Implementação de modelos de espectroscopia hiperespectral e nanossatélite na identificação de cultivares de vitis vinifera e suas variações regionais

• Ano de defesa: 2022
• Autor(a) principal: Arruda, Diniz Carvalho de
• Orientador(a): Ducati, Jorge Ricardo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Sensoriamento remoto; Radiometria; Vinhedos
• Palavras-chave em Inglês: Vineyards; Radiometric data; Hyperspectral; Machine learning
• Link de acesso: http://hdl.handle.net/10183/258324

O Brasil é destaque na produção mundial de uvas e demonstra uma constante evolução ao longo de sua histórica, desde 1980, com o Estado do Rio Grande do Sul, no topo da lista de produtores. Diversas regiões produtoras de uvas e vinhos no Brasil tem organizado suas atividades no sentido de se tornarem reconhecidas como “Indicações de Procedência” (IP), dando tipicidade e caráter regional aos seus produtos. Esta caracterização requer descrições dos impactos das condições ambientais e do trabalho humano. A utilização de dados adquiridos por sensoriamento remoto, incluindo dados proximais hiperespectrais e de satélites, permitem classificar e caracterizar as variedades de uvas e suas respectivas unidades produtoras de diversas localidades, sob condições climáticas e antrópicas diferenciadas. Esta tese tem como principal objetivo desenvolver uma metodologia para aquisição de dados, treinamento de modelos de hiperespectrais por sensor proximal e imagens via nanossatélite. A área de estudo é composta por oito vinhedos comerciais localizados no Rio Grande do Sul, Brasil. Na primeira fase deste estudo, a unidade de análise foi a folha isolada da videira em diferentes regiões. Posteriormente foi realizado o levantamento dos parâmetros de clorofila, Teor de Sólidos Totais (TST) ou °Brix da uva, espectros de reflectância hiperespectral e imagens de nanossatélite em parcelas de Cabernet Sauvignon em uma vinícola da Serra Gaúcha. Os modelos Light Gradient Booster Machine (LGBM) e Random Forest (RF) obtiveram as melhores acurácias na discriminação espectral em regiões do ultravioleta (UV) e visível (VIS). As estimativas apresentaram elevados R² com o modelo de regressão RF. O índice de Gini teve maiores valores para comprimentos de onda no UV/VIS/NIR e o índice de vegetação Plant Senescence Reflectance Index (PSRI) teve melhor desempenho para predição dos parâmetros de clorofila, e o Triangular Greenness Index (TGI)/Normalized Difference Vegetation Index (NDVI) para o ºBrix da uva, utilizando como dados a reflectância hiperespectral e a reflectância de superfície. Desenvolvimentos futuros incluem o levantamento de dados com maior número de planta e variedades, auxiliando a compreender as assinaturas espectrais de cada variedade como subsídio para um melhor manejo da produção.