Aprendizagem de máquina na definição de zonas homogêneas de manejo para soja

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Marchioro, Vinicius [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
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/11449/244606
Resumo: A soja (Glycine max) é a principal cultura do agronegócio brasileiro, com expectativa de aumento de produtividade e de área de cultivo nos próximos anos, o que torna necessária a adoção de técnicas e tecnologias mais eficientes e sustentáveis, frente aos elevados custos de produção da cultura. Para isso, se faz necessário lançar mão de tecnologias de agricultura de precisão que permitam que essas áreas sejam manejadas de acordo com seu potencial produtivo e uma forma disso ser feito é por meio da adoção de zonas homogêneas de manejo. Os objetivos deste trabalho foram verificar a eficiência de técnicas de aprendizagem de máquina e análise de dados de solo, relevo, produtividade e sensoriamento remoto, a fim de identificar e definir zonas de manejo para a cultura da soja. Dados conjuntos de sensoriamento remoto, atributos do solo e produtividade da cultura da soja foram utilizados para definir zonas homogêneas de manejo, por meio de técnicas de modelagem de dados e aprendizagem de máquinas. Observou-se ligação direta de influência do histórico de manejo das áreas na separação das zonas, o que evidencia a necessidade da adoção de robustos bancos de dados e ferramentas de análise para a segura definição das divisões. Técnicas de aprendizagem de máquina mostraram-se eficientes na delimitação das zonas homogêneas de manejo para a cultura da soja e podem ser replicadas em outros locais ou períodos, desde que os modelos sejam corretamente calibrados para a situação em questão.