Utilização de dados hiperespectrais para diferenciação de variedades de cana-de-açúcar (Saccharum officinarum) L.

• Ano de defesa: 2022
• Autor(a) principal: Ribeiro, Luiz Augusto Leite
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de Componentes Principais (PCA); Principal component analysis (PCA); Proximal remote sensing; Random forest; Sensoriamento proximal
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-11082022-095930/

A cana-de-açúcar remete aos primórdios da colonização do Brasil, sendo uma cultura na qual o Brasil possui destaque mundial e é o maior produtor. Para o país se manter nesta posição tornam-se necessários contínuos estudos na área de melhoramento genético. A identificação e mapeamento constantes destas áreas é fundamental para o pagamento dos royalties pelo uso das variedades melhoradas. Técnicas rápidas, com alta taxa amostral e que permitam monitoramento de cana-de-açúcar tornam-se necessárias para estimar a área plantada de cada variedade. Estudos com sensores hiperespectrais e aprendizado de máquinas vêm sendo empregados em diversas áreas da agricultura, inclusive em estudos de cana, com bons resultados, podendo ser promissoras para a discriminação de variedades. Desta maneira este trabalho teve como objetivo discriminar variedades de cana-de-açúcar utilizando dados hiperespectrais e técnicas de aprendizado de máquina e Random Forest junto com a análise de componentes principais (PCA). As variedades selecionadas para este estudo foram a IACSP 95-5094, IACSP 01-3127 e IACSP 96-2042, sendo que as regiões que tiveram a maiores influências no agrupamento dos materiais foram a região ligada ao red-edge (725 nm), muito correlacionada ao pigmento clorofila e nitrogênio foliar e as regiões de 1400 nm e 1900 nm correlacionadas com o conteúdo de água nas folhas, sendo um bom indicativo da adaptabilidade ao ambiente de produção. Utilizando apenas dados hiperespectrais do visível e do red-edge (450 a 800 nm) no algoritmo Random Forest, o presente estudo alcançou a acurácia de 71,72% e índice Kappa de 0,57, indicando bom potencial na utilização de dados hiperespectrais na classificação de variedades de cana-de-açúcar.