práticas de manejo. Nesse sentido, o presente estudo objetivou estimar a produtividade do milho integrando dados do solo e índices de vegetação por meio de métodos de aprendizagem de máquina. O estudo foi conduzido em área de 9 hectares cultivada com milho irrigado por pivô central, situada na Fazenda experimental da Universidade Federal Rural do Semi-Árido. Foi delineado uma malha amostral com 67 pontos, nos quais foram obtidos a produtividade,  frações de areia, silte e argila nas profundidades de 0-20; 20-40 e 40-60cm, e por fim, dados químicos de Potencial Hidrogeniônico (pH), Condutividade elétrica (Ce), Carbono orgânico total (COT), Fósforo (P), Sódio (Na), Potásio (K), Magnésio (Mg), Acidez potencial (H+AL), Soma de base (SB), CTC efetiva (t), CTC pH 7 (T), Saturação por bases (V) e Porcentagem de sódio total (PST), na profundidade de 0-20cm. Além dessas variáveis, foram processados oito índices de vegetação derivados do sensor multiespectral do sentinel 2A em três datas correspondentes a 30, 45 e 75 dias após o plantio. Inicialmente, os dados de solo e produtividades foram submetidos a geoestatística e para predição da produtividade, foram utilizados a correlação Pearson e os métodos de aprendizagem de máquina Decision Tree – DT, Random Forest - RF e Support Vector Machines – SVM. De maneira geral, os métodos de aprendizagem de máquina superaram a correlação Pearson. O SVM utilizando índices de vegetação com variáveis do solo foi o modelo com melhor desempenho (RMSE 2,92 sc/há, R² 0,98), sendo o Índice Infravermelho de Diferença Normalizada com 30 dias após o plantio a variável de maior contribuição.

 

ARTIGO 2: 

A produtividade agrícola consiste em uma variável essencial para auxiliar o produtor e órgãos governamentais nos processos de tomadas de decisão. Apesar de importante, a produtividade não é um indicador capaz de gerar informações que melhore o manejo da cultura em zonas específicas, sendo imprescindível o mapeamento de sua variabilidade espacial e temporal. A estimativa da produtividade de modo convencional depende de dados agrometeorológicos ou equipamento mecanizados com elevado custo ao produtor. Assim, o emprego de imagens de satélites constitui uma boa ferramenta para o monitoramento do potencial produtivo.  Nesse contexto, esta pesquisa objetiva avaliar modelos espectrais oriundos de imagens de satélites para predição espacial e temporal da produtividade do milho em escala de campo. O experimento foi conduzido nos anos de 2019 e 2020, em área de 9 hectares, irrigada por pivô central, inserida na Fazenda Experimental da Universidade Federal Rural do Semi-Árido. Para obtenção da produtividade foram delimitadas 66 unidades amostrais com área de 1,80 x 8m por parcela, onde foram coletadas espigas com grãos corrigidos para umidade a 13,5%. O cálculo utilizou o peso da amostra corrido e o mapa de produtividade foi estimado por técnicas de geoestatística. Foram testados índices de vegetação e bandas individuais das imagens dos satélites sentinel 2 e Landsat 8 de diferentes datas. Os resultados foram obtidos mediante correlação entre índices de vegetação e modelos espectrais com a produtividade observada em campo por meio de regressão linear simples e múltipla. A safra de 2019 foi utilizada para construção dos modelos, sendo que os melhores foram validados para a safra 2020. A utilização Índice de Vegetação da Diferença Normalizada conjuntamente com a banda azul oriundos das imagens Sentinel 2 permitiu construir uma equação para estimar a produtividade com coeficiente de determinação(R²) de 0,62 após 63 dias do plantio. O modelo preditor para a safra de 2020 apresentou o erro (RMSE) de 22,7% na estimativa da produtividade, sendo considerado eficaz, uma vez que foi testado com cultivar de maior produtividade e em imagem com 76 dias após o plantio. Considerando a escala do estudo, os resultados demostram que o pequeno e médio produtor podem monitorar e adotar técnicas de agricultura de precisão com auxílio de imagens do satélite Sentinel 2.

MEMBROS DA BANCA:
Presidente - 1354828 - SUEDEMIO DE LIMA SILVA
Interno - 273.486.364-20 - JOSE FRANCISMAR DE MEDEIROS - UFERSA
Interno - 396302 - NEYTON DE OLIVEIRA MIRANDA
Externo ao Programa - 1612510 - PAULO CESAR MOURA DA SILVA