Detalhes bibliográficos
| Ano de defesa: |
2022 |
| Autor(a) principal: |
Oliveira, Romário Porto de |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/236722
|
Resumo: |
Sensores multiespectrais a bordo de veículos aéreos não tripulados (VANT’s) são precisos e rápidos para prever produtividade de cana-de-açúcar. Neste estudo propõe-se prever parâmetros biométricos de cana-de-açúcar usando algoritmos de machine learning e dados multitemporais, por meio de análise de imagens multiespectral de VANT. A pesquisa foi realizada em cinco cultivares de cana-de-açúcar, como forma de construir modelos mais generalistas. Imagens multiespectrais foram coletadas a cada 40 dias e os parâmetros biométricos avaliados foram: número de perfilhos, altura da planta e diâmetro do colmo. Dois algoritmos de machine learning foram utilizados: modelo de multiple linear regression e modelo de random forest. Os resultados mostraram que os modelos de previsão foram acurados. As bandas espectrais Blue, Green e NIR forneceram melhor desempenho em prever os parâmetros biométricos da cana-de-açúcar. Resultados para melhorar a previsão de produtividade de cana-de-açúcar são fornecidos até sete meses antes da colheita. Estas descobertas expandem as possibilidades da utilização de imagem multiespectral de VANT na previsão de produtividade de cana-de-açúcar, particularmente pela inclusão de parâmetros biofísicos. |
