Análise espaço-temporal da dinâmica agrícola em região de alta diversidade produti...
Desenvolvimento de métodos de mapeamento de uso da terra baseados em dados multise...
Processo: | 23/12653-0 |
Modalidade de apoio: | Bolsas no Brasil - Iniciação Científica |
Data de Início da vigência: | 01 de fevereiro de 2024 |
Data de Término da vigência: | 31 de janeiro de 2025 |
Área de conhecimento: | Ciências Exatas e da Terra - Geociências |
Pesquisador responsável: | Rouverson Pereira da Silva |
Beneficiário: | Gabriel Pereira Costa |
Instituição Sede: | Faculdade de Ciências Agrárias e Veterinárias (FCAV). Universidade Estadual Paulista (UNESP). Campus de Jaboticabal. Jaboticabal , SP, Brasil |
Vinculado ao auxílio: | 21/06029-7 - Sensoriamento remoto de alta resolução para agricultura digital, AP.TEM |
Assunto(s): | Agricultura digital Arachis hypogaea Inteligência artificial Aprendizado computacional Perdas agrícolas Sensoriamento remoto |
Palavra(s)-Chave do Pesquisador: | agricultura digital | Arachis hypogaea | Índices topográficos | Inteligência Artificial | machine learning | Perdas Agrícolas | Sensoriamento Remoto |
Resumo O amendoim é uma cultura agrícola de grande relevância no Brasil, tanto para a economia quanto para a alimentação humana e animal. No entanto, a operação de arranquio mecanizado do amendoim frequentemente enfrenta desafios relacionados a perdas no campo, incluindo perdas visíveis, como vagens perdidas durante a colheita e depositadas sobre o solo, e perdas invisíveis, que representam as vagens que permanecem sob o solo. Estas perdas representam um sério problema econômico para os agricultores e a indústria. Objetiva-se neste projeto avaliar o desempenho de dois algoritmos de aprendizado de máquina, Regressão Linear Múltipla e Random Forest, na previsão de perdas visíveis e invisíveis durante a operação de arranquio mecanizado da cultura do amendoim. A primeira etapa consiste na criação de um conjunto de dados abrangente que conterá informações essenciais, como textura do solo, índices topográficos e índice de vegetação. Esses dados servirão como entrada para os algoritmos de aprendizado de máquina. A coleta e o processamento cuidadoso dessas informações garantirão a qualidade do conjunto de treinamento. Em seguida, será desenvolvido um algoritmo com a capacidade de prever as perdas na colheita do amendoim usando características do solo e índice de maturação, como o NDVI, EVI, MNLI e o GNDVI que são estimados por sensoriamento remoto aéreo. Esses índices fornecem informações cruciais sobre a saúde da vegetação e a cobertura do solo, sendo úteis para monitorar áreas extensas de forma eficiente. Os modelos de Regressão Linear Múltipla e Random Forest serão implementados e ajustados para aproveitar ao máximo as informações sobre a textura do solo e os índices topográficos. Este projeto visa fornecer aos agricultores ferramentas eficazes para gerenciar as perdas na colheita do amendoim, contribuindo para a melhoria da produtividade e a redução de prejuízos econômicos. Além disso, a incorporação de técnicas de sensoriamento remoto também será explorada para enriquecer o conjunto de dados e melhorar ainda mais a precisão das previsões. | |
Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa: | |
Mais itensMenos itens | |
TITULO | |
Matéria(s) publicada(s) em Outras Mídias ( ): | |
Mais itensMenos itens | |
VEICULO: TITULO (DATA) | |
VEICULO: TITULO (DATA) | |